【技术实现步骤摘要】
本专利技术涉及无线网络通信，特别是涉及一种基于深度学习的调制编码方法及系统。
技术介绍
1、在现行通信技术标准下，无线通信对通信速率的要求越来越高，为实现低时延、高可靠的增强型移动宽带的无线传输，amc(自适应调制编码)技术作为核心技术在lte已经得到很大应用，并且在即将商用的第五代移动通信技术中，amc也被列入了关键技术进行研究。
2、自适应调制编码技术的基本原理是指发送端根据时变的信道状态信息确定不同的调制编码方案，通过实时调整调制与编码的方式来控制信息的传输速率，使得信道传输速率时刻与信道特性保持一致，以此达到信息传输速率最大化。自适应mcs选择，指基站侧根据已知cqi-mcs映射表，当检测到信道质量较好时，用户选择更高级别，反之用户选择较低等级的mcs，以保证用户的通信质量始终维持在一个较高水平。
3、参考文献1研究了基于信道估计的mcs-cqi选择机制，提出智能链路自适应、经典差值信噪比、有效频谱利用率三种映射算法，研究了在低mcs时的选择方案，并对智能链路自适应算法设计了对于不同场景的mcs选择限制方案。但此文献未考虑到真实传输环境中的时延，基站接收到的cqi或者sinr值很可能不是当前时刻的。
4、参考文献2研究了基于ack/nack反馈bler的mcs映射选择方案，根据接收端反馈回来的数据包的ack/nack信息来确定当前mcs，但此文献一方面未考虑信道信息，对信道变化不敏感；同时多用户情况下，存在某一用户的某一时刻调度不到的情况，即时间间断性的ack/nack反馈不能正确反应
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于深度学习的调制编码方法及系统，能够根据当前网络信噪比实时匹配最优mcs。
2、本专利技术解决其技术问题所采用的技术方案是：提供一种基于深度学习的调制编码方法，包括以下步骤：
3、获取无线通信网络在连续多个传输时刻的sinr值和mcs值作为学习数据集；
4、利用深度学习算法对所述学习数据集进行分析获得所述sinr值对应的最优mcs，并构建sinr-mcs映射关系表；
5、获取当前时刻sinr值；
6、根据所述sinr-mcs映射关系表，利用所述当前时刻sinr值查表获得所述最优mcs；
7、终端用户执行所述最优mcs来进行调制映射。
8、进一步的，利用深度学习算法对所述学习数据集进行分析获得所述sinr值对应的最优mcs，包括：
9、将根据所述当前时刻sinr值来选择mcs进行调制映射的问题抽象为马尔可夫决策过程；
10、以使所述终端用户在当前时刻的数据吞吐量最大为目标，搭建包括状态空间、动作空间、以及奖励函数的强化学习框架；
11、基于所述强化学习框架，利用深度学习算法对所述学习数据集进行分析，获得各个所述传输时刻的sinr值对应的最优mcs。
12、进一步的，所述sinr-mcs映射关系表是通过对所述学习数据集中的sinr值及其对应的最优mcs进行统计分析来构建的。
13、进一步的，所述状态空间包括当前时刻终端用户数据吞吐量，以及所述当前时刻sinr值。
14、进一步的，所述动作空间包括所述终端用户全部可选择的调制方式。
15、进一步的，所述奖励函数rt为
16、
17、其中，γ为折扣因子，为奖励参数，通过以下公式获得
18、
19、其中，throughputt为终端用户在当前时刻的数据吞吐量，throughputt+1为终端用户在下一时刻的数据吞吐量。
20、进一步的，所述获取无线通信网络在连续多个传输时刻的sinr值和mcs值，包括：
21、获取当前时刻sinr值，并将所述当前时刻sinr值映射成为cqi等级；
22、根据所述cqi等级确定mcs值。
23、本专利技术解决其技术问题所采用的技术方案是：提供一种基于深度学习的调制编码系统，包括：
24、数据采集模块，用来获取无线通信网络在连续多个传输时刻的sinr值和mcs值作为学习数据集；
25、深度学习模块，用来利用深度学习算法对所述学习数据集进行分析，获得所述连续多个传输时刻的sinr值对应的最优mcs，并构建sinr-mcs映射关系表；
