基于深度学习的相位噪声补偿和信道译码联合设计方法技术

一种基于深度学习的相位噪声补偿和信道译码联合设计方法，包含训练和验证两个阶段，在训练阶段，发射机对长度为k的全零信息序列s通过信道编码生成长度为n的码字序列C，码字序列C通过信道适配器保证信道对称性和采用格雷映射后，输入M阶高阶调制模块得到训练用的能量归一化的调制符号序列X，再经过含高斯白噪声N的无线信道传输到接收机得到训练序列Y；将训练数据集输入相位噪声补偿和信道译码模型，并采用随机梯度下降的方法训练所述模型，计算加权伴随式函数Loss的值更新所述模型的权重和偏置，得到优化的模型；在验证阶段，验证序列Y

【技术实现步骤摘要】
基于深度学习的相位噪声补偿和信道译码联合设计方法


[0001]本专利技术涉及一种在无线通信系统中采用深度学习进行相位噪声补偿和信道译码联合设计的新方法，属于深度学习和无线通信相结合领域。

技术介绍

[0002]近年来人工智能特别是深度学习在计算机视觉、自然语言处理等领域获得了巨大成功，无线通信领域的学者们期望借助人工智能大幅度提升无线通信系统效能，进而发展出智能通信。深度学习和无线通信结合的智能通信领域已成为相关研究的发展前沿，被认为是6G发展的主流方向之一，该领域在信道估计、信号检测、信道解码、端到端通信系统等方面已取得较多研究进展。(见“Deep learning for physical layer 5G wireless techniques:opportunities,challenges and solutions”,IEEE Wireless Communications,Vol.27,No.1,2020)
[0003]相位噪声表现为一种乘性噪声，使无线通信系统输出信号的相位发生随机变化，并始终伴随着信号存在。相位噪声来源复杂多样，无线通信系统中的载波同步模块和信道估计模块都可能引入相位噪声。高阶调制方式由于判决区间小，极易受到相位噪声的影响，从而导致无线通信系统的性能恶化。
[0004]为了解决相位噪声导致无线通信系统性能恶化的问题，研究基于深度学习技术的相位噪声消除技术是十分必要的。

