MMApr, 2022

基于变分自编码器的相干光通信中的盲均衡和信道估计

PDF
TL;DR本文提出了一种基于变分推断的自适应盲均衡器，以提高光通信中载波恢复的效率，并通过在低复杂度下估计信道的最大似然来提高其性能和灵活性。作者将变分自编码器（VAE）等均衡器的概念推广到更高阶的调制格式，并通过多种测试环境证明了其优越性。
adaptive blind equalizersvariational inferenceoptical communicationsprobabilistic constellation shapingchannel estimation
发现论文，激发创造
  • 利用变分自编码器进行盲通道均衡

    该论文介绍了一种新的最大似然估计方法，使用变分自编码器来进行盲信道均衡，在符号重构的误差率方面比常数模块均衡器有显著和一致的改进。此外，作者还展示了该方法相对于常数模块算法具有显著的低延迟通道获取的优势。

    Mar, 2018

  • 使用变分自编码器进行无监督线性和非线性信道均衡和译码

    介绍了一种利用变分推断和变分自编码器进行盲通道均衡和解码的新方法，可有效提高插值散在信道和低密度奇偶校验编码传输中误码率的问题。

    May, 2019

  • 利用变分自编码器改进盲均衡的自举

    本文评估在关键工作点启动盲均衡器的效果，分析常用算法的优点和障碍，并演示最近提出的基于变分自编码器的均衡器如何改善引导过程。

    Jan, 2023

  • 基于 AEVB 的智能通信系统

    本文提出了一种基于 CNN 的 VAE 通信系统，使用可调节超参数 beta 的 VAE 架构，在传统方法中表现卓越，具有极度脱耦的潜在空间表现，使得基于连续潜在空间的 VAE 系统比其他系统表现更佳。

    May, 2020

  • 基于深度学习的变分自编码器用于光子的分类

    基于深度学习的变分自编码器方法可用于光子统计特征到低维度的映射，实现在光子计数较低的情况下准即时分类，同时维持分类准确性并能在检测质量差的情况下改进光子和光源的分类。

    May, 2024

  • 无线通信和传感器网络中多模态数据融合的优化

    本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

    Feb, 2023

  • 协同过滤的变分自编码器

    本研究提出一种基于 VAE 的非线性概率模型，用于解决协作过滤问题，相对于现有的线性因子模型，具有更强的建模能力，并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现，并对使用多项式分布作为似然函数进行了比较实验，分析了使用贝叶斯方法的优缺点及适用场景。

    Feb, 2018

  • 基于变分自编码模型的深入理解

    本文提出了一种新的变分自编码模型优化标准，推广了标准的证据下界，提供了它们恢复数据分布和学习潜在特征的条件，并在形式上证明了通常出现模糊样本和无信息潜在特征等常见问题的条件。基于这些新的见解，我们提出了一种新的序列化 VAE 模型，可以基于像素逐一重构损失在 LSUN 图像数据集上生成清晰的样本，并提出一种旨在鼓励无监督学习信息潜在特征的优化标准。

    Feb, 2017

  • 显式最小化变分自编码器的模糊误差

    本文介绍了一种新的变分自编码器 (VAE) 的重构项，它特别惩罚生成模糊图像的能力，同时仍然最大化建模分布下的 ELBO。在三个不同的数据集上展示了该损失函数的潜力，优于 VAE 的几种最近提出的重建损失。

    Apr, 2023

  • eVAE: 进化变分自编码器

    该研究提出了一种将遗传算法和变分自编码器相结合的进化变分自编码器方法，通过动态生成和更新不确定性权衡学习，解决了现有方法中面临的问题，包括 KL 消失问题和基于深度学习中的早期收敛和随机搜索问题。实验结果表明，与竞争方法相比，eVAE 在文本生成、图像生成质量等方面均有显著改善。

    Jan, 2023