Deep-Learning-Aided Distributed Clock Synchronization for Wireless Networks
在过去几十年中,无线通信网络的激增与无线频谱的稀缺相结合,已经促使人们做出了显著的努力来增加无线网络的吞吐量。限制无线通信网络中的吞吐量的主要因素之一是网络中节点之间的时间同步的精度,因为更高的吞吐量需要更高的同步精度。现有的时间同步方案,特别是基于脉冲耦合振荡器(PCO)的方法,是当前工作的焦点,具有实现简单的优点,并且当节点位置接近时实现高精度,但是对于距离远的节点往往实现差的同步性能。在这项研究中,我们提出了一个强大的基于PCO的时间同步算法,它保留了现有方法的简单结构,同时运行可靠,收敛速度快,距离远,位置近的节点。这是通过用可以分布式方式训练的深度学习工具增强基于PCO的同步来实现的,从而允许节点训练它们的同步算法的神经网络组件,而不需要额外的信息交换或中央协调。数值结果表明,我们提出的深度学习辅助方案对大面积部署造成的传播延迟以及相对时钟频率偏移具有显著的鲁棒性。还示出了所提出的方法快速达到完全(即,时钟频率和相位)同步,而经典的基于模型的实现方式则不能。
2022-06-24 cs.IT eess.SP math.IT
A Deep Learning Wireless Transceiver with Fully Learned Modulation and Synchronization
在本文中,我们提出了一种基于深度学习的无线收发器。我们详细描述了相应的人工神经网络架构,训练过程,并报告过多的空中测量结果。我们采用端到端的训练方法与自动编码器模型,其中包括通道模型在中间层,如以前提出的文献。与其他最先进的结果相比,我们的架构支持学习时间同步,而无需任何手动设计的信号处理操作。此外,神经收发器已经通过软件定义无线电的实现进行了空中测试。我们的实验结果为实现单天线系统展示了0.5百万比特每秒的原始比特率。这超过了文献中提出的可比系统的结果,并表明了高吞吐量深度学习收发器的可行性。
2019-05-24 cs.IT eess.SP math.IT
Towards Tactile Internet in Beyond 5G Era: Recent Advances, Current Issues and Future Directions
触觉互联网(TI)被设想为通过实现触觉信息的实时传输(即,触摸、致动、运动、振动、表面纹理)。这项新兴的TI技术预计将为技术市场创造大量机会,从远程操作系统和AR/VR到汽车安全和电子医疗保健等各种应用,以解决人类社会的复杂问题。然而,在即将到来的5G及更高网络中通过无线介质实现TI会带来各种非传统的通信挑战和严格的要求。为此,本文的目的是提供一个全面的无线TI随着现有文献的全面审查,以确定和分析所涉及的技术问题,突出潜在的解决方案,并提出未来的研究方向。首先,从TI的愿景和最新进展以及相关调查/概述文章的回顾开始,我们提出了一个超越5G时代的无线TI的通用框架,包括TI架构,主要技术要求,关键应用领域和潜在的使能技术。随后,我们提供了一个全面的审查,现有的TI作品大致分为三个主要的范式,即触觉通信,无线AR/VR,自主,智能和合作的移动系统。接下来,确定并详细讨论了跨物理/MAC和网络层的潜在支持技术。此外,TI应用程序的安全和隐私问题进行了讨论,以及一些有前途的使能器。最后,我们提出了一些开放的研究挑战,并建议有前途的未来研究方向。
2019-07-31 cs.NI eess.SP
What is Semantic Communication? A View on Conveying Meaning in the Era of Machine Intelligence
20世纪40年代,Claude Shannon发展了信息论,重点是量化通信信道所能支持的最大数据率。在此指导下,直到5G的无线系统设计的主题是数据率最大化。在他的理论中,信息的语义方面和意义被视为与交流基本无关。经典理论开始揭示其在机器智能的现代时代的局限性,包括物联网和人工智能之间的协同作用。通过扩大经典框架的范围,在这篇文章中,我们提出了一个语义通信(SemCom)和通过通信系统传达意义的观点。我们解决了三种通信模式,人对人(H2H),人对机器(H2M)和机器对机器(M2M)通信。后两个,这篇文章的主题,代表了通信和计算的范式转变。H2M SemCom是一种语义技术,用于传达人类和机器都可以理解的含义,以便它们可以进行交互。M2M SemCom是指用于有效地连接机器以使得它们可以在无线网络中有效地执行特定计算任务的有效性技术。本文的第一部分介绍了SemCom的原理,包括编码、系统架构、层耦合和端到端设计方法。第二部分重点介绍H2M应用领域的具体技术(人与AI共生、推荐等)。和M2M SemCom(分布式学习、分裂推理等)最后,我们讨论了设计SemCom系统的知识图谱方法。我们相信,这一全面的介绍将为SemCom这一新兴领域提供有用的指导,该领域有望在6G中发挥重要作用,其特点是连接智能和集成传感,计算,通信和控制。
2021-10-01 cs.IT eess.SP math.IT
Application of End-to-End Deep Learning in Wireless Communications Systems
Gyeongsang National University(庆尚国立大学);Chungbuk National University(忠北国立大学);EURECOM
