【技术实现步骤摘要】
一种基于扩散模型的数据压缩方法
[0001]本专利技术涉及一种基于扩散模型的信号压缩方法,属于数据压缩存和无线通信领域
。
技术背景
[0002]随着科技的不断进步,无线设备广泛普及,人们对于通信方面的需求也在不断增加
。
近些年,第五代移动通信技术
(5G NR)
等技术的出现极大地满足了人们的需求,提供了可靠
、
高速的无线通信技术
。
这些技术的应用推进了包括航空
、
航天
、
物流等多个领域的发展,为人们的生产生活带来了更加高效和便捷的体验
。
[0003]尽管通信技术的不断发展和创新,但现有的通信系统的效率逐渐逼近了香农极限
。
传统的通信系统采用更高阶的调制和解调技术,利用更宽的频谱带宽提高了数据速率和容量,因此存在一些成本及开销问题
。
相比之下,通过数据压缩技术具有更低的复杂度和成本
。
因此,探索更高效的数据压缩方法成为值得研究的问题
。
[0004]然而,采用传统的数据压缩技术时,压缩效率和恢复数据质量难以平衡,仅能一定程度上对
IQ
等信息进行恢复重构,存在压缩效率低下和恢复数据困难的问题
。
因此如何设计合适的数据压缩方法
、
最大限度提升压缩能力
、
减小数据损失,以实现高效的数据压缩,是亟待解决的问题
。
技术实现思路
[ ...
【技术保护点】
【技术特征摘要】
1.
一种基于扩散模型的
IQ
数据压缩方法,其特征在于:包括以下步骤,步骤一:针对
IQ
数据压缩效率低
、
复原难的问题,构建通信信号压缩重构网络模型;所述通信信号压缩重构网络模型主要由若干个串联的噪声过滤器组成
。
每一个噪声过滤器中包含一个噪声预测网络,噪声预测网络是预测噪声分布情况的神经网络,可以预测输入噪声样本需要减去噪声的分布
。
噪声过滤器将噪声样本数据减去噪声预测网络预测的噪声分布得到减去一次噪声的样本;对样本
IQ
数据集进行预处理,将原始采集
IQ
数据生成信号时频图;步骤二:通信信号压缩重构网络模型采用马尔可夫链形式,通过缓慢地向
IQ
数据添加随机噪声完成前向传播过程,
IQ
数据下一状态的概率分布只能由当前状态决定;在训练阶段,将原始
IQ
信号
、
该
IQ
数据所生成的时频图作为输入,训练噪声过滤器中的噪声预测网络;噪声预测网络学习到每一步向
IQ
数据添加随机噪声分布的情况,使用自适应学习率的优化算法和正则化方法避免过拟合,根据预测噪声情况与实际噪声情况计算交叉熵损失,更新噪声预测网络的网络权值,直至得到训练好的噪声预测网络,将训练好的噪声预测网络嵌入噪声过滤器,再将若干噪声过滤器进行串联组成通信信号压缩重构网络模型,构建完整的通信信号压缩重构网络模型;步骤三:基站将训练好的通信信号压缩重构网络模型通过下行信道发送给接收端设备;通过将
IQ
信号经过预处理得到时频图,将该时频图通过下行信道发送给接收端;步骤四:将步骤三发送的时频图输入步骤二构建好的通信信号压缩重构网络模型,利用步骤二训练好的通信信号压缩重构网络模型将纯噪声信号逐步进行去噪;通过将纯噪声和时频图输入通信信号压缩重构网络模型重构出
IQ
数据,以还原初始
IQ
的信息,由于时频图能够表达长时间信号情况,能够在一个信号时频图的条件下实现长时间
IQ
信息的还原,提升数据压缩率,提高通信信号压缩重构网络模型对
IQ
信号的压缩率
。2.
如权利要求1所述的一种基于扩散模型的
IQ
数据压缩方法,其特征在于:步骤一实现方法为,步骤
1.1
:构建通信信号压缩重构网络模型;所述通信信号压缩重构网络模型主要由若干个串联的噪声过滤器组成;每一个噪声过滤器中包含一个噪声预测网络,当前层级的噪声过滤器的输入由原始
IQ
所生成的信号时频图
、
当前层的位置和前一层级噪声过滤器输出的信号构成;通过将前一层级噪声过滤器输出的信号与当前层噪声预测网络预测的噪声信号相减的结果作为当前层级的噪声过滤器的输出,将此输出输入至下一层级噪声过滤器;噪声预测网络由若干层残差网络块依次连接组成,每个残差块包括第一卷积层
、
第二卷积层
、
第三卷积层
、
全连接层
、ReLU
激活层;其中,卷积层均为一维卷积;通过对信号时频图经过第一卷积层向一维进行投影,帮助噪声预测网络学习时频图中的重要特征,减少输入时频图的维度;对嵌入向量通过全连接层,同时将通道数进行匹配,将嵌入向量与投影后的时频图进行融合;将原始信号与嵌入向量叠加,进行信号的融合;经过第二卷积层与已投影时频图叠加,进一步提取特征,并结合投影后的时频图进行信息融合;将所得结果切分为两部分,分别使用激活层...
【专利技术属性】
技术研发人员:陈纪腾,潘健雄,曹馨元,程晨,刘宇恒,张鹏,叶能,郭兰图,
申请(专利权)人:中国电子科技集团公司第二十二研究所,
类型:发明
国别省市:
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。