AI/ML无线通信

最新推荐文章于 2025-08-16 10:11:06 发布
原创 最新推荐文章于 2025-08-16 10:11:06 发布 · 1.4k 阅读 · 13 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #5g #协议栈

3GPP RAN #94e会议上确定了28项R18研究项目，其中有两项AI与通信结合的项目，分别是AI/ML for NR air interface和AI/ML for NG-RAN。

在3GPP标准化立项之前，关于AI与无线通信相结合的学术研究已经有很多，主要几种在几个方面：

信道估计Channel Estimation:利用深度学习算法获得比传统信道估计算法更好的性能。

  • 《Deep Learning-Based Channel Estimation》
  • 《Power of deep learning for channel estimation and signal detection in ofdm systems》
  • 《Deep learning for super-resolution channel estimation and DOA estimation based massive M
最低0.47元/天 解锁文章
AI/ML在无线通信系统中物理层的应用
qq_61890005的博客
12-20 1334
【摘要】针对现有通信系统物理层中存在的问题，提出了人工智能(AI)中的机器学习(ML)技术来解决其难题。梳理了AI/ML技术在这些方面的优势与挑战，并给出了有关干扰检测、端到端物理层联合优化等方面的若干典型范例。AI/ML技术的崛起会为下一代通信系统的设计提供一种超越传统理念与性能的可能性。【关键词】人工智能；机器学习；物理层；干扰检测；端到端联合优化0 引言随着近些年现代计算与数据存储技术的迅猛发展，人工智能（Artificial Intelligence, AI）技术也随之广泛地应用于人们的生产生活
【3GPP通信标准中的通信与AI融合：解读TR 23.700-80 系列】#2：架构需求与假设（Scope）
weixin_42875834的博客
12-08 996
概述了TR23.700-80的第四节：支撑AI/ML应用操作的架构需求
AI/ML-Based RAN：基于人工智能/机器学习的无线接入网
LinkEverything的博客
12-23 2647
3GPP RAN #94e会议上确定了28项研究项目，其中有两项AI/ML相关的研究。其中之一是AI/ML for NR air interface，另一个是于AI/ML for NG-RAN。
AI论文学习：MODEM：通过演示加速基于视觉模型的强化学习
paopao_coding的博客
03-01 544
MDEM：通过演示加速基于视觉模型的强化学习
网络智能化/通信AI十大方向-信道建模预测之 基于AI的CSI压缩反馈
TELCOM17AI4NET的博客
07-04 4932
基于以上研究背景，“智慧网络”国家新一代人工智能开放创新平台构建了基于AI的CSI压缩反馈开放任务，用户可使用平台提供的AI算法开发、训练环境，并在线使用丰富数据集及可灵活自配置参数的构建数据集的仿真能力进行AI模型训练，可满足模型精度及模型泛化性等多种研究需求。此外在该任务中还提供了一种可验证AI模型在整个通信过程中效果的系统级仿真环境，并提供了多种系统级指标进行算法多维度的验证、评估。深度学习( Deep Learning，DL) 为解决大规模MIMO 系统中的CSI 反馈问题提供了新的思路。
3GPP协议中关于AI/ML的规范
sundaygeek的专栏
04-02 1785
总的来说，3GPP Release 17通过引入这些规范和标准，为AI和机器学习在移动通信网络中的应用提供了更多的支持和指导，促进了网络智能化和自动化的发展，提高了网络的效率和用户体验。安全和隐私：在3GPP Release 17中，还引入了一些新规范，以提高AI和机器学习技术的安全性和隐私性，包括对数据隐私和安全的保护，以及对AI算法和模型的审核和验证。总的来说，虽然AI和ML的规范在3GPP标准中分开，但它们都受到了广泛的关注和支持，目的是确保这些技术在移动通信网络中的部署和使用是安全、可靠和有效的。
Signal Processing for Wireless Communications
TopMVP
12-24 844
版权声明：原创作品，允许转载，转载时请务必以超链接形式标明文章原始出版、作者信息和本声明。否则将追究法律责任。http://blog.youkuaiyun.com/topmvp - topmvpMaster the Signal Processing Concepts and Techniques Needed to Design and Operate Any Wireless Communications
11111【O-RAN架构】SMO、OSS、RIC及AI/ML在无线通信网络中的角色与应用解析：多厂商技术进展对比
04-02
2222内容概要：本文详细介绍了O-RAN架构中的四个关键概念：SMO（服务管理与编排）、OSS（运营支持系统）、RIC（RAN智能控制器）以及AI/ML（人工智能/机器学习）。SMO作为核心管理平台，负责全局编排、资源管理和智能...
O-RAN架构关键概念及多厂商技术进展解析：SMO、OSS、RIC与AI/ML应用
资源摘要信息:"本文深入探讨了O-RAN架构中四大关键组成部分的作用及应用：SMO（服务管理与编排）、OSS（运营支持系统）、RIC（RAN智能控制器）和AI/ML（人工智能/机器学习）。首先，SMO作为O-RAN架构的核心管理平台...
1、AI/ML在未来网络安全与应用中的前沿探索
最新发布
b9c0d的博客
08-16 29
