在线学习辅助的智能接收机设计与实现

为了解决复杂场景下的可靠通信问题,设计了一种在线学习辅助的正交频分复用(OFDM)智能接收机。该接收机能够判断信道环境是否发生改变,并在线收集样本数据进行训练,形成当前环境下最佳的接收参数。在OFDM系统的信道估计模块中,设计了基于样本含噪均方误差(MSE)的性能比较器作为信道环境变化的判断依据,并采用轻量化的神经网络结构以实现快速在线训练。最后,通过通用软件无线电外设(USRP)进行了实现和验证。仿真和空口实验表明,所提接收机能够有效感知并适应新的信道环境,并且在导频数量受限的情况下,接收性能和收敛速度均优于现有的机器学习方法。

可扩展分层次编译码的语义通信系统

针对目前文本语义通信大部分研究主要依靠仿真系统进行理论验证的问题,利用分层次编译码架构在语义层次和语法层次上的分离性,提出了一种可扩展分层次的语义通信系统。该系统通过语义和语法层次相分离的模式有效兼容香农信息框架下的可靠通信技术,实现语义通信与传统通信的嵌套结合。进一步,基于软件无线电平台搭建了一个通用可扩展的验证系统,对所提语义通信系统架构进行实用化验证。该验证系统以语义通信软件平台作为硬件驱动和算法调用的驱动核心,集成了信号产生、信息发送、接收端数据采集、译码和评估的全过程,并且能够面向语义和语法层次进一步扩展。最后,基于该验证系统进行了文本语义通信的测试,验证了其相较于传统通信方式具有更高的有效性和可靠性。

高效的基于数据与模型的信道估计算法

针对正交频分复用(OFDM)系统,提出一种新型的数据与模型联合驱动下的信道估计算法。该算法结合一种可在线训练的低复杂度学习型估计方法与线性最小均方误差(LMMSE)估计,既赋予信道估计器通过在线训练提升了估计性能的能力,又借助模型解决了在线生成训练数据会造成额外导频开销的问题,提升了系统效率。仿真结果表明,所提算法在低信噪比下的性能和对实际非理想因素的适应性等方面优于传统信道估计算法。

一种面向复杂场景的无线通信节点智能适变架构

针对可能存在对抗的未知通信环境,本文探讨了一种能进行智能适变的通信节点体系架构.该架构包括通信环境理解、通信波形适配和智能节点学习进化3个核心功能,以及支持这些功能的通信计算融合硬件平台.所提出的智能适变架构支持通信环境知识库、通信波形库,以及波形与环境适配知识图谱的不断累积和进化,通过波形在线重构,通信节点既能匹配典型通信场景,又能快速适应未知环境,因而支持智能通信节点的可持续发展.进一步本文梳理了强化学习、在线学习和迁移学习等3种机器学习技术在智能适变无线通信节点中的应用,并以最经典的信道估计过程为代表,给出了机器学习应用于通信环境识别的典型范例.