Jul, 2018

基于深度学习网络的 OFDM 系统频谱感知方法

PDF
TL;DR本文提出了两种基于深度学习网络的 OFDM 信号感知框架，分别为 SAE-SS 和 SAE-TF，与传统的 OFDM 感知方法相比，这两种方法可以更好地处理噪声不确定性、时延和载波频偏，同时提高了感知准确度。
spectrum sensingofdm signalsdeep learning networksstacked autoencodersensing accuracy
发现论文，激发创造
  • OFDM 系统中通道估计和信号检测的深度学习能力

    通过深度学习来解决频率选择性衰落以及噪声问题，从而实现在 OFDM 系统中的信道估计和信号检测。

    Aug, 2017

  • OFDM 自编码器用于通信系统端到端学习

    通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。

    Mar, 2018

  • 基于深度学习分类的认知无线电频谱感知

    该研究介绍了一种基于深度学习分类的频谱感知方法，通过对接收信号功率进行归一化处理来克服噪声功率不确定性，使用尽可能多的信号类型和噪声数据训练模型，使得训练的网络模型能够适应未经训练的新信号，并使用迁移学习策略来改进实际信号的性能，实验证明该方法的性能超过了传统的频谱感知方法，并且适应不同类型的新信号，对于彩色噪声有更优越的检测性能。

    Sep, 2019

  • 深度 OFDM 信道估计：捕捉频率循环

    基于深度学习的信道估计方案 (SisRafNet) 在正交频分复用（OFDM）系统中利用循环模型研究频率间信道的顺序行为，克服了传统的基于循环的方法存在的延迟和内存限制，提供了比现有深度学习信道估计技术更优异的性能，并在多个信噪比下验证了 3GPP 兼容信道场景的性能。

    Jan, 2024

  • TDD Massive MIMO OFDM 系统中的频道感知和混合预编码深度学习

    本文提出了一种面向多输入多输出系统的深度学习方法，用于信道侦测和下行混合波束成形，并通过使用神经网络设计模拟感知和混合下行预编码器，以及通过简化的方法学习上行感测矩阵和下行模拟预编码器，将系统性能显着改善。

    Nov, 2020

  • 基于深度学习的 OFDM 系统联合信道估计与信号检测

    本论文提出了一种基于深度学习的新方法，可以利用无线信道的时间和频率相关性来联合估计通道和信号检测，该方法中设计了一个 Channel Estimation Network（CENet）来替代传统的基于导频辅助的估计方案中的插值过程，并基于 CENet 的输出，设计了一个 Channel Conditioned Recovery Network（CCRNet）来恢复传输信号，实验结果表明，CENet 和 CCRNet 相比于传统的估计和检测方法具有更优越的性能，并且两个网络都显示出对参数变化的鲁棒性，这使它们具有实际应用的吸引力。

    Aug, 2020

  • 基于深度学习的一比特正交频分复用接收机

    本文提出了基于深度学习的新颖 OFDM 解调器，该解调器采用单比特量化技术，并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计，并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法，在信噪比 10dB 的情况下表现良好。

    Nov, 2018

  • SATSense：卫星合作框架下的频谱感知

    利用多颗卫星的多样数据进行协作感知以及利用图神经网络进行有效的频谱感知，同时采用联合子 - Nyquist 采样和自动编码器数据压缩框架以及对丢失数据进行对比学习，以实现高效的频谱感知性能并在频谱感知准确性上超越传统深度学习算法。

    May, 2024

  • 机器学习辅助的 OTFS 与 OFDM 自适应调制解调器

    在本研究中，我们使用模拟结果验证了 Orthogonal-Time-Frequency-Space（OTFS）和 Orthogonal-Frequency-Division-Multiplexing（OFDM）之间的性能差异，并提出了基于深度神经网络（DNN）的自适应方案来优化均方误差（MSE）性能。通过观察信道条件、接收信噪比和调制格式，训练 DNN 分类器在发送器和接收器之间切换使用 OTFS 或 OFDM 信号处理链，仿真结果表明使用该方案可以显著提高通信的 MSE 性能。

    Sep, 2023

  • 未知和动态频谱环境下的无线电信号分类深度学习

    本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

    Sep, 2019