深度学习压缩射频信号分类
通过深度强化学习控制前传带宽压缩,该方法在不同的前传负载水平下实现了显著的前传带宽利用率和空中接口吞吐量提升,并能够满足预定的前传时延约束。
Nov, 2023
本文主要介绍了一种自动无线电调制识别技术,结合深度压缩和加速技术提出了一种轻量神经网络模型,在边缘侧设备上可以实现物理层身份认证,自动信号处理,为未来 5G 及军用网络提供技术支持。同时,以自动雷达调制调制分类为例,对代表性加速方法进行了广泛分析并进行了计算指标衡量。
Apr, 2022
介绍了一种高保真度的神经网络通用音频压缩算法,它结合了高保真度音频生成的进展以及图像领域的更好的向量量化技术,并使用改进的对抗和重构损失将高维自然信号压缩成较低维度的离散令牌,该算法可以通过单一的通用模型压缩所有领域(语音、音乐等)的信号。
Jun, 2023
本文提出了 DLCS 通道估计方案和 DLQP 混合前缀设计方法,用于多用户毫米波大规模 MIMO 系统,模拟结果表明 DLCS 通道估计方案在规范化均方误差和频谱效率方面优于现有方案,而 DLQP 混合前缀设计方法在相位分辨率较低的情况下具有更好的频谱效率性能。
Feb, 2020
本文研究了基于深度学习的 C-RAN 系统优化问题,提出了通过构建 DNN 模型来解决复杂的协作波束成型和前程量化问题,并验证了该方法的有效性。
Jul, 2021
本文提出一种基于深度学习的机器消耗数据压缩和量化框架,以最大化在融合中心推导出的全局决策的准确性为目标,并提出以感测目标为设计基础的数据压缩机制和熵量化器方法,相较于其他基准模型在性能上有较大提升。
Mar, 2022
该论文提出了一种基于云无线接入网络(Cloud-RAN)的协作边缘人工智能推理体系结构,通过在远程无线电头(RRH)聚合噪声局部特征向量来提高推理准确性,并通过联合传输预编码、接收波束成形和量化误差控制方案来解决无线通道干扰、传输量化误差等挑战。
Apr, 2024
本文针对 5G 及更高版本中的高复杂度无线资源管理问题,通过引入基于深度强化学习的云计算和分布式决策方案,并结合压缩算法和空间迁移学习,提出一种实现绿色深度强化学习的架构和算法,为实现绿色智能设备带来了潜在的解决方案。
Oct, 2019
本文采用深度强化学习(Deep RL)中的非线性价值函数逼近来实现智能脉冲雷达和相邻通信系统的动态非合作共存,并通过学习调整频率和中心频率,最大化雷达探测性能,保持对频带的充分利用。我们通过实验证明,与策略迭代或感知和避免(SAA)方法相比,基于 Deep Q-Learning(DQL)算法的方法更有效地提高雷达的重要性能度量,包括 SINR 和带宽利用率,同时维持良好的距离分辨率。我们还将 DQL 方法扩展到包括 Double Q-Learning 和递归神经网络,形成 Double Deep Recurrent Q-Network(DDRQN)。最后,我们用软件定义雷达(SDRadar)原型系统的实验结果证明了本文提出的深度强化学习方法在拥挤频谱环境下显著提高了雷达探测性能。
Jun, 2020