[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

本發明公開了一種基于神經網絡的信道均衡方法和譯碼方法以及對應的設備，其中譯碼方法包括：S1：基于卷積神經網絡，構建適用于存在碼間干擾的線性信道均衡器以及非線性信道均衡器，利用反向傳播算法對其進行訓練得到最優解；S2：在卷積神經網絡信道均衡器后面級聯一個全連接的神經網絡譯碼器，對經過信道均衡器后的恢復信號進行信道譯碼。本發明能夠有效提升誤碼率性能，并且具有較強的自適應性。

技術領域

本發明涉及通信技術領域，尤其涉及一種基于神經網絡的信道均衡方法、譯碼方法及對應設備。

背景技術

人工神經網絡(Artificial Neural Network，ANN)是機器學習(MachineLearning，DL)中一種重要的數學模型，其具有強大的提取高維數據隱藏特征的能力，近幾年在：目標識別、圖像分類、藥物發現、自然語言處理以及圍棋等諸多領域，都取得了重大突破并且大大改善了原有的系統性能。因而人工神經網絡被全世界學者廣泛研究并且在商業應用中廣泛部署。

信道均衡技術(Channel Equalization)是為了提高衰落信道中系統的傳輸性能而采取的一種抗衰落措施。它主要是為了消除或是減弱無線通信時的多徑時延帶來的碼間串擾(Inter-symbol Interference，ISI)。大體上分為：線性與非線性均衡。對于帶通信道的均衡較為困難，一般都是待接收端解調后在基帶進行均衡，因此基帶均衡技術有廣泛應用。在實際中一般是加入自適應濾波器來實現信道均衡。近幾年機器學習領域的一些非線性方法被用于一些復雜信道的均衡器實現，比如：支持向量機(Support Vector Machine，SVM)、高斯過程分類(Gaussian Process Classification，GPC)。

下面對信道均衡進行簡單介紹。

通信網絡信道模型如圖1所示，其中，發送端的信號m經過信道編碼器編碼和調制后形成信號s，經由信道傳輸，接收端接收到的信號為r，均衡器的任務是將r盡可能大的概率恢復到原始傳輸信號s，實際恢復估計的信號為譯碼器的任務是將盡可能大的概率恢復到原始發送信號m，最后實際譯碼得到的信號為

其中，多徑衰落信道的碼間干擾可以用以下有限長度的FIR濾波器與傳輸信號的線性卷積來表示：v＝s*h，其中s表示經過信道編碼器編碼和調制后的信道輸入，h為等效的濾波器系數向量，*表示線性卷積運算，而v表示帶有碼間干擾的傳輸信號。

由于通信系統中具有各種放大器和混合氣等非線性器件，因此可能會對信號造成非線性失真效應，通常非線性失真用以下的函數來表示：r_i＝g[v_i]+n_i，其中g[·]表示等效的非線性失真函數，而n_i表示所傳輸信號第i位v_i上收到的高斯白噪聲，r_i表示接收到的第i位信號。存在非線性失真、碼間干擾和噪聲的信道簡稱為非線性信道，而不存在非線性失真，只存在碼間干擾和噪聲的信道簡稱為線性信道。

信道均衡器的任務是將接收到的信號矢量r＝[r₁,r₂,...]盡可能以大的概率恢復到原始傳輸信號s。最大似然估計方法中是首先傳輸一段訓練序列s⁰和r⁰，之后利用以下的最大似然估計估計出信道參數的最優估計經過訓練之后，利用估計的信道參數可以按照以下概率恢復出接收信號：i＝1,2,...,N，雖然最大似然估計取得的性能較優，但是需要每次傳輸之前先傳輸訓練序列對信道進行估計，并且需要較為準確地知道信道條件，無法實現盲均衡。

發明內容

發明目的：本發明針對現有技術存在的問題，提供一種基于神經網絡的信道均衡方法、譯碼方法及對應設備，本發明具有高性能和強自適應性，還可以實現盲均衡。

技術方案：本發明所述的基于神經網絡的信道均衡方法包括：