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
Wireless Connectivity in the Sub-THz Spectrum: A Path to 6G
毫米波段(即20 GHz以上和高达300 GHz)中的无线通信被预见为下一代无线系统的关键使能技术。预期巨大的可用带宽以实现高数据速率无线通信,并且因此满足未来无线网络的要求。在本文中,我们讨论并说明了新的范例为亚太赫兹物理层,其目的是在最大限度地提高频谱效率,最大限度地减少设备的复杂性,或找到良好的折衷。适当的调制方案和多天线系统提供的解决方案进行评估的基础上,各种潜在的情况。
2022-01-17 eess.SP
SAIFE: Unsupervised Wireless Spectrum Anomaly Detection with Interpretable Features
由于电磁频谱使用的绝对复杂性,检测无线频谱中的异常行为是一项艰巨的任务。无线频谱异常可以采取各种形式,从许可频带中存在不需要的信号到不存在预期信号,这使得异常的手动标记变得困难和次优。我们提出,频谱异常检测器与可解释的特征(SAIFE),对抗自动编码器(AAE)为基础的异常检测器的无线频谱异常检测使用功率谱密度(PSD)的数据,实现良好的异常检测和定位在无监督的设置。此外,我们研究了模型的能力,学习可解释的功能,如信号带宽,类和中心频率在半监督的方式。随着异常检测的模型表现出有希望的结果有损PSD数据压缩高达120倍,半监督信号分类精度接近100%的三个数据集上,只使用20%的标记样本。最后,该模型进行了测试的数据从一个分布式Electrosense传感器在长期的500小时,显示其异常检测能力。
2018-07-22 eess.SP
Crowdsourced wireless spectrum anomaly detection
跨频率、时间和空间的自动化无线频谱监测对于许多未来应用至关重要。由于大量的测量位置和频谱使用环境的复杂性,手动和细粒度频谱分析变得不可能。从收集的数据中检测无线频谱中的意外行为是这种自动化监控的关键部分,并且对检测到的异常的控制是实现自动化系统与最终用户之间的交互的关键功能。在本文中,我们研究了众包传感器的无线频谱异常检测问题。我们首先详细分析了这些异常的性质,并设计有效的算法,使更高的维度输入数据的传感器之间的一个共同的特征空间。然后可以将异常检测为该特征空间中的离群值。此外,我们调查的重要性,用户反馈的异常检测过程中,以提高无监督异常检测的性能。此外,还开发了用于概括跨传感器的用户反馈的方案,以闭合异常检测循环。
2019-03-13 cs.NI eess.SP
Wireless Spectrum in Rural Farmlands: Status, Challenges and Opportunities
本文研究农村农田共享频谱(如TVWS和CBRS)利用效率低下的问题,提出结合时空频谱模型与数据库驱动方案来优化频谱分配与管理,以提升农村无线网络性能和可靠性。
2024-07-05 cs.NI eess.SP
Spectrum Coexistence, Network Dimensioning, and Cell-Free Architectures in 5G and 5G-Advanced Wireless Networks
University of Maryland, College Park(马里兰大学帕克分校)
本文综述了5G及5G-Advanced无线网络中的频谱共存、网络维度设计和无细胞架构等关键技术与挑战。
2026-02-06 eess.SP
Seamlessly merging radar ranging/imaging, wireless communications, and spectrum sensing, for 6G empowered by microwave photonics
本文提出MWP辅助的JRCSS系统,通过光域融合通信与扫频信号,在6 GHz带宽内同时实现高精度雷达测距成像、2 Gbaud通信和频谱感知。
2024-04-08 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
Single-Voxel Wireless NeRF for Spatial Spectrum Prediction
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM
本文提出SV-INGP,一种稀疏体素采样的无线NeRF变体,用于高效预测空间频谱幅度,在匹配NeRF2基线SSIM的同时将训练时间减少184倍,为射频数字孪生提供更简化的设计路径。
2026-09-30 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
Opportunities of Optical Spectrum for Future Wireless Communications
未来第五代(5G)通信对服务质量(诸如数据率、延迟、功耗、连接数量)的要求非常高。此外,物联网(IoT)需要大量的连接。可见光通信、光保真、光学相机通信、自由空间光通信等光无线通信(OWC)技术可以有效地服务于5G和物联网的成功部署。本文清楚地介绍了OWC网络对5G和物联网解决方案的贡献。
2020-05-30 cs.NI 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
Computation Rate Maximization in Wireless Powered MEC with Spread Spectrum Multiple Access