深度学习是无线通信系统(WCS)设计的潜在范式改变者,从基于复杂数学模型的传统手工方案到基于使用大量数据的端到端深度学习的自主方案。在这篇文章中,我们提出了深度学习的基本概念及其在WCS中的应用,通过研究基于深度神经网络(DNN)的资源分配(RA)方案,可以通过端到端的深度学习满足具有各种约束的多个目标。特别是,通过仿真验证了基于DNN的RA的最优性和可行性。然后,我们讨论了在WCS中应用深度学习的技术挑战。
2018-08-07 cs.IT cs.LG eess.SP
Deep Actor-Critic Learning for Distributed Power Control in Wireless Mobile Networks
深度强化学习为监督式深度学习和经典优化提供了一种无模型的替代方案,用于解决无线网络中的发射功率控制问题。多智能体深度强化学习方法将每个发射机视为单独的学习智能体,通过观察本地无线环境来确定其发射功率水平。遵循一定的策略,这些智能体学习协作地最大化全局目标,例如,和率效用函数这种多代理方案易于扩展,实际上适用于大规模的蜂窝网络。在这项工作中,我们提出了一个分布式执行的连续功率控制算法的帮助下,深度演员批评学习,更具体地说,通过调整深度确定性的政策梯度。此外,我们将建议的功率控制算法的时隙系统中的设备是移动和信道条件变化迅速。我们证明了所提出的算法的功能,使用仿真结果。
2020-09-14 cs.IT eess.SP math.IT
DUIDD: Deep-Unfolded Interleaved Detection and Decoding for MIMO Wireless Systems
ETH Zurich(苏黎世联邦理工学院);NVIDIA Corporation(英伟达公司)
迭代检测和解码(IDD)是已知的,以实现近容量性能的多天线无线系统。我们提出了深度展开交织检测和解码(DUIDD),一个新的范例,降低了IDD的复杂性,同时实现更低的出错率。DUIDD将数据检测器和信道解码器的内部级交错,这加速了收敛并降低了复杂度。此外,DUIDD应用深度展开来自动优化算法超参数、软信息交换、消息阻尼和状态转发。我们使用NVIDIA的Sionna链路级仿真器在5G近多用户MIMO-OFDM无线系统中演示了DUIDD的有效性,该系统具有新颖的低复杂度软输入软输出数据检测器,优化的低密度奇偶校验解码器和来自商业射线跟踪器的信道向量。我们的结果表明,DUIDD优于经典IDD无论是在出错率和计算复杂性。
2022-12-15 cs.IT cs.LG eess.SP
Wireless 3D Point Cloud Delivery Using Deep Graph Neural Networks
Osaka University(大阪大学);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
在典型的点云传送中,发送方使用基于八叉树的数字视频压缩来通过带限链路发送三维(3D)点和颜色属性。然而,基于数字的方案具有称为悬崖效应的问题,其中3D重建质量将是无线信道质量方面的阶跃函数。为了防止受到信道质量波动的悬崖效应,我们提出了称为HoloCast的软点云交付。虽然HoloCast根据无线信道质量实现了优雅的质量改善,但它需要较大的通信开销。在本文中,我们提出了一种新的方案,软点云交付,同时实现更好的质量和更低的通信开销。该方案引入了一个基于图神经网络(GNN)的端到端深度学习框架,以从无线衰落信道下的失真观测中重建高质量的点云。我们证明了所提出的基于GNN的方案可以通过去除衰落和噪声影响来重建干净的3D点云,并且开销很低。
2020-06-17 cs.IT cs.LG eess.SP
Adaptive Peer Clustering with Hierarchical Random Linear Network Coding for Resilient Decentralized Wireless Networks
Saveetha Institute of Medical and Technical Sciences(Saveetha医学与技术科学研究所);SRM Institute of Science and Technology(SRM科学与技术研究所)
APC-RLNC通过EWMA可靠性指标动态聚类对等节点,结合分层RLNC,在多类去中心化无线网络场景下提升PDR、降低延迟并增强鲁棒性,为6G无线系统提供基础原语。
2026-08-27 cs.DC cs.IT cs.NI
Wireless Sensing With Deep Spectrogram Network and Primitive Based Autoregressive Hybrid Channel Model
Southern University of Science and Technology(南方科技大学);Huawei technologies, Co. Ltd.(华为技术有限公司)
基于无线传感的人体运动识别是一种低成本的场景理解技术。目前的HMR系统采用支持向量机(SVM)和卷积神经网络(CNN)对雷达信号进行分类。然而,目前尚不清楚深度学习模型是否可以提高系统性能。另一方面,训练机器学习模型需要大量的数据集,但是从实验中收集数据是成本昂贵和耗时的。虽然无线信道模型可以用于数据集生成,但当前的信道模型大多是为通信而不是感测而设计的。为了解决上述问题,本文提出了一种利用残差映射技术来增强HMR性能的深度谱图网络(DSN)。此外,基于原语的自回归混合(PBAH)信道模型的开发,这有利于有效的训练和测试数据集生成HMR在虚拟环境中。实验结果表明,所提出的PBAH信道模型与实际实验数据吻合较好,所提出的DSN比CNN具有更小的识别误差。
2021-04-21 cs.IT cs.LG eess.SP
