深度复值径向基函数神经网络及其参数选择
信号处理
2024-09-04 v1
摘要
在不断演进的人工神经网络与学习系统领域，复值神经网络（CVNNs）已成为基石，在图像处理和电信领域取得了卓越性能。更准确地说，在数字通信系统中，CVNNs 在均衡、信道估计、波束成形和解码等任务中取得了显著成果。在 CVNN 架构中，复值径向基函数神经网络（C-RBF）表现突出，尤其是在 5G 多输入多输出（MIMO）系统等噪声环境下运行时。在此背景下，本文将经典的浅层 C-RBF 扩展至深度架构，提升了其在更广泛应用中的灵活性。此外，基于相位透射径向基函数（PT-RBF）神经网络的参数选择，我们提出了一种深度 C-RBF 的初始化方案。通过符合 3GPP TS 38 数字通信标准的严格仿真，我们的方法不仅优于随机、-means 和基于星座图的传统初始化策略，而且似乎是唯一能在深度 C-RBF 架构中实现成功收敛的方法。这些发现为复值数字通信系统中更鲁棒、更高效的神经网络部署铺平了道路。
引用
@article{arxiv.2408.16778,
title = {Deep Complex-valued Radial Basis Function Neural Networks and Parameter Selection},
author = {Jonathan A. Soares and Vinícius H. Luiz and Dalton S. Arantes and Kayol S. Mayer},
journal= {arXiv preprint arXiv:2408.16778},
year = {2024}
}
备注
19th International Symposium on Wireless Communication Systems (ISWCS'24). arXiv admin note: substantial text overlap with arXiv:2408.07692