基于块衰落信道的决策反馈上下文符号检测-计算机科学-上下文学习-机器学习-符号检测.pdfVIP

基于块衰落信道的决策反馈上下文符号检测-计算机科学-上下文学习-机器学习-符号检测.pdf

  1. 1、本文档共7页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

基于块衰落信道的决策反馈上下文符号检测

121

LiFan,JingYang,andCongShen

1CharlesL.BrownDepartmentofElectricalandComputerEngineering,UniversityofVirginia,USA

2DepartmentofElectricalEngineering,ThePennsylvaniaStateUniversity,USA

E-mails:{lf2by,cong}@virginia.edu,yangjing@psu.edu

摘要—预训练的变换器通过上下文学习(ICL),展示了利无线符号检测,涉及从噪声接收信号中估计传输

用示例提示适应新任务的强大能力无需模型更新。基于变换器的的符号,与Transformer的能力非常契合。[7]引入了

无线接收机,其中提示由以传输和接收信号对形式存在的导频Transformer用于此任务,使用上下文学习将其作为回

数据组成,在导频数据充足的情况下显示出高估计精度。然而,

归问题进行处理,并采用MSE损失实现了接近MMSE

在实践中,导频信息往往是昂贵且有限的。在此工作中,我们

提出了DEcisionFeedback输入-ContExtDetection(定义)性能的结果。后续工作扩展了这一框架:[8]将其扩展到

本解决方案作为新的无线接收器设计,该方案绕过了信道估计,直了MIMO系统,而[9]在多用户MIMO环境中展示了

译接使用(有时极为有限的)导频数据进行符号检测。定义的关键其鲁棒性。同时,[10]使用语言模型重新定义检测为一

中创新在于提出的ICL决策反馈机制,其中我们将检测到的符号个语言任务。这些进展突显了Transformer作为解决无

1依次纳入提示中以提高后续符号的检测效果。在广泛范围的无线线通信挑战的强大工具的地位。

v通信设置中的大量实验表明,定义实现了显著的性能改进,在

0某些情况下仅需一对导频即可。尽管取得了这些成功,先前的研究仍面临限制。大

0

6多数方法将检测视为回归任务,需要基于MSE的目标

7I.介绍和后处理来将连续输出映射到离散符号。此外,许多方

0

1.无线接收符号检测主要集中在识别在衰落信道上法需要大量的试点配对,在实践中可能无法实现,并且

1具有不同信噪比(SNR)的传输符号。传统方法通常遵大型模型会增加推理成本,限制了实际应用的可行性。

4

2循两步过程:首先使用例如最小均方误差(MMSE)估受无线通信中的决策反馈(例如,在多径衰落信道

:

v计器来估计信道,然后利用估计出的信道进行符号检上的决策反馈均衡器)的启发,我们通过引入决策对来

i

x测。然而,这种方法计算密集且受信道估计质量的影改进提示设计,结合当前信号与模型检测以提高后续检

r

a响。数据驱动的方法,如直接学习信道估计算法和符号测的效果。我们的定义模型采用精心设计的混合训练

检测器的深度学习模型提供了一种替代方案。递归神经过程,即使在有限的导频符号数量下(有时仅使用单个

网络(RNNs)[1]和卷积神经网络(CNNs)[2]已被研究导频符号)也能实现高性能,并且在足够的导频符号情

用于此任务。然而,深度神经网络(DNNs)需要大量数况下保持准确性。广泛的调制方案实验验证了我们方法

据,并且在低数据量情况下表现不佳。此外,将预训练的有效性。总结来说,我们的主要贡献包括:

的DNN适应新的无线条件仍然是一个挑战[3]。

Transformer模型的进步,特别是像GPT[4]这样我们开发了一个Transformer模型,该模型同时执

的仅解码器架构

您可能关注的文档

文档评论(0)

zikele + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档