基于深度学习的通信系统中由数据速率驱动的传输策略
信息论
2020-04-30 v2 math.IT
摘要
基于深度学习 (DL) 的自编码器是实现端到端通信系统的一种有前景架构。此类系统的一个基本问题是如何提升传输速率。为解决数据速率受限问题，提出两种新方案：自适应传输方案与广义数据表示 (GDR) 方案。在第一种方案中，设计自适应传输以在不同信道条件下选择传输向量来最大化数据速率。第一种方案的分块错误率 (BLER) 比传统独热向量方案低 80%。这意味着自适应传输方案可实现更高数据速率。在第二种方案中，GDR 取代传统独热表示。GDR 方案可在具有可比 BLER 性能下实现比传统独热向量方案更高的数据速率。例如，当向量大小为 8 时，所提 GDR 方案可使独热向量方案的数据速率翻倍。此外，两种所提方案的联合方案可带来进一步增益。分析了信噪比 (SNR) 对这些基于 DL 的通信系统的影响。数值结果表明，使用含多种 SNR 值的数据集训练自编码器可在不同信道条件下获得鲁棒的 BLER 性能。
引用
@article{arxiv.1812.08869,
title = {Data-Rate Driven Transmission Strategy for Deep Learning Based Communication Systems},
author = {Xiao Chen and Julian Cheng and Zaichen Zhang and Liang Wu and Jian Dang},
journal= {arXiv preprint arXiv:1812.08869},
year = {2020}
}
备注
Published