文献学习
文章平均质量分 88
Better Bench
CS博士;研究领域:类脑计算、连续学习、AI、数据挖掘、自然语言处理、数学建模,特长网球4.0
展开
-
【文献学习】DeepReceiver: A Deep Learning-Based Intelligent Receiver for Wireless Communications in the Ph
目录1 引言2 介绍2.1 基础理论2.2 传统的通信方法2.3 相关研究3 模型3.1 DeepReceiver3.2 多个二进制分类器3.3 设计的 1D-Conv-DenseNet 结构3.4 损失函数和优化器4 实验分析4.1 复杂度分析4.2 性能分析4.2 其他分析5 疑问和思考1 引言提出盲无线接收器模型,DeepReceiver,用深度神经网络模型代替传统接收器的信息恢复过程。 该模型的输入是接收到的 IQ 信号,输出是恢复的信息比特流。 该模型基于接收到的IQ信号样本进行训练,能反映通原创 2021-11-05 10:47:45 · 1398 阅读 · 1 评论 -
【文献学习】Conformer: Convolution-augmented Transformer for Speech Recognition
目录1 引言2 介绍3 Conformer模型3.1 Muti-Headed Self-Attention 模块3.2 卷积模块3.3 Feed forward 前馈模块4 实验分析5 疑问和思考1 引言Transformer 模型擅长捕捉基于内容的全局交互,而 CNN 则有效地利用了局部特征。2 介绍Transformer 擅长对远程全局上下文进行建模,但它们提取细粒度局部特征模式的能力较差。本文提出将self-Attention与卷积有机结合的方法,自注意力学习全局交互,而卷积有效地捕获基于相对原创 2021-09-28 17:08:44 · 2120 阅读 · 0 评论 -
【文献学习】Channel Estimation Method Based on Transformer in High Dynamic Environment
目录1 引言2 介绍3 模型3.1 问题分析3.2 模型结构4 实验结果5 疑问和思考1 引言提出了基于CNN+Transformers的信道估计结构,CNN 用于提取信道响应的特征向量,Transformers用于估计信道状态信息,适应高度动态的环境中跟踪信道变化特征。与传统的相比有提升。2 介绍根据信道估计算法中是否使用先验信息的判断条件,分为基于参考信号的估计算法和盲估计算法两种。 盲估计算法通常需要信道在多个符号上保持稳定,因此这不适合高动态场景。随着通信双方速度的增加,多普勒频偏也会相应原创 2021-09-27 18:27:24 · 1360 阅读 · 8 评论 -
【文献学习】An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
1 引言提出用纯transformer去做图像识别,图像分类,在ImageNet, CIFAR-100, VTAB数据集上表现良好,最佳模型在ImageNet上达到88:55%,在ImageNet ReaL上达到90:72%,在CIFAR-100上达到94:55%,在VTAB套件19个任务上达到77:63%。2 介绍2.1 简介2017年提出基于Self-attention的Transformer,由于Transformers的计算效率和可扩展性,它已经能够训练具有超过100B参数的空前规模的模型。原创 2021-06-08 10:22:26 · 940 阅读 · 1 评论 -
【文献学习】Deep Learning for Audio Signal Processing
2019 IEEE Journal of Selected Topics in Signal Processing1 引言是一篇深度学习处理音频信号的综述(1)对神经网络应用到音频信号处理领域的技术点进行了介绍,包括即音频识别(自动语音识别,音乐信息检索,环境声音检测,定位和跟踪)以及合成和转换(源分离,音频增强,语音,声音和音乐合成的生成模型)(2)对深度学习应用到的音频信号处理领域的网络模型进行了介绍,包括卷积神经网络,长期短期记忆体系结构的变体以及更多音频特定的神经网络模型。2 介绍2.1原创 2021-05-02 17:58:00 · 1056 阅读 · 0 评论 -
【文献学习】Deep Learning for Joint Channel Estimation and Signal Detection in OFDM Systems
