DCGAN信道下的端到端通信系統(tǒng)設(shè)計(jì)*

程芳芳，王旭東，吳 楠

(大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連 116026)

0 引 言

傳統(tǒng)無(wú)線(xiàn)通信系統(tǒng)可以簡(jiǎn)單描述為傳輸信號(hào)經(jīng)過(guò)發(fā)射機(jī)調(diào)制編碼后傳送到信道，接收機(jī)在有信道干擾的情況下完美地完成解調(diào)和解碼，從而恢復(fù)出原始傳輸信號(hào)的過(guò)程。這種方法可以單獨(dú)優(yōu)化每個(gè)模塊，使每個(gè)模塊達(dá)到最優(yōu)，在信道估計(jì)[1-4]、信號(hào)檢測(cè)[5]、信道編解碼[6-7]及調(diào)制識(shí)別[8-9]等方面有著廣泛應(yīng)用；缺點(diǎn)是需要大量的專(zhuān)家知識(shí)，并且優(yōu)化每個(gè)子模塊不能保證實(shí)現(xiàn)全局最優(yōu)的性能[10]。隨著近幾年神經(jīng)網(wǎng)絡(luò)技術(shù)以及專(zhuān)用硬件的發(fā)展，無(wú)線(xiàn)通信領(lǐng)域的研究學(xué)者提出了基于深度學(xué)習(xí)(Deep Learning，DL)的端到端通信方案，這一方法能夠聯(lián)合優(yōu)化發(fā)射機(jī)和接收機(jī)，大幅度提升通信系統(tǒng)的可靠性和有效性。文獻(xiàn)[11]提出了一種發(fā)射機(jī)和接收機(jī)均由深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)構(gòu)成的端到端通信系統(tǒng)實(shí)現(xiàn)方案。文獻(xiàn)[12]在此基礎(chǔ)上進(jìn)行了改進(jìn)，用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)構(gòu)建收、發(fā)信機(jī)，獲得了泛化性較高的一種設(shè)計(jì)方案。文獻(xiàn)[13]提出了一種基于CNN的正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)自編碼正交頻分多址技術(shù)，用于復(fù)雜信道環(huán)境下的船聯(lián)網(wǎng)信息傳輸，且性能優(yōu)于傳統(tǒng)的OFDM系統(tǒng)。

端到端通信系統(tǒng)設(shè)計(jì)的一個(gè)關(guān)鍵問(wèn)題是信道傳輸特性描述，在以往的研究中通常采用一個(gè)假設(shè)的數(shù)學(xué)模型來(lái)表示信道，但實(shí)際場(chǎng)景受到多種噪聲的干擾，信道會(huì)隨著時(shí)間、地點(diǎn)的變化而變化。簡(jiǎn)單模型可能無(wú)法正確反映實(shí)際傳輸場(chǎng)景中信號(hào)的傳輸受到的影響，使得性能分析評(píng)估不夠準(zhǔn)確，因此越來(lái)越多的人開(kāi)始尋求新的信道建模方法，以保證通信系統(tǒng)建模分析的準(zhǔn)確性和可靠性。

深度學(xué)習(xí)的迅速發(fā)展使人們意識(shí)到可以將神經(jīng)網(wǎng)絡(luò)應(yīng)用于通信領(lǐng)域以解決現(xiàn)有問(wèn)題。文獻(xiàn)[14]提出了一種用生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)來(lái)逼近隨機(jī)信道模型的方法，結(jié)果表明，該方案能夠準(zhǔn)確地學(xué)習(xí)到隨機(jī)信道特征。文獻(xiàn)[15]在GAN的基礎(chǔ)上引入條件信息，提出了用條件生成對(duì)抗網(wǎng)絡(luò)(Conditional Generative Adversarial Network，CGAN)進(jìn)行信道建模的方法，將學(xué)習(xí)到的信道應(yīng)用于端到端通信系統(tǒng)中，提供發(fā)射機(jī)和接收機(jī)之間進(jìn)行梯度反向傳播的橋梁，更新權(quán)重和偏置，最終得到與傳統(tǒng)信道估計(jì)方法相似的性能。

