论文:Detection Algorithms for Communication Systems
Using Deep Learning
作者:Nariman Farsad, Andrea Goldsmith
这篇文章是在知乎上看到链接的,所以就找过来瞅了一下,还挺有意思。
文中说传统的信道建模,在已知先验概率 PX(x) 的情况下,通过计算最大后验概率(MAP)来解码,即 xk=argmaxxkPModel(yk|x)PX(x) ,但是在有些情况下比如化学反应中,信道模型是无法知道的,也无法分析。所以作者采用了深度学习的方法。
实验是这么做的。取中性溶液:水, 酸性溶液:醋, 中性溶液:玻璃水。在大试管里放水,在一个连续的2进制码元序列中,0表示注射醋,1表示注射玻璃水。在每个码元周期内注射30ms,剩下的时间沉默。沉默时间用了220ms, 304ms, 350ms,和470ms。 对应的码元速率为4, 3, 2.6, 2bps。
为了使接收端码元同步,每个发送序列还定义了前导码:即注射100ms的醋和900ms的沉默。接收端通过检测溶液的pH值来解析出发送的码元序列。
作者使用了symbol-symbol检测和sequence检测。前者每个码元是独立的, 后者使用了RNN,考虑到了码元之间的相互影响(即码间干扰ISI)。