目录1 引言2 介绍2.1 发展现状2.2 作者思路3 系统模型3.1 传统模型3.2 提出模型4 模型参数5 实验分析6 疑问和思考2020 IEEE Communications Letters1 引言提出了一种基于深度学习的新方法,用于正交频分复用(OFDM)系统中的联合信道估计和信号检测。信道估计网络(CENet)被设计为在导频辅助估计方案中替代常规插值过程。信号检测部分根据信道条件恢复网络(CCRNet)以恢复发送信号。2 介绍2.1 发展现状• 《Power of deep lear原创 2021-04-18 15:44:54 · 2112 阅读 · 7 评论 -
【文献学习】Meta-Learning to Communicate: Fast End-to-End Training for Fading Channels
目录1 引言2 介绍3 系统模型4 技术点4.1 联合训练4.2 元学习5 实验分析5.1 模型参数5.2 实验对比5.3 编码器和解码器网络结构5.4 接收器设计5.5 结果分析6 疑问和思考1 引言论文地址开源源码把学习如何在衰落的噪声信道上进行通信的过程公式化为对自动编码器的无监督训练。该自动编码器由编码器,信道和解码器的级联组成为了解决基于自动编码器方法对端到端训练,需要从头开始为每个新信道进行训练的问题,提出提前考虑在多个信道上的联合训练,从而找到在一类信道上工作良好的一对编码器和解码原创 2021-04-17 22:03:09 · 609 阅读 · 0 评论 -
【文献学习】From learning to meta-learning: Reduced training overhead and complexity for communication Sys
目录1 引言2 发展过程2.1 传统机器学习的通信2.2 改进的通信3 传统学习与联合学习3.1 传统学习3.2 联合学习4 元学习4.1 元学习理论4.2 MAML算法5 例子论文地址:From learning to meta-learning: Reduced training overhead and complexity for communication Systems1 引言元学习提供了一种自动选择归纳偏置的方法。2 发展过程2.1 传统机器学习的通信• 《Applications原创 2021-04-09 18:13:55 · 436 阅读 · 0 评论 -
【文献阅读】Learning to Demodulate from Few Pilots via Offline and Online Meta-Learning
目录1 引言2 介绍2.1 Meta-learning2.2 创新点2.3 发展现状3 模型3.1 符号总结3.2 线下训练模型3.3 线下训练算法3.4 线上训练模型3.5 线上训练算法4 实验分析5 疑问和思考1 引言论文地址源码地址提出了Meta-learning元学习来解决由于导频的数量通常不足以获得准确的信道估计,使用元学习能够快速适应不同的信道。作者提出了线上和线下的解决方法,在线上提出了一种集成的在线元学习和自适应导频数量选择方案元学习方案多种模型无关元学习(Model-Agno原创 2021-04-04 17:55:40 · 604 阅读 · 1 评论 -
【文献学习】RoemNet: Robust Meta Learning based Channel Estimation in OFDM Systems
目录1 引言2 介绍3 模型3.1 第一部分3.2 第二部分3.3 第三部分3.4 关键原理4 模型参数4.1 DNN网络参数4.2 训练参数4.3 多径信道参数5 实验分析6 疑问和思考1 引言(1)针对DL网络的缺点:离线训练和在线部署的通道模型不一致会带来模型不可靠问题。提出了基于元学习的信道估计方法RoemNet。(2)RoemNet的最大特色是它包含一个元学习者,可以从不同信道的环境中学习。(3)随着元学习器的更新,RoemNet足够强大,可以仅使用少量导频来解决新的信道学习任务,从而解决原创 2021-03-28 12:10:08 · 835 阅读 · 0 评论 -
【文献学习】Model-Driven Channel Estimation for OFDM Systems Based on Image SuperResolution Network
目录1 引言2 介绍3 模型4 模型参数5 实验结果6 实验总结和启发文献地址1 引言使用 fast super-resolution convolutional neural network (FSRCNN) 网络进行的OFDM模型驱动的信道估计。先是最小二乘法处理,然后进行网络的离线训练实现提取有效特征进行信道估计2 介绍目前信道估计的方法有:LS、Linear LS、Linear MMSE、Reduced Complexity MMSE 、Joint channel cs estimatio原创 2021-03-25 21:35:08 · 832 阅读 · 0 评论 -
