Real-Time Implementation of Machine-Learning DSP
Paper i proceeding, 2024
While ML algorithms can learn and adapt to channel characteristics, implementation of ML-based DSP hardware is challenging. We demonstrate a real-time implementation of a model-based ML equalizer that compensates a non-linear and time-varying channel.
Författare
Erik Börjeson
VLSI-system
Keren Liu
Student vid Chalmers
Christian Häger
Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk
Per Larsson-Edefors
VLSI-system
2024 Optical Fiber Communications Conference and Exhibition, OFC 2024 - Proceedings
9781957171326 (ISBN)
2024 Optical Fiber Communications Conference and Exhibition
San Diego, USA,
San Diego, USA,
Fysikbaserad djupinlärning för optisk dataöverföring och distribuerad avkänning
Vetenskapsrådet (VR) (2020-04718), 2021-01-01 -- 2024-12-31.
Styrkeområden
Informations- och kommunikationsteknik
Ämneskategorier
Kommunikationssystem
Inbäddad systemteknik
Reglerteknik
Signalbehandling
DOI
10.1364/ofc.2024.th3j.1
ISBN
9781957171326