钻柱声学通信的端到端自编码器
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。
Dec, 2021
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
本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法,该算法可以训练具有未知信道模型或具有不可微分组件的通信系统,并在软件定义无线电上实现,并在同轴电缆和无线信道上实现了最先进的性能。
Dec, 2018
针对非线性传输信道,我们首次提出了一种基于自编码器技术和神经网络的光纤传输系统优化方法,并通过将符号与波形映射与波形与符号映射结合,成功提高了传输距离约三倍。
Sep, 2020
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
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
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
本文介绍了一种新型神经编码器和解码器 TurboAE,该编码器可以通过深度学习来自动化设计通道编码,以提高非规范通道模型的可靠性,并在中等块长度下接近规范通道模型的最新性能水平。
Nov, 2019
提出了一种基于深度学习和变分推断的框架,用于设计具有噪声传输符号的端到端通信系统,同时系统性地集成了通道类型等领域知识,在多个流行通道模型中击败了以前利用深度学习模型的先前工作,实现更好的打包密度和更快的速度。
Apr, 2019