【文献汇总】2019-2021最新应用深度学习到OFDM通信系统中的论文汇总(实时更新)
【Learning for Detection: MIMO-OFDM Symbol Detection Through Downlink Pilots】2020 IEEE Transactions on Wireless Communications【Deep Learning-Based Detector for OFDM-IM】2019 IEEE Wireless Communications Letters【Learning to Demodulate from Few Pi.原创 2021-03-24 21:41:05 · 3245 阅读 · 2 评论 -
深度复数技术开源代码汇总
目录1 引言2 开源源码2.1 使用DeepComplex的所有源码汇总2.2 实现复数技术扩展的工具箱2.3 实现复数CNN的源码2.4 实现复数LSTM的源码1 引言复数的深度学习首次在2018年提出Deep Complex Networks (ICLR 2018)复数的应用非常广泛,比如在音频处理、信号处理、核磁共振信息处理都涉及到复数技术作者首次开源了复数处理技术的代码,并提出了卷积神经网络的复数处理技术,后者也有人陆续提出LSTM 的复数处理。接下来估计还会在提出以下方面的复数技术cl原创 2021-02-26 17:11:20 · 998 阅读 · 0 评论 -
【文献学习】Phase-Aware Speech Enhancement with Deep Complex U-Net
目录1 简介和创新点2 综述3 模型3.1 神经网络模型3.2 计算CRM掩码数学模型3.3 损失函数4 模型参数5 实验分析6 思考和疑问论文地址https://openreview.net/pdf?id=SkeRTsAcYmPytorch实现的源码1 简介和创新点(1)提出了Deep Complex U-Net语音增强模型,这是一种先进的U-Net结构化模型,其中包含定义明确的复数值构建基块以处理复数值频谱图。U-net的提出来源于文献《U-net: Convolutional networks原创 2021-01-30 20:57:21 · 2658 阅读 · 0 评论 -
【文献学习】DCCRN: Deep Complex Convolution Recurrent Network for Phase-Aware Speech Enhancement
目录1 简介和创新点2 理论综述2 模型2.1 系统模型2.2 选择训练集的Label(Target)2.3 损失函数3 模型参数3.1 统一参数3.2 对比实验参数4 实验分析5 疑问和思考文献地址Pytorch实现的源码1 简介和创新点在语音增强领域,改进CRN中的技术,设计了一种复数值操作的新网络结构,使用复数技术下的LSTM去处理上下文信息,称为深度复数卷积递归网络(DCCRN)本文主要针对基于DL的单通道语音增强,以实现更好的感知质量和清晰度,尤其是针对低模型复杂度的实时处理。参数复杂原创 2021-01-30 16:26:19 · 4341 阅读 · 5 评论 -
【文献学习】Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI Reconstruction
目录1 简介和创新点2 模型2.1 复数激活函数2.2 系统模型3 模型参数4 实验分析4.1 激活函数分析4.2 网络宽度分析4.3 网络深度分析4.4 网络结构分析4.5 实验结论5 疑问和思考源码https://github.com/MRSRL/complex-networks-release1 简介和创新点MRI (Magnetic resonance imaging)核磁共振图像利用复数神经网络代替实数神经网络实现核磁共振图像重建,以加快扫描时间,并确定各种有前途的复值激活函数的性能。以原创 2021-01-30 09:33:49 · 1314 阅读 · 2 评论 -
【文献学习】Exploring Deep Complex Networks for Complex Spectrogram Enhancement
