人工神经网络可以增强无线通信

科学家们一直在寻求更高效、更可靠的通信，从手机和电视到医疗仪器和卫星，无所不包。已被广泛研究的技术是具有正交频分复用 (OFDM) 的多输入多输出 (MIMO) 方法。

它提供高吞吐量传输和抗多径衰落的鲁棒性。然而，如果没有有效的信道估计方案，有效的接收器设计将变得极其复杂。因此，此类系统面临的大部分问题在于获取精确的信道状态信息。

为了减少这些问题并提高无线接收器的能源效率，弗吉尼亚理工大学的研究人员正在使用受大脑启发的机器学习方法。它可以使信道估计冗余并显着提高系统输入和输出之间难以建立连接的性能。

MIMO 和 OFDM 的组合使信号能够同时使用多条路径从发射机移动到接收机。使用这种技术的主要优点之一是它可以避免多径衰落，同时最大限度地减少干扰。这为 4G 和 5G 技术带来了多项好处。

然而，在接收端有效识别信号并将其编码为设备（如移动电视）可以理解的格式需要大量的计算资源和能量。在这种情况下，人工神经网络可以更大程度地降低低效率。

参考：IEEE |弗吉尼亚理工大学

通常，接收器在识别传输信号之前执行信道估计。在人工神经网络的帮助下，研究人员可以通过识别接收器端的传输信号来生成一个全新的框架。他们称这个框架为 Reservoir Computing (RC)。

它基于独特的回声状态网络架构，在提供高性能的同时消耗更少的能量。使用这个框架，研究人员制作了一个模型，能够展示特定信号如何从发射器传输到接收器。这个模型允许他们在系统的输入和输出之间建立一个直接的连接。

由于神经网络是在没有自适应更新储层的突触权重（内层）的情况下进行训练的，因此它在训练收敛性和计算复杂度方面表现更好。它可以有效地处理发射端功率放大器的非线性失真，同时消耗低能量。

阅读：神经网络是机器翻译的未来

作者将这种技术与其他训练方法进行了比较，发现它们在接收端的效果要好得多（节能）。

工业技术