本文探讨了无线通信中QAM调制的解调过程，将其比喻为分类任务，并与卷积神经网络（CNN）的卷积过程相联系。在通信解调中，特征是预设的，而在CNN中，卷积核用于识别图像特征。卷积本质上是相关性运算，通过匹配特征矩阵来检测图像中的特定模式。这两种技术在特征识别和信息解码上有相似之处，可能互相提供灵感。
无线通信中的解调：
以QAM调制为例，
QAM编码的个数，类似图像分类中的类别的个数。
调制的过程，类似“深度学习的过程”；不同的是，通信中的模型，不需要训练，特征是直接预先编码好了。
解调的过程，就是“分类的过程”，根据收到的各种变形的电磁波的波形，识别出是那种特征波形，并把特征波形映射成特定的分类信息。
卷积神经网络中的卷积核：
就是用代表某种特征的特征矩阵，去匹配图像的像素，来解调图像中是否有符合某种特征的像素组合。
卷积：本质上是相关性运算，与特性矩阵相同的数据，卷积和最大，与特征向异的数据，卷积和小。完全无关的数据，卷积和为0。即正交！
这两种技术场景，是否可以相互借鉴？？？
扫一扫
871
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
