基于深度学习的空间脉冲位置调制多分类检测器

为有效避免最大似然(ML)检测复杂的计算过程,根据空间脉冲位置调制(SPPM)信号的特点,将深度神经网络(DNN)与分步检测相结合,提出了一种基于深度学习的SPPM多分类检测器。在该检测器中,利用DNN建立接收信号与PPM符号间的非线性关系,并以此为准则完成在线接收PPM符号的检测,从而有效避免了对PPM符号的穷搜索检测过程。结果表明,采用本文检测器后,SPPM系统在大幅降低检测复杂度的前提下,取得了近似最优的误比特性能,同时还克服了K均值聚类(KMC)分步分类检测所出现的错误平台效应。当PPM阶数为64时,本文方法较ML检测和线性均衡DNN检测器的计算复杂度分别降低了约95.45%、33.54%。