【文献学习】Signal Demodulation With Machine Learning Methods for Physical Layer Visible Light Communicati

1 简介和创新点

搭建了一个端到端的可见光传输系统，实现的是可见光通信系统物理层中的解调。 为了对比实验，提出的了三种数据驱动的神经网络的解调框架

• CNN:将解调的信号转换为图像，并通过图像分类识别信号
• DBN：包含三个受限的Boltzmann机，提取调制特征
• AdaBoost：包括了一个强分类，由弱分类使用K-邻近算法构造

2 信号DL解调综述

（1）《Neural network based receiver design for software defifined radio over unknown channels 2013》 未知信道的接收器 （2）《A deep convolutional network demodulator for mixed signals with different modulation types 2017》 分别从混合信号中解调符号序列 （3）《Demodulator based on deep belief networks in communication system 2017 》 表明基于深度置信网络（DBN）的解调器对于具有一定信道冲激响应的AWGN信道和瑞利非频率选择性平坦衰落信道是可行的 （4）《Deep learning detection method for signal demodulation in short range multipath channel》 提出了一种基于深度学习（DL）的检测方法，用于短距离多径信道中没有任何信道均衡的信号解调

3 模型

三个模型 第一个两个卷积层两个池化层的CNN首先将调制信号转换为图像，然后通过图像分类识别信号 第二个使用三个受限的玻尔兹曼机（RBM）开发基于DBN的解调器，以提取调制特征，实现解调 第三个一种基于AdaBoost的解调器，其中由几个弱分类器使用k最近邻（KNN）算法构造一个强分类器

3.1 CNN

把信号转为输入2828的图片 神经网络是两个卷积层、两个池化层、一个全连接层 第一个卷积6个55的卷积核，输出6个特征图。池化核是22，采用最大池化 第二个卷积12个33的卷积核，输出12个特征图。池化核是2*2，采用最大池化 batch=100,epoch = 100~200

3.2 DBN

采用梯度下降方法。RBM是DBN的基本模块，它是无向图形模型的实现，包含一层可见神经元和一层隐藏神经元。 模型来自于《Reducing the dimensionality of data with neural networks》

模型参数如下

3.3 AdaBoost

AdaBoost算法是一种功能强大的工具，可以将多个独立的弱分类器集成到高性能的强分类器中。 在本文中，作者利用AdaBoost方法对信号进行解调，其中强分类器的生成过程如图所示。KNN是K-邻近算法 模型来自于《Soft margins for AdaBoost》

4 疑问和思考

（1）本人是打算在这篇文献中去寻找解调OFDM信号的灵感，但是该文献研究的问题是光通信的解调。没有太多实质性的收获。 （2）通过阅读多篇文献，都有提到分类器是可以实现信号解调的，这里提到的AdaBoost和SVM，作为分类器都可以实现解调。具体怎么实现的未知。没有代码参考