基于信道反馈的海上高可靠端到端通信自编码器设计方法技术

本发明专利技术公开了一种基于信道反馈的海上高可靠端到端通信自编码器设计方法，该方法首先建立端到端通信自编码器模块，再建立卷积神经网络，并且将其应用在自编码器的隐藏层中，设计基于卷积神经网络的端到端通信自编码器；建立莱斯衰落信道模型来描述海上通信信道，将基于卷积神经网络的端到端通信自编码器与莱斯衰落信道模型相结合，使自编码器可以很好地适应海上环境，即设计基于卷积神经网络的海上端到端通信自编码器，设计反馈信道模块和反馈解码器，将传输信号反馈到发射端的发射机进行解码与二次编码；最后结合基于卷积神经网络的海上端到端通信自编码器与信道反馈，设计基于卷积神经网络和信道反馈的海上高可靠端到端通信自编码器。信自编码器。信自编码器。

【技术实现步骤摘要】
基于信道反馈的海上高可靠端到端通信自编码器设计方法


[0001]本专利技术涉及通信
，尤其涉及一种基于信道反馈的海上高可靠端到端通信自编码器设计方法。

技术介绍

[0002]人工智能已应用于各种研究领域，包括图像处理、自然语言处理和计算机视觉、通信领域等等。智能通信被认为是5G之后无线通信发展的主流方向之一，其主要思想是通过将AI技术应用到无线通信系统的各个层面，实现无线通信与AI的有机融合，大幅度提高通信系统的性能。
[0003]深度学习作为机器学习和人工智能的最新趋势之一，近年来被引入到通信系统设计中，分别在调制、信道估计、信号检测、调制识别、信道编码、信道解码和信道状态信息反馈与重建等技术实现方面取得了相应的研究结果。现代深度学习理论起源于简单线性模型，受到神经科学的影响，模型采用一组多个输入，并将它们与一个输出相关联。目前出现了针对物理层的无线传输与深度学习结合的解决方案，将此领域研究推向物理层。
[0004]自编码器做为神经网络的一种基本结构，经过训练后可以将输入复制到输出，其思想与通信系统的设计思想类似，因此被广泛的应用到通信系统物理层设计问题上。深度学习作为人工智能领域的一个热门研究方向，已被公认是极具竞争力的研究工具，有利于解决海上通信系统演进过程中存在的瓶颈问题。

