Backprop-Free Reinforcement Learning with Active Neural Generative Coding
Rochester Institute of Technology（罗切斯特理工学院）；Pennsylvania State University（宾夕法尼亚州立大学）
在人类中，感知觉有助于从感官输入中快速识别和提取信息。这种意识在很大程度上取决于人类主体如何与环境互动。在这项工作中，我们提出了主动神经生成编码，这是一种用于在动态环境中学习动作驱动生成模型而不会反向传播错误（backprop）的计算框架。具体来说，我们开发了一个智能代理，即使在稀疏的奖励，从规划推理的认知理论中汲取灵感。我们在几个简单的控制问题上证明了我们的框架与深度Q学习的竞争力。我们的代理的强大性能提供了有希望的证据，证明神经推理和学习的无反向传播方法可以驱动目标导向行为。
2021-12-19 cs.LG
Suppressing Modulation Instability with Reinforcement Learning
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）；Artificial Intelligence Research Institute (AIRI)（人工智能研究所（AIRI））
本文提出基于强化学习的方法，通过优化非线性系统中势的时间调制参数来抑制调制不稳定性，并在一维和二维情况下验证了该方法，同时提出了新的物理意义奖励函数以确保不稳定性得到控制。
2024-04-05 cs.AI cs.LG cs.SY
Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems
Rochester Institute of Technology（罗切斯特理工学院）；The University of South Florida（南佛罗里达大学）
在这篇文章中，我们提出了一个反向传播自由的方法，通过神经生成编码（NGC）的神经认知计算框架的机器人控制，设计一个代理完全从强大的预测编码/处理电路，促进动态，在线学习从稀疏的奖励，体现规划推理的原则。具体地说，我们制作了一个自适应代理系统，我们称之为主动预测编码（ActPC），它平衡了内部生成的认知信号（旨在鼓励智能探索）与内部生成的工具信号（旨在鼓励目标寻求行为），以最终学习如何使用现实机器人模拟器控制各种模拟机器人系统以及复杂的机器人手臂，即，超现实机器人套件，用于块升降任务，并可以拾取和放置问题。值得注意的是，我们的实验结果表明，我们提出的ActPC代理在面对稀疏（外在）奖励信号时表现良好，并且与几种强大的基于反向传播的RL方法竞争或优于它们。
2022-09-19 cs.LG cs.NE cs.RO
Reinforcement Learning Based Cooperative Coded Caching under Dynamic Popularities in Ultra-Dense Networks
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）；Georgia Institute of Technology（佐治亚理工学院）
对于具有无线回程的超密集网络，通常具有有限存储的小型基站（SBS）处的缓存策略对于满足大规模高数据率请求至关重要。由于内容的流行度随着时间的变化在一个未知的方式，我们利用强化学习（RL）设计一个合作的缓存策略与最大距离可分离（MDS）编码。我们将基于MDS编码的协作缓存建模为马尔可夫决策过程，以捕获流行动态并最大化由SBS直接服务的长期预期累积流量负载，而无需访问宏基站。对于公式化的问题，我们首先通过将协作MDS编码嵌入到Q学习中来找到小规模系统的最优解。为了处理大规模的情况下，我们近似的状态-行动价值函数抽象。近似函数只包括少量的可学习参数，使我们能够提出一种快速有效的动作选择方法，大大降低了复杂性。数值结果验证了所提出的基于RL的算法的最优性/近最优性，并显示了与基线计划相比的优越性。它们对不同的环境也表现出良好的鲁棒性。
2020-03-08 cs.IT cs.LG math.IT
A Low Latency Adaptive Coding Spiking Framework for Deep Reinforcement Learning
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；College of Computer Science, Zhejiang University of Technology（浙江工业大学计算机学院）；Zhejiang Lab（之江实验室）
针对脉冲强化学习高延迟和通用性差的问题，提出使用可学习矩阵乘法编解码脉冲并结合直接训练方法的低延迟自适应编码框架，在多种环境中实现了超低延迟与高能效的最优性能。
