深度神经网络在物理层通信中的开箱探秘
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
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
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
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
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
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
本研究通过信息平面可视化深度神经网络,发现在标准深度学习中,大部分训练周期都用于对输入进行压缩以生成有效表示,而非适应标签,当训练误差变小并且随机梯度下降下降进入随机扩散阶段时,表征压缩阶段开始。隐藏层的加入可以极大的缩短训练时间。
Mar, 2017
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
通过利用设备的固有物理特性作为计算工具,我们在这项工作中制定了一个通用框架,以完全数据驱动的方式优化与动态物理系统的交互,通过模拟和实现与动态设备的相互作用进行了应用验证,并强调了准确捕捉系统随机性对于成功部署具有物理定义的神经网络的重要性。
Jan, 2024