- 物理层深度学习:数据驱动端到端通信系统及其支持的语义应用综述
通过对数据驱动的端到端学习和优化的物理层的深度学习表示学习的利用,端到端系统在复杂的无线环境中显现出增强的适应性和性能,满足 5G 及以后的网络系统和应用需求。本文综述数据驱动的物理层在端到端通信系统中的关键作用以及其在不同模态中实现的语义 - 物理层通信的生成人工智能:一项调查
人工智能的生成模型在通信物理层的应用
- 使用深度神经网络进行数字通信的实时无线对抗扰动
本文旨在使用深度神经网络对广播领域中使用的信号处理算法进行分类,探究故意制造的对抗性扰动可能如何欺骗 DNN 分类器并显著降低其准确度的论题,并尝试定义特定于类别和独立于样本的对抗性扰动,展示这些攻击在物理信道上使用软件定义电台通过空中进行 - MM深度神经网络在物理层通信中的开箱探秘
本文量化分析和实验验证深度神经网络在物理层发送中的信息流动,研究其在计算复杂度方面的成本,以及为什么它们能够与传统技术实现可比较的性能。
- MM物理层决策机制:事实、挑战和解决方案
本文介绍了物理层中的典型假设及其与实际系统的差异,并考虑到实现步骤和挑战,系统地讨论了基于学习算法的决策机制设计。此外,通过使用软件定义无线电节点进行实时案例研究,论述了潜在的性能改进和未来措施的物理层的学习驱动框架。
- 基于深度学习的时变衰落信道估计算法
本研究提出了一种基于深度学习和神经网络的物理层信道估计器,可以在没有先验知识的情况下动态追踪信道状态,并且与传统算法和其他深度学习架构相比,具有更好的均方误差性能和鲁棒性。
- 空中机器学习
本文回顾了机器学习在物理层无线通信系统中的应用及其带来的一些挑战,并着重介绍了机器学习在无线通信领域中的一些前沿技术及其在未来的研究方向,同时强调了基于物理层设计的分布式机器学习的可行性和需求。
- 5G 新无线接入技术的关键要素揭秘
本文主要概述了第五代无线接入技术的核心技术特征,包括新无线电(NR)系统、物理层通信、天线技术以及频谱灵活性,并重点讲述了 NR 的基本概念、物理通信信道和参考信号设计以及对标准化产生影响的各种设计原理。
- 基于对抗网络的空中物理层通信系统设计
本文介绍了一种采用基于学习的方法对通信系统进行物理层调制和编码方案进行合成的新方法,通过采用对抗性方法,可以在广泛的信道环境下共同学习好的解决方案。
- 基于深度学习的 MIMO 通信
论文提出了一种新颖的基于无监督深度学习的物理层方案,该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力,其考虑了空间多样性和空间复用技术,并将无线信道失真模型引入自编码器优化问题中。
- 车联网通信:物理层视角
本文综述了车联网通信的物理层基础问题,包括车联网信道特性、通信模型、信道估计、调制技术及资源分配等方面,并讨论了车联网通信在毫米波频段下的潜力和挑战。