关于深度学习在物理层通信中的应用的几篇文章做个总结
- A Model-Driven Deep Learning Method for Massive MIMO
IEEE COMMUNICATIONS LETTERS, VOL. 24, NO. 8, AUGUST 2020
2.Model-Driven Deep Learning for MIMO Detection
IEEE TRANSACTIONS ON SIGNAL PROCESSING, VOL. 68, 2020
3.Model-driven Deep Learning Based Turbo-MIMO
Receiver
2020 IEEE 21st International Workshop on Signal Processing Advances in Wireless Communications (SPAWC)
这三篇文章都是用深度学习对传统的MIMO检测算法进行改进。
MIMO检测算法将接收到的信号y恢复成原信号x,从y到x是一个映射过程。
不论我们用传统的公式,还是训练神经网络去求解,本质上都是在拟合这一映射。
传统的公式法由于没有考虑真实复杂 的环境的影响而不能很好的拟合真实的映射。
训练纯数据驱动的神经网络需要大量的标记的数据,这在通信系统中是不容易获得的,以及神经网络本身构建的好坏受到一些因素的影响,想要很好的拟合真实映射也有一定的难度。
模型驱动深度学习就是从已有的公式出发,即从已有的拟合出的不够精确的映射出发去完善整个映射使其更加接近真实映射。
因此我们考虑模型中有哪些东西可以用来完善映射。我认为无非是三个方面,一是一些中间变量可以拿来用可学习的参数做一下线性组合,二是一些固定的参数可以换成可学习的参数,三是传统模型的结果作为神经网络的初始值或者中间变量通过神经网络再进入后面的公式运算。
。
`