一种基于神经网络的通信方法以及相关装置制造方法及图纸

本申请实施例公开了一种基于神经网络的通信方法以及相关装置。具体的，发送端使用的编码神经网络与接收端使用的译码神经网络进行联合训练优化。编码神经网络中的第一神经网络复用译码神经网络及译码神经网络的参数。使得译码神经网络为编码神经网络提供一部分先验信息，进而使得编码神经网络能更准确预测动作的收益，从而降低梯度估计的方差，加速网络收敛的速度及提高收敛的性能。收敛的速度及提高收敛的性能。收敛的速度及提高收敛的性能。

【技术实现步骤摘要】
一种基于神经网络的通信方法以及相关装置


[0001]本申请涉及通信
，尤其涉及一种基于神经网络的通信方法以及相关装置。

技术介绍

[0002]无线通信系统可以分为三部分：发送端(transmitter)、信道(channel)和接收端(receiver)，信道用于传输发送端与接收端之间交互的波形信号。
[0003]传统的无线通信系统中，发送端包括信源编码器(source encoder)和信道编码器(channel encoder)，接收端包括信源译码器(source decoder)和信道译码器(channel)。信源编码是一种以提高通信有效性为目的而对信源符号进行的变换，目的是为了减少或消除信源剩余度而进行的信源符号变换。信道编码通过对信源编码输出的符号进行相应的处理，使通信系统具有一定的纠错能力和抗干扰能力，可降低信道传输过程中的误码率。
[0004]为了优化无线通信系统的性能，需要对上述各个编码器和译码器进行优化。由于不同的编码器和译码器均有独立的数学模型，因此，通常是基于各自的数学模型进行独立优化。而实际的应用场本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的通信方法，其特征在于，所述方法应用于发送端，所述方法包括：所述发送端获取第一数据流；所述发送端使用编码神经网络对所述第一数据流进行处理，得到第一符号流，所述编码神经网络复用部分或全部的译码神经网络；所述发送端输出所述第一符号流。2.根据权利要求1所述的方法，其特征在于，所述发送端输出所述第一符号流之后，所述方法还包括：所述发送端接收第一权重，其中，所述第一权重来自所述译码神经网络，所述第一权重用于训练所述编码神经网络。3.根据权利要求1-2中任一项所述的方法，其特征在于，所述发送端输出所述第一符号流之后，所述方法还包括：所述发送端接收第一梯度，其中，所述第一梯度来自所述译码神经网络，所述第一梯度用于训练所述编码神经网络。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述发送端输出所述第一符号流之后，所述方法还包括：所述发送端接收第二函数，其中，所述第二函数来自所述译码神经网络，所述第二函数为损失函数和/或奖励函数；所述发送端使用所述编码神经网络对所述第二函数进行处理，得到第二梯度，所述第二梯度用于训练所述编码神经网络。5.根据权利要求1-4中任一项所述的方法，其特征在于，所述发送端输出所述第一符号流，包括：所述发送端对所述第一符号流进行滤波处理，得到第一波形信号，其中，所述第一波形信号中滤除带外信号；所述发送端输出所述第一波形信号。6.根据权利要求1-5中任一项所述的方法，其特征在于，所述发送端使用编码神经网络对所述第一数据流进行处理，得到所述第一符号流，包括：所述发送端对所述第一数据流进行编码处理，得到第一信道编码码字；所述发送端使用所述编码神经网络对所述第一信道编码码字进行处理，得到所述第一符号流。7.根据权利要求6所述的方法，其特征在于，所述发送端使用所述编码神经网络对所述第一信道编码码字进行处理，得到所述第一符号流，包括：所述发送端使用所述编码神经网络对所述第一信道编码码字进行处理，得到第一中间符号；所述发送端使用滤波神经网络对所述第一中间符号进行滤波处理，得到所述第一符号流，其中，所述第一符号流中引入符号间干扰。8.根据权利要求1-7中任一项所述的方法，其特征在于，所述编码神经网络复用部分或全部的译码神经网络，包括：所述编码神经网络复用部分或全部的所述译码神经网络的模型、所述译码神经网络的
