面向空中联邦学习的边缘智能感知模型优化方法研究

通过应用人工智能技术,通信感知一体化技术将赋予6G网络精确感知万物的能力。为了充分利用网络边缘节点收集到的感知数据且降低模型训练时延,业界提出了空中联邦学习方法,旨在利用无线信道的叠加特性实现多节点模型的聚合任务。然而,无线信道噪声对于空中联邦学习的性能影响尚未明晰。为探究该噪声对于模型泛化性能的影响,以最小化模型的种群损失的上界为优化目标,考虑总时延和总能耗的约束条件,建立了感知-通信联合资源分配优化问题,并通过采用网格搜索算法求解最优的传输功率分配方案,指出模型的泛化性能受数据批次大小和噪声功率的影响。仿真结果表明提出的空中联邦梯度下降算法能够显著提升模型的性能表现。

基于GAN的导频配置和信道估计联合优化算法

随着通信设备的爆炸式增长,信道环境变得愈加复杂,传统信道估计方法需要进一步增加导频开销以维持现有信道估计精度。然而,这会导致系统吞吐量的下降。首先,提出了一种基于GAN的信道估计方法以在OFDM通信系统中解决这一问题。然后,采用GAN模型去学习从低维的潜向量到真实信道样本的映射关系。最后,在此基础上进行联合的导频配置优化。

6G物理层AI赋能技术的思考

移动通信与AI融合是6G最重要场景和特征之一,6G是运行AI应用的坚实信息底座,AI作为一种赋能技术能够必将激发6G新活力。深度神经网络对数据的非线性映射能力能够对通信链路模块实现联合优化,重构传统物理层设计,提升6G网络的性能和效率。首先介绍了6G的架构与特点,并简单介绍了基于AI的信道估计算法、基于AI的解调算法以及基于AI的智能收发机。然后以基于AI的解调制技术为例,搭建原型样机进行技术验证。最后展望了AI技术对物理层设计的赋能。