Jan, 2021

面向通信的基于模型的机器学习

PDF
TL;DR本文介绍了基于模型的机器学习在通信系统中的应用。作者从整体上审视了已有策略，将其与深度学习方法进行比较，并关注于通信接收器中的符号检测问题，探讨了深度架构、深度展开和 DNN 辅助混合算法等不同策略的优缺点。最后，提出了未来设计基于模型的深度学习系统的指导方针。
model-based machine learningcommunication systemssymbol detectiondeep neural networkhybrid algorithms
发现论文，激发创造
  • 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

  • 基于模型的深度学习

    本文介绍了一种新的信号处理和机器学习交叉领域的混合技术 —— 基于模型的深度学习系统。这种新技术结合了传统的数学模型与深度学习的优势，可以通过限定的数据量学习数据，同时保留先前领域知识，以期获得更高效的性能。本文提出了一种新的系统分类方法，并提供了具体的指南和来自最近文献的信号处理案例，以帮助未来基于模型的深度学习设计与研究。

    Dec, 2020

  • 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

  • 机器学习在通信系统中的应用简介

    这篇论文介绍了如何将数据驱动的机器学习方法应用于通信网络中的边缘计算和云计算，并探讨了监督学习和无监督学习的基础知识。

    Aug, 2018

  • 深度学习时代的无线网络设计：基于模型、基于 AI 还是两者都有？

    本文介绍了利用深度学习技术在未来的无线通信网络中的应用。通过论证，说明数据驱动的方法不应该取代传统的基于数学模型的设计方法，而应该互相补充。本文详细介绍了深度学习方法，包括人工神经网络，以及一些在无线通信网络领域中成功应用深度学习方法的案例研究。最后，本文描述了未来研究方向。

    Feb, 2019

  • 通信系统物理层中深度学习的两个应用

    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？

    Jan, 2020

  • 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

  • 使用深度学习设计通信系统：变分推断视角

    提出了一种基于深度学习和变分推断的框架，用于设计具有噪声传输符号的端到端通信系统，同时系统性地集成了通道类型等领域知识，在多个流行通道模型中击败了以前利用深度学习模型的先前工作，实现更好的打包密度和更快的速度。

    Apr, 2019

  • 无模型训练端到端通信系统

    本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法，该算法可以训练具有未知信道模型或具有不可微分组件的通信系统，并在软件定义无线电上实现，并在同轴电缆和无线信道上实现了最先进的性能。

    Dec, 2018