基于深度学习的无线通信物理层结构制造技术

本发明专利技术提供了一种基于深度学习的无线通信物理层结构，包括：编码器部分、信道模拟部分、解码器部分、随机干扰发生器部分、干扰特征提取部分、子载波约束部分。本发明专利技术实现跨协议干扰严重条件下的可靠通信。编码器端将根据当前环境中的干扰自动调节信号的调制方式，使其具备对抗干扰的能力，在接收端使用自编码器的解码器实现对发送信号的还原。加载在编码器和解码器端的干扰特征提取器和子载波约束器将用来引导编码器进行自适应的调制方式控制，从而应对不同种的干扰采取不同的调制方式，达到环境自适应的效果。该设计具有较强的普适性，能够寻找普适、有效的抗干扰通信方式，从而指导大量物联网设备的通信，为物联网领域的发展提供支持。提供支持。提供支持。

【技术实现步骤摘要】
基于深度学习的无线通信物理层结构


[0001]本专利技术涉及通信技术的
，具体地，涉及基于深度学习的无线通信物理层结构。

技术介绍

[0002]在物联网的时代，通信的对象从人延伸到了物体，这意味着网络设备的多样性大大增加了，可以是一台智能手机，也可能是一张公交卡。于此同时，随着应用场景的多样化，网络环境变得高度动态且复杂，通信模式也日益多样化。
[0003]在公开号为CN113746628A的专利文献中公开了一种基于深度学习的物理层密钥生成方法及系统，通过收集相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络；利用训练数据对秘钥生成网络进行训练，实现网络深度学习训练，通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列。
[0004]现有的通信技术通常基于较为理想化且僵化的网络模型，很难在高度动态化且复杂的场景中实现可靠的传输。以通信的物理层为例，要实现无线信号传输，首要的任务是对信道进行建模。随着网络环境越来越复杂，用来描述信道的数学模型也越来越复杂，从最开始的自由空间传输模型到最后的时空信道模型，信道模型需要同时考虑路径衰落、遮蔽衰弱、多径效应、多普勒现象、以及多天线对信道的影响。再加上如今海量设备间的相互干扰，这使得信道变得更加难以估计，人们再也无法找到一个准确的数学模型来描述和刻画这种高度动态且复杂的信道了。随着“AI+”时代的到来，本专利提供了一种利用深度学习模型(以自编码器为主)代替传统的数学模型进行信道建模。使得信道模型能够适应不断变化的信道环境的方法，从而指导物联网设备在存在干扰的情况下进行高可靠通信。
[0005]因此，需要提出一种新的技术方案以改善上述技术问题。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种基于深度学习的无线通信物理层结构。
[0007]根据本专利技术提供的一种基于深度学习的无线通信物理层结构，包括编码器、信道模拟器、解码器、随机干扰发生器、干扰特征提取器、子载波约束器；
[0008]所述编码器根据所传输的信号和输入的干扰特征对信号进行编码和功率约束；
[0009]所述信道模拟器在训练中对编码器和随机干扰发生器的输出叠加模拟真实信道存在的效应；
[0010]所述解码器根据编码器经过信道模拟的输出和输入的干扰特征进行解码；
[0011]所述干扰特征提取器根据随机干扰发生器经过信道模拟的输出对干扰进行特征提取；
[0012]所述随机干扰发生器作为干扰源模拟环境中可能出现的各种干扰；
[0013]所述子载波约束器根据输入的干扰信息对编码器输出的子载波进行约束。
[0014]优选地，所述编码器的编码基于神经网络的一维卷积层和全连接层，对输入信号进行维度变换，输出维度等于子载波数量，将信号调制在每个子载波上；
[0015]所述功率约束对编码输出进行归一化，约束传输功率。
[0016]优选地，所述归一化指对每个子载波上的信号幅度除以该子载波上信号幅度的最大值。
[0017]优选地，所述信道模拟器中的效应包括载波频率偏移CFO、采样频率偏移SFO、高斯噪声、变频、脉冲整形。
[0018]优选地，所述解码器中的解码基于神经网络的一维卷积层、全连接层和正则化层，对输入进行维度变换，输出所传输的信号。
[0019]优选地，所述干扰特征提取器的特征提取包括编码器前的干扰特征提取和解码器前的特征提取；
[0020]所述特征提取基于神经网络的一维卷积层、池化层、全连接层，对输入的干扰进行维度变换，寻找干扰信号的低维表征。