移动边缘计算(MEC)和无线电力传输(WPT)技术的集成最近已经成为延长电池寿命和提高无线设备计算能力的有效解决方案。本文研究了多用户无线供电MEC系统中的资源分配问题,其中用户通过直接序列码分多址(DS-CDMA)共享无线信道。特别是,我们感兴趣的是联合优化的任务卸载决策和资源分配,最大限度地提高加权和计算速度的所有用户在网络中。该优化问题是一个混合整数非线性规划问题。对于一个给定的卸载用户集,我们实现了一个有效的分数规划(FP)的方法来减轻多用户干扰的上行链路任务卸载。在此基础上,我们提出了一种随机局部搜索算法来优化卸载决策。仿真结果表明,与其他典型的基准方法相比,该方法能有效提高扩频多址无线供电MEC的计算性能。
2020-02-24 cs.NI eess.SP
Big Data Goes Small: Real-Time Spectrum-Driven Embedded Wireless Networking Through Deep Learning in the RF Loop
Northeastern University(东北大学)
5G网络和物联网的爆炸式增长将导致一个异常拥挤的射频环境,频谱共享和动态频谱接入等技术将成为无线通信过程的重要组成部分。在这个愿景中,无线设备必须能够(i)学习从频谱中自动提取知识;以及(ii)通过适当地改变通信参数(包括频带、符号调制、编码速率等),实时的对推断出的频谱知识做出反应。传统的基于CPU的机器学习具有高延迟,并且需要特定于应用的计算密集型特征提取/选择算法。在本文中,我们介绍了RFLearn,这是第一个直接在RF环路中通过深度学习从未处理的I/Q样本中提取频谱知识的系统。RFLearn提供(i)完整的硬件/软件架构,其中CPU、无线电收发器和学习/驱动电路紧密连接以实现最大性能;以及(ii)学习电路设计框架,其中可以探索延迟与硬件资源消耗的权衡。我们在定制软件定义的无线电上实现和评估RFLearn的性能,该无线电构建在安装AD 9361无线电收发器和VERT 2450天线的片上系统(SoC)ZYNQ-7000器件上。我们通过将RFLearn应用于解决调制和OFDM参数识别的基本问题来展示其功能。实验结果表明,RFLearn相对于基于软件的解决方案将延迟和功耗降低了约17倍和15倍,并且硬件资源消耗相对较低。
2019-03-12 cs.LG cs.NI 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
Collaborative Spectrum Sensing in Cognitive and Intelligent Wireless Networks: An Artificial Intelligence Perspective
University of Electronic Science and Technology of China(电子科技大学)
本文从人工智能视角探讨认知与智能无线网络中的协作频谱感知,分析其核心方法与贡献,包括经典检测器设计、融合策略及AI驱动的深度学习模型分类。
2026-04-30 eess.SP
5G Advanced: Wireless Channel Virtualization and Resource Mapping for Real Time Spectrum Sharing
针对有源通信与无源射频系统的频谱共存需求,提出基于无线信道虚拟化的5G NR扩展资源映射框架,改动小且对用户透明,经3GPP合规模拟器验证,为实时频谱共享提供新方案。
2023-10-08 cs.NI cs.SY eess.SP
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
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
Scheduling in Wireless Networks with Spatial Reuse of Spectrum as Restless Bandits
研究了在采用频谱空间复用的无线网络中,以最小化用户能量消耗和数据传输时延为目标的分组传输调度问题。我们使用Whittle指数理论来处理这个问题,该理论用于使不安分的强盗的成本最小化,该理论已被用于有效地解决各种应用中的问题。我们设计了两个Whittle指数为基础的政策,第一个通过处理代表网络的图作为一个集团,第二个基于干扰的限制来自原始图。我们评估这两个政策的性能,通过广泛的模拟,在平均成本和数据包丢失,并表明,他们优于著名的时隙ALOHA和最大权重调度算法。
2020-06-08 cs.NI eess.SP
Intelligent-Metasurface-Assisted Full-Duplex Wireless Communications
有限的射频频谱是无线通信系统设计中的一个基本因素。无线设备和系统数量的不断增加导致了拥挤的频谱,并增加了对通用和多功能全双工无线装置的需求。最近,动态和智能元表面被探索作为一个突出的技术解决方案,以当前的频谱稀缺的范例,机会主义地与各种用户共享频谱。智能元表面是一种动态的、超紧凑的、多功能的、可编程的结构,能够以全双工方式进行互易和非互易信号波传输。这种超颖表面的可控性和可编程性通过直流偏置以及偶尔施加到超颖表面的单位单元的有源组件的射频(RF)调制来控制,例如,二极管和晶体管。本文表明,这种智能元表面可以提高无线通信系统的性能,由于其独特的功能,如实时信号编码,非互易波束辐射,非互易波束控制放大,和先进的模式编码多址接入通信。
2021-05-19 eess.SP physics.app-ph
