基于信号特征知识图谱与宽度学习架构的特定辐射源识别

特定辐射源识别是一种有效的工业物联网数据流保护技术,现有的SEI方法可以通过机器学习来实现,而主流的SVM算法针对大规模训练样本会消耗大量的机器内存和运算时间。为了解决上述问题,提出了一种信号特征知识图谱与宽度学习架构的SEI方法KG-BLS算法,该方法创新性地建立了信号特征数据库,且利用KG对信号特征实现可视化表征。此外,该方法依靠特征映射节点和增强节点的非线性变换,通过单层前向传播网络来求解复杂的分类问题。仿真结果表明,所提出的KG-BLS算法在识别性能和计算开销方面具有巨大的优势。

基于深度学习的FDD大规模MIMO系统下行CSI反馈技术

准确的CSI反馈是FDD大规模MIMO系统中的关键技术之一。为了解决现有基于深度学习的压缩反馈会因分解复值CSI矩阵而造成信息损失的问题,提出了一种改进的下行CSI反馈技术,基于全卷积模型的CVCNN算法,利用复卷积层和反卷积层分别对下行CSI进行压缩和解压缩,避免了分解复值带来的损耗。实验结果表明,相较于传统的基准CsiNet算法,所提出的CVCNN算法提升了下行CSI的重构精度,同时降低了存储和计算开销。

面向6G的人工智能物联网技术革新与展望

近年来,学术界和工业界已经开始考虑相较于第五代移动通信技术(5th Generation,5G)来说更为先进的第六代移动通信技术(6th Generation,6G)。在6G的支持下,物联网(Internet of Things,IoT)将会结合人工智能(Artificial Intelligence,AI),步入人工智能物联网(Artificial Intelligence of Things,AIoT)时代,通过Io T产生、收集海量数据存储于云端、边缘端,再通过AI,实现智能感知、智能分析和智能控制。本文综述了6G网络基础架构下AIoT的定义和架构,并进一步讨论实现AIoT所带来的技术挑战,包括大规模智能连接、安全性和隐私性以及实现AIoT的潜在使能技术。