信源信道联合编码(Joint Source-channel Coding,JSCC)

信源编码、信道编码独立设计

信息论的分离定理可以表述为：若信源信息熵不大于信道容量，就可以找到分离的信道编码、信源编码，能够完成信息的零误差传输。 分离定理虽然能够使信道编码、信源编码各自达到最佳效果，但在各自最优的情况下，整个通信系统的信息传输性能却不一定是最优的

为什么需要信源信道联合编码？

  信源编码的目的是去除信源内部冗余信息，提高有效性；信道编码需要对原始比特序列增加校验位来实现检错、纠错的功能，以此增加比特序列传输对于噪声信道的可靠性。
  从设计思路上来说，信源压缩和信道编码是对立的，若将它们分离设计，则难以取得最优的折中方案。
  因此可以考虑使用人工神经网络对信源压缩和信道编码进联合设计，从而使通信系统达到端到端的最优性能。

参考：基于深度学习的信源信道联合编码方法综述 1

基于自编码器设计的端到端收发机

  通信系统物理层收发机与自编码器在功能和结构上是相似的。自编码器的主要功能是实现数据重构，而通信系统的主要功能是在接收端恢复发射端的信号。
  若把收发信机看成一种自编码器结构，则发射机与接收机分别对应于自编码器的编码器与译码器。因此，通信系统收发信机的最优化设计就转变为自编码器端到端的优化任务。

参考：基于深度学习的信源信道联合编码方法综述 3

确定信道模型和未知信道模

• 确定信道模型的端到端系统大多选择高斯白噪声信道或瑞利衰落信道作为仿真信道。

• 自编码器端到端学习过程需要信道的先验知识进行梯度下降优化。实际场景中往往难以获得精确的信道传输函数，需要考虑如何在未知信道信息的情况下进行训练。现有的解决方法可以分为 3 类：强化学习、GAN 与元学习。

参考：基于深度学习的信源信道联合编码方法综述 3.1&3.2

经典端到端无线通信系统

首先，使用信源编码（JPEG、WebP 等）对信源 $x$ 去除冗余得到比特流 $s$；
然后，对 $s$ 进行信道编码（Turbo、LDPC 等）得到 $y$，以增加相应的校验位来抵抗信道噪声；
最后，对比特流 $y$ 进行调制（BPSK、16QAM 等），将比特映射为星座点集合中的符号，符号的同相分量和正交分量分别由通信链路的 I 和 Q 两路信号承载并发送。
对应地，接收端对经过信道后的符号 $\overline{z}$ 进行解调、解码操作得到 $x$ 。

参考：基于深度学习的信源信道联合编码方法综述 4

基于深度学习的JSCC

依据定义信道的方式不同，基于深度学习的JSCC 可归结为两类设计思路：

• 第一类：
  
  将信源编码、信道编码和调制联合设计为联合编码器。也就是说，信源符号序列会被联合编码器直接映射到信道符号。信道符号经过 AWGN 等连续物理信道之后，被联合解码模块在信宿重建。

• 第二类

  
  将通信系统中的调制、噪声信道、解调模块抽象为离散的二进制信道。该模型中，信源经过联合编码器联合编码为比特流，比特流经过离散的二进制信道后，被联合解码模块重建。

参考：基于深度学习的信源信道联合编码方法综述 4

今天的文章信源信道联合编码(Joint Source-channel Coding,JSCC)分享到此就结束了，感谢您的阅读。