使用深度信念网络的浅水声学通信多普勒不变解调
信号处理
2019-09-11 v1 机器学习
声音
机器学习
摘要
浅水环境为通信带来了一个具有挑战性的信道。本文聚焦于由频率选择性信号失真（即多普勒效应）所带来的挑战。我们探索了浅水声学通信（SWAC）物理层中基于机器学习（ML）的解调方法——（1）深度信念网络-前馈神经网络（DBN-NN）和（2）深度信念网络-卷积神经网络（DBN-CNN）的设计与性能。所提出的方法包含一个基于 ML 的特征提取方法和分类技术。首先，特征提取将接收信号转换为特征图像。接着，分类模型将这些图像与对应的二进制表示关联起来。对所提出的基于 ML 的解调方法的分析表明，尽管存在瞬时频率，该算法的性能在误比特率（BER）方面表现出不变性，仅有 2dB 的小误差容限。
引用
@article{arxiv.1909.02850,
title = {Doppler Invariant Demodulation for Shallow Water Acoustic Communications Using Deep Belief Networks},
author = {Abigail Lee-Leon and Chau Yuen and Dorien Herremans},
journal= {arXiv preprint arXiv:1909.02850},
year = {2019}
}