【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。