基于CNN和GRU的高阶调制自动编码器研究
2023年电子技术应用第5期
蔚淦丞1，2，3，廖明军1，2，3，刘俊杰1，2，3，周雄1，2，3
（1.重庆邮电大学 通信与信息工程学院，重庆 400065；2.先进网络与智能互联技术重庆市高校重点实验室，重庆 400065； 3.泛在感知与互联重庆市重点实验室，重庆 400065）
摘要： 基于深度学习的自动编码器是替代传统通信发射器和接收器的一种新方法。提出了一种基于卷积神经网络（Convolutional Neural Network， CNN）和门递归单元（Gate Recurrent Unit， GRU）的自动编码器，集成了星座映射和信道编码功能。设计了一种并行CNN结构，并将输入比特流进行分段的one-hot编码。这样做有两个优点：（1）与不分段的one-hot编码相比，数据的维度降低了；（2）数据的稀疏性降低，这使网络可以更快更好地收敛。此外，引入GRU以实现信道编码。所提出的模型可以应用于高阶调制如4096QAM信号，在加性高斯白噪声（AWGN）信道和瑞利信道下都有着优于传统方法的性能。
中图分类号：TN92
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223583
中文引用格式： 蔚淦丞，廖明军，刘俊杰，等. 基于CNN和GRU的高阶调制自动编码器研究[J]. 电子技术应用，2023，49(5)：41-46.
英文引用格式： Yu Gancheng，Liao Mingjun，Liu Junjie，et al. High order modulation autoencoder based on CNN and GRU[J]. Application of Electronic Technique，2023，49(5)：41-46.
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223583
中文引用格式： 蔚淦丞，廖明军，刘俊杰，等. 基于CNN和GRU的高阶调制自动编码器研究[J]. 电子技术应用，2023，49(5)：41-46.
英文引用格式： Yu Gancheng，Liao Mingjun，Liu Junjie，et al. High order modulation autoencoder based on CNN and GRU[J]. Application of Electronic Technique，2023，49(5)：41-46.
High order modulation autoencoder based on CNN and GRU
Yu Gancheng1，2，3，Liao Mingjun1，2，3，Liu Junjie1，2，3，Zhou Xiong1，2，3
(1.School of Communication and Information Engineering， Chongqing University of Posts and Telecommunications， Chongqing 400065， China； 2.Advanced Network and Intelligent Connection Technology Key Laboratory of Chongqing Education Commission of China， Chongqing 400065， China； 3.Chongqing Key Laboratory of Ubiquitous Sensing and Networking， Chongqing 400065， China)
Abstract： Autoencoder (AE) based on deep learning is a new method to replace traditional communication transmitter and receiver. This paper proposes an autoencoder based on Convolutional Neural Network (CNN) and Gate Recurrent Unit (GRU), which integrates constellation mapping and channel coding. Specifically, this paper designs a parallel CNN structure and segment the input bitstream for one-hot encoding, which has two advantages:(1) Compared with the original one-hot encoding, the dimension of the input data is reduced; (2) The features of the data are not too sparse, which allows the network to converge faster and better. In addition, the GRU is introduced for channel coding. The proposed model can be applied to high-order modulation such as 4096QAM signal, and has better performance than traditional methods under both added white Gaussian noise (AWGN) channels and Rayleigh channels.
Key words : autoencoder；CNN；GRU；deep learning
0 引言
无线通信要解决的主要问题是如何从包含噪声和干扰的接收信号中尽可能无差错地恢复发送信号。传统方法通常以模块化的方式设计和实现发射器和接收器，将每个模块单独优化以获得可靠的通信系统。然而这种“贪心”地将每个模块优化到最佳，并不意味着整个系统的性能达到了最佳。这是传统通信系统长期存在的系统偏差。
近年来，随着神经网络在计算机视觉、自然语言处理等领域的成功，无线通信领域也涌现出大量与深度学习结合的相关研究。基于深度学习的端到端通信系统可以联合优化发送器和接收器，因此神经网络有很大的潜力成为下一代无线通信的主流技术。当发射器和接收器分别被视为编码器和解码器，整个通信系统可以被视为一个自动编码器。而这个自动编码器唯一的优化目标就是信号的恢复精度——这也是衡量通信系统性能的唯一指标。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005322
作者信息：
蔚淦丞1，2，3，廖明军1，2，3，刘俊杰1，2，3，周雄1，2，3
（1.重庆邮电大学 通信与信息工程学院，重庆 400065；2.先进网络与智能互联技术重庆市高校重点实验室，重庆 400065；3.泛在感知与互联重庆市重点实验室，重庆 400065）
此内容为AET网站原创，未经授权禁止转载。