基于SDNSR-Net深度網(wǎng)絡(luò)的大規(guī)模MIMO信號(hào)檢測(cè)算法[其他][其他]

大規(guī)模多輸入多輸出(MIMO)系統(tǒng)能有效地提高頻譜效率，當(dāng)天線規(guī)模漸進(jìn)趨向于無(wú)窮時(shí)，最小均方誤差(MMSE)檢測(cè)算法能達(dá)到接近最優(yōu)的檢測(cè)性能。然而由于算法中存在矩陣求逆的步驟，帶來(lái)極高的計(jì)算復(fù)雜度，在大規(guī)模MIMO系統(tǒng)中難以實(shí)現(xiàn)。理查森(Richardson)算法能夠在不對(duì)矩陣求逆的情況下，以迭代的形式達(dá)到MMSE算法的檢測(cè)性能，但該算法受其松弛參數(shù)影響較大。在結(jié)合最陡梯度下降算法的Richardson算法(SDNSR)中，松弛參數(shù)的誤差可由梯度下降算法彌補(bǔ)，卻提高了計(jì)算復(fù)雜度。首先通過(guò)深度展開的思想，將SDNSR的迭代過(guò)程映射為深度檢測(cè)網(wǎng)絡(luò)(SDNSR-Net)；然后，通過(guò)修改網(wǎng)絡(luò)結(jié)構(gòu)及添加可訓(xùn)練參數(shù)來(lái)降低計(jì)算復(fù)雜度并提高檢測(cè)精度。實(shí)驗(yàn)結(jié)果表明，在上行鏈路大規(guī)模MIMO系統(tǒng)中不同信噪比和天線配置的情況下，SDNSR-Net都優(yōu)于其他典型的檢測(cè)算法，可作為實(shí)際中有效的待選檢測(cè)方案。

發(fā)表于：11/9/2022 2:26:00 PM

基于動(dòng)態(tài)圖注意力聚合多跳鄰域的實(shí)體對(duì)齊[其他][其他]

實(shí)體對(duì)齊是實(shí)現(xiàn)對(duì)不同來(lái)源知識(shí)庫(kù)進(jìn)行融合的重要技術(shù)方法，在知識(shí)圖譜、知識(shí)補(bǔ)全領(lǐng)域具有廣泛應(yīng)用?，F(xiàn)有基于圖注意力的實(shí)體對(duì)齊模型多使用靜態(tài)圖注意力網(wǎng)絡(luò)且忽略了實(shí)體屬性中的語(yǔ)義信息，導(dǎo)致模型存在有限注意、難以擬合、表達(dá)能力不足等問(wèn)題。針對(duì)這些問(wèn)題，開展基于動(dòng)態(tài)圖注意力結(jié)構(gòu)建模實(shí)體對(duì)齊方法研究，首先使用圖卷積層建模目標(biāo)實(shí)體的單跳節(jié)點(diǎn)表示，其次應(yīng)用動(dòng)態(tài)圖注意力網(wǎng)絡(luò)獲得多跳節(jié)點(diǎn)注意力系數(shù)并建模，再次利用逐層門控網(wǎng)絡(luò)聚合圖卷積層與動(dòng)態(tài)圖注意力層輸出的單跳、多跳節(jié)點(diǎn)信息，最后拼接通過(guò)外部知識(shí)預(yù)訓(xùn)練自然語(yǔ)言模型提取的實(shí)體名稱屬性嵌入并進(jìn)行相似度計(jì)算。該方法在DBP15K的三類跨語(yǔ)言數(shù)據(jù)集中都獲得了一定的提高，證明了應(yīng)用動(dòng)態(tài)圖注意力網(wǎng)絡(luò)與融入實(shí)體屬性語(yǔ)義在提高實(shí)體表示能力上的有效性。

發(fā)表于：11/9/2022 1:55:00 PM