面向智能通信的多智能体反馈赋能神经网络
机器学习
2022-05-25 v1 多智能体系统
信号处理
摘要
在智能通信领域，深度学习（DL）因其强大的拟合能力和数据驱动的学习能力而备受关注。与典型的 DL 前馈网络结构相比，带有直接数据反馈的增强结构已被研究并被证明比前馈网络具有更好的性能。然而，由于上述简单反馈方法对反馈数据缺乏充分的分析与学习能力，不足以处理更复杂的非线性系统，因此性能进一步提升受限。本文提出了一种新颖的多智能体反馈赋能神经网络（MAFENN）框架，使该框架在特征抽象、去噪或生成等方面具备更强的反馈学习能力和更多智能。此外，MAFENN 框架在理论上被表述为一个三方反馈斯塔克尔伯格博弈（Feedback Stackelberg game），并证明该博弈收敛于反馈斯塔克尔伯格均衡。MAFENN 框架与算法的设计致力于增强带有简单数据反馈的前馈 DL 网络或其变体的学习能力。为验证 MAFENN 框架在无线通信中的可行性，针对具有码间干扰（ISI）的无线衰落信道，开发了一种基于多智能体 MAFENN 的均衡器（MAFENN-E）。实验结果表明，当采用正交相移键控（QPSK）调制方案时，我们所提方法的 SER 性能在线性信道中比传统均衡器优约 2 dB。在非线性信道中，所提方法的 SER 性能比传统或基于 DL 的均衡器优势更明显，显示了我们的方案在复杂信道环境中的有效性与鲁棒性。
引用
@article{arxiv.2205.10750,
title = {Multi-Agent Feedback Enabled Neural Networks for Intelligent Communications},
author = {Fanglei Sun and Yang Li and Ying Wen and Jingchen Hu and Jun Wang and Yang Yang and Kai Li},
journal= {arXiv preprint arXiv:2205.10750},
year = {2022}
}