針對(duì)原始的CGAN采用全連接層(Fully Connected Layer,FC)學(xué)習(xí)長(zhǎng)傳輸序列模型時(shí)準(zhǔn)確度不夠以及計(jì)算量大的問(wèn)題，本文將CNN引入CGAN，提出了一種基于CNN的條件對(duì)抗生成網(wǎng)絡(luò)的改進(jìn)方案。方案采用CNN構(gòu)建GAN網(wǎng)絡(luò)的生成器和判別器，同時(shí)加入全連接層，對(duì)輸入的每個(gè)元素進(jìn)行處理。通過(guò)對(duì)參數(shù)設(shè)計(jì)及網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整，獲得了適應(yīng)不同調(diào)制方式和信道類(lèi)型的學(xué)習(xí)網(wǎng)絡(luò)，可以實(shí)現(xiàn)傳輸長(zhǎng)序列的信道建模，并且較好地解決了GAN收斂慢、計(jì)算量大的問(wèn)題。采用不同的調(diào)制方式在加性高斯白噪聲(Additive White Gaussian Noise，AWGN)信道和瑞利衰落信道下進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了DCGAN對(duì)于傳輸長(zhǎng)序列信道建模的有效性。該方法可以在固定信噪比(Signal-to-Noise Ratio,SNR)下進(jìn)行訓(xùn)練，推廣到整個(gè)SNR范圍內(nèi)工作。此外，利用不同的評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行性能評(píng)估對(duì)比，證明了方法的準(zhǔn)確性。

1 系統(tǒng)模型

2014年，Goodfellow等[16]在國(guó)際會(huì)議上發(fā)表了有關(guān)生成對(duì)抗網(wǎng)絡(luò)的論文，主要靈感來(lái)源于博弈論中零和博弈的思想。應(yīng)用到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)上來(lái)說(shuō)，GAN網(wǎng)絡(luò)是通過(guò)對(duì)抗訓(xùn)練的方式來(lái)使得生成網(wǎng)絡(luò)產(chǎn)生的樣本服從真實(shí)樣本分布。相比傳統(tǒng)的模型，生成對(duì)抗網(wǎng)絡(luò)的特點(diǎn)是有兩個(gè)網(wǎng)絡(luò)進(jìn)行對(duì)抗訓(xùn)練:一個(gè)是生成網(wǎng)絡(luò)(Generator Network)，用G表示；另一個(gè)是判別網(wǎng)絡(luò)(Discriminator Network)，用D表示。和單目標(biāo)的優(yōu)化任務(wù)相比，生成對(duì)抗網(wǎng)絡(luò)的兩個(gè)網(wǎng)絡(luò)的優(yōu)化目標(biāo)剛好相反，GAN中生成器G的梯度更新信息來(lái)自判別器D，而不是來(lái)自數(shù)據(jù)樣本，因此生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練比較難，往往不太穩(wěn)定。一般情況下，需要平衡兩個(gè)網(wǎng)絡(luò)的能力。對(duì)于判別網(wǎng)絡(luò)來(lái)說(shuō)，一開(kāi)始的判別能力不能太強(qiáng)，否則難以提升網(wǎng)絡(luò)的能力。但是，判別器的判別能力也不能太弱，否則針對(duì)它訓(xùn)練的生成網(wǎng)絡(luò)也不夠完美，最終需要的結(jié)果是兩者達(dá)到納什均衡。

生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的主要功能是：生成網(wǎng)絡(luò)GG(n)是一個(gè)生成式的網(wǎng)絡(luò)，它接收一個(gè)隨機(jī)的噪聲n，通過(guò)這個(gè)噪聲生成樣本。判別網(wǎng)絡(luò)DD(i)實(shí)際上是一個(gè)二分類(lèi)的分類(lèi)器，目標(biāo)是區(qū)分樣本i是來(lái)自于真實(shí)分布pr(i)還是來(lái)自于生成模型pg(i)，其中標(biāo)簽y=1表示來(lái)自于真實(shí)分布，y=0表示來(lái)自生成模型。判別網(wǎng)絡(luò)y=0的輸出為屬于真實(shí)數(shù)據(jù)分布的概率為

P(y=1|i)=DD(i)，

(1)

則樣本來(lái)自生成模型的概率為

P(y=0|i)=1-DD(i)。

(2)