26、sinr模块，用来获取当前时刻sinr值；
27、sinr-mcs调制编码模块，用来根据所述sinr-mcs映射关系表，利用所述当前时刻sinr值查表获得所述最优mcs；
28、执行模块，用来执行所述最优mcs进行调制映射。
29、进一步的，还包括原始调制编码模块，所述原始调制编码模块用来将所述sinr值映射成为cqi等级，并根据所述cqi等级确定mcs值。
30、进一步的，还包括模式选择模块，所述模式选择模块用来选择通过所述原始调制编码模块或通过所述sinr-mcs调制编码模块来获取mcs。
31、进一步的，所述深度学习模块的状态空间包括当前时刻终端用户数据吞吐量，以及所述当前时刻sinr值，所述深度学习模块的动作空间包括所述终端用户全部可选择的调制方式，所述深度学习模块的奖励函数rt为
32、
33、其中，γ为折扣因子，为奖励参数，通过以下公式获得
34、
35、其中，throughputt为终端用户在当前时刻的数据吞吐量，throughputt+1为终端用户在下一时刻的数据吞吐量。。
36、有益效果
37、由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术通过现有的基于信道估计实现的mcs映射方案获得大量数据样本，并利用这些样本对进行深度强化学习，基于奖励最大化的迭代规则，可获得在特定环境下任意sinr对应的最佳mcs，从而构建出sinr-mcs映射关系表，使终端用户能够实时根据sinr直接查表获得最佳mcs，规避了信道传输时延和cqi上报周期不确定性带来的影响，保证了基于自适应调制编码技术下行链路的传输质量。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的调制编码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，利用深度学习算法对所述学习数据集进行分析获得所述SINR值对应的最优MCS，包括：
3.根据权利要求2所述的方法，其特征在于，所述SINR-MCS映射关系表是通过对所述学习数据集中的SINR值及其对应的最优MCS进行统计分析来构建的。
4.根据权利要求2所述的方法，其特征在于，所述状态空间包括当前时刻终端用户数据吞吐量，以及所述当前时刻SINR值。
5.根据权利要求2所述的方法，其特征在于，所述动作空间包括所述终端用户全部可选择的调制方式。
6.根据权利要求2所述的方法，其特征在于，所述奖励函数Rt为
7.根据权利要求1所述的方法，其特征在于，所述获取无线通信网络在连续多个传输时刻的SINR值和MCS值，包括：
8.一种基于深度学习的调制编码系统，其特征在于，包括：
9.根据权利要求8所述的系统，其特征在于，还包括原始调制编码模块，所述原始调制编码模块用来将所述SINR值映射成为C
10.根据权利要求9所述的系统，其特征在于，还包括模式选择模块，所述模式选择模块用来选择通过所述原始调制编码模块或通过所述SINR-MCS调制编码模块来获取MCS。
...【技术特征摘要】
1.一种基于深度学习的调制编码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，利用深度学习算法对所述学习数据集进行分析获得所述sinr值对应的最优mcs，包括：
3.根据权利要求2所述的方法，其特征在于，所述sinr-mcs映射关系表是通过对所述学习数据集中的sinr值及其对应的最优mcs进行统计分析来构建的。
4.根据权利要求2所述的方法，其特征在于，所述状态空间包括当前时刻终端用户数据吞吐量，以及所述当前时刻sinr值。
5.根据权利要求2所述的方法，其特征在于，所述动作空间包括所述终端用户全部可选择的调制方式。
<...【专利技术属性】
技术研发人员：周明拓，郁春波，贺文，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
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。