基于深度学习的 AWGN 与多径衰落条件下通道编码参数的盲识别

MMSep, 2020

基于深度学习的 AWGN 与多径衰落条件下通道编码参数的盲识别

Deep-Learning Based Blind Recognition of Channel Code Parameters over Candidate Sets under AWGN and Multi-Path Fading Conditions

PDF

Sepehr Dehdashtian, Matin Hashemi, Saber Salehkaleybar

TL;DR本文提出一种基于深度学习的解决方案来识别包括 LDPC、卷积、Turbo 和 Polar 等编码方案的通道编码参数。该方法不需要关于通道状态或信噪比（SNR）的先前知识或估计，并能够抵抗多径衰减等通道失真，从而提高了正确检测编码参数的概率，优于类似工作的表现。

Abstract

We consider the problem of recovering channel code parameters over a candidate set by merely analyzing the received encoded signals. We propose a deep learning-based solution that I) is capable of identifying the

channel code parameters deep learning ldpc convolutional turbo

发现论文，激发创造

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

基于深度学习的通信算法

本文研究使用深度学习自动发现解码算法的可行性，并展示了我们训练的循环神经网络架构能够在自适应 AWGN 频道模型下，解码着名的顺序编码达到接近最优的性能。

May, 2018

通过循环神经网络创造低延迟编码

本文针对 5G 标准下信道编码的低延迟要求，基于深度学习和通信工程知识，提出了一种端到端学习的神经编码器，称为 LEARN 编码器。相比传统卷积码，LEARN 编码器在低延迟条件下表现更好，具有强鲁棒性和适应性，表现出设计用于未来通信的新型多功能通用编码的潜力。

Nov, 2018

基于深度学习的时变衰落信道估计算法

本研究提出了一种基于深度学习和神经网络的物理层信道估计器，可以在没有先验知识的情况下动态追踪信道状态，并且与传统算法和其他深度学习架构相比，具有更好的均方误差性能和鲁棒性。

Aug, 2019

基于深度学习的信道估计

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

深度学习中的反馈码

本文提出了一种基于深度学习的新型编码方案，应用于高斯噪声信道，并结合信息论洞见，有效提升了通信可靠性，相较于过去几十年间研制的编码方案提高了 3 个数量级。

Jul, 2018

DRF Codes: 深度信噪比强健反馈编码

利用长短时记忆网络（LSTM）和信噪比（SNR）感知注意力机制进行深度神经网络（DNN）编码纠错，用于在具有输出反馈的衰落信道中实现更可靠的通信，并在在多播信道中进行了有效性验证。

Dec, 2021

硬件损伤下的信道估计：贝叶斯方法与深度学习

本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响，提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征，比 LMMSE 方法的噪声估计质量更高。

Aug, 2022

基于深度学习的双重色散环境下信道估计调查

本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。

Jun, 2022

深度学习提高线性编码解码的方法

探讨利用深度学习方法改进信道解码器进行线性码的近似最优的解码，发现可以通过构建循环神经网络的体系结构来实现解码器参数的绑定，以此有效降低参数数量并提升性能。

Jun, 2017