給定一個(gè)樣本(i,y),y={1,0}表示其來(lái)自于pr(i)還是pg(i)，判別網(wǎng)絡(luò)的目標(biāo)函數(shù)為最小化交叉熵，即

(3)

(4)

公式(4)可以進(jìn)一步由公式(5)表示：

(5)

生成網(wǎng)絡(luò)的目標(biāo)剛好和判別網(wǎng)絡(luò)相反，即讓判別網(wǎng)絡(luò)將生成的樣本錯(cuò)判為真實(shí)樣本，即

(6)

公式(6)進(jìn)一步轉(zhuǎn)化為

(7)

式(6)和式(7)兩個(gè)目標(biāo)函數(shù)是等價(jià)的，但公式(6)的梯度性質(zhì)更好。對(duì)于函數(shù)lb(x)來(lái)說(shuō)，假設(shè)x∈(0,1),x接近1時(shí)的梯度比接近0時(shí)小很多。因此當(dāng)判別網(wǎng)絡(luò)D以很高的概率認(rèn)為生成網(wǎng)絡(luò)G產(chǎn)生的樣本是假樣本時(shí)，即(1-DD(GG(n)))趨向于1，不利于優(yōu)化。生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)之間是相互競(jìng)爭(zhēng)的關(guān)系，它們的性能在對(duì)抗中一次次提高。若用目標(biāo)函數(shù)表示該過(guò)程，則可表示為

En～pn(n)[lb(1-DD(GG(n)))]。

(8)

式中：E[·]表示計(jì)算統(tǒng)計(jì)平均。

2014年，Mirza等[17]在《Computer Science》上發(fā)表了CGAN的論文[17]。如果生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D都以接收到的導(dǎo)頻信息c作為條件信息，則GAN可以擴(kuò)展為條件模型，只需要將條件信息c饋入生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D中作為附加輸入。因此，一般生成網(wǎng)絡(luò)G的輸出為GG(n|c)，鑒別器D的輸出為DD(i|c)。CGAN的優(yōu)化目標(biāo)相比GAN則變?yōu)?/p>

En～pn(n)[lb(1-DD(GG(n|c)))]。

(9)

本文在CGAN網(wǎng)絡(luò)的基礎(chǔ)上引入CNN，構(gòu)成DCGAN網(wǎng)絡(luò)。但優(yōu)化目標(biāo)與CGAN網(wǎng)絡(luò)相同，其中生成器和判別器都由CNN和全連接層構(gòu)成。引入了條件信息c和CNN的DCGAN網(wǎng)絡(luò)模型如圖1所示，生成器的輸入由n和c兩部分組成，其中n為輸入噪聲，生成器生成的虛假數(shù)據(jù)和真實(shí)數(shù)據(jù)以及條件信息c一同作為判別器的輸入，判別器判別輸入樣本的真假，如果樣本是真實(shí)數(shù)據(jù)判為Real，是生成的虛假數(shù)據(jù)則判為Fake。

圖1 CGAN網(wǎng)絡(luò)系統(tǒng)組成結(jié)構(gòu)

將信道建模和端到端通信結(jié)合起來(lái)，完成通信系統(tǒng)的完整構(gòu)建。端到端通信的結(jié)構(gòu)如圖2所示，由發(fā)射機(jī)、信道和接收機(jī)三部分組成，其中發(fā)射機(jī)包含調(diào)制器，信道包含AWGN信道和瑞利信道，接收端包括解調(diào)器。

圖2 端到端通信系統(tǒng)結(jié)構(gòu)

