May, 2023

生成模型如何提高 6G 非地面网络的 LOS 估计

PDF
TL;DR本文提出了一个框架，使用生成模型为非地球 6G 网络中的 LOS 估计生成合成数据集，从而解决由于数据集难以获得及隐私问题导致的 ML 算法训练困难的问题。
5g6gnon-terrestrial networkmachine learningprivacy
发现论文，激发创造
  • 基于 Transformer 增强 LSTM 网络的 GNSS 观测非 LOS 检测和不确定性预测

    通过分析全球导航卫星系统 (GNSS) 观测数据，本研究提出了一种基于深度学习的方法来检测非直射路径接收与预测 GNSS 伪距误差，并构建了类似 Transformer 的注意机制来提高模型性能和泛化能力，实验结果表明相比其他模型，该方法在车辆定位中具有更好的准确性和召回率，能够避免轨迹偏离问题。

    Sep, 2023

  • 卫星网络中的交互式生成型人工智能代理通过专家组合传输技术

    为了解决 6G 全球通信的需求，本文开发了用于模型建立的生成型人工智能代理，并应用混合专家方法设计传输策略。通过结合多个专业组件的专业知识，并利用生成代理所提供的问题求解，验证了该方法在解决问题上的准确性和有效性。

    Apr, 2024

  • 基于生成式神经网络的毫米波信道建模

    本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。

    Aug, 2020

  • 6G 无线网络机器学习应用中的隐式通道学习

    本论文探讨了机器学习在 6G 中扮演的角色，提出通过隐式通道学习来完成无线信道估计与机器学习任务结合的方法，并在无线数据传输中达到了 60% 的图像和语音分类任务准确率提升。

    Jun, 2022

  • 基于机器学习的非直射地面通信定位方法：输入表示和不确定性估计

    本文探讨了非直线视距（NLOS）定位中使用三种不同的输入表征（单无线电路径特征、无线电链路特征和基于图像的表征）以及两种卷积神经网络，并测量了各种特征的可用性对模型性能的影响。该研究的收获在于激发了未来构建更高效神经网络的工作，并提供了对 NLOS 定位有用的应用特征。

    Apr, 2023

  • 利用机器学习进行光网络信号丢失预测

    通过监控性能数据并利用监督式机器学习，我们可以在 1~7 天内预测光网络中的信号丢失事件，其中精确度较高，但召回率较低。通过使用多个网络同时训练模型，预测的精确度得到提高，而针对特定网络或设施类型进行调优只带来了适度的改进。

    Jan, 2022

  • SATSense：卫星合作框架下的频谱感知

    利用多颗卫星的多样数据进行协作感知以及利用图神经网络进行有效的频谱感知，同时采用联合子 - Nyquist 采样和自动编码器数据压缩框架以及对丢失数据进行对比学习，以实现高效的频谱感知性能并在频谱感知准确性上超越传统深度学习算法。

    May, 2024

  • 基于生成人工智能的空间信道状态信息预测：迈向全息通信和数字无线电双胞胎

    通过将全息通信与数字孪生相结合，提出了一种名为数字无线电孪生的新框架，利用生成型人工智能寻找特定环境中的有效路径，展示了很大潜力，推动 6G 无线通信技术的演进。

    Jan, 2024

  • FedSN：一种基于低轨卫星网络的通用联邦学习框架

    通过提出 FedSN 作为一个通用的联邦学习框架来解决低地球轨道卫星上的异构计算和内存能力、有限的上行速率和模型陈旧等问题，实现了更高的准确性、较低的计算和通信开销。

    Nov, 2023

  • 提升全球导航卫星系统的机器学习技术综述

    全球导航卫星系统（GNSS）基于位置定位在导航、交通运输、物流、地图和应急服务等各种应用中起着关键作用。本文介绍了近年来机器学习（ML）的最新进展及其潜力，以应对传统 GNSS 模型方法在复杂环境中的局限性以及对不确定噪声模型的适应性不足。研究涵盖了监督学习、无监督学习、深度学习和混合方法等广泛的 ML 方法，并提供了与 GNSS 相关的定位应用的洞见，如信号分析、异常检测、多传感器集成、预测和精度增强。文中讨论了目前基于 ML 的 GNSS 定位方法的优势、局限性和挑战，提供了该领域的全面概述。

    Mar, 2024