- MM适应动态环境和任务的统一认知学习框架
提出了一种统一的认知学习(CL)框架,它受灵长类动物大脑认知机制的启发,具有动态适应环境和任务的能力、自我学习能力,以及优秀驱逐劣质能力;并且经过了基于公开权威数据集的验证,可以丰富当前的学习框架并扩大应用范围。
- 广义分配问题的深度无监督学习:无线网络中用户关联的案例研究
使用深度无监督学习方法(DUL)来解决无线通信领域中的资源分配问题,该方法通过使用自定义的损失函数对深度神经网络进行训练。结果表明,使用该方法可以在更短的时间内获得接近最优解的结果。
- 智能可重构表面用于丰富散射无线通信:近期实验、挑战和机遇
本文介绍了可重构智能表面(RIS)在改善复杂多路径环境下的宽带无线连接中的应用,提出了两种案例研究,即通过控制多径信道脉冲响应来提高通信速率和利用 RIS 调谐的传播环境作为模拟复用器进行物体定位,同时讨论了 6G 无线通信中由 RIS 实 - 面向 6G 的联邦学习:应用、挑战和机遇
该研究论文探讨在 6G 无线电信网络中采用联邦学习技术的应用,主要关注于联邦学习在无线通信中的挑战与问题,以及如何实现该技术。
- AI-Enabled 无线网络的单智能体和多智能体深度强化学习:教程
本文论述了强化学习在 AI 驱动的 6G 网络中的作用,特别是目前热门的多智能体深度强化学习方法,以及其在移动边缘计算、无人机网络和大规模无线接入等方面的最新研究进展与应用前景。
- 基于深度学习的智能反射表面相位重构
本文提出了一种深度学习(DL)方法,使用接收到的导频信号通过智能反射表面反射来训练前馈神经网络,从而实现智能反射表面的相位重构,用于局部信号处理并提高无线通信性能。
- 智能无线电信号处理研究
近年来,随着大数据和计算技术的不断进步,人工智能已成为一种有用的工具,可以实现智能无线电信号处理,本文对智能无线电物理层中的调制分类、信号检测、波束成型和信道估计等方面进行了涵盖和总结,提出了 AI 技术的概述,概述了研究挑战和未来方向。
- MM无线通信的深度学习:一种新兴的跨学科范式
本篇文章探讨了基于深度学习的无线通信的两种主流方法:基于深度学习的架构设计和基于深度学习的算法设计。旨在鼓励更多的智能无线通信研究和贡献。
- 6G 超大规模 MIMO 通信中的动态元表面天线
文章介绍了利用元表面作为无线通讯中主动重构天线的有前景技术。通过对元表面的特性进行分析,文章总结了元表面在无线通讯中的主要优势以及它们对可靠通讯的影响,并提出了一系列激动人心的研究和实现挑战。
- MM使用对称先验提升无线资源分配的学习效率
本文介绍将对称先验,即排列等变性,与功率分配、缓存算法和干扰协调等无线任务相结合,通过排名来改善深度神经网络训练的效率,而不使用先验时所需的训练样本,DNN 中的自由参数和训练时间可以大大减少。
- 联邦学习与无线通信
本篇文章探讨了联邦学习与无线通信之间的关系,包括联邦学习的基本原理、训练模型的有效通信、联邦学习对智能无线应用的潜在贡献以及未来研究挑战和方向。
- DeepRx:全卷积深度学习接收器
提出了一种名为 DeepRx 的深度完全卷积神经网络,它以符合 5G 标准的方式执行从频域信号流到未编码位的整个接收机流水线,可构造具有高精度信道估计的卷积神经网络输入,并输出与 5G 系统中使用的信道编码兼容的软比特,从而在使用 3GPP - 无线通信网络中的机器学习 6G 白皮书
本文着眼于机器学习在无线通信领域的应用,分析了其对 6G 网络的影响,提出了在 6G 网络各层使用机器学习方法解决问题的前景以及使用 ML 进行无线网络的零触碰优化的有趣方面,并针对每个部分提出了有价值的研究问题。
- 利用智能反射平面提高 MIMO 通信的排名
本文探讨了如何通过智能反射表面(IRS)优化线性传输的通道容量,提出利用 IRS 配置重构型超材料,增加蜂窝通信中通道矩阵的秩,从而在高信噪比下实现空间复用的效果。
- 基于 PARAFAC 的智能反射面辅助 MIMO 系统信道估计
本文提出了两种新的信道估计方法,利用平行因子分解张量模型,闭合形式或迭代估计涉及通讯通道,证实了智能反射表面 (IRS) 辅助通信的有效性。
- 基于可重构智能表面的无线通信:天线设计、原型制作和实验结果
本文提出并研发了一种具有 256 元件的新型高增益,低成本可重构智能表面,它结合了相移和辐射的功能,采用 PIN 二极管实现了 2 位相移。基于此设计,开发了世界上第一个使用有 256 个 2 位元件的可重构智能表面的无线通信原型,并确证了 - MM可重构智能表面无线通信:路损建模与实验测量
本文针对可重构智能表面在室内无线通信中的应用进行了研究,并提出了适用于不同场景的自由空间路径损耗模型,通过实验验证和仿真结果,验证了该模型的有效性,同时利用三个基于可重构智能表面(元表面)的实验测量结果,进一步证明了理论研究结果的正确性,这 - 基于 V2X 的汽车定位:机遇、挑战和未来方向
本文旨在研究 Vehicle-to-Everything(V2X)技术在汽车定位方面的应用,从不同的角度探讨其优势、限制和未来研究方向,以实现汽车的全自动驾驶。
- 面向无线通信的联邦学习:动机、机遇和挑战
该研究论文介绍了联邦学习的一般概念,讨论了在 5G 网络中可能的应用,并描述了联邦学习在无线通信背景下的关键技术挑战和未来研究的开放问题。
- MM基于模型无关的无监督学习方法解决带约束优化问题
本文提出一种无模型学习框架来解决无法推导出目标函数或限制条件的优化问题,同时将神经网络用于参数化所需优化的函数、参数化瞬时限制条件相关的拉格朗日乘数以及逼近未知的目标函数或限制条件。数值和模拟结果验证了所提出的框架的有效性,并以功率控制问题