提取碼：bhd2
基於深度學習的通道估計：deep learning - channel estimation（dl-ce）
（1）沒有大量可靠的真實資料集，目前常用的訓練資料大多都是使用**得到的，即實際的通道傳輸函式比較難獲得
（2）當前深度學習的網路層數都較大（模型較大），還不能有效地運用到移動裝置上
基本思路是：根據初步的導頻資料或者粗略的通道傳輸矩陣，通過深度學習網路，擬合重建出高精度的通道傳輸矩陣。利用多種通道條件下的通道傳輸矩陣資料建立訓練資料集，進行網路訓練。在網路的不斷訓練和迭代的過程中，輸入的初始的資料會逐步擬合和逼近真實的標籤值，最終實現較高精度的csi插值、回饋或重建
神經網路的輸入：導頻處的csi或者經過傳統演算法粗略估計出的通道csi（或者叫通道傳輸矩陣）
神經網路的輸出：高精度的通道csi
這種方案的深度學習網路結構如下圖：
上圖就是把深度學習網路用在了經過ls演算法得到導頻處的**通道特性csi（或者說通道頻域響應cfr）**之後，那麼網路的輸入就是乙個ofdm符號內各個導頻處的cfr，然後經過多個隱藏層之後，輸出層輸出的就是乙個ofdm符號內所有載波處的cfr。
模型訓練：首先使用**得到訓練資料（訓練資料報括導頻處的csi和乙個ofdm符號的csi），然後進行離線訓練，離線訓練時使用導頻處的csi作為輸入，使用乙個ofdm符號的csi作為標籤資料。
但是需要注意的是，通道估計處理的資料大多都為複數，但是現有的深度學習的庫函式並不支援複數域的操作，所以說現在的一般做法就是在輸入到網路之前需要對資料進行預處理，把複數的實部和虛部提取出來，然後當成兩種實數輸入到神經網路中，這種做法的缺點就是沒有挖掘複數的相位資訊，帶來了一定的資訊丟失。
該種方案神經網路的輸出是通道的頻域響應，注意與方案二的不同點。
端到端的意思就是輸出的就是最終結果。
基於端到端（文獻中把這種稱為全連線的神經網路）的通道估計器通過對接收訊號和原訊號之間的關係的學習，不估計出通道的頻域響應，而是直接輸出傳送的調製訊號。
系統結構圖如下圖：
由上圖可知該方案神經網路的輸出就是原始的傳送訊號，而方案一中神經網路的輸出只是通道的頻域響應。
這種方法完全把通道當成了乙個黑匣子，我們不會直接輸出通道的傳輸函式（或者csi），而是直接輸出**的原始的傳送訊號，即神經網路學習了傳送訊號與接收訊號之間的對映關係。
基本思路是，首先在matlab中生成一些**資料，包括原始傳送訊號和最終通道接收到的訊號，把這兩部分訊號輸入到深度學習網路中，讓網路學習到一種ofdm的傳送和接收符號之間的對映關係，也就是頻域響應h。訓練完成的神經網路最終便學習到了兩者的對映關係，即通道傳輸係數。
這種方案存在的兩個問題：
（1）首先通道是隨時間變化的，即通道具有時變性，這意味著如果我們簡單地訓練乙個神經網路，然後將其用於連續資料傳輸，是無法適用的。例如，實際場景中的都卜勒頻移或非線性雜訊都將導致神經網路在訓練過程中學到的對映關係與實際的通道環境不一致。乙個折中的解決方案就是假設估計得到的通道在接收到下乙個導頻序列為止都是保持不變的（這不就是塊狀導頻麼），若採用此方法，由於資料塊與塊之間的傳輸間隔通常是很短的，那麼神經網路模型的收斂速度和泛化能力便是很關鍵的指標。
（2）導頻數目多的話會降低頻譜效率，導頻數目少的話會造成樣本不足。
綜上所述，問題的挑戰主要在於我們如何依靠較少的監督樣本、快速迭代來完成通道估計。
為了解決上述問題，有**提出了基於元學習的深度學習演算法roemnet（robust channel estimation with meta neural network）。元學習解決的是學習如何學習的問題，他可以解決極少樣本情況下的模型訓練問題。
元學習是一種模型無關的學習演算法（maml），maml需要在各種任務上進行訓練。該演算法需要學習訓練一種可以很快適應新任務的方法
學習筆記 深度學習之通道剪枝
最近剛接觸深度學習專案，負責網路模型壓縮與加速。基於自己的理解，寫一下對通道剪枝的理解。博主主要通過敘述幫助你理解為什麼要進行通道剪枝，本文涉及的數學理論知識較少，希望閱讀本文後能幫助你建立乙個概念，我為什麼要幹這件事？以及這件事幹了有意義嗎？文中有出錯的地方，歡迎批評指正。通道剪枝，顧名思義，就是...
詳解基於深度學習的兩種信源通道聯合編碼
經典端對端無線通訊系統如下圖所示 信源 xx使用信源編碼，去除冗餘得到位元流 ss。對 ss進行通道編碼 如 turb程式設計客棧o ldpc 等 得到 yy，增加相應的校驗位來抵抗通道雜訊。對位元流 yy進行調製 如 bpsk 16qam 等 得到 zz，並經物理通道傳送。接收端對經通道後的符號 ...
基於深度學習的NER
命名實體識別 ner 是在自然語言處理中的乙個經典問題，其應用也極為廣泛。比如從一句話中識別出人名 地名，從電商的搜尋中識別出產品的名字，識別藥物名稱等等。傳統的公認比較好的處理演算法是條件隨機場 crf 它是一種判別式概率模型，是隨機場的一種，常用於標註或分析序列資料，如自然語言文字或是生物序列。...