摘要:基於深度學習的端到端通信系統模型可以分為兩類:確定信道模型與未知信道模型。
現代的通信領域是基於信號處理算法建立起來的,其有比較完整的統計學和信息論基礎,並可以被證明是最優的。這些算法通常是線性的、穩定的,並擁有高斯統計特性。
但是,一個實際的通信系統,大部分模塊都是非線性的,只能被這些算法近似地描述。
現有的通信系統設計是模塊化的,信道處理的過程被分為一系列子模塊,每個子模塊具有獨立的處理函數,如信源編碼、信道編碼、調制、信道估計、信道均衡等等。
這樣的設計從實際工程上來說,實現更簡單;但不能保證端到端最優。使用傳統方法來實現端到端一體系統是非常復雜的。由於深度學習的發展,基於自編碼器的通信系統設計是一種全新的思路。
神經網絡通過大量訓練樣本學習數據的分布,然后預測結果;可以用於端到端系統做聯合優化,相比現有方法可以做到更優。基於深度學習的端到端通信系統模型可以分為兩類:確定信道模型與未知信道模型。
確定信道模型的端到端系統
O'Shea1 提出了一種使用深度神經網絡的自編碼器來實現端到端通信系統。
通信系統可以看着為如下模型:
源數據 ss 通過信源編碼和信道編碼后為 xx,然后經信道 ChannelChannel 傳輸;信道傳輸中會帶來噪聲,對端接收后為 yy;經解碼得到 \hat{s}s^。
這個過程可以看着是一個自編碼過程:子編碼器從一個低維度角度對數據進行描述,並允許重建后的數據有少量誤差。
從這個角度來看,自編碼器如同非線性壓縮和重建輸入工程。作者在信道中加入高斯白噪聲進行訓練,實現一個端到端通信系統。
系統模型如下圖所示:
優化器使用 SGD;深度網絡采用全連接層。
之后,O'Shea2 將自編碼器模型推廣到瑞利衰落信道的 MIMO(Multiple-Input Multiple-Output) 系統。
Erpek3 將自編碼模型推廣到有干擾(包括瑞利衰減)的 MIMO 系統,並使用兩個公用同一信道的自編碼器來聯合訓練消除干擾。
其系統模型如下圖所示:
未知信道模型的端到端系統
在現實世界中,往往難以獲取真實信道的分布函數,需要考慮在未知信道信息的情況下進行訓練。
現有方法分為三類:強化學習、GAN 與元學習。
強化學習
Aoudia4 提出了一種基於強化學習的端到端通信系統以解決信道信息未知的傳輸問題。
接收端作為一個有監督的學習過程,如下圖所示:
發射端作為強化學習的過程,目標為最小化接收端損失,如下圖所示:
GAN
Ye5 提出了一種基於 GAN 網絡的端到端通信系統以解決信道信息未知的傳輸問題。使用有條件的 GAN 神經網絡,即在訓練時加入干擾(如高斯白噪聲、瑞利衰減等)。
系統如下圖所示:
元學習
元學習6 也可以實現信道模型未知條件下的端到端的通信系統。
在信道未知的情況下,假定有一個包含一組預設信道模型的集合,網絡在該集合上執行元學習,訓練后得到的模型可以在很小的樣本數或迭代次數下收斂並適應新信道。
- [2017 TCCN]
An Introduction to Deep Learning for the Physical Layer - [2017]
Deep Learning Based MIMO Communications - [2018 ICC]
Learning a Physical Layer Scheme for the MIMO Interference Channel - [2018 ACSSC]
End-to-End Learning of Communications Systems Without a Channel Model - [2020 TWC]
Deep Learning-Based End-to-End Wireless Communication Systems With Conditional GANs as Unknown Channels - [2017 ICML]
Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
本文分享自華為雲社區《基於深度學習的端到端通信系統模型》,原文作者:技術火炬手。