系統(tǒng)的發(fā)射機(jī)由4個(gè)一維卷積層和1個(gè)功率歸一化層組成，輸入的二進(jìn)制消息序列s經(jīng)過(guò)由卷積層構(gòu)成的調(diào)制器進(jìn)入調(diào)制階段，功率歸一化層對(duì)調(diào)制后的信號(hào)進(jìn)行能量約束，經(jīng)過(guò)能量約束后的信號(hào)x∈n進(jìn)入信道。針對(duì)信道部分，本文提出將CNN和全連接層引入CGAN對(duì)信道進(jìn)行建模，生成器包含3個(gè)一維卷積層和1個(gè)全連接層，利用卷積層的局部連接和權(quán)重共享特性，能夠在所有輸入符號(hào)上采用同一組參數(shù)，執(zhí)行相同的卷積運(yùn)算，因此可以同時(shí)處理整個(gè)符號(hào)序列x。對(duì)傳輸k×l比特信息的信道進(jìn)行建模，其中l(wèi)是符號(hào)的長(zhǎng)度，k是每符號(hào)攜帶的比特?cái)?shù)。全連接層能夠完成特征空間的維度轉(zhuǎn)換，將輸入維度為l×k的信號(hào)轉(zhuǎn)換為l×2，保證信號(hào)的輸出由實(shí)部和虛部?jī)蓚€(gè)維度構(gòu)成。生成器生成的虛假數(shù)據(jù)和真實(shí)數(shù)據(jù)一同輸入到判別器，判別器采用3個(gè)一維卷積層和1個(gè)全連接層，對(duì)輸入數(shù)據(jù)進(jìn)行判別，全連接層將維度為l×2的輸入轉(zhuǎn)換為l×1，采用sigmoid激活函數(shù)將輸入的概率值壓縮到(0,1)之間，當(dāng)概率值大于0.5時(shí)判別為Real，反之判為Fake。利用DCGAN網(wǎng)絡(luò)可以成功地對(duì)AWGN信道或瑞利信道進(jìn)行建模。接收機(jī)由5個(gè)一維卷積層組成，能夠接收經(jīng)過(guò)信道后具有失真和噪聲污染的信號(hào)y=x+n或y=hx+n，其中h是信道特性，n是方差為σ2的加性高斯白噪聲。接收機(jī)對(duì)信號(hào)y進(jìn)行解調(diào)，以恢復(fù)原始的比特流s。信道建模與端到端通信結(jié)合的系統(tǒng)模型如圖3所示。

圖3 基于DCGAN網(wǎng)絡(luò)的端到端通信系統(tǒng)組成結(jié)構(gòu)

盡管采用更多的神經(jīng)網(wǎng)絡(luò)層可以使得整個(gè)結(jié)構(gòu)的學(xué)習(xí)能力更強(qiáng)，但層數(shù)的增加也意味著訓(xùn)練難度加大。經(jīng)過(guò)試驗(yàn)，本文對(duì)收發(fā)機(jī)均采用5層神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)結(jié)構(gòu)，對(duì)DCGAN結(jié)構(gòu)采用4層，既能獲得準(zhǔn)確的建模結(jié)果，又能保證網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)能力以及訓(xùn)練難度適中。圖3對(duì)應(yīng)的參數(shù)由表1給出。

表1 生成器結(jié)構(gòu)參數(shù)

2 性能分析

本節(jié)將通過(guò)大量的仿真實(shí)驗(yàn)證明提出的基于DCGAN網(wǎng)絡(luò)的信道建模方法能夠?qū)鬏旈L(zhǎng)序列的情況進(jìn)行建模，并具有良好的泛化能力。與端到端通信結(jié)合，在固定信噪比20 dB下進(jìn)行訓(xùn)練，選取比特能量信噪比Eb/N0在0～30 dB范圍內(nèi)進(jìn)行誤比特率分析，在不同調(diào)制方式下，將本方案獲得的誤比特率(Bit Error Rate,BER)性能與傳統(tǒng)數(shù)字調(diào)制系統(tǒng)進(jìn)行對(duì)比。

2.1 不同指標(biāo)下建模效果分析

利用卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重共享和局部連接特性，在l×k的傳輸長(zhǎng)度下對(duì)信道進(jìn)行建模。在本次試驗(yàn)中，符號(hào)長(zhǎng)度l設(shè)置為128，每個(gè)符號(hào)包含k比特信息。生成對(duì)抗網(wǎng)絡(luò)中生成器和判別器的損失函數(shù)如式(9)所示，收發(fā)機(jī)的損失函數(shù)采用輸入和輸出之間的二進(jìn)制交叉熵?fù)p失函數(shù)：

(10)

分別采用不同指標(biāo)對(duì)加性高斯白噪聲信道和瑞利衰落信道建模效果進(jìn)行分析，調(diào)制方式選取16QAM，優(yōu)化器為Adam，其他參數(shù)保持相同，部分系統(tǒng)仿真參數(shù)如表2所示。

