Sep, 2018

基于 CNN 的分段线性系统信号检测

PDF
TL;DR本研究使用卷积神经网络 (CNN) 设计高精度低复杂度信号检测器，通过利用通道矩阵的带状结构来提高性能，该 CNN 检测器在不同系统尺寸上表现出良好的自适应性并克服了深度学习中普遍存在的维数灾难问题。实验结果表明，与传统的深度神经网络和现有的基于模型的检测器相比，该 CNN 检测器在精度和计算时间上均表现出更好的性能，适用于具有大尺寸或宽频带的系统，并且可以轻松地扩展到近带线性系统。
banded linear systemsconvolutional neural networksdeep learningsignal detectorsystem sizes
发现论文，激发创造
  • 通信系统中数据序列的神经网络检测

    该研究利用深度学习进行检测，通过提出一种双向递归神经网络（SBRNN）的技术，能够在不知道通道模型的情况下进行检测，且在分子通信系统中表现出良好的性能。

    Jan, 2018

  • 基于深度卷积学习辅助的带索引调制广义分频多路复用检测器

    本文提出了一种基于深度卷积神经网络的符号检测和解调技术，用于改进广义频分复用与索引调制方案 (GFDM-IM) 的误差表现。通过使用零强制 (ZF) 探测器和神经网络处理，有效防止神经网络卡在鞍点上，并提供了更好的误比特率性能，是未来无线网络的一个有前途的物理层 (PHY) 方案。

    Feb, 2022

  • 卷积神经网络的带限训练和推断

    本文研究卷积神经网络的频率约束技术，实验结果显示，该技术可以控制资源使用（GPU 和内存），同时不影响模型的准确率，且无需修改现有的算法或神经网络架构。

    Nov, 2019

  • 无线通信系统信号检测的通用深度神经网络

    本研究论文提出了一种新型的通用深度神经网络 (Uni-DNN)，可以在不需重新训练模型的情况下，在各种无线环境中实现高检测性能。该模型由无线信道分类器和信号检测器组成，可广泛适用于多种无线信道分布，通过使用卷积神经网络进一步提高信号检测性能，并在实际低导频密度场景中，较常规的基于深度学习的方法以及最小二乘和最小均方误差信道估计器具有更低的误码率性能。

    Apr, 2024

  • 使用 CNN、k-nearest 邻居和支持向量机检测 5G 窄带干扰器

    在基于机器学习的在线观测系统中，利用预训练的机器学习模型在物理层检测 5G 蜂窝网络中特定控制子通道的窄带干扰攻击，研究了卷积神经网络与支持向量机和 k 最近邻方法相结合使用主成分分析的性能差异。

    May, 2024

  • 环境反漏信号检测的深度迁移学习

    本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。

    Sep, 2020

  • 使用卷积神经网络识别无线干扰

    本文提出了基于深度卷积神经网络的无线干扰识别方法，该方法在信噪比至少为 - 5 dB 时具有大于 95％的分类准确性，适用于 IEEE 802.11 b /g，IEEE 802.15.4 和 IEEE 802.15.1 网络的重叠频率通道。

    Mar, 2017

  • 快速深度学习自动调制识别

    本文研究了深度学习算法在从子采样数据中自动识别无线通信信号调制类型的可行性和有效性，提出了三种神经网络架构进行分类，并探讨了减少训练时间的算法和技术，实现了在高信噪比下的在线分类。

    Jan, 2019

  • 使用卷积神经网络进行汽车雷达复杂信号去噪与干扰抑制

    本研究旨在解决越来越多的雷达传感器在街道上部署时，存在的共存干扰问题。为此，研究提出了使用卷积神经网络（CNN）对数据进行去噪的方法，实验结果证明了该方法的优越性。因此，CNN 可以作为传统信号处理方法之外的一种干扰抑制方法，用于自动驾驶领域的雷达信号处理中。

    Jun, 2019

  • 一种无瞬时 CSI 反馈的混合波束成形深度学习框架

    本研究提出一种基于深度学习框架的混合波束成形和通道估计方法，使用三个卷积神经网络设计混合波束和估计通道信息，不需要即时反馈 CSI，并具有比传统技术更高的频谱效率和更低的计算复杂度。

    Jun, 2020