61、深度学习与车联网通信技术：信号分离与QoS优化

深度学习与车联网通信技术：信号分离与QoS优化

在当今的通信领域，信号分离和车联网通信的服务质量（QoS）优化是两个备受关注的重要问题。本文将深入探讨基于深度学习的单通道盲分离方法以及用户中心的异构车联网通信网络中的个性化QoS改进方案。

基于深度学习的单通道盲分离

在信号处理中，单通道盲分离是一个具有挑战性的任务。传统的PSP方法在处理此类问题时存在一定的局限性，而新兴的SepNet方法则展现出了更好的性能。

线性与非线性情况下的性能比较

• 线性情况 ：在系统不受非线性影响的线性情况下，将SepNet方法与传统的PSP方法进行了比较。固定一些参数，如τ1 = 0.4T，τ2 = 0.6T，Δω1 = Δω2 = 0，θ1 = θ2 = 0，h1 = h2 = 1，L1 = L2 = 6。在不同的L值（L = 3, 4, 5）和NH值（NH = 32, 64, 128）下进行对比。结果表明，SepNet的性能超过了PSP，并且复杂度更低。例如，与PSP (L = 5)相比，SepNet (NH = 32)有大约1 dB的性能增益，而计算复杂度仅为前者的0.058%。随着NH的增加，SepNet的分离性能也随之提高，这是因为隐藏单元数量增加时，网络具有更强的表示能力。当PSP中估计的L小于实际信道记忆长度L = L1 + L2 = 12时，符号之间的相关性不足，导致PSP性能不理想。
  | 条件 | FLOPs |
  | — | — |
  | PSP (L = 3) | 106496 |
  | PSP (L = 4) | 2228224 |
  | PSP (L