ViterbiNet:基于深度学习的维特比算法符号检测
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
本研究提出了一种新的深度学习方法,即使用另一个神经网络(超网络)来生成基于神经网络的检测器的权重,以解决多输入多输出系统的最优符号检测问题,并且能够在不需要重新训练的情况下实现接近最先进性能的结果。
Feb, 2020
该研究提出了一种基于深度学习技术的 SIC 检测器,命名为 SICNet,它通过使用深度神经网络,通过软信息推断干扰符号,而不是像经典 SIC 那样使用硬决策解码器,因此,SICNet 在不需要先验知识的情况下可靠地检测了非正交系统下向下链路中的叠加符号。SICNet 还学会了生成准确的软输出,从而在柔性输入纠错解码方面比基于模型的 SIC 更加优秀。同时,该论文还提出一种适用于在线数据的 SICNet 在线训练方法,在更加实际的 CSI 不确定性情况下,SICNet 比其模型驱动的同行具有更少的 CSI 不确定性。
Jul, 2022
使用深度学习技术,本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet,将 CSI 转换为一组最佳表示,具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。
Dec, 2017
本文主要研究了 BCJRNet 算法在不同类型的信道条件下的性能表现,发现 BCJRNet 在学习噪声信道数据和存在不完美信道衰减特性的情况下,在稳定传输场景中显著优于传统的 BCJR 算法。然而,在信道快速变化的情况下,这种优势会逐渐减弱。此外,研究还发现传统的 BCJR 算法和 BCJRNet 算法都对内存假设非常敏感,在衰减缓慢的信道中,对内存估计的低估会严重降低它们的性能。最后,我们还结合了信道衰减和内存知识的不完美性,发现传统的 BCJR 算法在被低估内存条件下具有更好的性能,而 BCJRNet 算法则在准确内存知识水平提高时表现出持续改进的性能。
Jan, 2024
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
该研究使用深度神经网络发展一种决策定向通道估计算法,用于高动态车载环境下的多输入多输出空时分块编码系统,并且得到了比现有算法更佳的性能。
Jan, 2019
本文讨论了在大规模 MIMO 移动通信系统中,利用深度神经网络(DNN)进行基于信道状态信息(CSI)的定位的实际问题,并引入了一种基于特征设计的方法来提高 DNN 的性能,该方法的目标是使特征对于考虑的障碍是不变的。通过在户外校园环境中收集到的地理标记 CSI 数据集上进行实验评估,表明本文所提出的方法具有很高的效率,并可以很好地适用于定位任务。
Mar, 2020
使用机器学习方法提出了一种数据驱动的多用户 MIMO 接收机,称为 DeepSIC,它不需要具体的通道模型或信道状态信息并且能够有效地检测多个符号,尤其是能够在非线性通道中很好地工作。
Feb, 2020
本文采用深度学习底底的禁忌搜索检测,提出了快速收敛稀疏连接检测网络(FS-Net),并基于其实现适应性提前终止算法和修改搜索过程,以实现较好性能,并达到约 90%的复杂度降低。
Sep, 2019