Quantizers play a critical role in digital signal processing systems. Recent works have shown that the performance of acquiring multiple analog signals using scalar analog-to-digital converters (ADCs) can be significantly improved by processing the signals prior to quantization. However, the design of such hybrid quantizers is quite complex, and their implementation requires complete knowledge of the statistical model of the analog signal. In this work we design data-driven task-oriented quantization systems with scalar ADCs, which determine their analog-to-digital mapping using deep learning tools. These mappings are designed to facilitate the task of recovering underlying information from the quantized signals. By using deep learning, we circumvent the need to explicitly recover the system model and to find the proper quantization rule for it. Our main target application is multiple-input multiple-output (MIMO) communication receivers, which simultaneously acquire a set of analog signals, and are commonly subject to constraints on the number of bits. Our results indicate that, in a MIMO channel estimation setup, the proposed deep task-bask quantizer is capable of approaching the optimal performance limits dictated by indirect rate-distortion theory, achievable using vector quantizers and requiring complete knowledge of the underlying statistical model. Furthermore, for a symbol detection scenario, it is demonstrated that the proposed approach can realize reliable bit-efficient hybrid MIMO receivers capable of setting their quantization rule in light of the task.

中文翻译：

---

基于深度任务的量化

量化器在数字信号处理系统中起着至关重要的作用。最近的工作表明，通过在量化之前处理信号，可以显着提高使用标量模数转换器 (ADC) 获取多个模拟信号的性能。然而，这种混合量化器的设计非常复杂，它们的实现需要对模拟信号的统计模型有完整的了解。在这项工作中，我们设计了带有标量 ADC 的数据驱动的面向任务的量化系统，这些系统使用深度学习工具确定它们的模数映射。这些映射旨在促进从量化信号中恢复基础信息的任务。通过使用深度学习，我们无需明确恢复系统模型并为其找到合适的量化规则。我们的主要目标应用是多输入多输出 (MIMO) 通信接收器，它同时获取一组模拟信号，并且通常受到比特数的限制。我们的结果表明，在 MIMO 信道估计设置中，所提出的深度 task-bask 量化器能够接近由间接率失真理论规定的最佳性能限制，可以使用矢量量化器实现，并且需要完整的基础统计模型知识。此外，对于符号检测场景，证明了所提出的方法可以实现可靠的比特高效混合 MIMO 接收器，该接收器能够根据任务设置其量化规则。它们同时获取一组模拟信号，并且通常受到位数的限制。我们的结果表明，在 MIMO 信道估计设置中，所提出的深度 task-bask 量化器能够接近由间接率失真理论规定的最佳性能限制，可以使用矢量量化器实现，并且需要完整的基础统计模型知识。此外，对于符号检测场景，证明了所提出的方法可以实现可靠的比特高效混合 MIMO 接收器，该接收器能够根据任务设置其量化规则。它们同时获取一组模拟信号，并且通常受到位数的限制。我们的结果表明，在 MIMO 信道估计设置中，所提出的深度 task-bask 量化器能够接近由间接率失真理论规定的最佳性能限制，可以使用矢量量化器实现，并且需要完整的基础统计模型知识。此外，对于符号检测场景，证明了所提出的方法可以实现可靠的比特高效混合 MIMO 接收器，该接收器能够根据任务设置其量化规则。所提出的深度 task-bask 量化器能够接近由间接速率失真理论规定的最佳性能限制，可以使用矢量量化器实现，并且需要对基础统计模型的完整知识。此外，对于符号检测场景，证明了所提出的方法可以实现可靠的比特高效混合 MIMO 接收器，该接收器能够根据任务设置其量化规则。所提出的深度 task-bask 量化器能够接近由间接速率失真理论规定的最佳性能限制，可以使用矢量量化器实现，并且需要对基础统计模型的完整知识。此外，对于符号检测场景，证明了所提出的方法可以实现可靠的比特高效混合 MIMO 接收器，该接收器能够根据任务设置其量化规则。