基于CNN和GRU的高階調制自動編碼器研究
2023年電子技術應用第5期
蔚淦丞1，2，3，廖明軍1，2，3，劉俊杰1，2，3，周雄1，2，3
（1.重慶郵電大學 通信與信息工程學院，重慶 400065；2.先進網絡與智能互聯技術重慶市高校重點實驗室，重慶 400065； 3.泛在感知與互聯重慶市重點實驗室，重慶 400065）
摘要： 基于深度學習的自動編碼器是替代傳統通信發射器和接收器的一種新方法。提出了一種基于卷積神經網絡（Convolutional Neural Network， CNN）和門遞歸單元（Gate Recurrent Unit， GRU）的自動編碼器，集成了星座映射和信道編碼功能。設計了一種并行CNN結構，并將輸入比特流進行分段的one-hot編碼。這樣做有兩個優點：（1）與不分段的one-hot編碼相比，數據的維度降低了；（2）數據的稀疏性降低，這使網絡可以更快更好地收斂。此外，引入GRU以實現信道編碼。所提出的模型可以應用于高階調制如4096QAM信號，在加性高斯白噪聲（AWGN）信道和瑞利信道下都有著優于傳統方法的性能。
中圖分類號：TN92
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.223583
中文引用格式： 蔚淦丞，廖明軍，劉俊杰，等. 基于CNN和GRU的高階調制自動編碼器研究[J]. 電子技術應用，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.
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.223583
中文引用格式： 蔚淦丞，廖明軍，劉俊杰，等. 基于CNN和GRU的高階調制自動編碼器研究[J]. 電子技術應用，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
無線通信要解決的主要問題是如何從包含噪聲和干擾的接收信號中盡可能無差錯地恢復發送信號。傳統方法通常以模塊化的方式設計和實現發射器和接收器，將每個模塊單獨優化以獲得可靠的通信系統。然而這種“貪心”地將每個模塊優化到最佳，并不意味著整個系統的性能達到了最佳。這是傳統通信系統長期存在的系統偏差。
近年來，隨著神經網絡在計算機視覺、自然語言處理等領域的成功，無線通信領域也涌現出大量與深度學習結合的相關研究。基于深度學習的端到端通信系統可以聯合優化發送器和接收器，因此神經網絡有很大的潛力成為下一代無線通信的主流技術。當發射器和接收器分別被視為編碼器和解碼器，整個通信系統可以被視為一個自動編碼器。而這個自動編碼器唯一的優化目標就是信號的恢復精度——這也是衡量通信系統性能的唯一指標。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000005322
作者信息：
蔚淦丞1，2，3，廖明軍1，2，3，劉俊杰1，2，3，周雄1，2，3
（1.重慶郵電大學 通信與信息工程學院，重慶 400065；2.先進網絡與智能互聯技術重慶市高校重點實驗室，重慶 400065；3.泛在感知與互聯重慶市重點實驗室，重慶 400065）
此內容為AET網站原創，未經授權禁止轉載。