2024-04-24 cs.AI cs.LG cs.NE
Combining Contention-Based Spectrum Access and Adaptive Modulation using Deep Reinforcement Learning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
将未授权频谱用于蜂窝系统以缓解频谱稀缺性已经导致了对频谱接入的智能自适应方法的发展，该方法改进了传统的载波侦听和通话前监听方法。我们研究了分散的基于竞争的介质接入的基站（BS）的一个单一的无线接入技术（RAT）的非授权共享频谱上工作。我们设计了一个分布式的深度强化学习为基础的竞争和自适应调制算法，建模的两个状态马尔可夫决策过程，试图最大限度地提高网络范围的下行链路吞吐量的目标。从经验上讲，我们发现（比例公平）奖励累积的政策梯度的方法是显着高于甚至基因辅助自适应能量检测阈值。我们的方法进一步验证了提高和峰值吞吐量。我们的方法，以大型网络的可扩展性证明了通过改进的累积奖励获得大量的BS的室内和室外布局。
2023-03-10 cs.LG eess.SP
Reinforcement-Learned Unequal Error Protection for Quantized Semantic Embeddings
Department of Computer Science and Engineering, Dibrugarh University Institute of Engineering and Technology（计算机科学与工程系，迪布加尔大学工程与技术学院）
本文提出基于强化学习的非等误差保护方法，通过自适应重复编码实现细粒度语义保护，提升语义相似性和实体保留度。
2026-01-01 cs.IR cs.LG cs.NI
Reinforcement Learning with Feedback-modulated TD-STDP
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
尖峰神经元网络已成功地用于解决简单的强化学习任务，连续的动作集应用基于尖峰时间依赖可塑性（STDP）的学习规则。然而，这些模型中的大多数不能应用于具有离散动作集的强化学习任务，因为它们假设所选择的动作是神经元放电率的确定性函数，这是连续的。在本文中，我们提出了一个新的STDP为基础的学习规则的尖峰神经元网络，其中包含反馈调制。我们表明，基于STDP的学习规则可以用于解决强化学习任务与离散动作集的速度类似于标准的强化学习算法时，适用于CartPole和LunarLander任务。此外，我们证明了代理是无法解决这些任务，如果反馈调制从学习规则中省略。我们的结论是，反馈调制允许更好的信用分配时，只有单位有助于执行的行动和TD错误参与学习。
2020-08-29 cs.AI cs.LG stat.ML
Goal-Conditioned Predictive Coding for Offline Reinforcement Learning
Brown University（布朗大学）
本文提出目标条件预测编码（GCPC），通过两阶段框架利用序列模型编码轨迹表示并学习目标条件策略，在三个离线强化学习基准上验证了序列建模对决策任务的显著提升作用。
2023-10-28 cs.AI cs.LG
RL-GPT: Integrating Reinforcement Learning and Code-as-policy
The Chinese University of Hong Kong（香港中文大学）；School of Computer Science, Peking University（北京大学计算机学院）；SmartMore（智谱AI）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）
本文提出双层级框架 RL-GPT，通过慢智能体进行代码规划、快智能体结合强化学习执行低层动作，在 Minecraft 和 MineDojo 中实现高效率与 SOTA 表现。
2024-02-29 cs.AI cs.LG
Reinforcement Learning for Standards Design
University of Oklahoma（俄克拉荷马大学）；CableLabs（有线电视实验室）
通信标准是通过人类委员会在数月甚至数年内举行反复会议来设计的，直到达成共识。这包括关于通过空中接口支持的调制和编码方案的决定。我们提出了一种方法，以“自动化”的调制和编码方案的集合的选择，以支持在一个给定的空中接口，从而简化了标准的设计过程和扩展的标准，以支持新的调制方案适用于新的更高级别的应用和服务的容易。我们的方案涉及机器学习，其中构造器实体向评估器实体提交建议，评估器实体返回建议的分数。构造器采用强化学习对其提交的提案进行验证，直到获得构造器和评估器先前商定的分数，以指示满足所需的设计标准（包括通过接口传输的性能指标）。
2021-10-13 cs.AI cs.LG cs.NI
DeepRMSA: A Deep Reinforcement Learning Framework for Routing, Modulation and Spectrum Assignment in Elastic Optical Networks
University of California, Davis（加州大学戴维斯分校）；University of Science and Technology of China（中国科学技术大学）
本文提出了DeepRMSA，一个深度强化学习框架，用于弹性光网络（EONs）中的路由、调制和频谱分配（RMSA）。DeepRMSA通过使用可以感知复杂EON状态的深度神经网络（DNN）参数化策略来学习正确的在线RMSA策略。DNN通过动态光路供应的经验进行训练。我们首先修改了异步优势演员-评论家算法，并提出了一种基于情节的DeepRMSA训练机制，即DeepRMSA-EP。DeepRMSA-EP将动态配置过程划分为多个片段（每个片段包含固定数量的光路请求的服务），并在每个片段结束时执行训练。DeepRMSA-EP在服务请求的每一步的优化目标是最大化剩余片段中的累积奖励。因此，我们需要估计未知的未来状态相关的奖励。为了克服DeepRMSA-EP训练中由于累积奖励的振荡而导致的不稳定问题，我们进一步提出了一种基于窗口的灵活训练机制，即，DeepRMSA-FLX. DeepRMSA-FLX试图通过将每一步的优化范围定义为滑动窗口来消除振荡，并确保累积奖励始终包括来自固定数量请求的奖励。两个样本拓扑的评估表明，与基线相比，DeepRMSA-FLX可以有效地稳定训练，同时实现阻塞概率降低超过20.3%和14.3%。
2019-05-15 cs.LG cs.NI eess.SP
LLM-Guided Reinforcement Learning: Addressing Training Bottlenecks through Policy Modulation
Lehigh University（理海大学）
本文提出一种大语言模型引导的策略调制框架，通过LLM识别关键状态、提供动作建议并分配隐式奖励，无需额外训练或人工干预，在标准RL基准上超越最先进基线，有效解决训练瓶颈。
2025-05-27 cs.AI cs.LG
Coding Agent Memory Post-training: Unlocking the Memory Potential of Pre-trained File Operations for Long-Horizon Tasks via Reinforcement Learning
针对长时程任务中智能体记忆不足的问题，提出CAMG环境套件和CAMG-RL训练方法，利用文件操作和强化学习提升记忆能力，在基准测试中达到与更大模型相当的性能。
2026-10-01 cs.AI cs.CL cs.LG
Feedback-Normalized Developer Memory for Reinforcement-Learning Coding Agents: A Safety-Gated MCP Architecture
PythaLab, Yildiz Technical University, Istanbul, Türkiye（PythaLab，伊兹密尔技术大学，伊斯坦布尔，土耳其）
本文提出RL Developer Memory架构，通过归一化反馈和安全门控机制提升强化学习编码代理的内存管理，实验证明其在确定性任务中的有效性。
2026-05-02 cs.CL cs.LG cs.SE
Language Reward Modulation for Pretraining Reinforcement Learning
UC Berkeley（加州大学伯克利分校）
本研究提出LAMP方法，将视觉-语言模型的零样本能力作为强化学习预训练信号，结合探索奖励训练语言条件化预训练策略，可实现机器人操作任务的样本高效学习热启动。
2023-08-23 cs.AI cs.LG
SPROUT: Scaling Agentic Reinforcement Learning for Long-Horizon Software Engineering
RISE-X Lab, School of Computer Science, Shanghai Jiao Tong University（上海交大计算机学院 RISE-X 实验室）；Amazon（亚马逊）
