,

مقاله بازخورد اطلاعات حالت کانال در MIMO انبوه با شبکه‌های عصبی اسپایکی

تومان249,950

بازخورد اطلاعات حالت کانال (CSI) مبتنی بر یادگیری عمیق در سیستم‌های MIMO انبوه (massive MIMO) موفقیت تجربی کسب کرده است. با این حال، رویکردهای موجود عمدتاً به شبکه‌های عصبی مصنوعی (ANN) متراکم متکی هس…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000329 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

بازخورد اطلاعات حالت کانال در MIMO انبوه با شبکه‌های عصبی اسپایکی

Massive MIMO CSI Feedback with Spiking Neural Networks

نویسندگان: Yanzhen Liu, Geoffrey Ye Li

شناسه منبع: arxiv / 2605.12434v1

دسته: eess.SP

چکیده (فارسی)

بازخورد اطلاعات حالت کانال (CSI) مبتنی بر یادگیری عمیق در سیستم‌های MIMO انبوه (massive MIMO) موفقیت تجربی کسب کرده است. با این حال، رویکردهای موجود عمدتاً به شبکه‌های عصبی مصنوعی (ANN) متراکم متکی هستند که سربار محاسباتی آن‌ها کاربردهای عملی آن‌ها را محدود می‌کند. در این مقاله، ما از شبکه‌های عصبی اسپایکی الهام گرفته از زیست‌شناسی (SNN) برای بازخورد CSI در MIMO انبوه، که SpikingCSINet نامیده می‌شود، استفاده می‌کنیم. در این رویکرد، هم بازخورد و هم محاسبات شبکه اصلی از طریق اسپایک‌ها پیاده‌سازی می‌شوند. برای غلبه بر گلوگاه اطلاعاتی اسپایک‌های دودویی در بازسازی ابعاد بالا، ما یک معماری پیشرونده باقی‌مانده (PR) را توسعه می‌دهیم که از بعد زمانی طبیعی SNNها بهره می‌برد و باقی‌مانده‌های متوالی را در طول گام‌های زمانی رمزگذاری می‌کند تا فشردگی اطلاعات را افزایش دهد. آزمایش‌ها بر روی بنچمارک COST 2100 نشان می‌دهد که SpikingCSINet مصالحه مطلوب‌تری بین عملکرد و کارایی نسبت به مدل‌های پایه کانولوشنال سبک‌وزن به دست می‌آورد. علاوه بر این، عملکردی رقابتی با بازخورد مبتنی بر ترنسفورمر (Transformer) ارائه می‌دهد و در عین حال مصرف انرژی را بیش از ۹۳٪ کاهش می‌دهد.

Abstract (English)

Deep learning-based channel state information (CSI) feedback has achieved empirical success in massive multiple-input multiple-output (MIMO) systems. However, existing approaches largely rely on dense artificial neural networks (ANNs), whose computational overhead limits their practical applications. In this article, we exploit bio-inspired spiking neural networks (SNNs) for massive MIMO CSI feedback, referred to as SpikingCSINet, where both the feedback and the main network computations are implemented through spikes. To overcome the information bottleneck of binary spikes in high-dimensional reconstruction, we develop a progressive residual (PR) architecture that exploits the natural temporal dimension of SNNs, encoding successive residuals across time steps to enhance information compactness. Experiments on the COST 2100 benchmark show that SpikingCSINet attains a more favorable performance-efficiency tradeoff than lightweight convolutional baselines. Moreover, it achieves performance competitive with Transformer-based feedback while reducing energy consumption by over $93%$.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله بازخورد اطلاعات حالت کانال در MIMO انبوه با شبکه‌های عصبی اسپایکی”

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

پیمایش به بالا