基于深度学习的脉冲噪声信道解调  

作　　者：Andreas Andersson Kristoffer Hagglund Erik Axell 张笑波(译) 

机构地区：[1]Dept.for Robust Radio Communications Swedish [2]Defence Research Agency Linkoping,Sweden [3]不详

出　　处：《通信对抗》2024年第3期57-62,共6页Communication Countermeasures

摘　　要：军事平台上的无线系统通常在具有挑战性的电磁环境中运行。这种环境中的干扰往往是非高斯的,因而对称α一稳定分布模型是一种更适合推导出必要接收机算法的模型。与基于高斯的接收机相比,根据α一稳定模型调整接收机可在具有挑战性的干扰环境中显著提高性能,但代价是更高的计算复杂度。随着深度学习和神经网络的出现,一种很有前景的应用是用合适的网络结构取代解调步骤,以降低复杂度。文章探索了这类网络的泛化能力,以检验模型适应不同长度和类型的新的、未见过的纠错码的能力,还有与传统解调相比是否能实现良好的性能,以及网络在解调时是否会考虑编码结构。结果表明,网络的泛化能力在很大程度上取决于结构和训练数据。此外,无法泛化的模型会根据编码结构假设做出错误的决择,导致性能不如更通用的模型,即使它是在相同的编码上训练和测试的。结果表明,所提出的模型性能良好,与基于α-稳定的方法不相上下,且计算成本显著降低。

关 键 词：深度学习 神经网络 解调 α-稳定 

分 类 号：TN9[电子电信—信息与通信工程]