SPROUT是一种基于快照的智能体强化学习框架，通过保存文件系统与智能体上下文实现长周期编码任务的高效规模化，在提升pass@k指标、降低token消耗与训练时间的同时，性能优于GRPO。
2026-10-14 cs.CL cs.LG cs.SE
Safety Modulation: Enhancing Safety in Reinforcement Learning through Cost-Modulated Rewards
School of Computer Science, Carleton University（卡尔顿大学计算机科学学院）
提出安全调制策略优化（SMPO）方法，通过代价感知加权函数调制奖励并引入Q代价函数作为安全评论家，在标准策略优化框架内学习安全策略，实验证明其在整体安全RL性能上优于现有方法。
2025-04-03 cs.AI cs.LG
Breaking Training Bottlenecks: Effective and Stable Reinforcement Learning for Coding Models
Microsoft Research（微软研究院）；University of Cambridge（剑桥大学）；Princeton University（普林斯顿大学）
本文提出MicroCoder-GRPO方法，通过改进的组相对策略优化解决编码模型训练瓶颈，实现性能提升并发布相关数据集和评估框架。
2026-03-08 cs.CL cs.GL cs.LG
Two geometric input transformation methods for fast online reinforcement learning with neural nets
University of Alberta（阿尔伯塔大学）
我们将带有ReLU门的神经网络应用于在线强化学习。我们的目标是以增量的方式训练这些网络，而不需要计算上昂贵的经验重放。通过研究单个神经节点在在线训练中的行为，我们认识到ReLU门的全局性质可能会对每个节点的学习行为造成不良的学习干扰。我们建议使用两种有效的输入变换方法来减少这种干扰，这两种方法本质上是几何的，并且与ReLU门的几何属性很好地匹配。第一种是瓦片编码，这是一种经典的二进制编码方案，最初设计用于基于输入空间的拓扑结构的局部泛化。第二种方法（EmECS）是我们提出的一种新方法，它基于凸集的几何性质和输入空间到凸集边界的拓扑嵌入。我们讨论了网络在变换输入上运行时的行为。我们还将其与一些不使用相同输入变换的神经网络进行了实验比较，并与经典的瓦片编码算法加上线性函数逼近器进行了比较，并在几个在线强化学习任务中，我们表明，瓦片编码或EmECS的神经网络不仅可以实现更快的学习，而且可以实现更准确的逼近。我们的研究结果强烈表明，这种类型的几何输入变换可以有效地减少干扰，使我们更接近完全增量强化学习与神经网络。
2018-09-06 cs.AI cs.LG stat.ML
Scaling Data Difficulty: Improving Coding Models via Reinforcement Learning on Fresh and Challenging Problems
Microsoft Research（微软研究院）；University of Cambridge（剑桥大学）
通过强化学习在新鲜且具有挑战性的问题上改进编码模型，MicroCoder数据集通过系统化数据处理和难度扩展实现了显著的性能提升。
2026-03-08 cs.CL cs.GL cs.LG
Diffusion Modulation via Environment Mechanism Modeling for Planning
School of Computer Science, Carleton University（计算机科学学院，卡尔顿大学）
通过环境机制建模的扩散调制方法提升了离线强化学习中轨迹生成的准确性与一致性。
2026-02-23 cs.AI cs.LG
Distributed Power Control and Coding-Modulation Adaptation in Wireless Networks using Annealed Gibbs Sampling
在无线网络中，链路的传输速率由接收信号强度、来自同时传输的干扰和可用的编码调制方案决定。速率分配是无线网络设计中的关键问题，但是是非常具有挑战性的问题，因为：（i）无线干扰是全局的，即，传输干扰所有其它同时传输，以及（i i）速率-功率关系是非凸的和非连续的，其中不连续性是由于实际系统中有限数量的编码调制选择。在本文中，我们提出了一种分布式功率控制和编码调制自适应算法，使用退火吉布斯采样，实现吞吐量最优的任意网络拓扑结构。我们考虑一个现实的信号干扰噪声比（SINR）为基础的干扰模型，并假设连续的功率空间和有限的速率选项（编码调制选择）。我们的算法首先分解网络范围内的干扰本地干扰，通过适当地选择一个“邻居”为每个发射机和绑定的干扰，从非邻居节点。功率更新策略，然后精心设计，以模拟一个吉布斯采样器在马尔可夫链与连续的状态空间。我们进一步利用模拟退火的技术，以加快算法的收敛到最佳的功率和编码调制配置。仿真结果表明了该算法的优越性能。
