Sep, 2020

OFDM 端到端学习：从神经接收器到无导频通信

PDF
TL;DR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。
end-to-end learningwireless channel modelsneural networkorthogonal frequency division multiplexingcommunication systems
发现论文，激发创造
  • OFDM 自编码器用于通信系统端到端学习

    通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。

    Mar, 2018

  • 基于深度学习的一比特正交频分复用接收机

    本文提出了基于深度学习的新颖 OFDM 解调器，该解调器采用单比特量化技术，并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计，并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法，在信噪比 10dB 的情况下表现良好。

    Nov, 2018

  • 无信道模型的通信系统端到端学习

    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

  • 基于深度学习的 MIMO-OFDM 系统飞行员设计和信道估计的剪枝

    采用神经网络的联合导频设计与下行信道估计方案，利用卷积神经网络层和非局部注意力模块，在分配导频时选择性减少神经元以降低开销，显著提高了宽带大规模 MIMO 系统的频谱效益。

    Jun, 2020

  • AI 辅助的在线自适应 OFDM 接收机：设计和实验结果

    本研究比较了两种基于 AI 的 OFDM 接收机，通过广泛的模拟和实时视频传输进行实验，并开发了一种新型的在线训练系统 SwitchNet，以适应真实环境。试验结果表明 AI 辅助的 OFDM 接收机在未来的通信系统中很有前途。

    Dec, 2018

  • 基于数据驱动的深度学习的无线电大规模 MIMO-OFDM 系统的混合波束赋形技术（含隐式 CSI）

    本文提出了一种基于深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。

    Jan, 2022

  • OFDM 系统中通道估计和信号检测的深度学习能力

    通过深度学习来解决频率选择性衰落以及噪声问题，从而实现在 OFDM 系统中的信道估计和信号检测。

    Aug, 2017

  • ComNet: 基于深度学习和专家知识的 OFDM 接收器组合

    本文提出了一种基于深度学习与专家知识相结合的模型驱动的正交频分复用接收器，采用逐块信号处理方法，在通道估计和信号检测子网中构建 DNN，相比于传统的简单解法 (LMMSE)，提供更精确的通道估计和更高的数据恢复精度，模拟结果进一步证明了该方法在信噪比和计算复杂性上优于 FC-DNN。

    Oct, 2018

  • 优化干扰抑制的端到端自编码通讯

    该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。

    Dec, 2021

  • 基于深度学习的空中通信

    本研究演示了通过深度学习和软件无线电实现完全由神经网络构成的通信系统，并使用两阶段学习方法应对训练过程中的不可导问题。

    Jul, 2017