表2 系統(tǒng)仿真參數(shù)

為了準(zhǔn)確地對(duì)建模效果進(jìn)行評(píng)價(jià)，采用概率密度函數(shù)(Probability Density Function，PDF)對(duì)信道建模效果進(jìn)行分析。在兩種不同的信道下分別對(duì)真實(shí)數(shù)據(jù)和生成數(shù)據(jù)進(jìn)行對(duì)比。通過(guò)圖4可以觀察到，在加性高斯白噪聲和瑞利衰落信道下，真實(shí)信道數(shù)據(jù)和DCGAN生成的信道數(shù)據(jù)兩條曲線(xiàn)之間差距都比較小，在一定程度上可以反映出建模效果，但這種方法的不足是無(wú)法計(jì)算兩者之間的差距。

(a)AWGN信道的概率密度函數(shù)

(b)瑞利信道的概率密度函數(shù)圖4 不同信道下的概率密度函數(shù)

歸一化均方誤差(Normalized Mean Squared Error，NMSE)是一種較為簡(jiǎn)單的方法，可以用來(lái)衡量生成數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的偏差，評(píng)價(jià)數(shù)據(jù)的變化程度。其計(jì)算表達(dá)式如下：

(11)

在本次試驗(yàn)中采用NMSE方法可以有效地對(duì)建模效果進(jìn)行分析。以16QAM調(diào)制下的瑞利信道為例，通過(guò)圖5可以觀察到，NMSE可以直觀地反映出真實(shí)數(shù)據(jù)和生成數(shù)據(jù)之間的差距，并能比較不同方法針對(duì)長(zhǎng)短序列的建模效果。與文獻(xiàn)[10]中原始的GAN方法和文獻(xiàn)[15]中改進(jìn)的CGAN方法相比，在處理相同長(zhǎng)度為8的短序列時(shí)，從圖5(a)中可以觀察到GAN和CGAN模型在迭代次數(shù)較少時(shí)生成效果較差，但隨著迭代次數(shù)的增加，效果越來(lái)越好，最終與DCGAN的信道建模效果差距較小，證明GAN、CGAN和DCGAN均可以成功對(duì)短序列進(jìn)行建模，不存在維度詛咒問(wèn)題。但當(dāng)針對(duì)長(zhǎng)序列輸入進(jìn)行建模時(shí)，由于維度詛咒，現(xiàn)有的GAN和CGAN方法學(xué)出來(lái)的結(jié)果誤差較大，即不能正確地進(jìn)行信道建模。為了解決這一問(wèn)題，本文采用DCGAN方法。DCGAN相比GAN和CGAN的優(yōu)勢(shì)是能夠?qū)⑤斎霃膸妆忍氐亩梯斎胄蛄袛U(kuò)展到幾十甚至上百比特的長(zhǎng)序列。從圖5(b)中可以觀察到，在長(zhǎng)度為128的長(zhǎng)序列下，GAN迭代20次時(shí)逐漸平穩(wěn)，CGAN迭代180次時(shí)逐漸趨于平穩(wěn)，最終的NMSE值較大，GAN和CGAN針對(duì)長(zhǎng)序列建模失敗。但DCGAN在迭代60次時(shí)NMSE已經(jīng)達(dá)到-35 dB，結(jié)果較好，證明DCGAN可以準(zhǔn)確地實(shí)現(xiàn)輸入為長(zhǎng)序列的建模，打破了維度的限制。為了進(jìn)一步比較GAN、CGAN和DCGAN三種方法，對(duì)其loss函數(shù)進(jìn)行分析。

