下一代通信系统设计中深度学习自编码器综述
信号处理
2025-07-14 v2
摘要
用于设计下一代通信系统的传统数学模型由于固有的简化、狭窄的范围和计算限制而常常存在不足。近年来，将深度学习（DL）方法纳入通信系统在系统设计和性能优化方面取得了重大进展。自编码器已成为必不可少的工具，它实现了端到端学习，允许对发射机和接收机进行联合优化。因此，自编码器提供了一种数据驱动的方法，能够弥合理论模型与现实复杂性之间的差距。本文全面调查了自编码器在通信系统中的应用，特别关注其架构、相关挑战和未来方向。我们考察了无线、光、语义和量子通信领域的 120 项近期研究，根据收发机设计、信道建模、数字信号处理和计算复杂性对它们进行了分类。本文进一步研究了自编码器在实现中遇到的挑战，包括对大量训练数据的需求、过拟合风险以及对可微信道模型的要求。通过数据驱动方法，自编码器为端到端系统优化提供了鲁棒的解决方案，超越了受限于简化假设的传统数学模型。本文还通过采用每秒浮点运算次数（FLOPS）指标进行深入分析，总结了基于自编码器的系统的计算复杂性。该分析涵盖了对矩阵乘法、偏置加法和激活函数的评估。本综述旨在为未来研究建立路线图，强调自编码器在构建下一代通信系统中的变革潜力。
引用
@article{arxiv.2412.13843,
title = {A Review on Deep Learning Autoencoder in the Design of Next-Generation Communication Systems},
author = {Omar Alnaseri and Laith Alzubaidi and Yassine Himeur and Mohammed Alaa Ala'anzy and Jens Timmermann and Mohammed S. M. Gismalla},
journal= {arXiv preprint arXiv:2412.13843},
year = {2025}
}