【讲座笔记】深度学习在通信领域的应用--Byonghyo Shim教授

简介: 此PPT来自韩国首尔国立大学Byonghyo Shim教授,在北京理工大学邀请的线上会议的讲座内容。

1 引言

此PPT来自韩国首尔国立大学Byonghyo Shim教授,在北京理工大学邀请的线上会议的讲座内容。主题“Deeop learning aided wireless communication in post corona Era”。主要针对目前AI在通信领域的应用兴起,宏观的介绍了主要在信道估计、信道检测、信号产生等领域的应用和发展,并对几篇论文的重点进行了解读。本人认真听讲了,并对PPT内容进行解读。本人认为对于刚入门这个领域的人来说,对于整个这个领域的宏观认识,有一定的指导作用,但是并不深入。有理解错误的地方希望能够指出(篇幅较长,我会陆续整理完笔记。。)

2 PPT理解

1.png


1G:可以实现隔空对话。基于高级移动电话系统(AMPS)技术
2G:可以发送文本信息,基于数字系统的码分多址复用(CDMA)技术
3G:可以发送邮件,网上购物、网上银行、线上游戏等,3G的目的是提供兆级别的数据速率。基于宽带码分多址(WCDMA)技术。
4G:可以在线工作、购物、娱乐。基于ODFM的LTE系统,采用所有基于IP的技术。
5G:万物互联(触觉互联网),还需要支持4G 工业革命

2.png


4G和5G的区别
4G的目标是提高数据速率
5G的目标是多样化的。比如:延迟、可靠性、连接密度、可扩展性、能效

3.png


需要加速高频段
需要解决方向性和路径损耗问题

4.png


5G的新功能
  • 支持三个用例的无线电接入技术
    • 波束域操作并激活使用大规模MIMO以支持毫米波顿谱
    • 不同的数组学以支持不同的延迟要求和数据包大小
    • 支持低延迟的mini-slot和动态TDD
    • 新的编码技术(极化码)最小化编码增益并支持短包传输
  • 结构的革新和多技术的整合
    • 从NSA到SA的渐进式网络发展

5.png
6.png
7.png
8.png

系统设计

  • 层次方法
    • 压缩机、信道编码解码、信道估计器、检测器、解码器
  • 基于各种假设的明确定义的系统模型
    • 高斯噪声模型、线性模型、无干涉
  • 当满足假设时有意义,不满足假设就没有意义。

9.png
10.png
11.png
12.png
13.png
14.png
15.png
16.png
17.png
18.png
19.png
20.png
21.png
22.png
23.png
24.png
25.png
26.png
27.png
28.png
29.png
30.png
31.png
32.png
33.png
34.png
35.png
36.png
37.png
38.png
39.png
40.png
41.png
42.png
43.png
44.png
45.png
46.png
47.png
48.png
49.png
50.png
51.png
52.png
53.png

目录
打赏
0
0
0
0
153
分享
相关文章
计算机视觉五大技术——深度学习在图像处理中的应用
深度学习利用多层神经网络实现人工智能,计算机视觉是其重要应用之一。图像分类通过卷积神经网络(CNN)判断图片类别,如“猫”或“狗”。目标检测不仅识别物体,还确定其位置,R-CNN系列模型逐步优化检测速度与精度。语义分割对图像每个像素分类,FCN开创像素级分类范式,DeepLab等进一步提升细节表现。实例分割结合目标检测与语义分割,Mask R-CNN实现精准实例区分。关键点检测用于人体姿态估计、人脸特征识别等,OpenPose和HRNet等技术推动该领域发展。这些方法在效率与准确性上不断进步,广泛应用于实际场景。
239 64
计算机视觉五大技术——深度学习在图像处理中的应用
深度学习在安全事件检测中的应用:守护数字世界的利器
深度学习在安全事件检测中的应用:守护数字世界的利器
150 22
深度学习在故障检测中的应用:从理论到实践
深度学习在故障检测中的应用:从理论到实践
323 6
深度学习在流量监控中的革命性应用
深度学习在流量监控中的革命性应用
106 40
深度学习在资源利用率优化中的应用:让服务器更聪明
深度学习在资源利用率优化中的应用:让服务器更聪明
149 6
深入探索:深度学习在时间序列预测中的强大应用与实现
时间序列分析是数据科学和机器学习中一个重要的研究领域,广泛应用于金融市场、天气预报、能源管理、交通预测、健康监控等多个领域。时间序列数据具有顺序相关性,通常展示出时间上较强的依赖性,因此简单的传统回归模型往往不能捕捉其中复杂的动态特征。深度学习通过其非线性建模能力和层次结构的特征提取能力,能够有效地捕捉复杂的时间相关性和非线性动态变化模式,从而在时间序列分析中展现出极大的潜力。
深度学习在图像识别中的应用与挑战
【10月更文挑战第21天】 本文探讨了深度学习技术在图像识别领域的应用,并分析了当前面临的主要挑战。通过研究卷积神经网络(CNN)的结构和原理,本文展示了深度学习如何提高图像识别的准确性和效率。同时,本文也讨论了数据不平衡、过拟合、计算资源限制等问题,并提出了相应的解决策略。
179 19
探索深度学习在图像识别中的应用与挑战
【10月更文挑战第21天】 本文深入探讨了深度学习技术在图像识别领域的应用,并分析了当前面临的主要挑战。通过介绍卷积神经网络(CNN)的基本原理和架构设计,阐述了深度学习如何有效地从图像数据中提取特征,并在多个领域实现突破性进展。同时,文章也指出了训练深度模型时常见的过拟合问题、数据不平衡以及计算资源需求高等挑战,并提出了相应的解决策略。
176 7
深度学习在图像识别中的应用
本文将探讨深度学习技术在图像识别领域的应用。我们将介绍深度学习的基本原理,以及如何利用这些原理进行图像识别。我们将通过一个简单的代码示例来演示如何使用深度学习模型进行图像分类。最后,我们将讨论深度学习在图像识别领域的未来发展趋势和挑战。

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等