一种用于超奈奎斯特信令的新型和积检测算法:一种深度学习方法
信息论
2020-12-16 v1 math.IT
摘要
本文提出了一种用于超奈奎斯特(FTN)信令的深度学习的辅助和积检测算法(DL-SPDA)。所提检测算法工作于改进的因子图上,该因子图将神经网络函数节点连接到传统FTN因子图的变量节点,以逼近最大后验概率(MAP)错误性能。具体而言,神经网络在改进因子图中作为函数节点,处理未被有限复杂度的传统检测器所考虑的残余码间干扰(ISI)。我们修改了传统和积算法中的更新规则,使得神经网络辅助检测器可补充至Turbo均衡接收机。此外,我们提出了一种兼容训练技术,以借助Turbo均衡提升所提DL-SPDA的检测性能。特别地,神经网络依据发射序列与外在信息之间的互信息进行优化。我们还研究了有限长编码FTN系统的最大似然误码率(BER)性能。仿真结果表明,所提算法的错误性能逼近MAP性能,与分析BER一致。
引用
@article{arxiv.2012.08084,
title = {A Novel Sum-Product Detection Algorithm for Faster-than-Nyquist Signaling: A Deep Learning Approach},
author = {Bryan Liu and Shuangyang Li and Yixuan Xie and Jinhong Yuan},
journal= {arXiv preprint arXiv:2012.08084},
year = {2020}
}