2012-10-23 cs.NI
Combining Adaptive Coding and Modulation with Hierarchical Modulation in Satcom Systems
我们调查的广播系统的设计，以最大限度地提高吞吐量。由于信道可变性，该任务通常具有挑战性。40年前，Cover介绍并比较了两种方案：分时和叠加编码。即使第二种方案被证明对于某些信道是最优的，但是现代卫星通信系统（如DVB-SH和DVB-S2）主要依靠分时策略来优化吞吐量。他们考虑分层调制，一种叠加编码的实际实现，但仅用于不平等的错误保护或向后兼容的目的。我们在这篇文章中提出结合分时和分层调制在一起，并显示这种方案可以如何提高可用速率方面的性能。为了提高DVB-S2标准的性能，我们引入了分层的16-APSK。我们还评估了各种策略，分组的接收机在使用分层调制时，对。最后，我们在一个现实的使用情况下，DVB-S2的组合方案相比，最好的分时策略可以提供大于10%的吞吐量增益。
2013-04-30 cs.NI
Foundational Techniques for Wireless Communications: Channel Coding, Modulation, and Equalization
本文分析了改善无线通信系统的信道编码、调制与均衡等基础技术，使用仿真工具评估了卷积码、PSK、QAM及均衡技术在不同信道条件下的性能，并提供了现代无线系统实现的实用见解。
2023-10-20 cs.NI eess.SP
Constellation Mapping for Physical-Layer Network Coding with M-QAM Modulation
Northeastern University（东北大学）；Imperial College London（帝国理工学院）；University of Sydney（悉尼大学）
针对M-QAM调制的物理层网络编码，提出一种将叠加M-QAM信号映射为编码符号的映射方案，并评估其误码性能，进而提出速率自适应方案。
2013-05-11 cs.IT cs.NI cs.SY
Centralized Power Control in Cognitive Radio Networks Using Modulation and Coding Classification Feedback
本文联合解决了集中式功率控制（PC）方案和干扰信道学习方法，以允许认知无线电网络（CRN）接入基于自适应编码和调制（ACM）协议操作的主用户（PU）的频带。学习过程使能器是协作调制和编码分类（MCC）技术，其估计PU的调制和编码方案（MCS）。由于PU和CRN之间缺乏协作，CRN利用该多级MCC感测反馈作为PU链路的隐式信道状态信息（CSI），以便不断地监视其引起的聚合干扰的影响。在本文中，开发了一种算法，用于最大限度地提高CRN吞吐量（PC优化目标），同时学习如何减轻PU干扰（优化问题约束），仅使用MCC信息。具有高收敛速度的理想方法是切割平面方法（CPM）。在这里，我们专注于分析中心切割平面方法（ACCPM）和重心切割平面方法（CGCPM）的有效性，提出的同时PC和干扰信道学习算法是通过数值模拟证明。
2015-10-22 cs.NI
Performance Study of Mobile TV over Mobile WiMAX Considering Different Modulation and Coding Techniques
随着智能手机的广泛使用，近年来，移动无线网络上的视频流突然激增。考虑到其巨大的潜力，移动WiMAX正在成为一种可行的移动电视技术，预计将成为未来移动产业的关键重要性。在本文中，移动WiMAX上的移动电视的仿真性能研究进行了不同类型的自适应调制和编码，考虑到关键的系统和环境参数，其中包括在移动速度的变化，路径损耗，调度服务类与固定类型的调制。我们的仿真已经进行了使用OPNET仿真。仿真结果表明，基于信道条件的调制和编码方案的动态自适应可以在降低系统总带宽的同时提供更高的QoS。
2014-01-11 cs.NI
Massive MIMO Adaptive Modulation and Coding Using Online Deep Learning Algorithm
本文提出一种基于全连接神经网络的在线深度学习算法，用于大规模MIMO自适应调制与编码，通过初始训练和服务反馈增量重训练，在多种场景下相比Q-learning和传统OLLA实现10%-20%的用户吞吐量提升。
2024-09-03 cs.NI eess.SP