目录1 简介和创新点2 模型3 模型参数4 实验结果5 疑问和思考文献来源: ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)1 简介和创新点(1)简介在语音增强领域提出了复数神经网络CDNN将复数值的有噪短时傅立叶变换(STFT)映射到干净的短时傅立叶变换。提出了参数整流线性单位(PReLU)非线性的复数值扩展,这有助于改善CDNN的性能。实验原创 2021-01-29 10:17:56 · 525 阅读 · 0 评论 -
【文献学习】Signal Demodulation With Machine Learning Methods for Physical Layer Visible Light Communicati
目录1 简介和创新点2 信号DL解调综述3 模型3.1 CNN3.2 DBN3.3 AdaBoost4 疑问和思考1 简介和创新点搭建了一个端到端的可见光传输系统,实现的是可见光通信系统物理层中的解调。为了对比实验,提出的了三种数据驱动的神经网络的解调框架CNN:将解调的信号转换为图像,并通过图像分类识别信号DBN:包含三个受限的Boltzmann机,提取调制特征AdaBoost:包括了一个强分类,由弱分类使用K-邻近算法构造2 信号DL解调综述(1)《Neural network ba原创 2021-01-20 20:46:08 · 339 阅读 · 0 评论 -
【文献学习】Complex-Valued Convolutions for Modulation Recognition using Deep Learning
1 简介和创新点(1)在文献《Convolutional radio modulation recognition networks》的CNN2模型进行了修改,增加了一个线性变换,提升了调制分类的效果。(2)使用更简单的卷积模型,通过使体系结构直接计算复数的卷积来提高性能。 未来的工作将研究更复杂的架构,替代的激活功能,批处理规范化等。(3)主要技术点是将复数数据作为两列实数数组与实值二维卷积和线性组合内核相结合的方法使神经网络能够计算复数的卷积。提出的修改是线性组合运算,因此不需要对现有的卷积架构进原创 2021-01-20 11:30:38 · 1998 阅读 · 7 评论 -
【2021年更新】面向通信技术的机器学习和深度学习文献汇总
目录综述信号检测、信号分类和比较信道编码和解码端到端通信的学习定位、传感和本地化安全性和鲁棒性毫米波通信资源分配其他类参考IEEE的Library附带源码的文献汇总综述• C. Jiang, H. Zhang, Y. Ren, Z. Han, K.-C. Chen and L. Hanzo, “Machine learning paradigms for next-generation wireless networks,” IEEE Wireless Communications, vol. 24原创 2021-01-19 15:21:32 · 13567 阅读 · 6 评论 -
【文献学习】Deep Complex Networks
目录1 简介1.1 创新点1.2 复数的优势1.3 作者贡献2 深度复数技术2.1 复数卷积2.2 复数激活2.3 复数Batch-Normalization2.4 复数的权重初始化2.5 复数的卷积残差网络3 疑问和反思1 简介论文和源码1.1 创新点提出了神经网络中复数处理的技术应用到卷积前馈神经网络和卷积LSTM网络提出了复数batch-normalization的算法,用于复数神经网络的复数权重初始化1.2 复数的优势复数在伸进网络中有更丰富的表示能力允许强大的噪声存储机制noise原创 2021-01-15 16:20:42 · 1484 阅读 · 0 评论 -
【文献学习】Deep-Waveform: A Learned OFDM Receiver Based on Deep Complex Convolutional Networks
目录1 介绍2 模型2.1 技术点1、复数卷积操作2、复数的线性变换3、复数的非线性变换2.2 接收机实现1、DCNN-接收机2、DCNN-均衡器2.3 训练步骤2.4 训练技巧2.5 训练信噪比3 模型参数4 实验分析5 局限全文翻译系统实现详细介绍原作者源码下载标红部分是当前没有看明白的部分,如果有看明白的人,可以评论或者私信我,一起讨论。等我后期看明白,会补充上1 介绍创新点:该模型既包含密集层和卷积层,大部分都被线性激活,还包含残差和跳过连接的新结构。此外利用Tensorflow 中实现原创 2021-01-04 17:13:10 · 1218 阅读 · 2 评论 -
【文献学习】2 ComNet: Combination of Deep Learning andExpert Knowledge in OFDM Receiver
