Autor: Jinxiang Song, Vincent Lauinger, Yibo Wu, Christian Häger, Jochen Schröder, Alexandre Graell i Amat, Laurent Schmale, Henk Wymeersch
Resumen: Los sistemas de comunicación de alta eficiencia espectral de última generación emplean formatos de modulación de alto orden junto con altas tasas de símbolos para adaptarse a la demanda cada vez mayor de aplicaciones que exigen mucha tasa de datos. Sin embargo, estos sistemas son más vulnerables a las deficiencias de transmisión lineales y no lineales, y es importante mitigar la pérdida de rendimiento mediante el procesamiento de señales digitales. En este artículo, proponemos un enfoque novedoso de aprendizaje automático para la ecualización y estimación de canales ciegos utilizando el marco de referencia de vector cuantificado (VQ) ac{VAE}. El enfoque propuesto generaliza la aplicabilidad del ecualizador convencional basado en ac{VAE} a sistemas no lineales que emplean formatos de modulación de alto orden mediante la introducción de un componente de libro de códigos y una nueva función de pérdida asociada. Evaluamos el rendimiento del método propuesto sobre un canal de ruido gaussiano blanco aditivo lineal con interferencia entre símbolos y dos escenarios no lineales. Los resultados de la simulación muestran que el método propuesto puede lograr un rendimiento similar al de un ecualizador asistido por datos utilizando el criterio acf{MMSE} y supera al ecualizador de canal ciegoac{CMA} y ac{VAE}. Además, mostramos que para el canal lineal, el esquema propuesto exhibe mejores propiedades de convergencia que los ecualizadores basados en ac{MMSE}, ac{CMA} y ac{VAE} en términos de ambos velocidad de convergencia y solidez a las variaciones en el tamaño del lote de entrenamiento y la tasa de aprendizaje.
2.Codificador automático variacional distribucional a cuantiles infinitos y más allá de la gaussianidad (arXiv)
Autor: SeungHwan An, Jong-June Jeon
Resumen: El supuesto de Gaussianidad ha sido señalado como la principal limitación del AutoEncoder Variacional (VAE) a pesar de su utilidad en el cálculo. Para mejorar la capacidad distributiva (es decir, el poder expresivo de la familia distribucional) del VAE, proponemos un nuevo método de aprendizaje VAE con un supuesto distributivo no paramétrico en su modelo generativo. Al estimar un número infinito de cuantiles condicionales, nuestro modelo VAE propuesto estima directamente la función de distribución acumulativa condicional, y llamamos a este enfoque aprendizaje distributivo de la VAE. Además, al adoptar la pérdida de puntuación de probabilidad clasificada continua (CRPS), nuestro método de aprendizaje propuesto se vuelve manejable computacionalmente. Para evaluar qué tan bien se captura la distribución subyacente del conjunto de datos, aplicamos nuestro modelo para la generación de datos sintéticos basados en el muestreo de transformada inversa. Los resultados numéricos con conjuntos de datos tabulares reales corroboran nuestros argumentos
[post_relacionado id=»1345″]