人工神经网络提升无线通信性能

科学家始终寻求更高效可靠通信，从手机、电视到医疗仪器和卫星。深入研究技术为多入多出 (MIMO) 结合正交频分复用 (OFDM)。

提供高吞吐传输和抗多径衰落鲁棒性。但无有效信道估计方案，高效接收机设计极其复杂。此类系统大多问题在于获取精确信道状态信息 (CSI)。

为降低这些问题并提高无线接收机能效，弗吉尼亚理工大学研究人员使用脑启发机器学习方法。可使信道估计冗余，显著增强系统输入输出难建立连接场景下的性能。

MIMO与OFDM结合使信号同时经多路径从发射端到达接收端。主要优势避免多径衰落同时最小化干扰，给4G/5G技术带来多重益处。

但高效识别接收端信号并编码为设备（如移动电视）可理解格式需大量计算资源和能量。此处人工神经网络可大幅降低低效。

参考：IEEE | 弗吉尼亚理工大学

通常接收机识别发射信号前执行信道估计。借助人工神经网络，研究人员可通过识别接收端发射信号生成全新框架。称储备计算 (RC)。

基于独特回声状态网络架构，高性能低能耗。用此框架建立模型演示特定信号从发射端到接收端传播过程。模型允许建立系统输入输出直接连接。

因神经网络训练不自适应更新储备层突触权重（内层），在训练收敛和计算复杂度方面表现更好。可有效处理发射端功放非线性失真且低能耗。

作者将此技术与其他训练方法比较，发现其在接收端结果远优（能效更高）。

工业技术