1 介绍本文提出了一种模型驱动的DL结构,称为ComNet,以取代传统的或FC-DNN的OFDM接收机(参考论文Power of deep learning for channel estimation and signal detection in OFDM systems),它将DL与无线通信领域的expert knowledge相结合。所提出的ComNet 接收机使用DL来促进现有的接收机模型,如信道估计(CE)模块和信号检测(SD)模块,而不是用一个完整的DL替换整个接收机,然后集成通信信息。说白原创 2021-01-02 22:42:25 · 842 阅读 · 0 评论 -
【文献学习】2 Power of Deep Learning for Channel Estimation and Signal Detection in OFDM
目录1 介绍2 方法3 模型4 模型参数5 实验分析5.1 导频的分析5.2 CP的分析5.3 削波和滤波失真的分析5.4 综合所有条件分析5.5 不同信道分析6 疑问和反思7 论文源码下载1 介绍直接用全连接层构成的神经实现了传统的OFDM通信系统中的接收机。接收机部分包括信道估计和信号检测两个部分。将OFDM接收机视为完全的黑匣子。这个神经网络叫做FC-DNN。这一点是区别于另一片论文ComNet Combination of Deep Learning andExpert Knowledge in原创 2021-01-02 18:00:37 · 1923 阅读 · 0 评论 -
【文献学习】利用DeepLearning实现OFDM信号解调相关文献及源码汇总
1 Power of Deep Learning for Channel Estimation and Signal Detection in OFDM【介绍】FC-DNN,数据驱动【原作者源码】【简化版源码】【阅读笔记】2 ComNet: Combination of Deep Learning andExpert Knowledge in OFDM Receiver【介绍】模型驱动,在Fc-DNN上修改的【原作者源码】【阅读笔记】3 Deep-Waveform: A Learned O原创 2021-01-02 17:08:41 · 1229 阅读 · 0 评论 -
【全部译文】Deep-Waveform: A Learned OFDM Receiver Based on Deep Complex Convolutional Networks
目录AbstractI. INTRODUCTIONII. RELATED WORKA. Deep Learning in PHY of Wireless CommunicationsB. OFDM System and Its EnhancementsIII. OFDM COMMUNICATION SYSTEMA. Physical LayerB. Wireless ChannelC. Channel Estimation and EqualizationIV. DCCN-BASED OFDM RECEIV原创 2020-08-13 19:18:39 · 2523 阅读 · 2 评论 -
【文献学习】Demodulation of Faded Wireless Signals using Deep Convolutional Neural Networks
目录1 参数介绍2 综述2.1 基于学习的解调方法2.2 基于非学习的解调方法3 作者研究思路4 实验模型4.1 信号的产生4.2 信号的计算4.3 结果分析4.4 训练要求1 参数介绍最佳信噪比10dB信噪比范围10-20dB瑞利衰落+高斯噪声调制方式BFSK比较的分类器:SVM、MLP、LDA(线性判别分析,误码率是0.021-0.02)、QDA(二次判别分析,误码率是0.027-0.03)传统解调的误码率是0.0025-0.025之间把调制和解调分为基于学习的和不急于学习的两种方式原创 2020-12-29 11:40:21 · 523 阅读 · 0 评论 -
登录和访问EI(Engineering Village)数据库查找文献
目录1 登录校园网2 进入EI验证(1)进入验证首页(2)选择机构认证。(3)授权成功后自动返回界面(4)进入搜索页面(5)查看论文详细信息1 登录校园网校园网的认证,有VPN,校内网或者webVPN等等。在自己学校图书馆找到登入方式,登入认证连接即可。2 进入EI验证Engineering Village官网(1)进入验证首页(2)选择机构认证。如果先登录校园网的,一般会自动弹出学校的认证授权界面,如果没有,就手动输入学校的英文名字,一般会有提示。点击确认即可。(3)授权成功后自动返回原创 2020-12-03 11:11:26 · 66595 阅读 · 0 评论 -
