經典端對端無線通訊系統如下圖所示：
信源 xx使用信源編碼，去除冗餘得到位元流 ss。
對 ss進行通道編碼（如 turb程式設計客棧o、ldpc 等）得到 yy，增加相應的校驗位來抵抗通道雜訊。
對位元流 yy進行調製（如 bpsk、16qam 等）得到 zz，並經物理通道傳送。
接收端對經通道後的符號 \barz 進行解調、解碼操作得到 \barx。
根據定義通道方式不同，基於深度學習的信源通道聯合編碼（deep jscc）可以分為兩類。
第一類，受無編碼傳輸的啟發，將信源編碼、通道編碼和調製聯合設計為編碼器。
系統模型如下圖所示：
第二類，將通訊系統中的調製、雜訊通道、解調模組抽象為離散的二進位制通道。
系統模型如下圖所示：
第一種模型稱為基於物理通道的符號編碼，第二種稱為基於抽象通道的位元編碼。
另一方面，信源可根據其是否具有結構化特徵劃分為兩類：
結構化信源是 deep jscc 的主要研究場景。由於神經網路對結構化資料具有強大的特徵獲取能力，並且有針對各種結構化資料設計的網路結構的出現。
因此，deep jscc 相較於傳統設計更具有優勢。
影象/**等具有空間拓撲結構信源適合 cnn 網路結構，文字/語音等具有時間序列化結構信源適合 rnn 網路結構。
對於非結構化信源，deep jscc 則稍顯羸弱。因為非結構化信源內部相關性弱，難以去除冗餘。
gunduz 團隊1 提出了乙個傳輸高解析度影象的 deep jscc 框架。
傳送端和接收端都使用 cnn 網路，並在訓練時加入了高斯白雜訊和瑞利衰減雜訊。
提出的 deep jscc 框架如下圖所示：
實驗表明，從 psnr 和 ssim 資料來看，提出的信源通道聯合編碼比信源通道分離方案更優，在低訊雜比的通道環境下，優勢尤其明顯。
gunduz 團隊2 在前乙個方案的基礎上，提出將雜訊反饋模組融入傳輸系統，以增強編解碼器對變換訊雜比的魯棒性。
解碼器將一部分經過雜訊通道的接收到的符號 \barz 反饋給編碼器，編碼器根據 \barz 重新計算訊雜比，並對編譯碼網路引數進行改進，以適應變換的訊雜比環境。
其通訊方案如下圖所示：
jankowski3 提出了一種使用 de程式設計客棧ep jscc 來進行影象檢索的方案，先提取影象特徵，然後使用 deep jscc 編碼傳輸影象特徵子，接收端接收解碼特徵子並基於特徵對影象進行檢索。
系統架構如下圖所示：
saidutta4 提出了一種應用雙編碼解碼結構的 deep jscc 方案對高斯信源進行編碼傳輸。
訓練時採用 mse 優化器。
系統架構如下圖所示：
在前面工作的基礎上，saidutta5 提出了基於變分自編碼器對高斯信源編碼的 deep jscc 方案，通過假設接收訊號和重構訊號的高斯統計特性，給出了正則化 mse 損失的可www.cppcns.com變上限證明。
xuan6 提出了一種基於 rnn 對高斯信源編碼的 deep jscc 方案。
其不需要獲取信源的先驗資訊，並在理論上證明了 deep jscc 的有效性，同時證明了基於深度學習的編碼器與基於混沌動態系統（chaotic dynamical system）的編碼函式之間的相似性。
系統框架如下圖所示：
與傳統符號流的 deep jscc 方案不同，二進位制通道下傳輸離散位元流無法計算反向傳播梯度。因此，離散通道的嵌入也比物理通道的嵌入更為複雜。
近年來，神經網路離散化7和離散自編碼器8的發展，為上述難點提供了解決思路。針對離散化神經網路的問題，乙個簡單的方法是使用得分函式估計器替代梯度9。由於該估計方差較高，一部分工作提出了不同的公式和控制變數來解決該問題10。
另外，為了達到使離散隨機變數連續化的目的，jang 和 maddisonet 分別提出了 gumbel-softmax 分布11和 concrete 方案12。
choi13 提出了一種使用離散自編碼器對影象進行抽象通道的位元編碼方案。為了保留編碼的硬離散性，使用了多樣本變分下界目標，用於獲得低變差梯度。
系統結構如下圖所示：
其使用影象及其二進位制表示的互資訊的變分下界來訓練模型，以獲得更好的魯棒性。
song14 提出了新的正則化方法 iabf(infomax adversarial bits flip) ，以增強 necst 的壓縮和糾錯能力，提公升魯棒性。並提出了新的損失函式，實現了網路對高維資料更有效的優化。
shao15 基於輕量級 cnn 網路提出了可部署到計算能力有限的移動裝置中的低功耗 deep jscc。
系統架構如下圖所示：
farsad16 提出了基於 rnn 結構的 deep jscc 方案，以對文字信源進行編碼傳輸。採用里德-所羅門（reedsolomon）碼對通道進行編碼；結果表明，當編碼位元較短時，該方案比傳統方法具更低的單詞錯誤率。
系統架構如下圖所示：
carpi17 提出了一種基於強化學習的 deep jscc 方案，採用了位元位翻轉解碼（bitflipping decoding）、殘差信念傳播（residual belief propagation）和錨解碼（anchor decoding）三種演算法，讓解碼器由資料驅動去學習最佳的解碼策略。
基於scrapy redis兩種形式的分布式爬蟲
redis分布式部署 1.scrapy框架是否可以自己實現分布式?不可以.原因有二.其一 因為太多台機器上部署的scrapy會各自擁有各自的排程器,這樣就是的多台機器無法分配start url列表中的url.多台機器無法共享同乙個排程器 其二 多台機器爬取到的資料無法通過同乙個管道資料進行統一的資料...
基於深度學習的通道估計（DL CE）基礎知識
提取碼 bhd2 基於深度學習的通道估計 deep learning channel estimation dl ce 1 沒有大量可靠的真實資料集，目前常用的訓練資料大多都是使用 得到的，即實際的通道傳輸函式比較難獲得 2 當前深度學習的網路層數都較大 模型較大 還不能有效地運用到移動裝置上 基本...
約瑟夫環問題的兩種解法（詳解）
題目 josephus有過的故事 39 個猶太人與josephus及他的朋友躲到乙個洞中，39個猶太人決定寧願死也不要被敵人抓。於是決定了自殺方式，41個人排成乙個圓圈，由第1個人開始報數，每報數到第3人該人就必須自殺。然後下乙個重新報數，直到所有人都自殺身亡為止。然而josephus 和他的朋友並...