物理层通信的深度学习模型

数据和计算资源的日益增加，使研究人员成功地采用机器学习（ML）技术，在多个工程领域取得了重要成果。ML 特别是深度学习（DL）算法在那些缺乏物理自下而上描述或在数学上难以处理的任务中表现更好。它们利用自然现象的观察结果，自动获取知识并学习内部关系。尽管历史上以基于模型的方法为主导，通信工程最近开始将注意力转向面向数据驱动的学习模型，尤其是在诸如信道建模和物理层设计等领域，在这些领域通常找不到通用的最优策略。本论文旨在通过利用新的 DL 方法来解决物理层通信中的一些根本性开放性挑战。具体而言，我们在 ML 术语下对经典问题进行数学表述，如信道容量和最优编码-解码方案，以适用于任意通信介质。我们设计和开发了训练等效 DL 模型所需的架构、算法和代码，并最终提出了解决该领域长期存在问题的新方法。