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
Spectrum Cognition: Semantic Situation for Next-Generation Spectrum Management
本文综述频谱认知,提出“数据处理—信号分析—语义态势”视角,界定其与传统频谱感知的区别,并梳理框架进展、挑战与技术方案。
2025-08-31 eess.SP
Deep Unsupervised Learning for Generalized Assignment Problems: A Case-Study of User-Association in Wireless Networks
Lassonde School of Engineering at York University(约克大学拉松德工程学院);Thompson Rivers University(汤普森河大学)
在无线通信领域中存在着许多资源分配问题,这些问题可以用广义分配问题(GAP)来表示。GAP是线性和分配问题(LSAP)的一种一般形式,由于等式和不等式约束的存在,其求解更具挑战性。我们提出了一种新的深度无监督学习(DUL)方法,以节省时间的方式解决GAP。更具体地说,我们提出了一种新的方法,便于训练深度神经网络(DNN)使用定制的损失函数。这种定制的损失函数构成了目标函数和对应于等式和不等式约束的惩罚项。此外,我们建议在DNN的输出处使用Softmax激活函数以及张量分裂,这简化了定制的损失函数并保证满足等式约束。作为一个案例研究,我们考虑了一个典型的用户关联问题在无线网络中,制定它作为GAP,并因此解决它使用我们提出的DUL方法。数值结果表明,所提出的DUL方法提供了接近最优的结果,显着降低时间复杂度。
2021-03-26 cs.LG eess.SP
Uncovering the Portability Limitation of Deep Learning-Based Wireless Device Fingerprints
Oregon State University(俄勒冈州立大学)
最近的设备指纹识别方法依赖于深度学习,仅从原始RF信号中提取设备特定的特征,以识别、分类和认证无线设备。一个广为人知的问题在于,当在不同的部署域下收集训练数据和测试数据时,这些方法不能保持良好的性能。例如,当在从一个接收器收集的数据上训练学习模型但在从不同接收器收集的数据上测试学习模型时,与使用相同接收器收集训练和测试数据两者时相比,性能显著降低。当考虑其他变化的域时,如信道条件和协议配置,也会发生同样的情况。在本文中,我们首先解释,通过测试平台实验,这些指纹技术面临的挑战,当涉及到域的可移植性。然后,我们将提出一些关于如何应对这些挑战的想法,以便使基于深度学习的设备指纹识别对域变化更具弹性。
2022-11-14 cs.LG eess.SP
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
Intelligent Spectrum Learning for Wireless Networks with Reconfigurable Intelligent Surfaces
可重构智能表面(RIS)通过适当的相移反射期望信号,是一种提高无线通信可靠性的有效技术。然而,撞击RIS的预期信号通常与干扰信号混合,干扰信号通常是动态的和未知的。具体地,接收到的信号与干扰加噪声比(SINR)可能被从源自非预期用户的RI反射的信号降级。为了解决这个问题,我们引入了智能频谱学习(ISL)的概念,它在RIS控制器中使用经过适当训练的卷积神经网络(CNN)来帮助RIS直接从入射信号中推断干扰信号。通过利用ISL,提出了一种分布式控制算法,通过动态配置RIS元件的活动/非活动二进制状态来最大化接收SINR。仿真结果验证了深度学习提供的性能改进,并证明了所提出的ISL辅助方法的优越性。
2021-03-02 eess.SP
In a One-Bit Rush: Low-Latency Wireless Spectrum Monitoring with Binary Sensor Arrays
被认为是利用无线电传感器阵列的最小延迟检测随机无线源的存在。在每个传感器处的模数转换被限制为读取模拟接收信号的符号的约束下研究该问题。我们制定的数字信号处理任务作为一个简单的形式顺序假设检验。为了规避棘手的概率模型的多变量二进制阵列数据,减少模型表示的指数家庭结合对数似然比近似。这种方法使我们能够设计一个基于似然性的序贯检验,并分析其分析性能沿沃尔德的经典参数。在基于卫星的导航和同步系统的无线频谱监测的背景下,我们研究了可实现的处理延迟,其特征在于平均样本数,作为使用中的二进制传感器的函数。通过仿真验证了所讨论的低复杂度传感和决策技术的实际可行性和潜力。
2018-04-30 cs.IT eess.SP math.IT
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
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
Machine Learning for Spectrum Sharing: A Survey
针对5G、6G无线系统中设备密度高、服务质量要求复杂导致频谱共享困难的问题,本综述全面梳理机器学习在频谱共享领域的最新进展,包括核心方法、多维度应用及开放问题与未来趋势。
2024-11-28 cs.NI eess.SP
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
