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.
4 天有情绪数据
-
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。