本文提出了一种使用深度神经网络作为编码器和解码器的物理层设计,该设计使用最新的互信息估计器直接从输入输出测量中提取信道信息,并采用 “逆 Jensen” 方法获得更好的性能。
Jun, 2020
本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法,该算法可以训练具有未知信道模型或具有不可微分组件的通信系统,并在软件定义无线电上实现,并在同轴电缆和无线信道上实现了最先进的性能。
Dec, 2018
通过扩散模型对信道进行近似处理,提出了一个高效的基于扩散模型的端到端信道编码框架,模拟结果表明扩散模型能准确学习信道分布,从而实现接近最优的端到端符号误码率,并具有在高信噪比区域具有稳健的泛化能力的优势。
Sep, 2023
本文提出了一种基于互信息的神经编码器(MIND)来优化数字通信系统中的检测 / 解码问题的最优神经架构。
May, 2022
提出了一种基于深度学习和变分推断的框架,用于设计具有噪声传输符号的端到端通信系统,同时系统性地集成了通道类型等领域知识,在多个流行通道模型中击败了以前利用深度学习模型的先前工作,实现更好的打包密度和更快的速度。
Apr, 2019
本文提出了一种新颖的学习算法,通过监督接收器的训练和基于强化学习的发射器训练之间的迭代来解决没有可微通道模型的端到端通信系统学习问题,并在加性白噪声和瑞利衰落信道上证明了该方法的有效性。
Apr, 2018
本研究提出使用条件生成对抗网络模拟信道影响来优化端到端通信系统,解决了信道状态信息难以获取的问题,并在多种信道中得到有效验证。
Mar, 2019
本文考虑了在噪声信道上传输结构化数据(例如自然语言)的联合源编码和信道编码问题,提出了基于深度学习编码器和解码器以及将句子嵌入语义空间后进行联合编码的方法,旨在同时最小化端到端失真和字错误率。
Feb, 2018
本研究提出了一种基于深度学习算法的信道估计方法,利用图像处理中的图像超分辨率和图像恢复技术来进行信道估计,实验结果表明该方法的性能与最小均方误差相当,且优于线性最小均方误差的近似算法。
Oct, 2018
本文提出了使用深度神经网络的端到端通信系统,并使用条件生成对抗网络表示了通道效应,从而构建了一种不需要先前信息的通道不可知的端到端系统。
Jul, 2018