基于深度学习的 IEEE 802.11ax 系统接收机设计与数据集
提出了一种名为 DeepRx 的深度完全卷积神经网络,它以符合 5G 标准的方式执行从频域信号流到未编码位的整个接收机流水线,可构造具有高精度信道估计的卷积神经网络输入,并输出与 5G 系统中使用的信道编码兼容的软比特,从而在使用 3GPP 定义的信道模型的情况下优于传统方法。
May, 2020
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
本文提出了一种基于机器学习的物理层接收器解决方案,用于解调受到高非线性失真影响的 OFDM 信号。该方案采用卷积神经网络接收器,在时域和频域中都包含了层,可以可靠地解调和译码传输的比特,特别是当转移信号的误差向量幅度为高时,可以显著优于传统的线性接收器和现有的机器学习接收器方法。因此,建议采用该机器学习接收器来推动终端功率放大器系统进入饱和状态,从而提高终端功率效率、辐射功率和网络覆盖范围。
Jun, 2021
本文提出了一种基于深度复数卷积网络 (DCCN) 的方案,用于从时域 OFDM 信号中恢复位,该方案利用 OFDM 波形的循环前缀 (CP) 以增加信噪比,并具有将 CP 利用,信道估计和 ISI 抑制相结合的优点。实验结果表明,DCCN 接收机在各种时延扩展和移动性的 Rayleigh 衰落信道中的性能优于传统方法。此外,以复数卷积层的实现为背景,为无线 PHY 设计和分析卷积网络提供了精确和近似实现的指南。
Oct, 2018
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
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
本文以 IEEE 802.11ah 标准为对象,针对基于传统方法和机器学习方法的数据包检测和载波频率偏移估计方法进行了性能和复杂度分析。
Apr, 2020
该研究旨在提高 UWB 无线通信的可靠性和能效,通过动态选择物理层设置,在真实的办公环境中验证了深度 Q-learning 方法与传统 Q-learning、线性搜索和使用固定物理层相比,能够实现更高的数据包接收率和更少的能量消耗。
Oct, 2022
本论文提出了一种基于深度学习的新方法,可以利用无线信道的时间和频率相关性来联合估计通道和信号检测,该方法中设计了一个 Channel Estimation Network(CENet)来替代传统的基于导频辅助的估计方案中的插值过程,并基于 CENet 的输出,设计了一个 Channel Conditioned Recovery Network(CCRNet)来恢复传输信号,实验结果表明,CENet 和 CCRNet 相比于传统的估计和检测方法具有更优越的性能,并且两个网络都显示出对参数变化的鲁棒性,这使它们具有实际应用的吸引力。
Aug, 2020