(a)基于短序列的NMSE

(b)基于長(zhǎng)序列的NMSE圖5 基于不同輸入長(zhǎng)度CGAN和DCGAN信道建模的NMSE

loss函數(shù)是決定網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量的關(guān)鍵。在網(wǎng)絡(luò)結(jié)構(gòu)不變的前提下，loss函數(shù)選擇不當(dāng)會(huì)導(dǎo)致模型精度差等后果。本文的損失函數(shù)參考公式(9)。GAN模型訓(xùn)練困難，判別器太差時(shí)無(wú)法提供有效梯度，太好則會(huì)導(dǎo)致梯度消失，為了避免這一問(wèn)題，訓(xùn)練時(shí)首先固定生成器，判別器每訓(xùn)練10次生成器訓(xùn)練一次。觀察圖6中GAN、CGAN和DCGAN模型針對(duì)16QAM調(diào)制下瑞利信道的loss函數(shù)可知，GAN模型在迭代290次時(shí)產(chǎn)生交叉點(diǎn)(即達(dá)到納什均衡)，CGAN模型迭代150次達(dá)到納什均衡，而DCGAN模型迭代20次時(shí)就可以達(dá)到納什均衡。從該結(jié)果中可以得出結(jié)論：GAN收斂速度最慢，CGAN次之，DCGAN相比GAN和CGAN隨著訓(xùn)練次數(shù)的增加可以更快地收斂，效果更好。

(a)基于CGAN的loss函數(shù)

(b)基于DCGAN的loss函數(shù)

(c)基于GAN的loss函數(shù)圖6 基于GAN、CGAN和DCGAN的loss函數(shù)對(duì)比

通過(guò)采用不同的指標(biāo)進(jìn)行對(duì)比可以得出結(jié)論：NMSE方法最適合用來(lái)對(duì)信道建模效果進(jìn)行分析，能夠直觀準(zhǔn)確地判斷出不同方法的建模效果。loss函數(shù)收斂效果對(duì)比表明，基于DCGAN的建模方法優(yōu)于基于CGAN的方法。

2.2 基于DCGAN信道建模端到端通信系統(tǒng)效果分析

針對(duì)AWGN信道和瑞利衰落信道進(jìn)行準(zhǔn)確建模后，將其與自編碼器(Auto Encoder，AE)系統(tǒng)結(jié)合起來(lái)組成端到端通信系統(tǒng)。在不同的調(diào)制方式下將基于神經(jīng)網(wǎng)絡(luò)的端到端通信和傳統(tǒng)的通信系統(tǒng)進(jìn)行對(duì)比，觀察整體結(jié)果。

圖7給出了不同信道中采用不同調(diào)制方式時(shí)的BER。設(shè)置k為2、4、6，分別對(duì)應(yīng)傳統(tǒng)的QPSK、16QAM和64QAM。如圖7所示，與傳統(tǒng)的調(diào)制方式相比，基于DCGAN信道建模的端到端通信系統(tǒng)的BER性能與傳統(tǒng)調(diào)制方式的理論值相吻合，由于學(xué)習(xí)到的信道并不是完全準(zhǔn)確，所以BER會(huì)存在一定的偏差。

(a)AWGN信道下不同調(diào)制方式的誤比特率

(b)瑞利信道下不同調(diào)制方式的誤比特率圖7 不同信道下不同調(diào)制方式的誤比特率

3 結(jié)束語(yǔ)

本文提出了一種基于DCGAN的端到端通信系統(tǒng)，將改進(jìn)的DCGAN和自編碼器運(yùn)用到通信領(lǐng)域中。系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)來(lái)完成整個(gè)通信過(guò)程。利用卷積層和全連接層的局部連接和權(quán)重共享特性對(duì)傳輸長(zhǎng)的二進(jìn)制比特序列信道進(jìn)行建模，并從AWGN信道擴(kuò)展到更復(fù)雜的瑞利衰落信道中。將信道建模結(jié)果與端到端通信結(jié)合起來(lái)，發(fā)射機(jī)實(shí)現(xiàn)調(diào)制過(guò)程，接收機(jī)將接收到的信號(hào)進(jìn)行恢復(fù)。仿真實(shí)驗(yàn)證明，基于DCGAN的信道建模方法能夠?qū)鬏數(shù)拈L(zhǎng)序列成功建模，并且可以得到與傳統(tǒng)調(diào)制方式相吻合的性能。

本文提出的模型系統(tǒng)能夠推廣到各種信道，與端到端通信結(jié)合時(shí)可得到與現(xiàn)有人工設(shè)計(jì)的最佳調(diào)制方案相似的性能。未來(lái)希望在DCGAN網(wǎng)絡(luò)上繼續(xù)進(jìn)行改進(jìn)，進(jìn)一步實(shí)現(xiàn)在無(wú)監(jiān)督學(xué)習(xí)的方式下準(zhǔn)確的信道建模過(guò)程。