技术实现思路

[0005]根据现有技术存在的问题，本专利技术公开了一种基于信道反馈的海上高可靠端到端通信自编码器设计方法，具体包括如下步骤：
[0006]建立端到端通信自编码器模块，该模块包括编码器和解码器，所述编码器位于发射端的发射机部分，将输入信号进行编码后从而输出传输信号，解码器位于接收端的接收机部分；
[0007]建立具有卷积层、池化层和全连接层的卷积神经网络；
[0008]将卷积神经元模型与自编码器模块相结合，建立基于卷积神经网络的端到端通信自编码器；
[0009]对海上信道模型进行分析，其中海上信道模型包括自由空间路径损耗模型、多径传输模型和管道效应模型，选择莱斯衰落信道对海上多径传输模型进行描述，建立海上信道模型；
[0010]将端到端通信自编码器和海上信道模型进行结合，构建基于卷积神经网络的海上端到端通信自编码器；
[0011]在基于卷积神经网络的海上端到端通信自编码器中加入反馈信道模块和反馈解码器模块，从而构建基于卷积神经网络和信道反馈的海上高可靠端到端通信自编码器；
[0012]对该基于卷积神经网络和信道反馈的海上高可靠端到端通信自编码器进行训练
从而提高海上通信的可靠性。
[0013]输入端的输入信号利用one
‑
hot向量完成符号序列的比特映射，当接收端的接收机接收到信号后，one
‑
hot向量中所有节点对应所有码字，按照码字概率生成字节，其中取概率最大的码字输出。
[0014]将卷积神经元模型与自编码器模块相结合时：将卷积神经网络应用于自编码器的隐藏层部分，在编码器上设计三个一维卷积层和一个能量归一化层，在解码器上设计三个一维卷积层，此一维卷积层可以对所有比特信息同时处理，提高此自编码器信息处理能力。
[0015]能量归一化层对发送信号进行能量约束，确保满足传输条件。
[0016]接收信号的总强度为反射信号强度和直射信号强度的和，所述莱斯衰落信道中莱斯K因子与直射信号强度成正比。
[0017]所述反馈信道模块将编码传输后的信号反馈至发射机部分，所述反馈解码器模块对反馈信号进行解码处理，所述反馈信道模块只具有高斯白噪声。
[0018]本专利技术提供的一种基于信道反馈的海上高可靠端到端通信自编码器设计方法，具有以下优点：
[0019](1)输入端的输入信号利用one
‑
hot向量来完成符号序列的比特映射接收端的接收机接收到信号后，one
‑
hot向量中所有节点对应所有码字，并且按照码字概率生成，最后取概率最大的码字输出。该自编码器与其他场景中获取数据集的方式不同，它可以生成足够的训练样本并同时实现标记输出。
[0020](2)将卷积神经网络应用于自编码器的隐藏层部分，在编码器上设计三个一维卷积层和一个能量归一化层，在解码器上设计三个一维卷积层，此一维卷积层可以对所有比特信息同时处理，提高该自编码器信息处理能力。
[0021](3)编码器模块中的能量归一化层可以对发送信号进行能量约束，确保满足传输条件。
[0022](4)莱斯衰落信道模型可以准确描述海上多径效应，通过训练，可以使此专利技术很好地适应海上环境。接收端接收信号的总强度为反射信号强度和直射信号强度的和，所述莱斯衰落信道中莱斯K因子与直射信号强度成正比。
[0023](5)反馈信道模块将编码传输后的信号反馈至发射机部分，反馈解码器模块对反馈信号进行解码，并且通过编码器进行二次编码，可以提高海上端到端通信的可靠性。
附图说明
[0024]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1为本专利技术提供的端到端通信自编码器模块图
[0026]图2为本专利技术提供的卷积神经网络模型图
[0027]图3为本专利技术提供的海上信道模型图
[0028]图4为本专利技术提供的基于信道反馈的海上高可靠端到端通信自编码器结构图
[0029]图5为本专利技术提供的基于信道反馈的海上高可靠端到端通信自编码器训练过程图
具体实施方式
[0030]为使本专利技术的技术方案和优点更加清楚，下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚完整的描述：
[0031]一种基于信道反馈的海上高可靠端到端通信自编码器设计方法，具体包括如下步骤：
[0032]步骤1：建立端到端通信自编码器模块，该模块包括编码器和解码器，所述编码器位于发射端的发射机部分，将输入信号进行编码后从而输出传输信号，解码器位于接收端的接收机部分。如图1所示，端到端通信自编码器模块具体包括：自编码器包括输入层、隐藏层和输出层，输入层与隐藏层组成编码器，隐藏层与输出层组成解码器，编码器可以对信号实现压缩降维，解码对对压缩信号进行升维重建。隐藏层具有原始信号的重要特征，可以实现无监督特征提取。
[0033]步骤2：建立具有卷积层、池化层和全连接层的卷积神经网络，具体组成如图2所示包括卷积层、激活函数、池化层、全连接层等。卷积层旨在检测前一层中特征的局部组合，池化层旨在将语义上相似的特征合并为一个，卷积、激活函数和池化的几个阶段是堆叠的，最后是一个完全连接的层。
[0034]步骤3：将卷积神经元模型与自编码器模块相结合，建立基于卷积神经网络的端到端通信自编码器。将卷积神经网络应用于自编码器的隐藏层部分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信道反馈的海上高可靠端到端通信自编码器设计方法，其特征在于包括：建立端到端通信自编码器模块，该模块包括编码器和解码器，所述编码器位于发射端的发射机部分，将输入信号进行编码后从而输出传输信号，解码器位于接收端的接收机部分；建立具有卷积层、池化层和全连接层的卷积神经网络；将卷积神经元模型与自编码器模块相结合，建立基于卷积神经网络的端到端通信自编码器；对海上信道模型进行分析，其中海上信道模型包括自由空间路径损耗模型、多径传输模型和管道效应模型，选择莱斯衰落信道对海上多径传输模型进行描述，建立海上信道模型；将端到端通信自编码器和海上信道模型进行结合，构建基于卷积神经网络的海上端到端通信自编码器；在基于卷积神经网络的海上端到端通信自编码器中加入反馈信道模块和反馈解码器模块，从而构建基于卷积神经网络和信道反馈的海上高可靠端到端通信自编码器；对该基于卷积神经网络和信道反馈的海上高可靠端到端通信自编码器进行训练从而提高海上通信的可靠性。2.根据权利要求1所述的设计方法，其特征在于：输入端的输入...

【专利技术属性】
技术研发人员：林彬，吴楠，李佳烨，韩晓玲，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：