用于通信系统中序列检测的门控双向循环神经网络
信号处理
2018-02-23 v1 信息论
机器学习
math.IT
摘要
通信系统的设计与分析通常依赖于描述底层通信信道的数学模型的建立。然而，在某些系统中，例如使用化学信号传输信息的分子通信系统，底层信道模型是未知的。在这些场景下，需要一种全新的设计与分析方法。在这项工作中，我们关注通信系统的一个重要方面，即检测算法，并证明通过使用深度学习的工具，可以在无任何底层信道模型知识的情况下训练出性能良好的检测器。我们提出一种称为门控双向循环神经网络(SBRNN)的技术用于实时序列检测。我们使用由化学通信平台收集的实验数据评估该算法，其中信道模型未知且难以解析建模。我们表明深度学习算法比先前工作中提出的检测器表现显著更好，且 SBRNN 优于本工作中考虑的其他技术。
引用
@article{arxiv.1802.08154,
title = {Sliding Bidirectional Recurrent Neural Networks for Sequence Detection in Communication Systems},
author = {Nariman Farsad and Andrea Goldsmith},
journal= {arXiv preprint arXiv:1802.08154},
year = {2018}
}
备注
accepted for publication in the proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2018. arXiv admin note: text overlap with arXiv:1802.02046 and arXiv:1705.08044