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
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
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
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
Spectrum-Energy-Economy Efficiency Trade-off of Wireless Communication Systems with Separated Indoor/Outdoor Scenarios for 5G and B5G
在本文中,我们考虑了一种异构的5G蜂窝架构,该架构将室外和室内场景分开,并特别研究了频谱效率(SE),能源效率(EE)和经济效率(ECE)之间的权衡。数学表达式的系统容量,EE,SE,和ECE分别来自使用一个建议的现实功耗模型。在SE,EE,和ECE方面的系统性能的比较,结果在观察到,所提出的网络架构,它分离的室外和室内的情况下,提供了一个有前途的解决方案,为未来的通信系统,有严格的数据速率和效率的要求。
2022-05-10 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
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
Full-Spectrum Wireless Communications for 6G and Beyond: From Microwave, Millimeter-Wave, Terahertz to Lightwave
本文提出全频谱无线通信(FSWC)概念,利用从微波到光波的整个电磁频谱资源,为6G提供充足带宽并开创新范式,并探讨太赫兹与光波段的机遇和挑战。
2023-05-11 cs.IT eess.SP math.IT
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
Model-Aided Wireless Artificial Intelligence: Embedding Expert Knowledge in Deep Neural Networks Towards Wireless Systems Optimization
基于人工神经网络的深度学习是一种强大的机器学习方法,在过去几年中,该方法已成功用于实现任务,例如,图像分类、语音识别、语言翻译等,这些通常很容易由人类执行,但很难由机器执行。这就是为什么深度学习被认为是实现人工智能概念的主要推动力之一的原因之一。为了识别允许拟合输入-输出数据对的人工神经网络的最佳架构,深度学习方法中的当前方法包括采用数据驱动的方法。一旦人工神经网络被训练,它就能够通过基于过去获得的知识提供最佳输出来响应从未观察到的输入。在这种背景下,深度学习社区的最新趋势是用基于专家知识的先验信息来补充纯数据驱动的方法。在这项工作中,我们描述了两种方法,实现这一战略,旨在优化无线通信网络。此外,我们说明数值结果,以评估所提出的方法相比,纯数据驱动的实现的性能。
2019-06-15 cs.IT eess.SP math.IT
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
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
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
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
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
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
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
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
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
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
Deep Learning for Wireless Communications: An Emerging Interdisciplinary Paradigm
无线通信被设想为在未来带来巨大的变化,具有各种新兴应用,诸如虚拟现实(VR)、物联网(IoT)等,成为现实。然而,这些引人注目的应用带来了许多新的挑战,包括未知的信道模型,大规模超密集网络中的低延迟要求等。深度学习(DL)在各个领域,特别是在计算机科学中的惊人成功,最近激发了人们越来越多的兴趣,将其应用于解决这些挑战。因此,在这篇评论中,一对占主导地位的方法使用DL的无线通信进行了调查。第一种是基于DL的架构设计,打破了过去几十年无线通信经典的基于模型的模块设计规则。第二个是基于DL的算法设计,将通过为5G及以后设想的一系列典型技术中的几个示例来说明。他们的原则,主要特点和性能增益将进行讨论。此外,开放的问题和未来的研究机会也将指出,突出DL和无线通信之间的相互作用。我们期望这篇综述能为智能无线通信激发更多的新想法和令人兴奋的贡献。
2020-07-12 cs.IT eess.SP math.IT