一种非高斯噪声下基于深度学习的端到端通信系统技术方案

本发明专利技术属于无线通信技术领域，涉及一种非高斯噪声下基于深度学习的端到端通信系统。本发明专利技术利用深度学习技术解决传统理论难以处理的非高斯噪声信道通信问题：首先通过根据脉冲噪声的特性设计信道模拟器实现了对噪声的捕捉，而不需要准确的数学模型；接着，通过精心设计的E2E系统框架有效地在抑制脉冲噪声的同时尽量保留信号中原本包含的信息，从而实现非高斯噪声下逼近最优的通信；同时，利用E2E系统的全局优化以及MWSRN网络的强大能力，该发明专利技术可以无需导频实现在准静态衰落的非高斯噪声信道下的通信。道下的通信。道下的通信。

【技术实现步骤摘要】
一种非高斯噪声下基于深度学习的端到端通信系统


[0001]本专利技术属于无线通信
，涉及一种非高斯噪声下基于深度学习的端到端通信系统。

技术介绍

[0002]非高斯噪声广泛存在于多种通信场景中，如甚低频(Very
‑
Low Frequency，VLF)通信、电力线通信等。非高斯噪声主要表现为脉冲噪声的形式，可以用α
‑
稳定分布对其进行建模(D.A.Chrissan,“Statistical analysis and modeling of low
‑
frequency radio noise and improvement of low
‑
frequency communications,”Ph.D.dissertation,Space Telecommunications and Radioscience Lab.,Stanford Univ.,CA,1998.)。实际场景下，脉冲噪声与高斯噪声必然会同时出现，构成混合噪声。由于混合噪声复杂的特性，难以对其进行准确、解析的数学建模。因此，在混合噪声场景下，我们无法基于传统通信理论设计最优的通信方案。
[0003]传统通信系统设计的一项重要指导原则是模块化：整个通信过程被分解成多个独立的功能块，每个模块执行一个特定的功能，例如信源/信道编码、调制、信道估计、均衡等。这种方法虽然可以得到满足应用需求的通信系统，但不能保障单独优化的处理块连接起来就已经达到了最佳的链路性能。反之，近年来出现的、基于深度学习的自动编码器网络进行收发两端联合通信波形设计的方法，理论上可以获得全局性能最优的通信波形。(T.O
’
Shea and J.Hoydis,“An introduction to deep learning for the physical layer,”IEEE Trans.Cognit.Commun.Netw.,vol.3,no.4,pp.563
–
575,Dec.2017.)这种数据驱动的E2E通信技术使用生成器实现噪声环境模拟，采用自编码器实现E2E智能波形优化和编译码设计，其中生成器与自编码器的搭建均依赖于神经网络。(H.Ye,L.Liang,G.Y.Li,and B.
‑
H.F.Juang,“Deep learning
‑
based end
‑
to
‑
end wireless communication systems with conditional GANs as unknown channel,”IEEE Trans.Wireless Commun.,vol.19,no.5,pp.3133
–
3143,May 2020.)。

