论文名称：Deep Learning for Signal Demodulation in PhysicalLayer Wireless Communications: PrototypePlatform, Open Dataset, and Analytics

1 相关链接

论文中的数据集
论文链接

2 论文主要创新点

（1）针对实际物理环境，开发了一种能够产生真实信号的灵活的端到端无线通信原型平台。该原型用于在实际物理环境下建立实际通信系统的八种调制方案的实测调制数据集。数据集下载

（2）提出了两种基于DL的数据驱动的解调器，分别是基于DBN-SVM的解调器和基于AdaBoost的解调器。

• 基于DBN-SVM的解调算法，利用了DBN作为特征提取器和SVM作为特征分类器的优点，组合成了新颖的解调结构。为加快收敛速度，将接收信号归一化后送入DBN网络，提取接收信号的特征，利用支持向量机对特征进行分类。
• 基于AdaBoost的解调算法，该算法利用多组网络作为弱分类器，形成强组合分类器。AdaBoost解调器在迭代过程中增加了误差降调符号的权值，降低了正确解调符号的权值。

（3）本文对提出的两种数据驱动解调器的解调性能进行了研究。对于固定的传输距离，这两个DL解调器的解调精度会随着各自的传输和调制阶数而降低。实验结果还表明，基于DBN-SVM的解调器的解调精度高于单独基于DBN和基于svm的解调器。此外，在较低信噪比区域，基于adaboost的解调精度要高于基于DBN-SVM的解调精度，且两种解调方法在高信噪比区域的解调精度相近。对于高信噪比的情况，高阶调制通常是首选。

3 DBN-SVM

采用DBN作为特征发生器，支持向量机作为分类器。
（1）DBN
是包含三个堆叠的受限玻尔兹曼机（RBM），在训练过程中面，RBM的目标是最大化对数似然函数。
（2）OVO-SVM
一对一支持向量机。通过解决两分类子问题实现多分类问题。采用了两分类支持向量机。为了将行人特征映射到高维空间，引入高斯核函数。
（3）算法结构

4 AdaBoost

（1）简介
AdaBoost是一种用于改进机器学习算法的通用方法，它将多个独立的弱分类器集成为一个更强的分类器。利用k-最近邻(KNN)分类器作为弱分类器来构造AdaBoost。
（2）算法结构

5 结果分析

（1）图5、6

• 模型的解调精度随着信噪比的增加而增加。
• 从图5可以看出，当信噪比≥15dB时，所有方法的解调精度都接近100%，在信噪比≤13dB时，基于AdaBoost的解调器明显优于其他模型。
• 本文提出的基于DBN-SVM的解调方法比基于dbn和基于svm的解调方法具有更好的性能。
• 图6中，在信噪比≥15dB时，所设计的AdaBoost解调器接近100%。但是，随着信噪比的增加，其他的方法无法达到100%。此外，在这些算法中，基于AdaBoost的解调性能明显优于其他四种方法

（2）图7

• 解调精度随采样点数目的增加而增加。

• 此外，当信噪比≥15dB时，n = 40orN= 80的解调精度可近似达到100%。然而，随着采样点数量的增加，计算复杂度也随之增加
  （3）图8
  

• 随着训练信号周期数的增加，解调精度开始增大，当训练信号周期数为5000时，解调精度达到饱和。

• 32- qam相比与16-QAM相比，后者可以达到更高的精度。16-QAM能够以相对较少的训练信号周期提供稳定的性能。

• 不同的调制模式对不同的训练信号周期数有不同的要求。
  （4）图9
  

• 解调精度随调制阶数的增加而降低

• BPSK精度最高
  （5）图10
  

• BPSK、4-QAM和8- qam的有效容量随着信噪比的增加几乎保持不变。

• 发现（Modulation oders）调制阶数对传输容量的性能有相当大的积极影响。

• 当信噪比≤15dB时，低阶和高阶调制的性能差距更明显。然而，高阶调制解调精度较低，因此在解调精度和有效容量之间存在权衡问题。