Design and Evaluation of Neural Network-Based Receiver Architectures for Reliable Communication

要約

ニューラルネットワークベースのレシーバーは、ディープラーニングを活用して信号の検出とデコードを最適化し、困難な環境でビットエラーレート（BER）とブロックエラーレート（BLER）を大幅に改善します。
この研究では、さまざまなアーキテクチャを評価し、異なるノイズレベルでBERとBLERのパフォーマンスを比較します。
2つの新しいモデル、デュアルアテンショントランス（DAT）と残留デュアル非ローカル注意ネットワーク（RDNLA）は、自己関節と残留学習を統合して信号の再構築を強化します。
これらのモデルは、ノイズの分散を追加の入力として、受信シグナルからの対数尤度比（LLR）を直接予測することにより、従来のチャネルの推定と均等化をバイパスします。
シミュレーションは、DATおよびRDNLAがさまざまな信号対雑音比（SNR）で従来のニューラルレシーバーモデルよりも優れていることを示していますが、計算効率は次世代通信システムの実現可能性をサポートしています。

要約(オリジナル)

Neural network-based receivers leverage deep learning to optimize signal detection and decoding, significantly improving bit-error rate (BER) and block-error rate (BLER) in challenging environments. This study evaluates various architectures and compares their BER and BLER performance across different noise levels. Two novel models, the Dual Attention Transformer (DAT) and the Residual Dual Non-Local Attention Network (RDNLA), integrate self-attention and residual learning to enhance signal reconstruction. These models bypass conventional channel estimation and equalization by directly predicting log-likelihood ratios (LLRs) from received signals, with noise variance as an additional input. Simulations show that DAT and RDNLA outperform traditional and other neural receiver models under varying signal-to-noise ratios (SNR), while their computational efficiency supports their feasibility for next-generation communication systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google