通信系统物理层中深度学习的两个应用

Jan, 2020

通信系统物理层中深度学习的两个应用

Two Applications of Deep Learning in the Physical Layer of Communication Systems

Emil Björnson, Pontus Giselsson

TL;DR通过深度学习算法学习输入信号的关键特征和特性，而不需要人为进行先前的识别和建模，深度神经网络能够学习自然制造信号（例如照片和音频）中的复杂特征，并将其用于分类和决策，但在通信系统中，情况有所不同。信息信号是人造的且传播渠道相对易于建模以及在香农容量限制附近操作，那么深度学习在未来通信系统的发展中是否有作用呢？

Abstract

deep learning has proved itself to be a powerful tool to develop data-driven signal processing algorithms for challenging engineering problems. By learning the key features and characteristics of the input signals, instead of requiring a human to first identify and model them, learned

deep learning data-driven signal processing deep neural networks classification communication systems

发现论文，激发创造

无线物理层的深度学习：机遇与挑战

介绍了基于深度学习的物理层处理的新兴研究，包括基于深度学习重新设计传统通信系统的模块（用于调制识别，信道译码和检测）并将通信系统替换为基于自动编码器的全新架构。

Oct, 2017

物理层通讯中的深度学习

本文概述了基于深度学习的物理层通信的最新进展，将 DL 在通信系统中的应用分为具有块结构和没有块结构的系统，探讨了 DL 在信号压缩和信号检测中的应用，以及最近为开发端到端通信系统而做的努力，并指出了提升具有 DL 的智能物理层通信的潜在研究方向。

Jul, 2018

物理层深度学习入门

本文提出并讨论了深度学习在物理层的几个新应用，并将通信系统解释为自编码器，开发了一种基本的新方式来思考通信系统设计，演示了深度学习在通信技术领域的应用和挑战。

Feb, 2017

基于模型的深度学习在物理层通信中的应用

该文章回顾了最近在物理层通信中使用模型驱动深度学习方法的应用，包括传输方案、接收机设计和信道信息恢复，并在展示全面调查后，提出了若干进一步研究的开放问题。

Sep, 2018

深度学习在通信系统中的检测算法

本文介绍了一种新的通信系统设计和分析方法 —— 使用深度学习的检测算法在无法建立数学信道模型的分子通信系统中实现良好的检测性能，实验结果显示深度学习算法显著优于之前使用在无信道知识的情况下的简单检测器。

May, 2017

深度神经网络在物理层通信中的开箱探秘

本文量化分析和实验验证深度神经网络在物理层发送中的信息流动，研究其在计算复杂度方面的成本，以及为什么它们能够与传统技术实现可比较的性能。

Jun, 2021

物理层 5G 无线技术的深度学习：机遇、挑战和解决方案

本文综述了基于深度学习的 5G 通信方案的发展，并提出了高效的深度学习方案，探讨了非正交多址接入（NOMA）、海量多输入多输出（MIMO）和毫米波（mmWave）的通信框架，并展示了它们卓越的表现。本文的创新点在于深度学习技术在无线物理层框架中的优化方法为通信理论开辟了新的方向。

Apr, 2019

深度神经网络在物理层通信中的理论分析

本文研究深度神经网络在物理层通信中的应用，首先通过比较传统和基于 DNN 的编码器的性能来验证其可行性，接着通过理论分析 DNN 估计器的性能来展示其吸引人的特点，并探究 DNN 通信系统中的信息流动机制以及与传统的通信系统的差异。该研究为 DNN 智能通信技术的设计提供支持并提供可解释的性能评估。

Feb, 2022

无线通信的深度学习：一种新兴的跨学科范式

本篇文章探讨了基于深度学习的无线通信的两种主流方法：基于深度学习的架构设计和基于深度学习的算法设计。旨在鼓励更多的智能无线通信研究和贡献。

Jul, 2020

物理层深度学习：数据驱动端到端通信系统及其支持的语义应用综述

通过对数据驱动的端到端学习和优化的物理层的深度学习表示学习的利用，端到端系统在复杂的无线环境中显现出增强的适应性和性能，满足 5G 及以后的网络系统和应用需求。本文综述数据驱动的物理层在端到端通信系统中的关键作用以及其在不同模态中实现的语义应用，同时指出了关键挑战和未来研究方向，为深度学习在物理层和语义通信中的未来发展提供重要参考。

Jan, 2024