基于深度学习的空间调制接收端译码方法技术

本发明专利技术提供了一种基于深度学习的空间调制接收端译码方法，包括：构造深度神经译码网络，并初始化训练参数；在空间调制系统发射机发送训练序列，接收机接受信号，由此产生大量训练数据，同时发射机随机发射信号，以此生成验证数据集；利用训练数据集对构建的神经网络模型进行训练，得到训练好的神经网络，然后用验证集验证网络评估神经网络，若不符合要求，改变参数继续训练直至神经网络收敛；将训练好的升级网络部署在空间调制的接收端，对接受信号y进行译码，得到发射符号的估计。得到发射符号的估计。得到发射符号的估计。

【技术实现步骤摘要】
基于深度学习的空间调制接收端译码方法


[0001]本专利技术涉及无线通信
，特别涉及一种基于深度学习的空间调制译码方法。

技术介绍

[0002]近年来，随着无线通信技术与无线容量需求的迅猛增长，能效性问题愈发引起了人们的关注。空间调制，其基本思想是利用激活天线的索引和幅度相位信号来传输信息。空间调制技术是介于贝尔实验室空时分结构与空时分组码之间的中间路线，能够实现空间复用与空间分集的良好平衡。作为一种新兴的传输技术，空间调制近些年来引起了学术界和工业界的广泛关注。
[0003]深度学习是机器学习领域的技术之一，在图像、语音、自然语言等领域被广泛应用。由于数据学习能力强，深度学习最近被引入无线物理层。如毫米波信道估计，信道状态信息反馈，数据检测，并取得了优异的成绩。
[0004]本文开发了一种用于空间调制接收端译码检测的深度学习网络，在已有的深度学习检测器改变基本层内连接，得到了该网络的结构，通过深度学习提高了译码性能。
[0005]仿真结果表明，该算法从大量数据中学习最优参数，性能明显优于迫零算法和MMSE算法。

