[發明專利]基于神經網絡的信道均衡方法、譯碼方法及對應設備

有效

• 申請號: 201810440913.3
• 申請日: 2018-05-10
• 公開（公告）號: CN108650201B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 張川;徐煒鴻;鐘志偉;尤肖虎
• 申請（專利權）人: 東南大學
• 主分類號: H04L25/03
• 分類號: H04L25/03
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 馮艷芬

1.一種基于神經網絡的信道均衡方法，其特征在于包括：

(1-1)構建包含L個卷積層的卷積神經網絡模型，其中：

第一個卷積卷積層到第L-1卷積層中每層實現以下操作：

式中，是第n層卷積層的系數矩陣W⁽ⁿ⁾中所包含的第i個濾波器的第c行第k個元素，為未知的待訓練參數，每個濾波器尺寸都為1×K，是第n層卷積層的輸出特征圖第i行第j列的元素，且I⁽⁰⁾＝r，r是接收端接收到的信號矢量，為第n層卷積層的第i個偏置系數，為未知的待訓練參數，C_n為第n層卷積層的輸入特征圖的行數，此外第n-1層的輸出特征圖即為第n層的輸入特征圖，σ(·)表示ReLU非線性單元，并且σ(·)＝max(0,·)；

第L層卷積層實現以下操作：

(1-2)對構建的卷積神經網絡模型進行訓練，得到待訓練參數的最優值，進而得到訓練好的卷積神經網絡；

(1-3)采用訓練好的卷積神經網絡對接收端接收到的信號矢量r進行處理，得到均衡后的估計信號

2.根據權利要求1所述的基于神經網絡的信道均衡方法，其特征在于：步驟(1-2)中訓練所采用的方法為深度學習中后向傳播和Mini-batch隨機梯度下降算法。

3.一種基于神經網絡的譯碼方法，其特征在于包括：

(2-1)構建包含L個卷積層的卷積神經網絡模型，其中：

第一個卷積卷積層到第L-1卷積層中每層實現以下操作：

式中，是第n層卷積層的系數矩陣W⁽ⁿ⁾中所包含的第i個濾波器的第c行第k個元素，為未知的待訓練參數，每個濾波器尺寸都為1×K，是第n層卷積層的輸出特征圖第i行第j列的元素，且I⁽⁰⁾＝r，r是接收端接收到的信號矢量，為第n層卷積層的第i個偏置系數，為未知的待訓練參數，C_n為第n層卷積層的輸入特征圖的行數，此外第n-1層的輸出特征圖即為第n層的輸入特征圖，σ(·)表示ReLU非線性單元，并且σ(·)＝max(0,·)；

第L層卷積層實現以下操作：

其中，表示從r均衡后恢復的信號；

(2-2)構建包含D層隱藏層的全連接神經網絡譯碼模型，每層實現以下操作：

X^(d)＝σ(V^(d)X^(d-1)+a^(d)),d＝1,...,D

式中，V^(d)是第d層的二維系數矩陣W^(d)，為未知的待訓練參數，X^(d)是第d層的輸出向量，X^(d-1)是第d層的輸入向量，且為譯碼得到的信號，a^(d)為第d層的偏置系數向量，為未知的待訓練參數；

(2-3)對構建的卷積神經網絡模型和全連接神經網絡譯碼模型進行單獨訓練或聯合訓練，得到待訓練參數的最優值，進而得到訓練好的卷積神經網絡和全連接神經網絡譯碼模型；

(2-4)采用訓練好的卷積神經網絡模型進行均衡，采用全連接神經網絡譯碼模型對均衡后得到信號進行譯碼。

4.根據權利要求3所述的基于神經網絡的譯碼方法，其特征在于：步驟(2-3)中訓練所采用的方法為深度學習中后向傳播和Mini-batch隨機梯度下降算法。