Queueing Analysis of Unicast IPTV With User Mobility and Adaptive Modulation and Coding in Wireless Cellular Networks
近年来，可以通过宽带无线蜂窝网络支持直播TV、视频点播（VoD）、视频会议和在线游戏应用的单播IPTV服务已经变得流行。然而，视频流服务显著影响无线蜂窝网络的性能，因为它们占用带宽。为了维持系统性能，需要基于精确数学分析的有效的接纳控制和资源分配机制。另一方面，无线链路的质量通常由于用户移动性或时变信道特性而随时间变化。为了对抗这种时变信道，提高频谱效率，可以采用自适应调制编码（AMC）方案为移动用户提供单播IPTV服务。本文基于一种新的考虑用户移动性和AMC的单播IPTV业务接入模型，推导了无线蜂窝网络中单播IPTV业务的带宽利用率、阻塞率和丢包率的解析解。模拟也进行了验证分析结果的准确性。数值结果表明，所给出的解析结果是准确的。基于精确的闭合解，网络提供商可以对其网络实施精确的接纳控制和资源分配，以提高系统性能。
2015-11-05 cs.IT cs.MM cs.NI
High Throughput of WiMAX MIMO OFDM Including Adaptive Modulation and Coding
WiMAX技术基于IEEE 802.16规范，其中IEEE 802.16-2004和802.16e修正案是物理（PHY）层规范。IEEE 802.16-2004当前支持若干多天线选项，包括空时码（STC）、多输入多输出（MIMO）天线系统和自适应天线系统（AAS）。最新的WiMAX标准（802.16e）支持移动终端和膝上型计算机的宽带应用。利用自适应调制和编码（AMC）技术对WiMAX中OFDM物理层的出错率（BER）和数据吞吐量进行了仿真分析。对OFDM物理层进行了性能分析。在本文中，扩展的基本SISO模式，一些2 × 2 MIMO扩展分析下的数字调制（QPSK，16 QAM和64 QAM）和卷积码（CC）的不同组合与一半，三分之二和四分之三额定码。本文的目的是提供一个想法的好处，多天线系统在单天线系统的WiMAX类型的部署。
2010-02-09 cs.NI
Single-Carrier Modulation versus OFDM for Millimeter-Wave Wireless MIMO
本文介绍了在典型的5G场景中，在毫米波频率（mmWave）下工作的无线多输入多输出（MIMO）链路的可实现频谱效率和能量效率的结果。考虑两种不同的单载波调制解调器方案，即，在接收端采用线性均衡的传统调制方案，以及在接收端采用循环前缀、频域均衡和基于FFT处理的单载波调制方案;将这两种方案与传统MIMO-OFDM收发机结构进行比较。我们的分析共同考虑到毫米波频率的MIMO信道的特有特性，使用混合（模拟-数字）预编码和后编码波束形成器，调制结构的有限基数，以及发射机功率放大器的非线性行为。我们的研究结果表明，最好的性能是通过单载波调制与时域均衡，表现出最小的损失，由于非线性失真，其性能可以进一步提高，通过使用先进的均衡方案。结果还证实，当链路长度超过90-100米且发射功率低于0 dBW时，性能会严重下降。
2017-11-16 cs.IT cs.NI math.IT
Adaptive Prioritized Random Linear Coding and Scheduling for Layered Data Delivery from Multiple Servers
在本文中，我们处理的问题，共同确定最佳的编码策略和调度决策时，接收器从多个服务器获得分层数据。分层数据通过优先化随机线性编码（PRLC）进行编码，以便对信道丢失有弹性，同时尊重数据中的不相等的重要性水平，并且同时发送数据块，以便减少解码延迟并提高递送性能。我们制定的最佳编码和调度决策问题，在我们的新框架的帮助下，马尔可夫决策过程（MDP），这是有效的工具，建模适应流媒体系统。然后，提出了强化学习方法，以获得降低计算复杂性的解决方案的自适应编码和调度问题。新颖的强化学习方法和MDP解决方案在可伸缩视频传输的说明性示例中进行了检查。我们的方法提供了巨大的性能增益竞争的方法，提供数据块顺序。实验评估还表明，我们的新算法提供连续播放，并保证小的质量变化，这是不是基线解决方案的情况下。最后，我们的工作突出了强化学习算法的优势，预测时间演变的数据需求，并决定最佳的编码和调度决策。
2014-09-30 cs.IT cs.MM cs.NI
Multiuser Rate-Diverse Network-Coded Multiple Access
