机构名称：
¥ 1.0
传统的储存器计算 (RC) 是一种浅层循环神经网络 (RNN)，具有固定的高维隐藏动态和一个可训练的输出层。它具有只需要有限训练的优点，这对于训练数据极其有限且获取成本高昂的某些应用至关重要。在本文中，我们考虑了两种将浅层架构扩展为深度 RC 的方法，以在不牺牲潜在优势的情况下提高性能：（1）将输出层扩展为三层结构，促进对神经元状态的联合时频处理；（2）顺序堆叠 RC 以形成深度神经网络。利用深度 RC 的新结构，我们重新设计了具有正交频分复用 (MIMO-OFDM) 信号的多输入多输出物理层接收器，因为 MIMO-OFDM 是第五代 (5G) 蜂窝网络的关键支持技术。 RNN 动态特性与 MIMO-OFDM 信号时频结构的结合，使深度 RC 能够处理非线性 MIMO-OFDM 信道中的各种干扰，从而实现比现有技术更高的性能。同时，与依赖大量训练的深度前馈神经网络不同，我们引入的深度 RC 框架可以使用与 5G 系统中基于传统模型的方法相同数量的导频提供不错的泛化性能。数值实验表明，基于深度 RC 的接收器可以提供更快的学习收敛，并有效减轻未知的非线性射频 (RF) 失真，与浅层 RC 结构相比，误码率 (BER) 提高了 20%。
深度池计算与 5G MIMO-OFDM 系统在符号检测中的融合
主要关键词
相关文件推荐
