关于深度学习:基于深度学习的端到端通信系统模型

38次阅读

共计 1659 个字符,预计需要花费 5 分钟才能阅读完成。

摘要: 基于深度学习的端到端通信零碎模型能够分为两类:确定信道模型与未知信道模型。

本文分享自华为云社区《基于深度学习的端到端通信零碎模型》,原文作者:技术火炬手。

古代的通信畛域是基于信号处理算法建设起来的,其有比拟残缺的统计学和信息论根底,并能够被证实是最优的。这些算法通常是线性的、稳固的,并领有高斯统计个性。

然而,一个理论的通信零碎,大部分模块都是非线性的,只能被这些算法近似地形容。

现有的通信零碎设计是模块化的,信道解决的过程被分为一系列子模块,每个子模块具备独立的处理函数,如信源编码、信道编码、调制、信道预计、信道平衡等等。

这样的设计从理论工程上来说,实现更简略;但不能保障端到端最优。应用传统办法来实现端到端一体零碎是非常复杂的。因为深度学习的倒退,基于自编码器的通信零碎设计是一种全新的思路。

神经网络通过大量训练样本学习数据的散布,而后预测后果;能够用于端到端系统做联结优化,相比现有办法能够做到更优。基于深度学习的端到端通信零碎模型能够分为两类:确定信道模型与未知信道模型。

确定信道模型的端到端系统

O’Shea1 提出了一种应用深度神经网络的自编码器来实现端到端通信零碎。
通信零碎能够看着为如下模型:

源数据 s_s_ 通过信源编码和信道编码后为 x_x_,而后经信道 Channel_Channel_ 传输;信道传输中会带来噪声,对端接管后为 y_y_;经解码失去 hat{s}_s_^。

这个过程能够看着是一个自编码过程:子编码器从一个低维度角度对数据进行形容,并容许重建后的数据有大量误差。

从这个角度来看,自编码器如同非线性压缩和重建输出工程。作者在信道中退出高斯白噪声进行训练,实现一个端到端通信零碎。

零碎模型如下图所示:

优化器应用 SGD;深度网络采纳全连贯层。

之后,O’Shea2 将自编码器模型推广到瑞利衰败信道的 MIMO(Multiple-Input Multiple-Output)零碎。

Erpek3 将自编码模型推广到有烦扰(包含瑞利衰减)的 MIMO 零碎,并应用两个专用同一信道的自编码器来联结训练打消烦扰。

其零碎模型如下图所示:

未知信道模型的端到端系统

在事实世界中,往往难以获取实在信道的散布函数,须要思考在未知信道信息的状况下进行训练。

现有办法分为三类:强化学习、GAN 与元学习。

强化学习

Aoudia4 提出了一种基于强化学习的端到端通信零碎以解决信道信息未知的传输问题。
接收端作为一个有监督的学习过程,如下图所示:

发射端作为强化学习的过程,指标为最小化接收端损失,如下图所示:

GAN

Ye5 提出了一种基于 GAN 网络的端到端通信零碎以解决信道信息未知的传输问题。应用有条件的 GAN 神经网络,即在训练时退出烦扰(如高斯白噪声、瑞利衰减等)。

零碎如下图所示:

元学习

元学习 6 也能够实现信道模型未知条件下的端到端的通信零碎。

在信道未知的状况下,假设有一个蕴含一组预设信道模型的汇合,网络在该汇合上执行元学习,训练后失去的模型能够在很小的样本数或迭代次数下收敛并适应新信道。

  1. [2017 TCCN]
    An Introduction to Deep Learning for the Physical Layer
  2. [2017]
    Deep Learning Based MIMO Communications
  3. [2018 ICC]
    Learning a Physical Layer Scheme for the MIMO Interference Channel
  4. [2018 ACSSC]
    End-to-End Learning of Communications Systems Without a Channel Model
  5. [2020 TWC]
    Deep Learning-Based End-to-End Wireless Communication Systems With Conditional GANs as Unknown Channels
  6. [2017 ICML]
    Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

点击关注,第一工夫理解华为云陈腐技术~

正文完
 0