基于深度学习的无线通信物理层收发端的联合优化方法技术

本发明专利技术公开了一种基于深度学习的无线通信物理层收发端的联合优化方法，包括：随机生成独立同分布的比特序列；设计卷积自编码器，用于时域传输，同时完成调制、均衡和解调的功能，网络的软输出可以成为任意软解码器的输入，设计局部连接层替代上述卷积层，用于频域均衡，以对输入序列产生不同的衰落影响；实现基于深度学习的神经网络架构，用于联合优化无线通信物理层的发射端和接收端，根据通信需求完成各类信道的映射机制设计；在OFDM传输系统中测试上述网络结构，在后续引入LDPC编码方法，实现系统进一步优化。该方法就时间复杂度和衰落信道下的误比特率而言，具备良好的鲁棒性和适应性，可以和其他的编码方案相结合，进一步提升性能。

A joint optimization method of physical layer transceiver based on deep learning

【技术实现步骤摘要】
基于深度学习的无线通信物理层收发端的联合优化方法
本专利技术涉及通信
，特别涉及一种基于深度学习的无线通信物理层收发端的联合优化方法。
技术介绍
无线通信技术中的一个重要问题在于，从发射端到接收端有多少信息得到了可靠传输。在物理层OSI模型(OpenSystemInterconnectionReferenceModel，开放式系统互联参考模型)的研究中，整个系统从分治法的角度进行优化，发射端通常包含信源编码，信道编码和调制单元，接收端则涵盖同步，信道解码和信源解码等功能。针对不同的信道环境和应用需求，大量优化研究针对各模块独立进行，而根据信息论中的数据处理理论，通信中子模块的局部优化不能保证整个系统的全局最优。DL(DeepLearning，深度学习)是一类模式识别方法的统称，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。得益于其强大的泛化能力，DL在CV(ComputerVision，计算机视觉)和NLP(NaturalLanguageProcessing，自然语言处理)中取得了广泛而成功的应用。随着神经网络压缩技术的发展和专用硬件，如GPU(GraphicsProcessingUnit，图像处理单元)和FPGA(Field-programmableGateArray，现场可编程门阵列)的革新，DL相关技巧的时间复杂度和计算资源开销被极大降低，使其在移动设备和天线上部署神经网络成为可能。在基于DL的通信系统中，通过一个AE(Auto-encoder，自编码器)代替人工引入的块机制，系统可以进行发射端和接收端的联合优化，
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的目的在于提出一种基于深度学习的无线通信物理层收发端的联合优化方法，该方法就时间复杂度和衰落信道下的误比特率而言，具备良好的鲁棒性和适应性，可以和其他的编码方案相结合，进一步提升性能。为达到上述目的，本专利技术一方面实施例提出了一种基于深度学习的无线通信物理层收发端的联合优化方法，包括：S1，根据神经网络模型的参数规模生成多个独立同分布的比特序列；S2，在所述神经网络模型中设计用于时域传输的卷积自编码器单元，根据所述多个独立同分布的比特序列对所述神经网络模型进行训练，完成调制、均衡和解调的功能，使得所述神经网络模型的输入为任意长度的比特序列；S3，根据多径衰落信道的能量重分布需求，将所述卷积自编码器单元的卷积层用局部连接层替代用于频域均衡，以产生对输入序列局部不同的衰落影响；S4，根据预设通信需求完成各类信道的映射机制设计，并确定所述神经网络模型的神经网络结构，以联合优化无线通信物理层的发射端和接收端；S5，将所述神经网络模型应用于通信系统进行测试，并将所述神经网络模型的输出比特序列的损失反向传播，通过梯度下降方法进行优化和迭代收敛以获得最佳系统模型；S6，对所述神经网络模型引入LDPC编码，所述神经网络模型的输出作为LDPC的输入。本专利技术实施例的基于深度学习的无线通信物理层收发端的联合优化方法，能够对任何不具有先验数学模型和解析式的信道，利用神经网络的数据驱动特性，学习一种映射和解映射的方法，完成具有低时间复杂度的全局系统优化，实现低误比特率的可靠信息传输，提高通信系统的性能。就时间复杂度和衰落信道下的误比特率而言，比传统局部优化方法有极大优势，具备良好的鲁棒性和适应性，可以和其他的编码方案相结合，进一步提升性能。另外，根据本专利技术上述实施例的基于深度学习的无线通信物理层收发端的联合优化方法还可以具有以下附加的技术特征：在本专利技术的一个实施例中，在步骤S2中，对所述神经网络模型进行训练为通过选择符合预设通信需求的信道，确定达到预设迭代次数后，达到预设误比特率。在本专利技术的一个实施例中，所述S2中训练完的神经网络进一步包括：发射端将输入比特流映射为一个串行复向量，经由时域传输，其中，第一层为卷积层，其后为卷积层和全连接层；信道层将所述串行复向量归一化以满足功率限制，归一化的符号用于同信道矩阵进行操作；接收端将经由信道层变形和噪声污染后的符号序列均衡和解映射，其中，接收端的网络结构同发射端对称，以恢复原始的比特流信息。在本专利技术的一个实施例中，将所述卷积自编码器单元的卷积层用局部连接层替代后，卷积核的参数不再进行共享，以使输入比特序列产生不同的衰落影响。在本专利技术的一个实施例中，在步骤S4中，所述根据预设通信需求完成各类信道的映射机制设计中的信道，包括：加性高斯白噪声信道，衰落信道和非高斯噪声信道。在本专利技术的一个实施例中，在所述信道层的归一化中，对于加性高斯白噪声信道，加性高斯白噪声被添加到输入符号向量中，对于衰落信道，归一化的符号首先在时域和脉冲响应卷积，复数的卷积操作在神经网络中通过一个一维的卷积层和三维的张量卷积实现。在本专利技术的一个实施例中，对所述神经网络模型的训练进一步包括：将输入比特流的长度通过步长参数控制，其中，输入层进行压缩，后续卷积层进行扩充，以实现引入冗余再映射压缩数据的编码思路；将所述神经网络模型的目标函数设定为最小化均方误差，其中，训练采用小批量样本的随机梯度下降法，以拓展模型的泛化能力；将所述神经网络模型在预设信噪比下进行训练，并通过调整信噪比数值进行该模型的适应性测试；其中，测试包括：对信道变化进行鲁棒性测试。在本专利技术的一个实施例中，信道变化的鲁棒性测试部分，通过模拟OFDM蜂窝系统的块间干扰，具有相关性信道中的雷达干扰，或者引入额外高斯噪声，以对极端信道条件下的系统性能测试。在本专利技术的一个实施例中，所述S6还包括：若所述神经网络模型同传统编码模块结合，则视所述神经网络模型的输出实数为概率，其中，输出序列是独立同分布的，并作为软输入传入任何软译码系统；若所述神经网络模型同二级网络级联，则视第二个神经网络为第二解码器，以模拟迭代译码，并调整训练机制以联合优化，其中，通过改变输入序列为交织后的已编码序列构成训练集合。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本专利技术一个实施例的基于深度学习的无线通信物理层收发端的联合优化方法流程图；图2为根据本专利技术一个实施例的基于深度学习的无线通信物理层收发端的神经网络结构示意图；图3为根据本专利技术一个实施例的瑞利衰落信道的频域变化图；图4为根据本专利技术一个实施例的瑞利衰落信道的频域选择性衰落示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例本文档来自技高网...