Non-Coherent and Backscatter Communications: Enabling Ultra-Massive Connectivity in 6G Wireless Networks
随着无线网络5G的开始,全球的研究人员开始关注超5G(B5 G)时代可能出现的迫在眉睫的挑战。在5G网络中提供了各种革命性技术和创新服务,这些技术和服务以及许多主要优势预计将带来连接的无线设备数量的激增以及可能导致网络资源稀缺的用例类型。这些挑战部分地随着大规模机器类型通信(mMTC)服务的出现而出现,需要广泛的研究创新以在第六代\textsuperscript{th}(6 G)无线网络中以可扩展的网络成本维持向增强型mMTC(e-mMTC)的演进。为了提供预期的大规模连接需求,除了低硬件成本外,还具有最佳的能量和频谱效率,本文提出了一种用于6 G网络的使能框架,该框架利用两种新兴技术,即非相干通信和反向散射通信(BsC)。认识到这些技术在B5 G时代提供e-mMTC服务的联合潜力之间的一致性,对其最新技术进行了全面审查。还确定了非相干和BsC与其他新兴6 G技术的联合范围,其中审查的技术包括无人机(UAV)辅助通信,可见光通信(VLC),量子辅助通信,可重构大型智能表面(RLIS),非正交多址接入(NOMA)和机器学习辅助智能网络。随后,分析了这些使能技术针对不同设备类型、服务类型和优化参数的范围。
2021-02-20 eess.SP
ViWi: A Deep Learning Dataset Framework for Vision-Aided Wireless Communications
Arizona State University(亚利桑那州立大学)
人工智能,特别是机器学习在塑造无线通信的未来方面发挥着越来越大的作用,开辟了许多新的有趣的研究方向。本文激发了\textit{vision-aided wireless communications}的新方向的研究,其目的是利用视觉感官信息来解决无线通信问题。与任何由机器学习驱动的新研究方向一样,获得开发数据集是视觉辅助无线通信面临的第一个也是最重要的挑战。本文通过介绍Vision-Wireless(ViWi)数据集框架来解决这个问题。它是一个参数化、系统化和可扩展的数据生成框架。它利用先进的3D建模和光线跟踪软件为相同的场景生成高保真合成无线和视觉数据样本。其结果是一个框架,不仅提供了一种生成训练和测试数据集的方法,而且有助于提供一个共同的基础,可以在此基础上评估不同机器学习解决方案的质量。
2020-04-22 cs.IT cs.LG eess.SP
Identification of The Number of Wireless Channel Taps Using Deep Neural Networks
在无线通信系统中,识别信道抽头的数量提供了对信道脉冲响应(CIR)的增强估计。在这项工作中,通过深度神经网络(DNN)实现了无线信道抽头数量的有效识别,我们修改了现有的DNN,并仅使用无线系统的发送和接收信号分析了其收敛性能。显示的结果表明,采用DNN实现优越的性能,在识别信道抽头的数量相比,现有的算法称为频谱加权识别的信号源(SWISS)。
2020-10-20 eess.SP
Learning the Wireless V2I Channels Using Deep Neural Networks
Heriot-Watt University(赫瑞-瓦特大学);University of Glasgow(格拉斯哥大学);University College London(伦敦大学学院);Jahangirnagar University(贾汉吉尔纳加尔大学)
对于高数据速率的无线通信系统,发展一种有效的信道估计方法对于信道检测和信号恢复是极其重要的。随着车辆和车辆到基础设施(V2I)之间的高移动性无线通信的趋势,V2I通信对获得实时信道测量提出了额外的挑战。在这种背景下,深度学习(DL)技术提供了可以近似多种函数的学习能力和优化能力。在本文中,我们开发了一种基于DL的信道预测方法来估计V2I通信的信道响应。我们已经展示了神经网络学习V2I通道特性和变化趋势的速度有多快。该网络使用一系列信道响应和已知导频进行训练,然后基于所获得的知识推测下一个信道响应。预测的信道然后被用来评估系统性能。
2019-07-10 cs.IT cs.LG eess.SP
To Learn or Not to Learn: Deep Learning Assisted Wireless Modem Design
深度学习正在推动无线通信从应用层到物理层的彻底范式转变。尽管如此,关于人工智能(或机器学习)能给我们带来什么额外价值,特别是在物理层设计上,以及可能会有什么惩罚,仍有一个持续的争论。这些问题激发了对人工智能时代无线调制解调器设计的根本性反思。通过几个物理层的案例研究,我们认为机器学习可以发挥重要作用,例如在并行差错控制编码和解码,信道均衡,干扰消除,以及多用户和多天线检测。此外,本文还将讨论机器学习的基本瓶颈以及潜在的解决方案。
2019-09-17 eess.SP
A Novel Deep Reinforcement Learning-based Approach for Enhancing Spectral Efficiency of IRS-assisted Wireless Systems
K. N. Toosi University of Technology(K. N. 图西理工大学)