[0021]优选地，所述编码器前的干扰特征提取器以系统误码率为约束训练，解码器前的干扰特征提取器以系统误码率和编码器前的干扰特征提取器的输出为约束训练；
[0022]所述编码器前的干扰特征提取器和解码器前的干扰特征提取器的输入在时间上错开，提取与干扰与时间无关的特征。
[0023]优选地，所述干扰特征提取器的输出与编码器和解码器相连，指导编码器和解码器，同步编码器和解码器的信息。
[0024]优选地，所述子载波约束基于神经网络的一维卷积层和全连接层，输入随机干扰发生器经过信道模拟的输出，输出编码器的子载波频段选择向量，并与编码器输出相乘。
[0025]优选地，所述子载波频段选择向量维度与编码器输出相同，且只包含0/1的向量。
[0026]与现有技术相比，本专利技术具有如下的有益效果：
[0027]本专利技术通过这样的设计，实现跨协议干扰严重条件下的可靠通信；本专利技术具有较强的普适性，能够寻找普适、有效的抗干扰通信方式，从而指导大量物联网设备的通信，为物联网领域的发展提供支持。
附图说明
[0028]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0029]图1为本专利技术中以深度自编码器为基础的无线通信物理层结构的工作流程图；
[0030]图2为本专利技术中随机干扰发生器产生的干扰时频谱示意图；
[0031]图3为仿真训练效果图；
[0032]图4为输入的干扰星座图；
[0033]图5为编码器输出端的星座图。
具体实施方式
[0034]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。
[0035]实施例1：
[0036]根据本专利技术提供的一种基于深度学习的无线通信物理层结构，包括编码器、信道模拟器、解码器、随机干扰发生器、干扰特征提取器、子载波约束器；编码器根据所传输的信号和输入的干扰特征对信号进行编码和功率约束；信道模拟器在训练中对编码器和随机干扰发生器的输出叠加模拟真实信道存在的效应；解码器根据编码器经过信道模拟的输出和输入的干扰特征进行解码；干扰特征提取器根据随机干扰发生器经过信道模拟的输出对干扰进行特征提取；随机干扰发生器作为干扰源模拟环境中可能出现的各种干扰；子载波约束器根据输入的干扰信息对编码器输出的子载波进行约束。
[0037]编码器的编码基于神经网络的一维卷积层和全连接层，对输入信号进行维度变换，输出维度等于子载波数量，将信号调制在每个子载波上；功率约束对编码输出进行归一化，约束传输功率。
[0038]归一化指对每个子载波上的信号幅度除以该子载波上信号幅度的最大值。
[0039]信道模拟器中的效应包括载波频率偏移CFO、采样频率偏移SFO、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无线通信物理层结构，其特征在于，包括编码器、信道模拟器、解码器、随机干扰发生器、干扰特征提取器、子载波约束器；所述编码器根据所传输的信号和输入的干扰特征对信号进行编码和功率约束；所述信道模拟器在训练中对编码器和随机干扰发生器的输出叠加模拟真实信道存在的效应；所述解码器根据编码器经过信道模拟的输出和输入的干扰特征进行解码；所述干扰特征提取器根据随机干扰发生器经过信道模拟的输出对干扰进行特征提取；所述随机干扰发生器作为干扰源模拟环境中可能出现的各种干扰；所述子载波约束器根据输入的干扰信息对编码器输出的子载波进行约束。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结构，其特征在于，所述编码器的编码基于神经网络的一维卷积层和全连接层，对输入信号进行维度变换，输出维度等于子载波数量，将信号调制在每个子载波上；所述功率约束对编码输出进行归一化，约束传输功率。3.根据权利要求2所述的基于深度学习的无线通信物理层结构，其特征在于，所述归一化指对每个子载波上的信号幅度除以该子载波上信号幅度的最大值。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结构，其特征在于，所述信道模拟器中的效应包括载波频率偏移CFO、采样频率偏移SFO、高斯噪声、变频、脉冲整形。5.根据权利要求1所述的基于深度学习的无线通信物理层结构，其特征在于，所述解码器中的...

【专利技术属性】
技术研发人员：金梦，朱丰源，解明奇，田晓华，王新兵，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：