技术实现思路

[0006]本专利技术的目的在于提供一种基于深度学习的空间调制接收端译码方法，包括以下步骤：
[0007]S1，构造深度神经译码网络，并初始化训练参数；
[0008]S2，在空间调制系统发射机发送训练序列，接收机接受信号，由此产生大量训练数据，同时发射机随机发射信号，以此生成验证数据集；
[0009]S3，利用训练数据集对构建的神经网络模型进行训练，得到训练好的神经网络，然后用验证集验证网络评估神经网络，若不符合要求，改变参数继续训练直至神经网络收敛；
[0010]S4，将训练好的升级网络部署在空间调制的接收端，对接受信号y进行译码，得到发射符号的估计。
[0011]进一步地，步骤S1中所构建神经网络的每一层都是一样的，每一层中H 表示信道矩阵，Y表示天线接收的信号，S
k E
k
表示神经网络第k层输出的星座图符号和天线符号向量，V
k
为第k层到第k+1层网络的隐藏连接量。
[0012]进一步地，在神经网络译码结的每一层内分块设计输入和输出，同时把天线索引和星座图索引分开译码。
[0013]进一步地，训练数据由发射机发射训练序列，接收机保存接收信号和信道状态信息，其中把发射符号按照天线索引和星座图符号对接收到的信号添加标签，以此构成训练数据集。
[0014]进一步地，采用分批处理的随机梯度下降算法训练网络，同时采用指数衰减的学习率；其中，每一百次迭代训练后采用验证集决定是否提前终止训练。
[0015]本专利技术与现有技术相比，具有以下优点：本专利技术提出的基于深度学习的译码方法，具有如下优点：1.本方法实现了神经网络与空间调制的结合；2. 本方法相比于最大似然译码算法，采用并行神经网络译码，降低译码复杂度，加快译码时间；3.与迫零算法和MMSE算法相比，本方法误码率方面的性能有较大的提升。
[0016]下面结合说明书附图对本专利技术作进一步描述。
附图说明
[0017]图1为基于深度学习的算法的译码结构框图。
[0018]图2所示为基于深度学习的算法设计框图。
[0019]图3所示为所提的深度学习算法与迫零、最小均方误差、最大似然算法的误码率与信噪比变化曲线示意图。
具体实施方式
[0020]下面结合附图和具体实例，进一步阐明本专利技术，应理解这些实例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0021]本专利技术提供基于深度学习的译码方法，该方法需要预先设计深度神经网络，在已知信道状态信息的情况下用训练数据集训练网络，然后在接收端部署译码网络，从而对接收端接收到的信号进行译码。信道状态信息可以通过导频信号估计算法获知。首先设计一个神经网络结构(初始化神经网络参数)，然后收集数据合理划分训练数据集和验证集，利用基于反向传播的随机梯度下降算法在训练集上训练网络，将训练好的网络部署到空间调制接收端进行译码。
[0022]本专利技术给出空间调制系统模型下基于深度学习的接收端译码结构，其中基站配置N根天线，期望用户配置N
b
根天线。基站Alice作为发射机将输入比特流分为两块，一部分用于传统的幅度相位调制，另一部分用于映射激活天线序号。发射信号可以表示为
[0023][0024]其中P为总发射功率约束，e
i
示单位矩阵的第i列的列向量， s
j
,j∈[1,2,
…
,M]表示M维星座图中的第j个符号。期望用户接收到的信号y
b
表示为
[0025][0026]式中：为信道增益矩阵，H中的每一个元素都是服从复高斯分布。为期望接收机的噪声,服从复高斯分布
[0027]样本数据准备，在上述空间调制模型中，基于不同的信道下，发射机随机发射训练序列，接收机将天线接收到的信号保存下来。信道矩阵H和接收到的信号y
b
作为神经的输入量，对其按照发射的训练序列添加天线索引和星座图索引的标签，以此构成样本数据。在这些样本数据中随机选取80％的样本数据作为训练样本，20％样本数据作为测试数据。
[0028]构建一个空间调制的译码神经网络，将信道矩阵H和接收到的信号y
b
作为输入，得到天线索引的估计E
i
和星座图索引的估计S
j
。以此计算与所贴标签e
i
和s
j
的距离作为损失函数。采用分批处理的随机梯度下降算法训练网络，同时采用指数衰减的学习率。每迭代训练100次，将测试集用于检测网络是否满足性能，并决定是否进行提前终止，以减少过拟合状态发生。
[0029]将训练好的升级网络部署在空间调制的接收端。在已知信道状态信息的条件下对接收信号y进行译码。得到发射符号的估计。
[0030]图1所示为基于深度学习的译码结构框图。
[0031]图2所示为基于深度学习的算法设计框图。
[0032]图3所示为所提的深度学习算法与迫零、最小均方误差、最大似然算法的误码率与信噪比变化曲线。误码率与信噪比曲线，其中接收机天线数为4，从图中可以看出，所提的深度学习算法与迫零算法和MMSE算法相比可以获得更好的误码率性能。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的空间调制接收端译码方法，其特征在于，包括以下步骤：S1，构造深度神经译码网络，并初始化训练参数；S2，在空间调制系统发射机发送训练序列，接收机接受信号，由此产生大量训练数据，同时发射机随机发射信号，以此生成验证数据集；S3，利用训练数据集对构建的神经网络模型进行训练，得到训练好的神经网络，然后用验证集验证网络评估神经网络，若不符合要求，改变参数继续训练直至神经网络收敛；S4，将训练好的升级网络部署在空间调制的接收端，对接受信号y进行译码，得到发射符号的估计。2.根据权利要求1所述的码方法，其特征在于，步骤S1中所构建神经网络的每一层都是一样的，每一层中H表示信道矩阵，Y表示天线接收的信号，S
k
...

【专利技术属性】
技术研发人员：束锋，刘林，吴博凡，夏桂阳，邹骏，朱玲玲，李嘉钰，王云天，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：