基于深度神经网络构建编码器与解码器：迈向现实应用之路
信息论
2018-08-08 v1 信号处理
math.IT
摘要
深度学习已成为包括通信系统在内的多个领域的突破性技术。尽管近年来基于深度神经网络（DNN）的技术取得了显著进展，但高计算复杂度一直是将其应用于需要实时运行的实用通信系统的主要障碍。从这个意义上说，在基于 DNN 的智能通信普及成为现实之前，必须解决有关实际实现的挑战。据作者所知，本文首次提出了一种高效的学习架构与设计策略，包括通过使用硬件描述语言（HDL）进行数字电路实现的链路级验证，以缓解这一挑战并推断 DNN 用于通信系统的可行性与潜力。特别地，DNN 被应用于编码器与解码器，以在无需任何特定领域信息的情况下实现对系统环境的灵活适配。作者考虑了广泛的调研与跨学科设计考量，包括基于 DNN 的自编码器结构、学习框架以及用于实时运行的低复杂度数字电路实现，从而确定了基于 DNN 的通信在实践中的使用。
引用
@article{arxiv.1808.02401,
title = {Building Encoder and Decoder with Deep Neural Networks: On the Way to Reality},
author = {Minhoe Kim and Woonsup Lee and Jungmin Yoon and Ohyun Jo},
journal= {arXiv preprint arXiv:1808.02401},
year = {2018}
}
备注
This work has been submitted to the IEEE for possible publication