【博士论文】未来6G-IoT网络中的AI数字信号处理模型，196页pdf

无线技术对于当今的社会至关重要。因此，最近刚开始初步研究的未来第六代通信网络预计将应对许多社会和技术挑战，包括我们社会和数字技术的环境影响、电信基础设施的主权和安全性，或是减少数字鸿沟。更具体地说，对于第一点，即通信基础设施的环境影响正在增加并且必须减少，数字技术在减少经济所有部门的影响中也扮演着角色。为此，未来的网络不仅要实现更高效的信息传输，还必须满足日益增长的数据交换能力需求，以实现社会的优化决策。这尤其是物联网用例的角色，特别是智慧城市和智慧工业，其中大量的传感器允许实时监控复杂系统。显然，这些用例与大量的约束条件相关。一个典型的场景涉及大量的连接设备，这些设备有限的能源资源但预期可以持续数年，单位成本低，复杂性有限，因此计算能力也有限，在复杂的传播环境中（低无线覆盖率、多干扰者等）并且要求低延迟。因此，一个即高效又低复杂度的物理层 — 即允许两个网络设备之间有效和稳健地传输信息的功能集合 — 是绝对至关重要的。 人工智能技术的应用被视为实现这一目标的相关选择。一方面，人们认为，许多所谓的人工智能解决方案都基于的神经网络的数学框架，允许极其高效、低功耗和低成本的通用硬件实现。因此，将经典的电信和信号处理功能描述为神经网络架构是从这些硬件技术的优势中受益的一种方式，即使不期望原始算法性能得到提高。另一方面，部分得益于神经网络的应用，应用学习程序是通过减少与传统解决方案相比的算法和/或建模缺陷来提高信号处理功能性能的一种方式。 在这项工作中，我们对使用人工智能技术，特别是神经网络和机器学习，实现6G网络物联网用例中物理层的数字信号处理操作感兴趣。首先，我们对将数字通信文献中的传统算法转录为神经网络感兴趣。这种方法是将人工智能集成到物理层的第一步，可以从神经网络专用硬件的优势中受益。而且，这种方法不需要对现有网络的技术规范进行任何修改，从而保证了在这些网络内可能集成这些系统。其中，提出了各种用于均衡、解调和纠错码解码的结构。第二步，我们对在这些神经网络结构上应用学习机制感兴趣，以便提高它们相对于文献中的参考算法的性能。特别是，提出了一个线性块码解码器，允许盲目发现一个解码方案，其性能至少与参考解码器相当。最后，提出了一个端到端的自动编码器结构，允许联合学习编码方案和相关的解码器。这最后的贡献允许发现适用于物联网的小数据包大小的相关编码方案。这种大小制度特别具有挑战性，到目前为止，尚不存在一个既是性能最佳又复杂度合理的单一编码和解码方案。学习过程和所提出的架构允许发现编码方案，其性能与最先进的方案相当，这些方案是通过传统方法构建的，并且依赖大量的领域特定专业知识。