时间：2024年10月11日（周五）上午9:30 — 10:30
地点：腾讯会议 916291954
摘要：与传统信道译码算法相比，基于模型驱动深度学习的信道译码算法利用了译码数学模型和神经网络学习能力两方面的优势，具有更好的性能。然而，基于模型驱动深度学习的信道译码算法具有很高的计算复杂度和存储复杂度，难以在资源受限的通信硬件上部署。此外，基于模型驱动深度学习的信道译码算法对变化的信道环境和跨平台移植缺乏适应性和灵活性。
首先，为了降低计算复杂度和所需的大量存储资源，我们提出了一系列基于张量序列（TT）和张量环（TR）分解的低复杂度通道神经解码算法。其次，为了进一步降低译码复杂度，我们提出张量分解、量化、权重共享等多种方式联合的压缩算法。最后，我们提出使用超网络辅助的译码网络来提高译码算法在时变信道的自适应性。
报告人简介：梁元辉，男，四川轻化工大学讲师，硕士生导师。2010年获西北师范大学数学学士学位，2012年获西南交通大学通信工程专业硕士学位，2024年获澳门理工大学计算机应用技术博士学位。2012-2018年曾于华为公司、凹凸电子（美资）等公司任职算法工程师。目前主要在信道编译码、模型压缩等研究方向开展研究工作。在《IEEE Transactions on Cognitive Communications and Networking 》、《IEEE Communications Letters》、《IEEE Access》等国内外重要期刊和学术会议发表SCI/EI检索论文10余篇。另外申请发明专利5项，其中已经获授权3项。
