A Machine Learning Approach for Simultaneous Demapping of QAM and APSK Constellations

随着电信系统不断发展以满足不断增长的需求，将深度神经网络（DNN）整合进去已经显示出提高性能的潜力。然而，当用DNN替代传统接收器时，准确性和灵活性之间的权衡仍然具有挑战性。本文介绍了一种新颖的概率框架，允许单个DNN解调器同时解调多个QAM和APSK星座图。我们还展示了我们的框架允许利用星座图族中的分层关系。其结果是，我们需要更少的神经网络输出来编码相同的函数，而不会增加误比特率（BER）。我们的模拟结果证实，我们的方法在多个星座图下，接近于加性白噪声（AWGN）信道下的最优解调误差界。因此，我们解决了使DNN足够灵活以用作接收器的多个重要问题。

论文旨在解决用DNN替换传统接收器时准确性和灵活性之间的平衡问题，并提出一种新的概率框架，允许单个DNN解调器同时解调多个QAM和APSK星座图。

论文提出的新概率框架可以同时解调多个星座图，并利用星座图族中的层次关系，从而在不增加误比特率的情况下需要更少的神经网络输出来编码相同的功能。

论文通过模拟实验验证了其方法在多星座图下接近于加性白噪声高斯信道下的最优解调误差界。值得关注的是，该方法可以减少神经网络输出的数量，从而提高了解调器的灵活性。

最近的相关研究包括使用DNN进行信道估计和解调的研究，以及使用深度学习进行无线电频谱感知的研究。