计算机科学 > 信息论
[提交于 2025年1月6日
(v1)
,最后修订 2025年7月7日 (此版本, v2)]
标题: 相对相位等变深度神经系统用于物理层通信
标题: Relative Phase Equivariant Deep Neural Systems for Physical Layer Communications
摘要: 在电信时代,对复杂和专用通信系统日益增长的需求导致了对物理层通信改进的关注。人工智能(AI)已成为解决这一问题的有前途的解决方案。深度神经接收器已经在提高通信系统的性能方面显示出显著的潜力。然而,一个主要挑战在于开发出在能量效率和速度上与传统接收器相匹配的深度神经接收器。这项工作研究了在物理层中使用群等变深度学习引入归纳偏差,以提高深度神经接收器的参数效率。我们通过构建一个相对于到达相位具有等变性的深度神经接收器来实现这一点。我们表明,相对相位等变性的引入在相似的模型规模下显著降低了深度神经接收器的误码率。因此,我们展示了群等变深度学习在物理层通信领域中的潜力。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.