【文献学习】海上信道系统知识体系详解--附思维导图
目录思维导图1 海上信道环境分类2 在海上信道建模的关键概念2.1 重要定义和参数2.2 传播损耗的测量与建模3 海上信道模型分类4 海上微波传播的信道模型4.1 基于宽带海上信道建模4.2 基于时域有限差分法的海上信道建模FDTD4.3 2Ghz海上移动无线信道多径时延分布的实验研究4.4 5Ghz附近海域移动无线电波传播的模拟4.5 基于毫米波的新型海上信道模型4.6 无线电波在海面上传播的多径信道模型4.7 地面管道的信道模型4.8 无线链路的信道衰落余量4.9 使用蒸发导管的马来西亚海上无线电链路原创 2020-12-02 20:10:20 · 5576 阅读 · 7 评论 -
【文献学习】Sparse Channel Estimation for OFDM-BasedUnderwater Acoustic Systems in Rician Fadingwith a New
目录1 创新点2 模型结构3 模型参数4 实验结果分析5 疑问和思考1 创新点基于OFDM的水声通信系统,在存在Rician衰落的情况下,提出了一种利用时域信道稀疏性的信道估计算法。2 模型结构复值信道增益、信道时延和多普勒扩展OMP算法获得路径延迟和多勒普拓展信息(文献里介绍得太高深,实在看不懂)路径延迟表达式如下多勒普拓展bl可以由β\betaβ l描述,则在这里只给出了β\betaβ l的公式MAP算法得到信道增益hl(文献里介绍得太高深,实在看不懂)论文给出了这个等式,然后复原创 2020-11-19 15:49:55 · 435 阅读 · 2 评论 -
【文献学习】Multipath Rayleigh and Rician Fading Channel Simulation Using MATLAB
目录1 创新点2 模型结构3 实验数据4 实验结果分析5 疑问和思考1 创新点对多径瑞利衰落和莱斯衰落进行了仿真。2 模型结构(1)rayleigh分布概率密度函数计算公式如下α\alphaα其中是通道衰减振幅,σ\sigmaσ 2是接收信号的时间平均功率(2)rician分布I0是第一类零阶Bessel 函数s表示主路径的峰值振幅σ\sigmaσ 2表示接受信号的时间平均功率当s区域0时,K区域无穷大,则莱斯衰落退化为瑞利衰落。K因子计算公式如下:(3)多勒普频移计算公式原创 2020-11-18 20:18:15 · 1703 阅读 · 0 评论 -
【文献学习】NC-OFDM Transceiver Design for Maritime Cognitive Radio
目录1 创新点在这之前使用认知无线电(CR)的概念,即是通过允许未经许可的用户使用许可的频谱来启用动态频谱访问。CR可以通过调整其波形,以最佳方式分配其资源,选择合适的传输信道来实现与其他通信系统的互操作。在文献【Cognitive maritime wireless mesh/ad hoc networks】中将无线mesh/ad hoc网络与CR结合,建立高速、低成本的船对船/岸通信。先前的一些工作集中在海洋认知无线电的频谱感知机制。本文重点研究了海上CR系统的物理层设计,使其能够支持海上甚高频移原创 2020-11-17 17:55:40 · 600 阅读 · 0 评论 -
【文献学习】A Study of Transmission Characteristic on OFDM Signals Over Random and Time-Varying Meta-surfa
目录论文下载437-451页1 创新点OFDM信号在海上的传输特性研究2 模型介绍(1)海上传播的分析-介绍了海上会对电波的传播会有什么影响当波在海上传播时,衍射损失比在陆地上传播时要小。同时,传播间隙增大,增加了波的反射。微波在海上传输过程中,除了自由空间损失外,还主要受到微波表面反射的影响。其次,由于天线浮标的载体高度一般较低,微波传输的浪涌表面可以等效为海面上障碍物对微波遮光罩的影响。此外,大气对海洋的吸收和雨、雾的衰减对微波传输也有影响。(2)衰落信道模型-介绍了海上的电波传播路径原创 2020-11-17 11:42:30 · 213 阅读 · 0 评论 -
【文献学习】Performance Analysis of Channel Effect onNC-OFDM Maritime Communication System inIndonesia Sea
