Dec, 2021

优化干扰抑制的端到端自编码通讯

PDF
TL;DR该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。
发现论文，激发创造
  • OFDM 自编码器用于通信系统端到端学习

    通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。

    Mar, 2018

  • 基于深度学习和条件生成对抗网络的端到端无线通信系统与未知信道

    本研究提出使用条件生成对抗网络模拟信道影响来优化端到端通信系统，解决了信道状态信息难以获取的问题，并在多种信道中得到有效验证。

    Mar, 2019

  • 钻柱声学通信的端到端自编码器

    通过深度学习自编码器 (AE) 设计的端到端通信系统可实现低延迟、高吞吐量和可靠性的钻杆通信，与基准的非连续 OFDM 系统相比，具有更低的误码率和峰均功率比操作时延。

    May, 2024

  • 使用 CNN-Autoencoder 在有限块长制度下，对高斯信道进行编码

    本文论述了使用卷积神经网络自编码器解决长码和短码的问题，通过对一系列信噪比的探索，与其他编码方案相比，发现该方案可以逼近理论最大可实现速率，解决了在无线网络中实现低延迟应用需要高可靠性编码的挑战。

    May, 2023

  • 一种混合方法，将基于人工神经网络和传统解调相结合，用于有效地在 FPGA 中实现通信

    本研究提出一种基于自编码器的有效神经网络重映射方法，以结合传统的解调算法，实现在 FPGAs 上进行通信。我们的方法在保证通信效果的同时，提高了硬件的效率，为 ANN 通信算法在实际应用中提供了新思路。

    Apr, 2023

  • OFDM 端到端学习：从神经接收器到无导频通信

    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

  • 基于深度学习的 MIMO 通信

    论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

    Jul, 2017

  • 基于条件 GAN 的通道无关端到端学习通信系统

    本文提出了使用深度神经网络的端到端通信系统，并使用条件生成对抗网络表示了通道效应，从而构建了一种不需要先前信息的通道不可知的端到端系统。

    Jul, 2018

  • 端到端自编码通信系统的物理对抗攻击

    通过 DNN 自编码器实现通讯系统的端对端学习对物理对抗攻击极为脆弱，特别是通过广播信道传输良好设计的干扰信号会对传输系统信息的误码率造成数量级的影响，且对抗攻击比干扰攻击更具破坏性，而传统编码方案对抗攻击和干扰攻击的鲁棒性更强。

    Feb, 2019

  • 无信道模型的通信系统端到端学习

    本文提出了一种新颖的学习算法，通过监督接收器的训练和基于强化学习的发射器训练之间的迭代来解决没有可微通道模型的端到端通信系统学习问题，并在加性白噪声和瑞利衰落信道上证明了该方法的有效性。

    Apr, 2018