水下光链路中的配置学习
信号处理
2020-08-05 v1 机器学习
摘要
本工作描述了一个称为配置学习的新研究问题。提出了一种新算法来解决该配置学习问题。配置学习问题被定义为：在信号处理/通信系统中，通过优化发射机配置来最大化ML性能度量，从而优化机器学习（ML）分类器。具体地，该配置学习问题在水下光通信系统中进行研究，其信号处理性能度量为物理层通信吞吐量。提出了一种新算法，通过对关键设计参数交替优化并根据学习目标在若干循环神经网络（RNN）分类器间切换来执行配置学习。所提ML算法使用水下光通信系统的数据集进行了验证，并与竞争ML算法比较。性能结果表明，该方案在水下光通信数据集的二分类与多分类配置学习中均优于竞争算法。所提配置学习框架可进一步研究并应用于信号处理与通信中广泛的话题。
引用
@article{arxiv.2008.01221,
title = {Configuration Learning in Underwater Optical Links},
author = {Xueyuan Zhao and Zhuoran Qi and Dario Pompili},
journal= {arXiv preprint arXiv:2008.01221},
year = {2020}
}