1 创新点在印度尼西亚海域建立无线通信系统,本研究仅集中在爪哇海和卡里马塔海峡,这些海区属于道格拉斯4级和5级,属于中等和粗糙状态。在现在非连续OFDM系统上,对海上通信系统中的信道进行了建模,确定了衰落路径参数,并对模型进行了数值仿真。误码率达到了10-2。2 模型介绍2.1 发送机模型采用16-QAM调制方式。2.2 信道模型在java海和卡里马塔海峡,最适合海上通信系统的衰落信道是Rician信道衰落。那个这一选择背后的原因是因为Rician信道衰落的特性涵盖了海上交通和海洋的需要波浪原创 2020-11-14 21:29:53 · 400 阅读 · 0 评论 -
【文献学习】Artificial Intelligence-aided OFDM Receiver:Design and Experimental Results
目录1 创新点2 模型介绍3 实验数据3.1 帧的结构3.2 信道3.3 参数设置4 实验分析(仅SwitchNet理论部分)4.1 现有的深度学习接收机的问题4.2 解决方案-SwitchNet5 论文评价和思考5.1 评价5.2 思考6 其他论文中的模型Artificial Intelligence-aided OFDM Receiver论文下载1 创新点在FC-DNN和ComNet网络的基础上进行的研究和真实的实现。并针对离线训练的信道模型与实际环境不一致而导致的仿真与(over-the-air原创 2020-11-10 11:22:08 · 785 阅读 · 1 评论 -
【文献学习】Deep Learning for Signal Demodulation in PhysicalLayer Wireless Communications
论文名称:Deep Learning for Signal Demodulation in PhysicalLayer Wireless Communications: PrototypePlatform, Open Dataset, and Analytics目录1 相关链接2 论文主要创新点3 DBN-SVM4 AdaBoost5 结果分析1 相关链接论文中的数据集论文链接2 论文主要创新点(1)针对实际物理环境,开发了一种能够产生真实信号的灵活的端到端无线通信原型平台。该原型用于在实际物理原创 2020-11-08 17:40:23 · 589 阅读 · 0 评论 -
【文献学习】ComNet: Combination of Deep Learning andExpert Knowledge in OFDM Receiver
目录1 参考资料2 INTRODUCTION3 COMNETA ComNet ArchitectureB Training Specification4 NUMERICAL RESULTSA CE SubNetB SD SubNetC Performance Analysis5 疑问6 可深入研究或创新的点1 参考资料本笔记是结合博士哥哥的笔记和文献的思考【https://zhuyulab.blog.csdn.net/article/details/89359860】2 INTRODUCTION数据原创 2020-10-23 21:09:51 · 1880 阅读 · 5 评论 -
【文献学习】1 Power of Deep Learning for Channel Estimation and Signal Detection in OFDM
1 源码和简化版代码1.1 项目源码【https://github.com/haoyye/OFDM_DNN】1.2 简化版代码【https://github.com/TianLin0509/DNN_detection_via_keras】1.3 代码参考博士哥哥的文章【https://zhuanlan.zhihu.com/p/166159478】2 INTRODUCTION直接用全连接层构成的神经实现了传统的OFDM通信系统中的接收机。接收机部分包括信道估计和信号检测两个部分。将OFDM接收机视原创 2020-10-23 20:58:03 · 3293 阅读 · 1 评论 -
【文献学习】An Introduction to Deep Learning for the Physical Layer
目录1 简介1.1 主要贡献1.2 论文的大概内容2 I-A Potential of DL for the physical layer3 I-B Historical context and related work4 II DEEP LEARNING BASICS4.1 基础介绍4.2 A. Convolutional layers4.2 B. Deep learning libraries4.3 C. Network dimensions and training5 III EXAMPLES OF原创 2020-10-23 20:47:52 · 1629 阅读 · 1 评论