本文深入探讨了人工智能（AI）与机器学习（ML）在网络安全及应用领域的前沿探索，涵盖5G网络架构创新、入侵检测系统、无线通信攻防、增强现实安全、联邦学习和网络物理系统等多个关键方向。文章分析了AI/ML在提升安全能力的同时所面临的技术与资源挑战，如对抗样本攻击、数据隐私泄露和计算资源限制，并提出了相应的应对策略。通过跨领域融合、新型防御机制、可解释性模型与绿色安全等未来研究方向，展望了AI/ML驱动下网络安全的可持续发展路径，为数字化时代的安全保障提供理论支持与实践指导。
R18 5G网络中 AI/ML技术特性及其在5GS和NG-RAN中的应用
asd199086的博客
09-20 2046
随着5G技术的发展，人工智能（AI）和机器学习（ML）在网络中的应用越来越广泛。本文将介绍R18 5G网络中AI/ML的新特性，包括在5G系统（5GS）中的应用、在新一代无线接入网（NG-RAN）中的应用，以及AI/ML管理和计费的增强。
【学习笔记】3GPP标准研究 AI/ML算法应用于5G移动性
u011376987的博客
09-05 2375
对于现有的L3切换机制，切换是根据报告的历史测量结果和（或）测量事件触发和执行的，即本质上是一种反馈方案，即根据历史测量结果来触发切换。但是，当UE的移动性很高或在高密度的微型小区之间或两者对于现有服务或未来服务（例如 XR）时，它可能会出现问题，其中这种反馈方案可能会导致更多意外事件，例如切换失败、无线链路失败、乒乓现象、吞吐量损失或过早/过晚切换等。在这些RAN3项目中，移动性增强的研究和规范工作基于网络侧可用的信息，例如小区之间的切换和历史停留时间，以预测UE在单跳中的轨迹，从而预测潜在候选小区。
【3GPP通信标准中的通信与AI融合：解读TR 23.700-80 系列】#1：本篇TR研究的范围及需求（Scope）
weixin_42875834的博客
11-13 2345
本栏准备解读3GPP标准中的通信与AI融合：TR 23.700-80系列
【文献学习】DeepReceiver: A Deep Learning-Based Intelligent Receiver for Wireless Communications in the Ph
BetterBench的博客
11-05 2011
目录1 引言2 介绍2.1 基础理论2.2 传统的通信方法2.3 相关研究3 模型3.1 DeepReceiver3.2 多个二进制分类器3.3 设计的 1D-Conv-DenseNet 结构3.4 损失函数和优化器4 实验分析4.1 复杂度分析4.2 性能分析4.2 其他分析5 疑问和思考 1 引言 提出盲无线接收器模型，DeepReceiver，用深度神经网络模型代替传统接收器的信息恢复过程。 该模型的输入是接收到的 IQ 信号，输出是恢复的信息比特流。 该模型基于接收到的IQ信号样本进行训练，能反映通
3GPP R18确定27个研究项目，看看包含哪些？
LinkEverything的博客
12-23 5579
2021年12月17日，在RAN#94-e会议上，5G-Advanced确定了Release 18的首批27个项目。
基于深度学习网络的5G通信链路信道估计算法
sss12345566的博客
08-20 3190
该模型有 5 个卷积层。输入层需要大小为 612 x 14 的矩阵，其中 612 是子载波的数量，14 是 OFDM 符号的数量。每个元素都是一个实数，因为复网格的实部和虚部是分开输入的。
AI 大框架基于python来实现基带处理之TensorFlow(信道估计和预测模型,信号解调和解码模型)
kirsten111111的博客
10-06 2018
在回归问题中，均方误差可以用来评估模型的性能，其中较小的均方误差表示模型的预测与真实值更接近。对于具有n个可能取值的离散变量，one-hot编码将其表示为长度为n的二进制向量，只有对应取值的位置上为1，其他位置上为0。解码的目标是将这些符号、样本或编码数据映射回原始的数字数据，以还原最初的信息。Sequential模型是TensorFlow中的一种模型，它允许我们按照顺序将不同的层组合在一起，构建一个多层的神经网络。具体来说，我们可以将接收到的信号数据作为模型的输入，将已知的信道状态或特性作为模型的输出。
Deep Learning-Based CSI Feedback Approach for Time-V arying Massive MIMO Channels阅读笔记
weixin_43540533的博客
08-31 1352
Deep Learning-Based CSI Feedback Approach for Time-V arying Massive MIMO Channels阅读笔记 在频分双工网络中，大规模MIMO系统依靠CSI反馈来执行预编码并获得增益。然而大量的天线对传统CSI反馈方法提出挑战，导致了过多的反馈开销。提出一个实时的CSI反馈架构，CsiNet-long short-term memory（LSTM）。CsiNet-LSTM从训练样本中直接学习空间结构并结合时间相关性。 1 Introduction
人工智能，如何赋能5G-A？
m0_47295079的博客
07-09 1311
随着ChatGPT点燃的人工智能（AI）热潮，通信行业的面貌焕然一新。在各种行业展会、论坛上，面向通信行业的AI应用层出不穷。“ALL in AI，AI for All”不仅仅是口号，AI已经和通信系统深度融合。甚至可以说，在有些方面AI已经成为了主角，形成了通信×AI的乘数效应。5G-A是5G下半场演进的技术底座，“泛在智能”已经成为了5G-A发展的重要方向，5G-A×AI的能量正在厚积薄发。其实，在5G以及5G-A标准的制定过程中，业界也早已认识到了AI的优势，并试图把一些流程用AI来优化赋能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值