مقاله انگلیسی رایگان در مورد تشخیص عبور پیغام گوسی مبتنی بر شبکه عصبی عمیق – الزویر ۲۰۱۹

elsevier

 

مشخصات مقاله
ترجمه عنوان 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
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی  ۱۰ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) scopus – master journals – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۵٫۳۴۱ در سال ۲۰۱۷
شاخص H_index ۸۵ در سال ۲۰۱۹
شاخص SJR ۰٫۸۴۴ در سال ۲۰۱۷
شناسه ISSN ۰۱۶۷-۷۳۹X
شاخص Quartile (چارک) Q1 در سال ۲۰۱۷
رشته های مرتبط  مهندسی کامپیوتر – مهندسی فناوری اطلاعات
گرایش های مرتبط  هوش مصنوعی – الگوریتم و محاسبات – شبکه های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله / کنفرانس سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
دانشگاه State Key Laboratory of Integrated Services Networks, Xidian University, Xi’an, 710071, China
کلمات کلیدی 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
شناسه دیجیتال – doi
https://doi.org/10.1016/j.future.2019.01.041
کد محصول E12016
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Outline
Highlights
Abstract
Keywords
۱٫ Introduction
۲٫ Problem formulation
۳٫ Deep neutral network — GMP
۴٫ Deep neutral network — SA-GMP
۵٫ Numerical results
۶٫ Conclusion
Acknowledgments
References

بخشی از متن مقاله:

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.

دیدگاه ها

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *