基于无监督ANN的均衡器及其可训练FPGA实现
信号处理
2023-07-31 v2 硬件体系结构
分布式、并行与集群计算
机器学习
摘要
近年来，通信工程师高度重视基于人工神经网络（ANN）的算法，旨在提升系统及其组件的灵活性与自主性。在此背景下，无监督训练尤为引人关注，因其无需传输导频符号的开销即可实现自适应。本工作中，我们提出一种新颖的基于 ANN 的无监督均衡器及其可训练现场可编程门阵列（FPGA）实现。我们证明所自定义的损失函数使 ANN 能适应变化的信道条件，逼近有监督基线的性能。此外，作为迈向实用通信系统的第一步，我们设计了所提算法的高效 FPGA 实现，其吞吐量达到 Gbit/s 量级，大幅优于高性能 GPU。
引用
@article{arxiv.2304.06987,
title = {Unsupervised ANN-Based Equalizer and Its Trainable FPGA Implementation},
author = {Jonas Ney and Vincent Lauinger and Laurent Schmalen and Norbert Wehn},
journal= {arXiv preprint arXiv:2304.06987},
year = {2023}
}
备注
Accepted and presented at Joint European Conference on Networks and Communications & 6G Summit (EuCNC/6G Summit), Gothenburg, Sweden, 6 - 9 June 2023; Published in IEEE Xplore: https://ieeexplore.ieee.org/document/10188269