.png){kind=icon}
返回
Model-Driven Deep Learning for Physical Layer Communications
.png){kind=icon}
OA
AI
DOI：10.1109/MWC.2019.1800447.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
智能通信正逐渐成为一个主流方向。作为机器学习的一个主要分支，深度学习 (DL) 已被应用于物理层通信，并且近年来表现出令人印象深刻的性能改进。但是，与DL相关的大多数现有工作都集中在数据驱动的方法上，这些方法将通信系统视为黑匣子，并通过使用大量数据对其进行训练。训练网络需要足够的计算资源和大量的时间，这两者在通信设备中很少见。相比之下，模型驱动的DL方法将通信领域知识与DL相结合，以减少对计算资源和训练时间的需求。本文讨论了物理层通信中模型驱动的DL方法的最新进展，包括传输方案，接收器设计和信道信息恢复。还强调了未来研究的几个开放性问题。
Keyword:
Receivers
OFDM
Wireless communication
Physical layer
Neural networks
Mathematical model
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
11.5
论文数:
2.7K
被引数:
1.3W
机构
引用论文
分享收藏分享收藏Deep Learning for Wireless Physical Layer: Opportunities and Challenges无线物理层深度学习: 机遇与挑战.png)
CHINA COMMUNICATIONSOAAI
CHINA COMMUNICATIONSIF3.1
OAAI分享收藏ComNet: Combination of Deep Learning and Expert Knowledge in OFDM ReceiversComNet: 深度学习和专家知识在OFDM接收机中的结合OAAI
OAAI分享收藏
查看更多内容