Deep learning (DL) based autoencoder is a promising architecture to implement end-to-end communication systems. One fundamental problem of such systems is how to increase the transmission rate. Two new schemes are proposed to address the limited data rate issue: adaptive transmission scheme and generalized data representation (GDR) scheme. In the first scheme, an adaptive transmission is designed to select the transmission vectors for maximizing the data rate under different channel conditions. The block error rate (BLER) of the first scheme is 80% lower than that of the conventional one-hot vector scheme. This implies that higher data rate can be achieved by the adaptive transmission scheme. In the second scheme, the GDR replaces the conventional one-hot representation. The GDR scheme can achieve higher data rate than the conventional one-hot vector scheme with comparable BLER performance. For example, when the vector size is eight, the proposed GDR scheme can double the date rate of the one-hot vector scheme. Besides, the joint scheme of the two proposed schemes can create further benefits. The effect of signal-to-noise ratio (SNR) is analyzed for these DL-based communication systems. Numerical results show that training the autoencoder using data set with various SNR values can attain robust BLER performance under different channel conditions.

中文翻译：

---

基于深度学习的通信系统的数据速率驱动传输策略

基于深度学习 (DL) 的自动编码器是实现端到端通信系统的有前途的架构。这种系统的一个基本问题是如何提高传输速率。提出了两种新方案来解决有限数据速率问题：自适应传输方案和广义数据表示（GDR）方案。在第一种方案中，自适应传输被设计为选择传输向量以在不同信道条件下最大化数据速率。第一种方案的误块率（BLER）比传统的单热向量方案低80%。这意味着可以通过自适应传输方案实现更高的数据速率。在第二种方案中，GDR 取代了传统的 one-hot 表示。GDR 方案可以实现比传统的 one-hot 矢量方案更高的数据速率，同时具有可比的 BLER 性能。例如，当向量大小为 8 时，所提出的 GDR 方案可以使 one-hot 向量方案的日期率增加一倍。此外，两个拟议计划的联合计划可以创造更多的好处。分析了这些基于 DL 的通信系统的信噪比 (SNR) 的影响。数值结果表明，使用具有各种 SNR 值的数据集训练自动编码器可以在不同的信道条件下获得稳健的 BLER 性能。分析了这些基于 DL 的通信系统的信噪比 (SNR) 的影响。数值结果表明，使用具有各种 SNR 值的数据集训练自动编码器可以在不同的信道条件下获得稳健的 BLER 性能。分析了这些基于 DL 的通信系统的信噪比 (SNR) 的影响。数值结果表明，使用具有各种 SNR 值的数据集训练自动编码器可以在不同的信道条件下获得稳健的 BLER 性能。