本文从频谱效率增强的角度研究了一种智能反射面增强网络,用于下行链路多用户多输入单输出系统。与以前主要关注替代优化方法的工作相比,我们利用两个深度强化学习框架研究了基站处的有源发射波束成形矩阵与IRS处的无源相移矩阵的非凸联合优化问题。例如,深度确定性策略梯度(DDPG)和双延迟DDPG(TD3)。仿真结果表明,在后一种方案中的神经网络在各种情况下表现得更令人满意。
2023-01-24 cs.AI cs.IT cs.NI
Ten Years of Deep Learning for Wireless Communications: From Learned Blocks to Deployable Wireless Intelligence
University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校);Imperial College London(伦敦帝国学院);Georgia Institute of Technology(佐治亚理工学院)
本文梳理了十年间深度学习在无线通信领域从替代孤立模块到开发无线智能的三次转变,指出未来无线AI发展需结合物理基础、智能体能力与标准化机制。
2026-08-04 eess.SP
Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks
University of Colorado(科罗拉多大学);Virginia Tech(弗吉尼亚理工学院)
协作式深度强化学习(CDRL)算法可以让多个智能体通过无线网络进行协调,这是一种很有前途的方法,可以实现未来依赖于复杂动态环境中实时决策的智能和自治系统。然而,在实际应用中,由于智能体及其学习任务的异构性、不同的环境、学习的时间限制以及无线网络的资源限制,CDRL面临着许多挑战。为了解决这些挑战,在本文中,提出了一种新的语义感知的CDRL方法,使一组异构的未经训练的代理与语义链接的DRL任务,有效地合作,在资源受限的无线蜂窝网络。为此,提出了一种新的异构联邦DRL(HFDRL)算法选择语义相关的DRL代理的最佳子集进行协作。所提出的方法,然后共同优化的培训损失和无线带宽分配的合作选定的代理,以训练每个代理的时间限制内的实时任务。仿真结果表明,所提出的算法相比,国家的最先进的基线的优越性能。
2022-03-04 cs.IT cs.LG cs.NI
Improving the Performance of Deep Learning for Wireless Localization
室内定位系统通常基于WiFi或蓝牙低功耗(BLE)信标的接收信号强度指示符(RSSI)测量。在这种系统中,两种最常见的技术是三边测量和指纹识别,后者提供更高的精度。在指纹技术中,深度学习(DL)算法通常用于基于在接收器处接收的多个信标的RSSI测量来预测接收器的位置。在本文中,我们解决了将深度学习应用于无线定位的两个实际问题-将解决方案从一个无线环境转移到另一个\emph{and}小尺寸的标记数据集。首先,我们将自动超参数优化应用于用于室内无线定位的深度神经网络(DNN)系统,这使得系统易于移植到新的无线环境。其次,我们展示了如何使用未标记的数据集来增强一个典型的小标记数据集。通过应用这两种技术,我们观察到DL的性能有所提高。此外,所有相关代码都是免费提供的。
2020-06-16 cs.NI eess.SP
Deep Neural Network Aided Scenario Identification in Wireless Multi-path Fading Channels
School of Electronic Science(电子科学学院);National University of Defense Technology(国防科技大学)
这封信阐述了我们在无线多径衰落信道中用于无线通信场景识别的深度神经网络(DNN)方面的初步工作。在这封信中,六种渠道情景参考COST 207渠道模型已经完成。在信噪比大于20 dB的情况下,识别准确率为100%,而在信噪比为0 ~ 40 dB的情况下,平均识别准确率为88.4%。该方法在快时变条件下进行了测试,这与现实世界中的无线多径衰落信道相似,使其能够在实际场景识别的可行性。
2018-11-23 cs.LG eess.SP
Comprehensive Review of Deep Unfolding Techniques for Next-Generation Wireless Communication Systems
Indian Institute of Technology Guwahati(印度理工学院古瓦哈提分校);University of Oulu(奥卢大学);Indian Institute of Technology (BHU) Varanasi(印度理工学院(贝拿勒斯印度教大学)瓦拉纳西分校);Indian Institute of Technology Indore(印度理工学院印多尔分校)
本文综述了深度展开技术在下一代无线通信系统中的应用,涵盖信号处理、波束成形、纠错码解码等关键领域,并探讨了该技术的挑战与改进方向。
2026-01-14 eess.SP
Channel Type Recognition in Wireless Communications: A Deep Learning Approach
在本文中,我们提出了两种新颖实用的基于深度学习的算法来解决无线信道类型(WCT)识别问题。具体而言,由于它们的相似性,WCT识别问题被重新塑造为深度学习中的分类问题,其中深度神经网络(DNN)用第五代(5G)和超5G无线通信的各种典型WCT离线训练,然后用于执行在线WCT确定。在第一个算法中,一个WCT被视为一个单一的任务。而在第二种方案中,一个WCT由多个独立的特征共同表征,每个特征被视为一个任务,并通过以多任务学习的方式训练DNN来分别分类,并且最终的WCT由这些信道特征的组合来识别。仿真结果表明,所提算法能够对各种WCT进行瞬时分类,具有较高的准确性,并能获得满意的误块率和吞吐量,优于典型的基线WCT确定方案。
