Orthogonal frequency-division multiplexing
PulseAugur coverage of Orthogonal frequency-division multiplexing — every cluster mentioning Orthogonal frequency-division multiplexing across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI通过新型Transformer模型增强射频干扰抑制
研究人员开发了一种AI增强的射频（RF）干扰抑制方法，该方法建立在先前的自回归Transformer模型之上。这种新方法包含了一个有限标量量化（FSQ）分词器层，以提高干扰抑制性能并最小化延迟。实验表明，这种AI赋能的技术在抑制数字电视信号（一种常见的正交频分复用（OFDM）传输类型）方面，优于传统方法和先前AI方法，其衡量标准是感知语音质量评估（PESQ）等音频指标。该研究还探讨了推理优化技术，以在不显著损失准确性的情况下进一步加快…
-
基于AI的接收机提升MIMO-OFDM系统的频谱效率
研究人员开发了一个新的框架，用于优化MIMO-OFDM系统中叠加数据和参考符号传输的功率分配和基于AI的接收机设计。所提出的AI-ICED接收机利用Transformer编码器，通过迭代地集成信道估计和检测来提高频谱效率。仿真结果表明，与使用非重叠符号的传统方法相比，该方法提高了频谱效率。
-
OpenDPDv2框架统一了RF功率放大器的神经网络DPD学习与优化
研究人员开发了OpenDPDv2，一个开源框架，旨在利用神经网络增强射频功率放大器的数字预失真（DPD）。该框架集成了功率放大器建模、神经网络DPD学习和部署优化。它采用了一种新颖的TRes-DeltaGRU架构，提供了一个轻量级的时域残差路径以提高鲁棒性，并支持与定点量化联合优化，从而显著降低面向部署的应用的能耗。
-
新型Mamba-Attention架构改进OFDM信道估计
研究人员开发了一种新颖的混合Mamba-Attention神经网络架构，旨在提高正交频分复用（OFDM）波形的信道估计性能，特别是在具有大量子载波的场景下。该架构集成了定制的Mamba模块，以高效处理大规模信道估计并捕捉长距离依赖关系。通过采用双向选择性扫描并减少对二次复杂度自注意力的依赖，所提出的方法比传统的Transformer架构具有更低的复杂度，并在3GPP TS 36.101信道上展现出卓越的性能和泛化能力。
-
Attention Transformer enhances OFDM channel estimation with reduced complexity
研究人员开发了一个注意力辅助MMSE（A-MMSE）框架，该框架利用注意力Transformer学习用于正交频分复用（OFDM）信道估计的线性MMSE滤波器。这种新颖的方法允许在训练后通过单一线性操作进行信道估计，通过消除非线性激活显著降低了推理过程中的计算复杂性。A-MMSE框架包含一个两阶段的注意力编码器来捕获频率和时间相关性，并包含一个适用于资源受限环境的秩自适应扩展。数值模拟表明，A-MMSE在各种信噪比条件下均优于现有方法，…
-
AI框架自主设计无线通信算法 · 跟踪2个来源
研究人员开发了AI Telco Engineer (AITE)，一个利用大型语言模型驱动的进化搜索自主设计无线通信算法的框架。AITE被应用于两个物理层问题：为OTFS系统设计均衡器和为OFDM系统设计接收器。对于OTFS任务，AITE创建的算法超越了现有解决方案，并将计算延迟降低了3.6倍。对于OFDM任务，它生成了性能与最先进的神经网络接收器相当的可解释算法。
-
深度学习框架解决了OFDM系统中的干扰问题
研究人员开发了一种新颖的深度学习框架，用于解决正交频分复用（OFDM）系统中的窄带干扰（NBI）。该框架将NBI抑制和软解调整合到单一流程中，显著降低了计算复杂度并提高了可靠性。该方法旨在克服传统方法的局限性，传统方法通常会留下残余干扰并导致数据解码错误。
-
Transformer模型增强了协作多接入点OFDM上行链路接收
研究人员开发了一种新颖的交叉注意力Transformer模型，用于协作多接入点（AP）OFDM上行链路接收。该模型能够有效地融合来自多个接收器的信号，适应不同的链路可靠性和信道条件，而无需显式的信道估计。在真实的Wi-Fi信道上进行测试，该Transformer与传统方法和现有的神经网络基线相比，表现出更优越的性能，在保持标准硬件上计算效率的同时，取得了与完美信道状态信息相当的结果。
-
6G OFDM-RIS优化综述：基础模型和深度学习崭露头角
一篇新的综述论文探讨了6G网络中联合正交频分复用（OFDM）和可重构智能表面（RIS）配置的优化算法。它将现有研究分为四类：基于模型的凸松弛、启发式搜索、深度强化和无监督学习，以及基础模型和生成式AI等新兴方法。论文指出，与传统求解器相比，基于机器学习的方法在推理时间上提供了显著的加速，尽管由于缺乏标准化基准，直接比较存在困难。
-
神经形态计算使用射频神经元实现节能无线分离处理
研究人员开发了一种利用共振放电（RF）神经元的新型神经形态无线分离计算架构。该系统直接处理时域信号，无需进行高能耗的频谱预处理。通过在可调谐频率下共振，RF神经元在保持低放电活动的同时高效提取频谱特征，从而显著降低了计算和传输能耗。
-
深度学习框架大幅降低毫米波MIMO系统的导频开销
研究人员开发了一种名为多块注意力（MBA）的新型深度学习框架，用于改进智能反射面（IRS）辅助的毫米波MIMO系统中的信道估计。该框架通过将传统最小二乘估计器的导频开销降低高达87%，显著减少了精确信道估计所需的导频开销。MBA方法还展示了归一化均方误差的显著降低，在10 dB信噪比下，其误差比现有领先方法低约51%，同时保持了较低的计算复杂度。
-
新框架采用自适应学习实现基于AoA的室外定位
研究人员开发了一个用于基于到达角（AoA）的室外定位的自适应框架，这对于智能交通和智慧城市等应用至关重要。该框架提供了两种学习策略：一种用于使用分层离线学习的大型数据集，另一种用于使用在线和少样本学习技术的小型数据集。该方法旨在逐步实现高精度和鲁棒的定位，减少对大量数据收集的需求。
-
人工智能增强射频干扰抑制使用Transformer实现更快、更清晰的传输
研究人员开发了一种人工智能增强的射频干扰抑制方法，通过在期望信号和干扰混合物上进行训练，其性能优于传统技术。新方法利用自回归Transformer解码器模型，与之前的WaveNet模型相比，推理速度显著提高。该方法有效地抑制了模拟FM信号中的OFDM干扰，使难以理解的传输变得清晰，并在轻量级GPU上保持低延迟，在国家安全和商业领域具有潜在应用。