.png){kind=icon}
返回
SNR-Based Receiver-Type Decision Using Deep Learning for Multiple-Input Multiple-Output Detection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14020335.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于深度学习的多输入多输出接收机。为获得最大似然接收机的高性能，同时保持线性接收机的低计算复杂度，我们应用了一种基于信噪比的接收机类型判决方法。具体而言，提出了基于两种接收机符号错误概率比值的判决准则和阈值，以决定接收机类型。为此，我们分析了零 forcing 接收机的信噪比增益，并将其作为 DNN 的输入特征加以利用。仿真结果表明，所提出的接收机在低计算复杂度下实现了与最大似然接收机几乎相同的符号误码率性能。
Keyword:
multiple-input multiple-output
receiver
low-complexity
deep learning
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
On the optimality of multiantenna broadcast scheduling using zero-forcing beamforming关于使用迫零波束成形的多天线广播调度的最优性
.png){kind=icon}
PREAI
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
查看更多内容