本文提出了第一个网络编码多址（NCMA）系统，多个用户采用不同的信号调制，称为速率分集NCMA。NCMA的一个显著特点是联合使用物理层网络编码（PNC）和多用户解码（MUD）来提高多分组接收系统的吞吐量。在以前的NCMA系统中，用户采用相同的调制，而不管他们各自的信道条件。这导致在许多实际情况下的次优吞吐量，特别是当不同的用户具有广泛变化的信道条件。速率分集NCMA系统允许不同的用户使用与其信道条件相称的调制。一个关键的挑战是设计的PNC映射和解码机制时，不同的用户采用不同的调制NCMA。虽然已经有过去的工作，非信道编码的速率不同的PNC，本文是第一次尝试设计信道编码的速率不同的PNC，以确保整个NCMA系统的可靠性。具体地说，我们提出了一种符号分裂的信道编码和调制设计，使PNC/NCMA可以工作在不同的调制。我们在软件定义无线电上实现了速率多样化的NCMA系统。实验结果表明，不同速率的NCMA的吞吐量可以超过80%的最先进的速率均匀的NCMA。总的来说，速率分集的引入在实际场景中显著提高了NCMA系统的吞吐量。
2016-10-04 cs.IT cs.NI math.IT
Evaluating the Performance of IPTV over Fixed WiMAX
IEEE为WiMAX规定了不同的调制技术;即，BPSK、QPSK、16 QAM和64 QAM。本文研究了不同数字调制方式组合下IPTV over Fixed WiMAX系统的性能。性能研究考虑到一些关键的系统参数，其中包括在视频编码，路径损耗，调度服务类的FEC信道编码中的不同额定码的变化。使用OPNET仿真进行了性能研究。性能进行了研究，在数据包丢失，数据包抖动延迟，端到端延迟，和网络吞吐量。仿真结果表明，高阶调制和编码方案（即16 QAM和64 QAM）的性能优于QPSK。
2013-12-28 cs.MM cs.NI
A Cooperative Network Coding Strategy for the Interference Relay Channel
本文研究了以卫星为中继的干扰中继网络。提出了一种基于物理层网络编码和叠加调制解码的用户间单向通信协作策略。我们的解决方案在吞吐量方面的性能进行评估，通过容量分析和模拟，包括实际的限制，如缺乏同步的时间和频率。我们证明吞吐量显着大于经典的分时情况下。
2012-05-24 cs.NI
Millimeter-Wave System for High Data Rate Indoor Communications
介绍了一种工作在60 GHz频段的无线千兆以太网通信系统的实现。系统架构采用单载波调制。中频块采用差分编码的二进制相移键控调制和差分解调方案。基带块使用Reed-Solomon RS（255，239）编码和解码用于信道前向纠错（FEC）。在875 Mbps，没有信道编码，出错率（BER）测量的第一个结果，提出了不同的天线。
2009-05-04 cs.NI
Optimal Power Allocation for LTE Users with Different Modulations
在本文中，我们演示了QPSK，16-QAM和64-QAM调制方案的最佳功率分配和信道质量指示符（CQI）的作用。我们使用类似S形的效用函数来表示在用户设备（UE）处成功接收分组的概率。作为对基站（BS）的反馈的CQI指示下行链路信道可以支持的数据率。针对$3^{rd}$第三代合作伙伴计划（3GPP）标准化的15种调制阶数和编码方案（MCS），采用LM优化方法，给出了不同CQI值的效用函数。最后，我们模拟并显示最佳功率分配算法的结果。
2015-07-26 cs.NI
Reconfigurable Intelligent Surface-Enabled Physical-Layer Network Coding for Higher Order M-QAM Signals
本文针对高阶M-QAM物理层网络编码中的相位同步、功率控制及映射模糊问题，提出利用RIS同步相位并结合模加法实现无模糊PNC映射，在OFDM-PNC框架下验证了RIS对系统SNR的显著提升作用。
2025-02-08 cs.NI
Increasing Transmission Distance in THz systems with Erasure Coding and Auxiliary Channels
我们分析了系统线性网络编码（sRLNC）和低比特率的附加信道是否可以延长太赫兹传输距离。虽然已经提出了各种编码技术来减轻信道质量的问题，并且其他技术已经使用辅助信道来实现有效的THz传输系统配置，但是它们的组合是新的，并且具有显著改善传输质量的潜力。我们的特定解决方案被设计为通过低复杂度擦除码（sRLNC）来补充通用低复杂度FEC码，由此提出信道编码以在两个并行信道上同时发送原生和编码数据，所述两个并行信道包括一个主THz信道和一个具有更低比特率的辅助信道。我们从理论上表明，该系统可以提高吞吐量，支持更高的调制水平和传输数据在更长的距离与太赫兹通信。
2020-10-31 cs.NI