【技术保护点】
1.一种基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，包括以下步骤：/nS1，根据神经网络模型的参数规模生成多个独立同分布的比特序列；/nS2，在所述神经网络模型中设计用于时域传输的卷积自编码器单元，根据所述多个独立同分布的比特序列对所述神经网络模型进行训练，完成调制、均衡和解调的功能，使得所述神经网络模型的输入为任意长度的比特序列；/nS3，根据多径衰落信道的能量重分布需求，将所述卷积自编码器单元的卷积层用局部连接层替代用于频域均衡，以产生对输入序列局部不同的衰落影响；/nS4，根据预设通信需求完成各类信道的映射机制设计，并确定所述神经网络模型的神经网络结构，以联合优化无线通信物理层的发射端和接收端；/nS5，将所述神经网络模型应用于通信系统进行测试，并将所述神经网络模型的输出比特序列的损失反向传播，通过梯度下降方法进行优化和迭代收敛以获得最佳系统模型；/nS6，对所述神经网络模型引入LDPC编码，所述神经网络模型的输出作为LDPC的输入。/n

【技术特征摘要】
1.一种基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，包括以下步骤：
S1，根据神经网络模型的参数规模生成多个独立同分布的比特序列；
S2，在所述神经网络模型中设计用于时域传输的卷积自编码器单元，根据所述多个独立同分布的比特序列对所述神经网络模型进行训练，完成调制、均衡和解调的功能，使得所述神经网络模型的输入为任意长度的比特序列；
S3，根据多径衰落信道的能量重分布需求，将所述卷积自编码器单元的卷积层用局部连接层替代用于频域均衡，以产生对输入序列局部不同的衰落影响；
S4，根据预设通信需求完成各类信道的映射机制设计，并确定所述神经网络模型的神经网络结构，以联合优化无线通信物理层的发射端和接收端；
S5，将所述神经网络模型应用于通信系统进行测试，并将所述神经网络模型的输出比特序列的损失反向传播，通过梯度下降方法进行优化和迭代收敛以获得最佳系统模型；
S6，对所述神经网络模型引入LDPC编码，所述神经网络模型的输出作为LDPC的输入。


2.根据权利要求1所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，在步骤S2中，对所述神经网络模型进行训练为通过选择符合预设通信需求的信道，确定达到预设迭代次数后，达到预设误比特率。


3.根据权利要求1所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，所述S2中训练完的神经网络进一步包括：
发射端将输入比特流映射为一个串行复向量，经由时域传输，其中，第一层为卷积层，其后为卷积层和全连接层；
信道层将所述串行复向量归一化以满足功率限制，归一化的符号用于同信道矩阵进行操作；
接收端将经由信道层变形和噪声污染后的符号序列均衡和解映射，其中，接收端的网络结构同发射端对称，以恢复原始的比特流信息。


4.根据权利要求1所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，将所述卷积自编码器单元的卷积层用局部连接层替代后，卷积核的参数不再进行共享，以使输入比特序列产生...

【专利技术属性】
技术研发人员：王劲涛，张玥，潘长勇，宋健，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11