用于超奈奎斯特信号的深度学习辅助和积检测算法
信息论
2019-07-23 v1 信号处理
math.IT
摘要
本文提出了一种用于超奈奎斯特(FTN)信号的深度学习辅助和积检测算法(DL-SPA)。所提出的检测算法将神经网络连接到FTN系统传统因子图的变量节点上,以帮助检测器基于接收序列收敛到后验概率。更具体地,神经网络在修改后的因子图中充当函数节点,以处理未被具有有限个数码间干扰(ISI)抽头的传统检测器建模的残余码间干扰(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。此外,采用简化的卷积神经网络作为神经网络函数节点以提升检测器性能,且神经网络仅需少量批次即可训练。仿真结果表明,在相同ISI响应下,与传统的和积检测算法相比,所提出的DL-SPA在相同误码率下获得了高达2.5 dB的性能增益。
引用
@article{arxiv.1907.09225,
title = {Deep Learning Assisted Sum-Product Detection Algorithm for Faster-than-Nyquist Signaling},
author = {Bryan Liu and Shuangyang Li and Yixuan Xie and Jinhong Yuan},
journal= {arXiv preprint arXiv:1907.09225},
year = {2019}
}
备注
5 pages, 7 figures, accepted by IEEE ITW 2019