時間：2024年10月11日（周五）上午9:30 — 10:30
地點：騰訊會議 916291954
摘要：與傳統(tǒng)信道譯碼算法相比，基于模型驅動深度學習的信道譯碼算法利用了譯碼數學模型和神經網絡學習能力兩方面的優(yōu)勢，具有更好的性能。然而，基于模型驅動深度學習的信道譯碼算法具有很高的計算復雜度和存儲復雜度，難以在資源受限的通信硬件上部署。此外，基于模型驅動深度學習的信道譯碼算法對變化的信道環(huán)境和跨平臺移植缺乏適應性和靈活性。
首先，為了降低計算復雜度和所需的大量存儲資源，我們提出了一系列基于張量序列（TT）和張量環(huán)（TR）分解的低復雜度通道神經解碼算法。其次，為了進一步降低譯碼復雜度，我們提出張量分解、量化、權重共享等多種方式聯(lián)合的壓縮算法。最后，我們提出使用超網絡輔助的譯碼網絡來提高譯碼算法在時變信道的自適應性。
報告人簡介：梁元輝，男，四川輕化工大學講師，碩士生導師。2010年獲西北師范大學數學學士學位，2012年獲kaiyun開云官方網站通信工程專業(yè)碩士學位，2024年獲澳門理工大學計算機應用技術博士學位。2012-2018年曾于華為公司、凹凸電子（美資）等公司任職算法工程師。目前主要在信道編譯碼、模型壓縮等研究方向開展研究工作。在《IEEE Transactions on Cognitive Communications and Networking 》、《IEEE Communications Letters》、《IEEE Access》等國內外重要期刊和學術會議發(fā)表SCI/EI檢索論文10余篇。另外申請發(fā)明專利5項，其中已經獲授權3項。
