A CNN-Based End-to-End Learning Framework Toward Intelligent Communication Systems

瑞利信道

，训练

瑞利信道测试

Differential Version

训练

测试

原文链接

ABSTRACT

研究背景：
近年来，深度学习已被应用于物理层通信系统，并展示了与人类专家系统相当甚至更好的迷人结果。
研究现状：
本文提出了一种新的基于卷积神经网络的自动编码器通信系统，该系统可以在任意块长度下智能工作，支持不同的吞吐量，并且可以在AWGN和瑞利衰落信道以及偏离AWGN环境的情况下工作。
优点：

1. 所提出的广义通信系统由精心设计的卷积神经层组成，因此继承了CNN的突破性特征，如泛化、特征学习、分类和快速训练收敛。
2. 另一方面，端到端架构共同执行编码/解码和调制/解调的任务。

仿真：
最后，我们提供了学习系统的大量仿真结果，以说明它在各种系统条件下的泛化能力。

INTRODUCTION

A. MOTIVATION
通信的根本问题是找到信息的表示形式，这与信道损伤有关，所以它可以在另一端完美地恢复。为了应对这一挑战，发射机和接收机被分成子任务，如信源编码、信道编码、调制和均衡。这种设计方法[1]的优点是每个组件都可以单独优化，从而形成了今天可靠的模块化通信系统。

深度学习是机器学习和人工智能领域的最新趋势之一。DL方法已经给计算机视觉和自然语言处理带来了革命性的进步[2]。在通信领域，下行链路已用于调制[3]、信道估计[4]-[6]、信号检测[7]、[8]、调制识别[9]、[10]和信道解码[11]。下行链路也可以应用于非正交多址方案[12]，这对于5G无线通信系统是必不可少的。

尤其是，基于DL的通信系统[13] 【13博客】能够联合使用自动编码器的概念来优化收发器的所有组件。在 参考文献13 [13]的开创性工作中，通信系统设计被视为端到端重构优化任务，旨在联合优化发射机和接收机组件，以便通过学习神经网络的权重而不是专门设计的专家代码来促进编码和解码。参考文献14在[14]中，