Mar, 2024

NN 定义的调制器：可重构和便携的物联网网关软件调制器

PDF
TL;DR使用神经网络作为物理层调制器的抽象层，解决了物理层调制器在物联网网关设备中的可扩展性和可移植性的挑战，通过在不同硬件平台上的评估，展示了高度的可移植性和效率提升。
physical-layer modulatoriot gatewayneural networksnn-defined modulatorportability
发现论文，激发创造
  • 利用可重构智能表面和深度学习进行调制分类

    本文提出了一种基于人工智能的 RIS 辅助数字分类方法，训练卷积神经网络对数字调制进行分类，无需特征提取，其分类方法在低信噪比下表现出色。

    Sep, 2022

  • 可训练的通信系统：概念和原型

    该研究提出了一种可训练的点对点通信系统，其中发射机和接收机均实现为神经网络，通过比特互信息训练并联结实用的比特度量译码接收机，同时联合优化星座图造型和标注，通过完全可微分的神经网络迭代解调和解码结构，在不修改任何条件的情况下处理任意通道，采用软件定义无线电实现并训练了端到端系统，实验结果表明，与传统技术相比，该方法具有显著的性能优势。

    Nov, 2019

  • 一个轻量级神经网络用于在受损环境下的调制检测

    我们提出了一种神经网络架构，能够高效地检测 I/Q 信号中的调制方式，对同类任务来说其计算量比其他最先进的架构轻两个数量级。此外，我们生成了一个基于仿真的数据集，用于训练网络对 I/Q 信号的失真具有不变性，并在现实生活中的实际条件下量化了其精度。

    Mar, 2020

  • 深度神经网络架构用于调制分类

    研究使用深度学习进行无线信号调制识别的有效性，并在现有框架的基础上开发出结合 Residual Networks、Densely Connected Networks 以及 Convolutional Long Short-term Deep Neural Network 的架构，使得高信噪比下的准确率达到了 88.5%。

    Dec, 2017

  • 利用 Transformer 增强物联网应用中的自动调制识别

    利用 Transformer 网络为物联网应用中的自动调制识别提出了一种高效的方法，优于传统深度学习技术，实现了最高的识别准确度。

    Mar, 2024

  • 深度神经网络变轻：基于深度压缩技术的自动射频调制识别在 5G 及其后网络中的应用研究

    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

  • 基于成本的机器学习流水线硬件软件协同优化

    通过量化、成本限制平台等因素综合考虑，探讨如何在边缘平台上最优化地设计系统和部署模型，以实现广泛适用的智能设备。

    Oct, 2023

  • 物理层深度学习入门

    本文提出并讨论了深度学习在物理层的几个新应用，并将通信系统解释为自编码器，开发了一种基本的新方式来思考通信系统设计，演示了深度学习在通信技术领域的应用和挑战。

    Feb, 2017

  • 物理层攻击在物联网多载波通信中的学习应用

    本文研究了利用深度神经网络和变分自编码器两种机器学习算法进行物理层欺骗攻击的性能，发现随机分配子载波可以使非连续 OFDM 系统对抗这种攻击。

    Aug, 2019

  • 通用神经形态计算底层的六个网络

    本研究介绍了一种高度可配置的神经形态计算基础，其可用于模仿多种类型的神经网络。系统的核心是一块混合信号芯片，具有神经元和突触的模拟实现和动作电位的数字传输。它的固有并行性和高加速因子使得这个仿真设备比传统计算机具有更大的优势。其可配置性允许实现几乎任意的网络拓扑和使用广泛变化的神经元和突触参数。计算的噪声通过校准程序进行降低。该系统的集成开发环境使神经科学家可以在没有神经形态电路设计先验知识的情况下操作该设备。作为该系统能力的展示，我们描述了成功仿真了六种不同的神经网络，这些网络涵盖了广泛的结构和功能。

    Oct, 2012