.png){kind=icon}
返回
Adaptive Implicit-Based Deep Learning Channel Estimation for 6G Communications
.png){kind=icon}
PRE
AI
DOI：10.1109/MCOM.001.2400485.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着第五代（5G）无线网络的广泛部署，第六代（6G）技术的研究正在加速。人工智能（AI）预计将在6G中发挥重要作用，特别是在与物理层集成以执行信道估计等任务方面。考虑到实际系统中的资源限制，AI算法应设计为根据场景动态平衡准确性和资源消耗。然而，传统的显式多层堆叠深度学习（DL）模型难以适应，因为它们过度依赖深度神经网络的结构。本文提出了一种适用于车联网通信的轻量级自适应隐层DL信道估计网络（ICENet）。该新颖方法通过根据输入数据条件（如信道质量）动态调整计算资源，在计算复杂度和信道估计精度之间取得平衡。与显式多层堆叠DL基信道估计模型不同，ICENet提供了一个灵活的框架，可通过自适应地改变迭代层的迭代次数来实现特定要求。同时，ICENet在保持高性能的同时需要更少的内存。本文最后强调了开放的研究挑战和有前景的未来研究方向。
Keyword:
6G mobile communication
Deep learning
Adaptation models
Accuracy
Computational modeling
Wireless networks
Memory management
Channel estimation
Artificial neural networks
Artificial intelligence
期刊
IF:
8.2
论文数:
6.9K
被引数:
2.2W
机构
引用论文
Artificial Intelligence Enabled Wireless Networking for 5G and Beyond: Recent Advances and Future Challenges人工智能支持5g及以后的无线网络: 最新进展和未来挑战
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏Deep Learning for Channel Estimation: Interpretation, Performance, and Comparison用于信道估计的深度学习: 解释、性能和比较
OAAI
OAAI分享收藏分享收藏Pervasive Wireless Channel Modeling Theory and Applications to 6G GBSMs for All Frequency Bands and All Scenarios适用于所有频段和所有场景的6g GBSMs的普适无线信道建模理论和应用OAAI
OAAI分享收藏
查看更多内容