基于深度学习的格雷编码调制L值量化
机器学习
2021-05-11 v2 信号处理
机器学习
摘要
本工作中，引入了一种基于深度学习的对数似然比（L值）存储量化方案。我们分析了来自同一正交振幅调制（QAM）符号的不同L值的平均幅值之间的依赖关系，并显示它们遵循一致的顺序。基于此，我们设计了一个深度自编码器，联合压缩并分别重建每个L值，允许使用加权损失函数以更准确地重建低幅值输入。我们的方法被证明与最先进的最大互信息量化方案具有竞争力，将所需内存占用降低至多两倍，且性能损失小于0.1 dB（每个L值少于两个有效位）或小于0.04 dB（2.25个有效位）。我们通过实验表明，我们提出的方法是一种通用压缩方案，即在LDPC编码的瑞利衰落场景下训练后，我们可在其他信道模型与码字上复用同一网络而无需进一步训练，同时保持相同的性能优势。
引用
@article{arxiv.1906.07849,
title = {Deep Learning-Based Quantization of L-Values for Gray-Coded Modulation},
author = {Marius Arvinte and Sriram Vishwanath and Ahmed H. Tewfik},
journal= {arXiv preprint arXiv:1906.07849},
year = {2021}
}
备注
Submitted to IEEE Globecom 2019