Channel Agnostic End-to-End Learning Based Communication Systems with Conditional GAN 阅读笔记

abstract

背景：
在本文中，我们使用深度神经网络(DNNs)来开发一个无线端到端通信系统，在该系统中，所有与信号相关的功能都使用深度神经网络(DNNs)来实现，如编码、解码、调制和均衡。然而，精确的瞬时信道传递函数，即信道状态信息(CSI)是计算DNN表示的梯度所必需的。

在许多通信系统中，信道传递函数很难预先获得，并且随时间和位置而变化。

研究目的：

期望开发基于信道不可知的端到端学习的通信系统，其中可以在不知道特定信道传送功能的情况下自动学习不同类型的频道效果。

研究方法：
1. 在本文中，通过开发与通道无关的端到端系统来释放此约束，该系统不依赖于任何有关通道的先验信息。我们使用条件生成对抗性网络(GAN)来表示信道效应，其中发送器的编码信号将作为条件信息。
2. 此外，为了处理时变信道，还可以将与导频数据对应的接收信号添加为调节信息的一部分。

三大贡献：
我们的主要贡献有三个方面。

1. 首先，我们使用条件GAN对信道条件分布p(y|x)进行建模，这样就可以基于数据而不是关于信道的专家知识来学习信道效应。
2. 通过添加导频信息作为时变信道的调理信息的一部分，GAN可以为当前通道生成更具体的样本。
3. 开发了一种基于端到端学习的通信系统，通过有条件的GAN将端到端损耗梯度传播到发射机。

MODEL