2021-02-04 eess.SP
Empowering Wireless Network Applications with Deep Learning-based Radio Propagation Models
本文探讨了将深度学习与传统无线电传播建模技术相结合,以克服传统求解器的性能局限,从而提升无线网络运行的效率与可靠性,并推动其在下一代网络中的应用。
2024-08-22 cs.LG cs.NI eess.SP
Towards Deep Learning-aided Wireless Channel Estimation and Channel State Information Feedback for 6G
深度学习(DL)是人工智能(AI)技术的一个分支,在图像分类和分割、语音识别、语言翻译等多个学科中显示出巨大的前景。近年来,DL的这一显著成功激发了将该范例应用于无线信道估计的日益增长的兴趣。由于下行链路原理本质上是归纳的,与传统的基于规则的算法不同,当人们试图将下行链路技术用于信道估计时,人们可能很容易被如此多的要控制的旋钮和要知道的小细节卡住和混淆。本文的主要目的是讨论基于DL的无线信道估计和信道状态信息(CSI)反馈中的关键问题和可能的解决方案,包括DL模型选择、训练数据获取和6G神经网络设计。具体来说,我们提出了几个案例研究与数值实验,以证明基于DL的无线信道估计框架的有效性。
2022-09-05 eess.SP
Fast Adaptation for Deep Learning-based Wireless Communications
本文研究基于深度学习的无线通信难以快速适应动态环境的问题,利用少样本学习并结合领域知识,以MU-MIMO预编码为例综述方法并指出未来研究方向。
2024-09-06 cs.ET cs.NI eess.SP
A Deep Ensemble-based Wireless Receiver Architecture for Mitigating Adversarial Attacks in Automatic Modulation Classification
基于深度学习的自动调制分类(AMC)模型容易受到对抗性攻击。这种攻击将专门制作的无线干扰注入到传输的信号中,以引起错误的分类预测。此外,对抗性干扰在黑盒环境中是可转移的,允许对手使用针对特定分类模型的单个扰动来攻击多个深度学习模型。在这项工作中,我们提出了一种新的无线接收器架构,以减轻各种黑盒攻击环境中的对抗性干扰的影响。首先,我们评估了架构的不确定性环境,在那里我们表明,精心设计的对抗性攻击欺骗特定的AMC DL架构是不能直接转移到不同的DL架构。接下来,我们考虑域不确定性环境,在这里我们展示了在时域和频域特征上制作的对抗性攻击不会直接转移到改变域。利用这些见解,我们开发了我们的Assorted Deep Ensemble(ADE)防御,这是一个在接收信号的时域和频域表示上训练的深度学习架构的集合。通过对不同不确定性来源下的两个无线信号数据集的评估,我们证明了我们的ADE在不同对抗性攻击和效力的基础防御相比,AMC分类性能得到了实质性的改善。
2021-09-15 eess.SP
Leveraging Hardware-Impaired Out-of-Band Information Through Deep Neural Networks for Robust Wireless Device Classification
无线设备分类技术在促进新兴的无线应用中起着关键作用,例如允许频谱管理机构执行其访问策略,并使网络管理员能够控制对其无线网络的访问并防止对其无线网络的冒充攻击。利用由制造和组装阶段期间产生的收发器硬件损伤引起的发射RF信号的频谱失真来提供设备分类已经成为许多最近工作的焦点。这些先前的工作本质上是应用深度学习从硬件受损的信号中提取设备的特征,并依赖于设备之间的特征变化来区分设备。随着技术的进步,设备之间的制造减值差异变得非常微不足道,使得这些先前的分类方法不准确。本文提出了一种基于深度学习的新型技术,该技术可提供可扩展且高度准确的无线设备分类,即使这些设备在其硬件损伤方面表现出微不足道的变化,并且具有相同的硬件,协议和软件配置。所提出的技术的新颖性在于通过在接收器处对捕获的信号进行过采样并将从RF信号收集的IQ样本馈送到深度神经网络以进行分类来利用{ \em带内}和{ \em带外}信号失真信息。使用卷积神经网络(CNN)模型,我们表明,我们提出的技术,当应用于高端,高性能的设备与最小失真的硬件,设备分类准确性相比,现有的方法翻了一番。
2020-04-23 eess.SP
Deep Neural Network Feature Designs for RF Data-Driven Wireless Device Classification
Oregon State University(俄勒冈州立大学)
大多数使用射频(RF)数据进行基于深度学习的无线设备分类的先前工作都应用了现成的深度神经网络(DNN)模型,这些模型主要用于视觉和语言等领域。然而,无线RF数据具有独特的特征,使其与其他领域区分开来。例如,RF数据包含由底层硬件和协议配置规定的混合时间和频率特征。此外,无线RF通信信号由于重复的模式(PHY导频、帧前缀等)而表现出循环平稳性。这些信号本身包含的信息。在本文中,我们首先解释并展示了目前提出用于无线设备分类的现有DNN特征设计方法的不适用性和局限性。然后,我们提出了新的特征设计方法,利用RF通信信号的不同结构和发射机硬件损伤引起的频谱发射,定制适合使用RF信号数据对无线设备进行分类的DNN模型。我们提出的DNN特征设计在可扩展性、准确性、签名抗克隆和对环境扰动的不敏感性方面大大提高了分类鲁棒性。最后,我们提出了其他功能设计策略,有很大的潜力,提供进一步的性能改进的DNN为基础的无线设备分类,并讨论了开放的研究挑战,这些建议的策略。