损失函数、所述译码神经网络的奖励函数，和/或所述译码神经网络的参数。9.一种基于神经网络的通信方法，其特征在于，所述方法应用于接收端，所述方法还包括：所述接收端获取第一数据流；所述接收端接收第一符号流，所述第一符号流来自发送端，其中，所述第一符号流由所述发送端使用编码神经网络对所述第一数据流进行处理得到，所述编码神经网络复用部分或全部的译码神经网络；所述接收端使用所述译码神经网络对所述第一符号流进行处理，得到第二数据流；所述接收端根据所述第一数据流和所述第二数据流，训练所述译码神经网络。10.根据权利要求9所述的方法，其特征在于，所述接收端根据所述第一数据流和所述第二数据流，训练所述译码神经网络，包括：所述接收端使用所述译码神经网络，对所述第一数据流和所述第二数据流进行处理，得到第一函数，其中，所述第一函数为损失函数和/或奖励函数；所述接收端使用所述译码神经网络，对所述第一函数进行处理，得到第一梯度；所述接收端使用所述第一梯度训练所述译码神经网络。11.根据权利要求10所述的方法，其特征在于，所述接收端使用所述第一梯度训练所述译码神经网络之后，所述方法还包括：所述接收端向所述发送端发送所述第一梯度，所述第一梯度用于训练所述编码神经网络中的所述编码神经网络。12.根据权利要求10所述的方法，其特征在于，所述接收端使用所述第一梯度训练所述译码神经网络之后，所述方法还包括：所述接收端使用所述译码神经网络，生成第一权重，其中，所述第一权重为所述译码神经网络的权重；所述接收端向所述发送端发送所述第一权重，所述第一权重用于训练所述编码神经网络中的所述编码神经网络。13.根据权利要求9-12中任一项所述的方法，其特征在于，所述接收端根据所述第一数据流和所述第二数据流，训练所述译码神经网络之后，所述方法还包括：所述接收端使用所述译码神经网络，对所述第一数据流和所述第二数据流进行处理，得到第二函数，其中，所述第二函数为损失函数和/或奖励函数；所述接收端向所述发送端发送所述第二函数，所述第二函数用于训练所述编码神经网络。14.根据权利要求9-13中任一项所述的方法，其特征在于，所述接收端使用译码神经网络对所述第一符号流进行处理，得到所述第二数据流，包括：所述接收端接收第一波形信号，所述第一波形信号由所述发送端对所述第一符号流进行滤波处理得到；所述接收端对所述第一波形信号进行量化处理，得到量化符号序列，其中，一组所述第一数据流映射至一个或多个所述量化符号序列，所述量化符号序列中每个符号内至多存在一次比特位翻转，所述比特位翻转为0至1或1至0；所述接收端使用所述译码神经网络对所述量化符号序列中的第一序列进行处理，得到
所述第二数据流。15.根据权利要求14所述的方法，其特征在于，所述接收端对所述第一波形信号进行量化处理，得到所述量化符号序列，包括：所述接收端接收受到第一信道干扰的所述第一波形信号，其中，所述第一信道为所述接收端与所述发送端之间的信道；所述接收端对所述受到第一信道干扰的所述第一波形信号进行量化处理，得到所述量化符号序列。16.根据权利要求9-15中任一项所述的方法，其特征在于，所述接收端使用译码神经网络对所述第一符号流进行处理，得到所述第二数据流，包括：所述接收端使用所述译码神经网络对所述第一波形信号进行处理，得到第一信道译码码字或对数似然比；所述接收端对所述第一信道译码码字或所述对数似然比进行处理，得到所述第二数据流。17.根据权利要求16所述的方法，其特征在于，所述接收端使用所述译码神经网络对所述第一波形信号进行处理，得到所述第一信道译码码字或所述对数似然比，包括：所述接收端对所述第一波形信号进行量化处理，得到所述量化符号序列；所述接收端使用所述译码神经网络对所述量化符号序列中的所述第一序列进行处理，得到所述第一信道译码码字或所述对数似然比。18.根据权利要求15-17中任一项所述的方法，其特征在于，所述接收端对所述第一波形信号进行量化处理，得到所述量化符号序列，包括：当所述第一符号流包括x组符号组，每组所述符号组包括n个符号，所述第一波形信号包括x组所述符号组，x为大于或等于1的正整数，n为大于或等于1的正整数；当所述接收端对所述第一波形信号中n个符号进行量化处理，得到所述量化符号序列，所述量化符号序列的长度为nM，所述量化符号序列中所述第一序列的长度为[(n-1)M+1,nM]，其中，M为所述接收端的过采样倍率。19.根据权利要求18所述的方法，其特征在于，所述编码神经网络复用部分或全部的译码神经网络，包括：所述编码神经网络复用部分或全部的所述译码神经网络的模型、所述译码神经网络的损失函数、所述译码神经网络的奖励函数，和/或所述译码神经网络的参数。20.一种通信装置，其特征在于，包括：收发模块，用于获取第...

【专利技术属性】
技术研发人员：徐晨，张公正，王坚，李榕，王俊，童文，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：