技术实现思路

[0005]本专利技术提出了一种基于深度学习的相位噪声补偿和信道译码联合设计方法，解决因相位噪声引起的通信系统译码性能恶化的问题。
[0006]本专利技术的目的是通过下述技术方案实现的：
[0007]一种基于深度学习的相位噪声补偿和信道译码联合设计方法，是在采用线性分组码和高阶调制的无线通信系统中的一种通过深度学习技术进行相位噪声补偿和信道译码的方法，包含训练和验证两个阶段，实现步骤具体如下：在训练阶段，首先发射机对长度为k的全零信息序列s通过信道编码生成长度为n的码字序列C，码字序列C通过信道适配器保证信道对称性和采用格雷映射后，输入M阶高阶调制模块得到训练用的能量归一化的调制符号序列X，调制符号序列X经过含高斯白噪声N的无线信道传输到接收机，接收机引入服从Tikhonov分布的相位噪声θ从而得到训练序列Y，在参数设定的Tikhonov相位噪声分布和不同高斯白噪声信噪比，signal to noise rate，SNR下产生大量训练序列Y形成训练数据集；然后将训练数据集输入相位噪声补偿和信道译码模型，接着采用随机梯度下降的方法训练相位噪声补偿和信道译码模型，进而计算加权伴随式函数Loss的值更新相位噪声补偿和信道译码模型的权重和偏置，最后得到优化的相位噪声补偿和信道译码模型；在验证阶段，验证序列Y
v
用优化的相位噪声补偿和信道译码模型进行译码。
[0008]所述相位噪声补偿和信道译码模型由相位噪声处理模块和BP译码模块组成；该相
位噪声处理模块由相位噪声估计网络和相位噪声补偿两部分组成；相位噪声估计网络包含一层零填充层、一个残差结构、一层批量标准化层和一层全连接层；残差结构由三层卷积核大小均为2
×
2的卷积层组成；相位噪声估计网络用于从训练序列Y中得到相位噪声估计值θ'，相位噪声补偿部分根据相位噪声估计值θ'对训练序列Y进行相位补偿，得到补偿序列Y'。
[0009]更新相位噪声补偿和信道译码模型的权重和偏置的方法为：补偿序列Y'输入BP译码模块计算其信道对数似然比，log likelihood ratio，LLR，并经l次BP迭代，得到补偿序列Y'的码字对数似然比随后计算加权伴随式函数Loss：
[0010]Loss＝λLoss1+(1
‑
λ)Loss2,0≤λ≤1
[0011]在加权伴随式函数Loss定义中，Loss1表示相位噪声θ与相位噪声估计值θ'的均方误差，计算公式如下，
[0012]Loss1(θ,θ')＝(θ
‑
θ')2[0013]Loss2表示由补偿序列Y'的码字对数似然比计算得到的伴随式损失值，计算公式如下，
[0014][0015]其中，∑表示求和函数，max(g)表示求最大值函数，min(g)表示求最小值函数，|g|表示求绝对值函数，H(i)表示线性分组码的校验矩阵的第i行中非零位置的坐标集合，表示的第j个元素，Π表示连乘运算，sign(g)表示符号函数。λ表示Loss1在Loss中的占比；
[0016]采取随机梯度下降的方法，根据加权伴随式函数Loss的值更新相位噪声补偿和信道译码模型的权重和偏置，当达到最大训练迭代次数或加权伴随式函数Loss的值不再变化时停止训练，保存最优的权重和偏置，得到优化的相位噪声补偿和信道译码模型。
[0017]所述测试阶段将验证序列Y
v
用优化的相位噪声补偿和信道译码模型进行译码恢复信息序列，具体实现流程如下：
[0018]4.1，输入需译码的验证序列Y
v
；
[0019]4.2，设置最大验证迭代次数Q，并初始化验证迭代累积值q为0；
[0020]4.3，验证序列Y
v
经BP译码模块得到验证序列Y
v
的码字对数似然比为进而得到对应的伴随式损失值记做s1；
[0021]4.4，若s1为0，译码正确并结束，否则执行步骤4.5；
[0022]4.5，将验证序列Y
v
输入优化的相位噪声补偿和信道译码模型，得到相位噪声估计值θ'；
[0023]4.6，对验证序列Y
v
进行相位补偿，得到相位补偿后的验证序列Y
v
'为Y
v
exp(
‑
jθ')；
[0024]4.7，相位补偿后的验证序列Y
v
'经BP译码模块得到相位补偿后的验证序列Y
v
'的码字对数似然比为进而得到对应的伴随式损失值记做s2；
[0025]4.8，若s2为0，译码正确并结束，否则执行步骤4.9；
Recognition,"2016IEEE Conference on Computer Vision and Pattern Recognition,2016)和置信传播(belief propagation,BP)(见“The capacity of low
‑
density parity
‑
check codes under message
‑
passing decoding”,IEEE Transactions on Information Theory,Vol.47,No.2,2001)译码算法联合构建基于深度学习的相位噪声补偿和信道译码模型，给定相位噪声补偿和信道译码模型的激活函数、权重和偏置。
[0038]基于深度学习的相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的相位噪声补偿和信道译码联合设计方法，其特征在于：是在采用线性分组码和高阶调制的无线通信系统中的一种通过深度学习技术进行相位噪声补偿和信道译码的方法，包含训练和验证两个阶段，实现步骤具体如下：在训练阶段，首先发射机对长度为k的全零信息序列s通过信道编码生成长度为n的码字序列C，码字序列C通过信道适配器保证信道对称性和采用格雷映射后，输入M阶高阶调制模块得到训练用的能量归一化的调制符号序列X，调制符号序列X经过含高斯白噪声N的无线信道传输到接收机，接收机引入服从Tikhonov分布的相位噪声θ从而得到训练序列Y，在参数设定的Tikhonov相位噪声分布和不同高斯白噪声信噪比，signal to noise rate，SNR下产生大量训练序列Y形成训练数据集；然后将训练数据集输入相位噪声补偿和信道译码模型，接着采用随机梯度下降的方法训练相位噪声补偿和信道译码模型，进而计算加权伴随式函数Loss的值更新相位噪声补偿和信道译码模型的权重和偏置，最后得到优化的相位噪声补偿和信道译码模型；在验证阶段，验证序列Y
v
用优化的相位噪声补偿和信道译码模型进行译码。2.根据权利要求1所述的一种基于深度学习的相位噪声补偿和信道译码联合设计方法，其特征在于，所述相位噪声补偿和信道译码模型由相位噪声处理模块和BP译码模块组成；该相位噪声处理模块由相位噪声估计网络和相位噪声补偿两部分组成；相位噪声估计网络包含一层零填充层、一个残差结构、一层批量标准化层和一层全连接层；残差结构由三层卷积核大小均为2
×
2的卷积层组成；相位噪声估计网络用于从训练序列Y中得到相位噪声估计值θ'，相位噪声补偿部分根据相位噪声估计值θ'对训练序列Y进行相位补偿，得到补偿序列Y'。3.根据权利要求1所述的一种基于深度学习的相位噪声补偿和信道译码联合设计方法，其特征在于，更新相位噪声补偿和信道译码模型的权重和偏置的方法为：补偿序列Y'输入BP译码模块计算其信道对数似然比，log likelihood ratio，LLR，并经l次BP迭代，得到补偿序列Y'的码字对数似然比随后计算加权伴随式函数Loss：Loss＝λLoss1+(1
‑
λ)Loss2,0≤λ≤1在加权伴随式函数Loss定义中，Loss1表示相位噪声θ与相位噪声估计值θ'的均方误差，计算公式如下，Loss1(θ,θ')＝(θ
‑
θ')2Loss2表示由补偿序列Y'的码字对数...

【专利技术属性】
技术研发人员：袁磊，杨艳娟，杨伟明，郭宇航，
申请(专利权)人：兰州大学，
类型：发明
国别省市：