技术实现思路

[0004]针对非高斯混合噪声难以准确建模，从而难以通过经典通信理论实现最优波形设计的问题，本专利技术提出一种非高斯噪声下基于深度学习的E2E通信系统。
[0005]传统通信系统由调制/解调、编码/解码等不同部分组合而成，其中每一部分都分别在优化理论指导下进行优化设计，但不同部分串联起来之后整体的最优性却难以保证。同时，在非高斯噪声环境下，难以对环境噪声进行准确的数学建模，进一步导致基于传统方法设计的通信系统无法达到最优。数据驱动的E2E通信是一种基于近些年快速发展的深度学习(Deep Learning,DL)技术的新型通信模式。E2E系统的各部分均由神经网络构成，使用深度学习的方法，在E2E损失的监督下训练这些神经网络，从而使系统逼近全局最优。然而，由于非高斯混合噪声尤其是脉冲噪声复杂的性质，普通E2E系统难以处理受到非高斯噪声
干扰的通信信号，进而导致无法在非高斯噪声的环境下实现有效通信。因此，本专利技术基于E2E系统的结构，专利技术了一种非高斯噪声下基于深度学习的新型E2E通信波形设计系统，达到了比传统通信方法和普通E2E系统更优秀的性能。
[0006]本专利技术的技术方案是：
[0007]一种非高斯噪声下基于深度学习的端到端通信系统，包括发射网络、信道网络、预处理网络和判决网络；
[0008]所述发射网络是由卷积层构成的前馈神经网络，发射网络的输入数据为发射数据，定义发射数据为s＝[s1,s2,
…
,s
L
]，其中L为数据长度，s
i
∈{0,1},i∈{1,2,
…
L}；发射网络将发射数据转化为发射信号其中N为发射信号长度，f
t
(
·
)是发射机映射函数；
[0009]所述信道网络用于生成与环境噪声相似的模拟噪声，信道网络为可生成脉冲的GAN网络，由生成器G与判别器D两部分组成；生成器G的损失函数为：
[0010][0011]判别器D的损失函数为：
[0012][0013]其中，α1,α2为权重，U
1+ε
(g)为U型函数，U型函数的定义为：
[0014][0015]x
m
代表该U型函数的边界，x
m
取1+ε，ε为一足够小的正数使1+ε趋近于1，V(g,m)函数的定义是：V(a,b)＝(||a||2‑
||b||2)2，用于衡量两个向量的长度差；E[x]代表随机变量x的数学期望，θ
g
与θ
d
分别代表生成器G与判别器D中的所有可训练参数，z代表一组服从高斯分布的生成器G输入随机矢量，m代表环境噪声矢量，g代表生成器的模拟噪声矢量，gp(
·
)代表梯度惩罚项，λ代表梯度惩罚项的权重，代表g与m的凸组合，组合系数由均匀分布采样得到，x
‑
p
x
(x)代表x中元素x
i
独立同分布服从于给定的分布p
x
(
·
)，代表函数f关于变量x的梯度。以所述生成器与判别器损失函数训练信道网络即可得到能够模拟混合噪声环境的信道模拟器；
[0016]发射数据s通过发射网络得到发射信号x，发射信号发射到信道中后与训练完成的信道网络产生的模拟噪声g构成接收信号y，接收信号再由预处理网络进行接收；
[0017]所述预处理网络接收发射符号得到接收信号y，预处理网络为多级小波变换卷积神经网络，用于抑制脉冲噪声所带来的异常值，其对于受到脉冲噪声污染的信号的作用视
为映射f
p
(y)，因此预处理网络的输出可以表示为r＝f
p
(y)；
[0018]所述判决网络用于恢复出原始数据，其作用为映射f
de
(r)，判决网络根据预处理网络处理后的信号得到对发射数据的估计
[0019]进一步的，所述发射网络的具体结构为4层，前3层结构相同，均由卷积层、批归一化层和ReLU激活函数层构成，最后一层由卷积层和一个Tanh激活本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非高斯噪声下基于深度学习的端到端通信系统，其特征在于，包括发射网络、信道网络、预处理网络和判决网络；所述发射网络是由卷积层构成的前馈神经网络，发射网络的输入数据为发射数据，定义发射数据为s＝[s1,s2,...,s
L
]，其中L为数据长度，s
i
∈{0,1},i∈{1,2,...L}；发射网络将发射数据转化为发射信号其中N为发射信号长度，f
t
(
·
)是发射机映射函数；所述信道网络用于生成与环境噪声相似的模拟噪声，信道网络为可生成脉冲的GAN网络，由生成器G与判别器D两部分组成；生成器G的损失函数为：判别器D的损失函数为：其中，α1,α2为权重，U
1+ε
(g)为U型函数，U型函数的定义为：x
m
代表该U型函数的边界，x
m
取1+ε，ε为一足够小的正数使1+ε趋近于1，V(g,m)函数的定义是：V(a,b)＝(||a||2‑
||b||2)2，用于衡量两个向量的长度差；E[x]代表随机变量x的数学期望，θ
g
与θ
d
分别代表生成器G与判别器D中的所有可训练参数，z代表一组服从高斯分布的生成器G输入随机矢量，m代表环境噪声矢量，g代表生成器的模拟噪声矢量，gp(
·
)代表梯度惩罚项，λ代表梯度惩罚项的权重，代表g与m的凸组合，组合系数由均匀分布采样得到，x～p
x
(x)代表x中元素x
i
独立同分布服从于给定的分布p
x
(
·
)，代表函数f关于变量x的梯度；发射数据s通过发射网络得到发射信号x，发射信号发射到信道中后与训练完成的信道网络产生的模拟噪声g构成接收信号y，接收信号再由预处理网络进行接收；所述预处理网络接收发射符号得到接收信号y，预处理网络为多级小波变换卷积神经网络，用于抑制脉冲噪声所带来的异常值，其对于受到脉冲噪声污染的信号的作用视为映射f
p
(y)，将预处理网络的输出表示为r＝f
p
(y)；所述判决网络用于恢复出原始数据，其作用定义为映射f
de
(r)，判决网络根据预处理网络处理后的信号得到对发射数据的估计2.根据权利要求1所述的一种非高斯噪声下基于深度学习的端到端通信系统，其特征
在于，所述发射网络的具体结构为4层，前3层结构相同，均由卷积层、批归一化层和ReLU激活函数层构成，最后一层由卷积层和一个Tanh层构成。3.根据权利要求2所述的一种非高斯噪声下基于深度学习的端到端通信系统，其特征在于，所述信道网络分为生成器与判别器两部分，其中生成器具体结构为5层，前4层结构相同，均由线性层、批归一化层和ReLU激活函数层构成，最后一层由线性层和一个Tanh激活函数层构成；判别器具体结构为3层，前2层结构相同，均由线性层、LeakyReLU激活函数层构成，最后一层由线性层构成。4.根据权利要求3所述的一种非高斯噪声下基于深度学...

【专利技术属性】
技术研发人员：赵成杰，王军，黄巍，陈霄南，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：