DemodNet：利用卷积神经网络从硬信息中学习软解调
信号处理
2020-11-24 v1
摘要
软解调是传统通信接收机的基本模块。它将接收符号转换为软比特，即对数似然比（LLRs）。然而，在非理想加性高斯白噪声（AWGN）信道中，难以精确计算 LLR。在本信中，我们提出了一种基于输入输出长度可变的 fully convolutional neural network 的解调器 DemodNet。我们利用硬比特信息训练 DemodNet，并基于训练后 DemodNet 的输出层提出对数概率比（LPR）以实现软解调。仿真结果表明，在 AWGN 信道下，DemodNet 的硬解调与软解调性能均非常接近传统方法。在三种非理想信道场景，即存在频偏、加性广义高斯噪声（AGGN）信道和瑞利衰落信道下，使用 DemodNet 获得的软信息 LPR 进行信道解码的性能优于使用理想 AWGN 假设下计算出的精确 LLR 进行解码的性能。
引用
@article{arxiv.2011.11337,
title = {DemodNet: Learning Soft Demodulation from Hard Information Using Convolutional Neural Network},
author = {Shilian Zheng and Xiaoyu Zhou and Shichuan Chen and Peihan Qi and Xiaoniu Yang},
journal= {arXiv preprint arXiv:2011.11337},
year = {2020}
}
备注
5 pages, 6 figures