تشخیص عبور پیغام گوسی مبتنی بر شبکه عصبی عمیق
ترجمه نشده

تشخیص عبور پیغام گوسی مبتنی بر شبکه عصبی عمیق

عنوان فارسی مقاله: تشخیص عبور پیغام گوسی مبتنی بر شبکه عصبی عمیق برای ارتباطات با کمترین زمان تاخیر فوق العاده قابل اعتماد
عنوان انگلیسی مقاله: Deep neural network-aided Gaussian message passing detection for ultra-reliable low-latency communications
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط:  مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط:  هوش مصنوعی، الگوریتم و محاسبات، شبکه های کامپیوتری
کلمات کلیدی فارسی: URLLC، شبکه عصبی عمیق، عبور پیام، بازیابی سیگنال، گراف فاکتور Loopy
کلمات کلیدی انگلیسی: URLLC, Deep neural network, Message passing, Signal recovery, Loopy factor graph
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.future.2019.01.041
دانشگاه: State Key Laboratory of Integrated Services Networks, Xidian University, Xi’an, 710071, China
صفحات مقاله انگلیسی: 10
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E12016
فهرست مطالب (انگلیسی)

Abstract

1. Introduction

2. Problem formulation

3. Deep neutral network — GMP

4. Deep neutral network — SA-GMP

5. Numerical results

6. Conclusion

Acknowledgments

References

بخشی از مقاله (انگلیسی)

Abstract

Ultra-reliable low-latency communications (URLLC) is a key technology in 5G supporting real-time multimedia services, which requires a low-cost signal recovery technology in the physical layer. A kind of well-known low-complexity signal detection is message passing algorithm (MPA) based on factor graph. However, reliability and robustness of MPA are deteriorated when there are cycles in factor graph. To address this issue, we propose two novel Gaussian message passing (GMP) algorithms with the aid of deep neural network (DNN), in which the network architectures consist of two DNNs associated with detections for mean and variance of the signal. Particularly, the network architecture is constructed by transforming the factor graph and message update functions of the original GMP algorithm from node-type into edge-type. Then, weights and bias parameters are assigned in the network architecture. With the aid of deep learning methods, the optimal weights and bias parameters are obtained. Numerical results demonstrate that two proposed DNN-aided GMP algorithms can significantly improve the convergence of original GMP algorithm and also achieve robust performances in the cases without prior information.