2021-03-02 cs.LG cs.NI eess.SP
Deep Learning for Physical-Layer 5G Wireless Techniques: Opportunities, Challenges and Solutions
Nanjing University of Posts and Telecommunications(南京邮电大学);Sequans Communications(Sequans通信公司);The Hong Kong Polytechnic University(香港理工大学);Beijing University of Posts and Telecommunication(北京邮电大学);Tohoku University(东北大学)
对高可靠性和超高容量无线通信的新需求导致了对5G通信的广泛研究。然而,目前的通信系统,这是在传统的通信理论的基础上设计的,显着地限制了进一步的性能改进,并导致严重的局限性。最近,新兴的深度学习技术已被认为是处理复杂通信系统的有前途的工具,并且其优化无线通信的潜力已被证明。在本文中,我们首先回顾了5G通信深度学习解决方案的发展,然后提出了基于深度学习的5G场景的有效方案。具体而言,提出了几种重要的基于深度学习的通信方法的关键思想以及研究机遇和挑战。特别地,研究了非正交多址接入(NOMA)、大规模多输入多输出(MIMO)和毫米波(mmWave)的新型通信框架,并且展示了它们的优越性能。我们认为,基于深度学习的无线物理层框架将为通信理论带来新的方向,这项工作将推动我们沿着这条道路前进。
2019-04-21 cs.AI eess.SP
Terahertz Communications for 6G and Beyond Wireless Networks: Challenges, Key Advancements, and Opportunities
本文综述面向6G及未来网络的端到端THzCom系统,围绕频谱管理、天线与波束成形及6G技术融合分析挑战、进展与研究方向。
2022-07-22 eess.SP
Unsupervised Deep Unfolded PGD for Transmit Power Allocation in Wireless Systems
Aalborg University(奥尔堡大学)
本文提出一种基于深度展开投影梯度下降的无监督低复杂度发射功率控制算法,通过在线或离线学习优化步长,在密集D2D场景中以更少迭代实现更优性能。
2023-06-20 cs.LG eess.SP
Hidden Backdoor Attack against Deep Learning-Based Wireless Signal Modulation Classifiers
本文研究针对深度学习调制分类器的隐藏后门攻击,通过在训练集中注入基于IQ序列的隐蔽投毒样本降低分类准确率,并提出激活聚类方法检测异常样本。
2023-06-19 eess.SP
DeepReceiver: A Deep Learning-Based Intelligent Receiver for Wireless Communications in the Physical Layer
规范的无线通信系统由发射机和接收机组成。信息比特流在编码、调制和脉冲整形之后被发送。由于射频(RF)损伤、信道衰落、噪声和干扰的影响,到达接收机的信号将失真。接收机需要从失真的信号中恢复原始信息。在本文中,我们提出了一种新的接收器模型,即DeepReceiver,它使用深度神经网络来取代传统接收器的整个信息恢复过程。我们设计了一个一维卷积DenseNet(1D-Conv-DenseNet)结构,其中全局池化用于提高网络对不同输入信号长度的适应性。在最终分类层使用多个二进制分类器来实现多比特信息流的恢复。我们还利用DeepReceiver通过在训练集中包含相应MCS的信号样本来统一盲接收多种调制和编码方案(MCS)。仿真结果表明,在噪声、射频损伤、多径衰落、同信道干扰、动态环境以及多MCS统一接收等多种因素影响下,DeepReceiver在误比特率方面的性能优于传统的步进串行硬判决接收机。
2020-08-29 eess.SP
Non-Terrestrial Networks in the 6G Era: Challenges and Opportunities
许多组织将非地面网络(NTN)视为在未来第六代(6 G)无线网络中提供经济高效和高容量连接的关键组件。尽管有这个前提,但正确的网络设计仍然有许多问题需要回答,包括与延迟和覆盖范围限制相关的问题。在本文中,在回顾了NTN的研究活动后,我们介绍了NTN在6 G环境中的特点和使能技术,并阐明了该领域仍有待于未来研究的挑战。作为一个案例研究,我们评估的NTN方案中,航空/航天器使用毫米波(mmWave)频率提供接入连接到地面移动终端作为不同的网络配置的功能的性能。
2021-04-26 cs.NI eess.SP
Deep Learning for Wireless Coded Caching with Unknown and Time-Variant Content Popularity
