面向 GMI 优化几何星座形状的端到端学习
本文介绍了一种可训练的编码调制方案,通过概率调制、几何调制、比特标签和解调,结合特定信道模型和一定范围内的信噪比,实现比特间互信息(BMI)的联合优化。相比于概率幅度调制,该方法不仅适用于对称概率分布,而且可以优化任何信道模型下的输出,适用于任何码率 $k/m$,$m$ 为每个信道使用的比特数,$k$ 为 $1$ 到 $m-1$ 范围内的整数。该方法允许学习由信噪比确定的连续星座几何形状和概率分布,并扩展了 Maxwell-Boltzmann(MB)分布的 PAS 体系结构,使其能够根据信噪比控制 QAM 调制的 MB 分布学习连续的 MB 分布。通过模拟性能可以测量该方法在加性高斯白噪声(AWGN)和失配雷利衰落(RBF)信道上的性能表现。
Apr, 2020
本论文提出了一种新的几何成形方法,利用无监督机器学习优化星座设计,当使用简化的光纤信道模型进行训练时,所学习的星座可以减轻非线性影响,最高可获得 0.13 比特 / 4D 的增益。
May, 2018
本文目的在于探讨在何种场景下,数据驱动的机器学习可以超越传统的 MIMO 收发器,并展示了多种场景中 ML 的性能表现,其中包括闭环 MIMO,开环 MIMO 和多用户 MIMO,并提供了相应神经网络模型的代码实现。
May, 2020
该论文提出了一种基于混合知识数据驱动的方法,用于在无蜂窝大规模多输入多输出系统中进行通道语义获取和多用户波束 forming,以提高室外无线传输性能并缩小与室内传输能力之间的差距。
Jul, 2023
利用扩散模型的生成人工智能能力,提升通信系统中星座符号的 PHY 设计,以改善信息速率和解码性能,并且在低信噪比和非高斯假设情况下具有网络弹性和鲁棒性。
Nov, 2023
论文提出了一种新颖的基于无监督深度学习的物理层方案,该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力,其考虑了空间多样性和空间复用技术,并将无线信道失真模型引入自编码器优化问题中。
Jul, 2017
本研究提出了一种名为 Geometric Multimodal Contrastive (GMC) 的表示学习方法,采用两级体系结构和多模态对比损失函数,可用于处理缺失数据,在三个不同的学习问题上实现了最先进的性能。
Feb, 2022
本研究针对频率和时间选择性衰落信道,探讨端到端学习在无线通信上的应用,通过神经网络接收机代替传统正交导频,并使用超定位信号,线性复合和优化星座几何图形等技术替换正交导频,实现了与基线方案相同的误比特率和相对 7%的吞吐量提高,表明协同学习的发射机和接收机是超越 5G 通信系统的一个有趣组成部分,可以消除解调参考信号的需求和相关控制开销。
Sep, 2020
通过基于深度自编码器的结构,本文设计了一种用于两用户 Z 干扰信道的端到端通信的模型,该模型优化编码器 / 解码器对并生成能够根据干扰强度动态调整形状以最小化误码率的干扰感知星座。该结构在深度自编码器中引入了相位 / 象限分配层来保证平均功率限制,并使得该架构能够生成非均匀形状的星座,相比于标准的均匀星座(如正交振幅调制),获得了进一步的增益。该结构还可以与不完美的信道状态信息(CSI)一起工作,考虑了估计和量化误差所带来的 CSI 不完美性。模拟结果表明,在所有干扰强度范围(弱、中、强)和信噪比(SNR)上,DAE-ZIC 都显著提高了 ZIC 的性能,且该改进随着 SNR 的增加而持续增加。当 SNR > 15dB 且传输每个符号的比特数为两个时,在弱干扰下,与最有竞争力的传统方法相比,误码率可以降低一个数量级。当存在量化误差时,改进达到大约两个数量级,这表明 DAE-ZIC 相比于传统方法对干扰具有更强的鲁棒性。
Oct, 2023
本研究提出了一种新的生成图像压缩方法:EGIC。该方法能够从单一模型有效地穿越失真 - 感知曲线,并提出了一种隐式编码的图像插值变体,通过预测均方误差优化和 GAN 优化解码器输出之间的残差来控制基于 GAN 的重建结果,性能优于多种以感知或失真为导向的比较方法,并几乎与失真端的 VTM-20.0 相媲美。EGIC 实现简单、非常轻量级,并具有出色的插值特性,是应用于低比特范围的实际应用中有很大潜力的候选方法。
Sep, 2023