Apprentissage profond basé sur les caractéristiques de Fourier aléatoires pour les communications sans fil
Abstract or Summary
L’apprentissage profond s’est imposé comme une technique d’apprentissage automatique puissante pour résoudre plusieurs problèmes rencontrés dans les communications sans fil génériques. En outre, le DL basé sur les caractéristiques de Fourier aléatoires (RFF) est apparu comme une solution attrayante pour plusieurs problèmes d’apprentissage automatique ; cependant, les travaux existants manquent de résultats analytiques rigoureux pour justifier la viabilité du DL basé sur les RFF. Pour combler cette lacune, nous quantifions analytiquement la viabilité de la DL basée sur RFF dans le présent document. Plus précisément, nous présentons des preuves analytiques qui montrent que les architectures DL basées sur RFF ont une erreur d’approximation plus faible et une probabilité de mauvaise classification plus faible que les architectures DL classiques pour un ensemble de données de taille fixe. En outre, un nouveau RFF dépendant de la distribution (DDRFF) est proposé pour faciliter les architectures DL à faible complexité d’apprentissage. Les contributions analytiques présentées et le DDRFF sont validés par des études de cas pertinentes telles que a) la classification ligne de mire (LOS) / non ligne de mire (NLOS), et b) la détection de codes de contrôle de parité à faible densité (LDPC) basée sur le passage de messages sur des canaux de communication non linéaires à lumière visible (VLC). En particulier, dans le régime de données d’entraînement faibles, les simulations présentées montrent des gains de performance significatifs pour la DL basée sur RFF. Enfin, dans toutes les simulations présentées, on observe que les DDRFF proposées sont nettement plus performantes que les RFF, ce qui les rend utiles pour des applications potentielles d’apprentissage automatique/DL pour les systèmes de communication.