编码缓存通过将每个文件的不同编码段分布在多个缓存节点中来有效地利用无线网络中的累积存储大小。本文旨在找到一种无线编码缓存策略,以最小化总折扣网络成本,其中包括传输延迟和缓存更换成本,使用深度学习工具。由于未知的、时变的内容流行度以及连续的、高维的动作空间,该问题是具有挑战性的。首先,我们提出了一个基于聚类的长短期记忆(C-LTSM)的方法来预测内容请求的数量使用历史请求信息。该方法通过聚类利用不同文件之间的历史请求信息的相关性。基于预测结果,我们提出了一种监督的深度确定性策略梯度(SDDPG)方法。这种方法,一方面,可以学习缓存策略在连续的动作空间,通过使用ACTOR-CRITIC架构。另一方面,它通过基于最小化每个时隙成本的近似问题的解决方案预训练演员网络来加速学习过程。真实世界的基于跟踪的数值结果表明,使用深度学习的预测和缓存策略优于考虑的现有方法。
2020-10-17 eess.SP
Hacking the Waveform: Generalized Wireless Adversarial Deep Learning
本文通过提出针对无线深度学习系统的对抗性学习攻击的第一次全面分析和实验评估,推进了最新技术水平。我们假设了一系列的对抗攻击,并制定了一个广义无线对抗机器学习问题(GWAP),我们分析了无线信道和对抗波形对攻击的有效性的综合影响。我们提出了一种新的神经网络架构,称为FIRNet,它可以被训练成只根据其输出来“破解”分类器。我们广泛评估了(i)1,000个设备的无线电指纹数据集和(ii)24类调制数据集的性能。几种信道条件下获得的结果表明,我们的算法可以降低分类器的准确性高达3倍。我们还在无线电测试平台上对FIRNet进行了实验评估,并表明我们的数据驱动黑盒方法可以混淆高达97%的分类器,同时将波形失真保持在最低限度。
2020-05-05 cs.NI eess.SP
Optimal Resource Allocation in Wireless Control Systems via Deep Policy Gradient
在无线控制系统中,通过在无线信道上闭合控制回路来实现对设备的远程控制。由于无线通信是有噪声的并且易受分组丢失的影响,因此跨工厂适当地分配有限的资源(例如,传输功率)对于维持可靠的操作是至关重要的。在本文中,我们制定了一个最佳的资源分配策略,使用当前的工厂状态和无线信道状态分配资源用于发送控制驱动信息回工厂的设计。虽然这个问题由于其无限维度以及对显式系统模型和状态知识的需求而具有挑战性,但我们提出使用深度强化学习技术来找到基于神经网络的资源分配策略。特别是,我们使用无模型的政策梯度方法,直接学习连续的功率分配政策,而不需要了解植物动态或通信模型。数值模拟表明,学习的政策相对于基线资源分配方法的设置中,状态信息是有和没有噪音的强大性能。
2019-10-25 cs.SY eess.SP eess.SY
Deep Reinforcement Learning for Optimizing RIS-Assisted HD-FD Wireless Systems
这封信调查的可重构智能表面(RIS)辅助多输入单输出(MISO)无线系统,其中半双工(HD)和全双工(FD)的工作模式被认为是在一起,在文献中的第一次。目标是通过优化RIS相移来最大化速率。提出了一种新的深度强化学习(DRL)算法来解决非凸优化问题。复杂度分析和蒙特卡罗模拟表明,建议的DRL算法显着提高了速率相比,非优化的情况下,在HD和FD操作模式,使用一个单一的参数设置。此外,它显着降低了下行链路的HD MISO系统的计算复杂度,并提高了可实现的速率与减少的步骤数相比,每集传统的DRL算法。
2021-10-10 eess.SP
Deep Reinforcement Learning (DRL): Another Perspective for Unsupervised Wireless Localization
位置是空间化物联网(IoT)数据的关键。然而,使用低成本IoT设备进行鲁棒的无监督定位(即,没有具有已知位置标签的训练数据的定位)。因此,本文提出了一种基于深度强化学习(DRL)的无监督无线定位方法。主要贡献如下。(1)本文提出了一种方法来模拟一个连续的无线定位过程的马尔可夫决策过程(MDP),并在DRL框架内处理它。(2)为了减轻在使用未标记数据时获得奖励的挑战(例如,日常生活中的众包数据),本文提出了一种奖励设置机制,该机制从未标记的无线接收信号强度(RSS)中提取鲁棒的地标数据。(3)为了减轻使用DRL进行本地化时对模型重新训练的要求,本文使用RSS测量与代理位置一起构建DRL输入。该方法是通过使用多个蓝牙5智能耳标在牧场的现场测试数据进行测试。同时,实验验证过程也反映了DRL在无线定位中的优势和挑战。
2020-04-09 cs.LG eess.SP stat.ML
Open Set Wireless Signal Classification: Augmenting Deep Learning with Expert Feature Classifiers
在具有多种无线电接入技术的共享频谱中,无线标准分类对于诸如动态频谱接入(DSA)和宽带频谱监测之类的应用至关重要。然而,干扰信号和未知类别的信号的存在会降低分类精度。为了减少干扰,可以在时间、频率和空间上隔离信号,但隔离过程会增加失真,从而降低深度学习分类器的准确性。我们发现,失真可以部分减轻通过增加分类器的训练数据与信号隔离的步骤。为了解决未知信号,我们提出了一种开集混合分类器,它结合了深度学习和专家特征分类器,以利用专家特征分类器的可靠性和可解释性以及深度学习分类器的较低计算复杂度。与专家特征分类器相比,混合分类器的计算复杂度平均降低了2至7倍,同时对于已知信号类别在15 dB SNR下实现了95%的准确度。由于专家特征分类器的鲁棒性,混合分类器能够以接近100%的准确率检测未知类别。
2023-02-07 eess.SP
Control-Aware Scheduling for Low Latency Wireless Systems with Deep Learning
我们考虑在低延迟无线通信链路上调度传输以控制各种控制系统的问题。低延迟要求对于开发用于工业控制和触觉互联网的无线技术至关重要,但在保持可靠性能的同时也具有内在的挑战性。超可靠低延迟通信的替代方案是可靠性适应控制系统需求的框架。我们制定的控制感知调度问题作为一个约束的统计优化问题,其中最佳的调度程序是当前的控制和信道状态的函数。调度器使用深度神经网络进行参数化,并且使用原始-对偶学习的技术来解决约束问题,这些技术具有必要的无模型属性,因为它们不需要明确的信道模型,性能指标或系统动态知识来执行。由此产生的控制感知深度调度器进行评估,在实证模拟和强大的性能相对于其他无模型启发式调度方法。
2019-10-30 cs.SY eess.SP eess.SY
SNR-adaptive deep joint source-channel coding for wireless image transmission
针对噪声信道下多用户图像传输的联合信源信道编码(JSCC)问题,提出了一种基于自编码器的深度联合信源信道编码方案。在所提出的JSCC方案中,解码器可以估计信噪比(SNR),并使用它来自适应解码传输的图像。实验结果表明,该方案对不同信噪比的适应性较好,对解码端信噪比估计误差具有较强的鲁棒性。据我们所知,这是第一个深度JSCC方案,专注于对不同SNR的适应性,并可应用于多用户场景。
2021-02-02 eess.IV eess.SP
AutoEncoders for Training Compact Deep Learning RF Classifiers for Wireless Protocols
Perspecta Labs, Inc(Perspecta实验室公司)
我们表明,使用多个去噪自动编码器(AE)的层次结构训练来对无线协议进行分类的紧凑型全连接(FC)深度学习网络优于以典型方式训练的参考FC网络,即,具有给定FC架构的基于随机梯度的优化。这种FC网络的复杂性(以可训练参数和标量乘法的数量来衡量)不仅远低于参考FC和残差模型,而且其精度也优于几乎所有测试SNR值(0 dB至50 dB)的两种模型。这种AE训练的网络适合于由简单的移动设备基于噪声信号测量执行的现场协议推断。训练基于由真实设备传输的数据,并在受控环境中收集,并通过基于策略的数据合成过程通过向信号添加无线接收器中常见的任何损伤子集来系统地增强。
2019-04-13 cs.LG cs.NI eess.SP
Redefining Wireless Communication for 6G: Signal Processing Meets Deep Learning with Deep Unfolding
ANDRO Computational Solutions, LLC(ANDRO计算解决方案有限责任公司);Northeastern University(东北大学);University at Buffalo, State University of New York(纽约州立大学布法罗分校)
2019年见证了5G标准的推出,该标准有望提供比4G显著的数据率改进。虽然5G仍处于起步阶段,但研究界对5G以外的通信技术的转变越来越多。最近出现的机器学习方法用于增强无线通信并为其提供急需的智能,为重新定义6G无线通信提供了巨大的潜力。不断发展的通信系统将在延迟、吞吐量和可靠性方面受到物理层的底层信号处理的考验。在本立场文件中,我们激发了通过利用深度展开技术来重新设计迭代信号处理算法以满足6G网络物理层要求的需求。为此,我们首先介绍了服务需求和设想的6G通信架构所带来的关键挑战。我们概述了6G网络背景下传统算法原理和数据饥渴型深度学习(DL)方法的不足。具体而言,深入展开的信号处理,提出了通过勾勒领域知识和DL之间的相互作用。本文中回顾的深度展开方法明确地定位在下一代蜂窝网络所施加的要求的上下文中。最后,本文激发了开放的研究挑战,以真正实现未来6G网络的硬件高效边缘智能。
2021-08-23 cs.LG cs.NI eess.SP
Deep Feature Learning for Wireless Spectrum Data
Jozef Stefan Institute(约瑟夫·斯蒂芬研究所)
针对无线频谱数据特征学习多依赖监督的问题,提出无监督卷积神经网络模型学习低维特征表示,维度较PCA减少99.3%,可提取含传输突发形状的细粒度聚类。
2023-08-07 cs.AI cs.LG eess.SP
Synergetic Empowerment: Wireless Communications Meets Embodied Intelligence
College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics(南京航空航天大学电子与信息工程学院);College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics(南京航空航天大学人工智能学院)
本文提出无线通信与具身智能的协同赋能框架,通过感知-认知-执行循环揭示二者相互促进的双重性,将无线通信从简单工具转变为集体智能的数字神经系统,并推动孤立智能体进化为具备涌现能力的超个体。
2026-05-26 cs.NI cs.RO cs.SY