通过学习进行通信的主动感知
通过利用长短时记忆网络和深度神经网络的方法,本研究提出了一种改进的主动感知设计,旨在解决上行定位问题,其中基站通过可重构智能表面(RISs)帮助定位远程用户。在实验中,我们说明了这种主动感知设计相较于非主动感知方法的优势,同时研究还表明,在具备多个 RISs 的情况下,一个基站的网络性能可以超过使用多个基站的情况。
Dec, 2023
本文使用深度学习方法解决毫米波环境下单路径通道中的自适应和序列波束形成设计问题,通过设计一个新颖的深度神经网络,根据基站已有的信息并逐步设计适应性感知矢量,以学习主路径角度到达(AOA)。结果表明,与现有的自适应和非自适应波束形成方案相比,该神经网络具有显著更好的 AOA 获取性能。
Dec, 2020
利用深度学习架构,通过将动态轨迹信息映射到完整的状态空间估计,演示了基于传感器轨迹的移动传感器的网络模型在感知任务中的出色性能。
Jul, 2023
本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态,并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习,通过评估精度和召回率等指标来确定哪种方法最适合此问题。
Jul, 2023
本文介绍了无线通信中深度学习应用的主动学习算法,通过在无标签数据集中识别关键和信息量最高的样本,仅对这些样本进行标记,从而减少标注开销并保持与传统训练相同的准确性。在深度学习基于毫米波波束选择的案例研究中,我们对多模态数据集进行了不同主动学习算法的性能评估,结果表明,在存在类别不平衡的数据集上,使用主动学习算法可以将标注开销降低 50%。
Jan, 2024
本文提出了一种在动态环境中实现数据驱动方法持续学习和优化的方法,通过将持续学习(CL)概念融入到无线系统学习的建模过程中,使学习模型不断适应新的情境,同时不忘记从前几次情境中学习的知识,并针对两种流行的基于深度神经网络的模型进行定制。数值结果表明,所提出的 CL 方法不仅能够迅速而无缝地适应新场景,而且在先前遇到的场景中保持高性能。
Nov, 2020
本论文提出了一种使用少量活跃元素的大型智能表面 (LIS),结合压缩感知和深度学习等工具,设计了 LIS 的反射矩阵,从而提高无线系统的覆盖范围和速率。研究结果表明,所提出的压缩感知和深度学习算法能够接近理论上界,且只需极小的训练开销。
Apr, 2019
本研究提出了一种基于贝叶斯最优推理和控制框架的主动感知算法,C-DAC,该算法通过直接最小化行为成本,例如时间延迟、响应误差和努力来优化主动感知模型,从而实现了上下文关联的主动控制。我们在简单的视觉搜索任务上模拟这些算法,以说明情境敏感性特别有益的情况和相对于一般统计目标而言优化特别不足的情况。同时,为了解决复杂的问题,我们提出了参数化和非参数化的近似方法,这些近似方法保持上下文相关性同时显著减少计算复杂度。
May, 2013
本文提出了一种基于长短时记忆的自动调制分类新数据驱动模型,分析表明该模型在不同信噪比条件下可实现近 90% 的平均分类准确性,可用于不同符号速率的调制信号分类,同时还考虑降低分布式传感器的数据通信开销和低处理能力传感器部署的问题。
Jul, 2017
我們提出了一種動態感測器選擇方法,用於深度神經網絡(DNNs),能夠針對每個具體的輸入樣本推斷出最佳的感測器子集選擇,而不是對整個數據集使用固定選擇。我們通過 Gumbel-Softmax 技巧在端到端的方式中聯合學習了這種動態選擇,在標准反向傳播中學習離散的決策。然後,我們展示了如何使用這種動態選擇來增加無線感測器網絡(WSN)的壽命,通過對每個節點允許傳輸的頻率施加限制。我們通過包含動態空間濾波器進一步提高性能,使得任務 - DNN 能夠更好地處理多種可能的節點子集。最後,我們解釋了如何在 WSN 的不同節點之間分配最佳通道的選擇。我們在身體傳感器網絡的情境中驗證了這種方法,其中我們使用真實的腦電圖(EEG)感測器數據來模擬 EEG 感測器網絡。我們分析了傳輸負載和任務準確性之間的權衡結果。
Aug, 2023