[發明專利]基于深度學習的無線通信物理層收發端的聯合優化方法

在審

• 申請號: 202010079579.0
• 申請日: 2020-02-04
• 公開（公告）號: CN111327381A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 王勁濤;張玥;潘長勇;宋健
• 申請（專利權）人: 清華大學
• 主分類號: H04B17/391
• 分類號: H04B17/391;H04L1/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 王艷斌

本發明公開了一種基于深度學習的無線通信物理層收發端的聯合優化方法，包括：隨機生成獨立同分布的比特序列；設計卷積自編碼器，用于時域傳輸，同時完成調制、均衡和解調的功能，網絡的軟輸出可以成為任意軟解碼器的輸入，設計局部連接層替代上述卷積層，用于頻域均衡，以對輸入序列產生不同的衰落影響；實現基于深度學習的神經網絡架構，用于聯合優化無線通信物理層的發射端和接收端，根據通信需求完成各類信道的映射機制設計；在OFDM傳輸系統中測試上述網絡結構，在后續引入LDPC編碼方法，實現系統進一步優化。該方法就時間復雜度和衰落信道下的誤比特率而言，具備良好的魯棒性和適應性，可以和其他的編碼方案相結合，進一步提升性能。

技術領域

本發明涉及通信技術領域，特別涉及一種基于深度學習的無線通信物理層收發端的聯合優化方法。

背景技術

無線通信技術中的一個重要問題在于，從發射端到接收端有多少信息得到了可靠傳輸。在物理層OSI模型(Open System Interconnection Reference Model，開放式系統互聯參考模型)的研究中，整個系統從分治法的角度進行優化，發射端通常包含信源編碼，信道編碼和調制單元，接收端則涵蓋同步，信道解碼和信源解碼等功能。針對不同的信道環境和應用需求，大量優化研究針對各模塊獨立進行，而根據信息論中的數據處理理論，通信中子模塊的局部優化不能保證整個系統的全局最優。

DL(Deep Learning，深度學習)是一類模式識別方法的統稱，通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。得益于其強大的泛化能力，DL在CV(Computer Vision，計算機視覺)和NLP(Natural Language Processing，自然語言處理)中取得了廣泛而成功的應用。

隨著神經網絡壓縮技術的發展和專用硬件，如GPU(Graphics Processing Unit，圖像處理單元)和FPGA(Field-programmable Gate Array，現場可編程門陣列)的革新，DL相關技巧的時間復雜度和計算資源開銷被極大降低，使其在移動設備和天線上部署神經網絡成為可能。在基于DL的通信系統中，通過一個AE(Auto-encoder，自編碼器)代替人工引入的塊機制，系統可以進行發射端和接收端的聯合優化，

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的目的在于提出一種基于深度學習的無線通信物理層收發端的聯合優化方法，該方法就時間復雜度和衰落信道下的誤比特率而言，具備良好的魯棒性和適應性，可以和其他的編碼方案相結合，進一步提升性能。

為達到上述目的，本發明一方面實施例提出了一種基于深度學習的無線通信物理層收發端的聯合優化方法，包括：

S1，根據神經網絡模型的參數規模生成多個獨立同分布的比特序列；

S2，在所述神經網絡模型中設計用于時域傳輸的卷積自編碼器單元，根據所述多個獨立同分布的比特序列對所述神經網絡模型進行訓練，完成調制、均衡和解調的功能，使得所述神經網絡模型的輸入為任意長度的比特序列；

S3，根據多徑衰落信道的能量重分布需求，將所述卷積自編碼器單元的卷積層用局部連接層替代用于頻域均衡，以產生對輸入序列局部不同的衰落影響；

S4，根據預設通信需求完成各類信道的映射機制設計，并確定所述神經網絡模型的神經網絡結構，以聯合優化無線通信物理層的發射端和接收端；

S5，將所述神經網絡模型應用于通信系統進行測試，并將所述神經網絡模型的輸出比特序列的損失反向傳播，通過梯度下降方法進行優化和迭代收斂以獲得最佳系統模型；

S6，對所述神經網絡模型引入LDPC編碼，所述神經網絡模型的輸出作為LDPC的輸入。