[发明专利]一种基于深度学习的端到端通信系统建立方法

权利要求书

1.一种基于深度学习的端到端通信系统建立方法，其特征在于，包括以下步骤：

步骤1、建模信道训练阶段：通过建立自编码器深度神经网络并进行训练，其中中间层加入信道层，信道层尽量模拟真实信道，得到有效训练的端到端通信系统的深度学习模型，将训练完的网络以信道层为节点，之前的为编码层，之后的为译码层；

步骤1.1：构建编码层，原始的二进制比特信息需转换为独热码即one-hot类型输入，共256种类型，即0-255，输入信息先经过两层全连接层得到8位的编码信号输出，输出信号进行插0上采样后将前半部分视为发送的I路数据即实部信号，后半部分视为发送的Q路数据即虚部信号，将这两部分信号分别与通过MATLAB产生的成型滤波器系数进行卷积；成型滤波器的上采样点数为6，滚降系数为0.5，符号持续时间为8，类型为根升余弦滤波器；在这里信号和滤波器卷积得到的0不去除而是用作保护间隔抑制传输中的码间干扰：

其中，h(x)为根升余弦滤波器；x为编码信号；y为待发送信号；为卷积符号；

最后对信号进行功率归一化使之输出功率恒为1；

步骤1.2：构建信道层，高斯噪声层对信号加入了一定信噪比的噪声，使系统在训练时能够得到对噪声具有适应性的编码方式，之后对信号做相位偏移和频率偏移，以使训练得到的系统克服实际中的相位偏移和频率偏移；

步骤1.3：构建译码层，译码层先对信号进行切片处理，即将之前保留的保护间隔去除，防止保护间隔内的参数对最后的分类判决产生影响；将切片后的信号通过3层全连接层神经网络分支提取相位偏移和频率偏移信息，将提取出的相位偏移和频率偏移信息与原信号相乘做补偿，最后通过2层全连接层得到softmax类型数据输出；

步骤1.4：生成N组0-255的随机数并转换为独热码形式作为训练集对整个自编码器神经网络进行训练；

信道层包含高斯白噪声、相位偏移和频率偏移，译码层先经过切片层将保护间隔去除，防止其对最后分类产生影响，再加入RTN环节，即以专家领域知识为基础，通过构建一个神经网络分支来提取接收信号的相位偏移ψ和频率偏移Δψ，将神经网络提取出的相位偏移和频率偏移的相反数与接收信号相乘做补偿：

x′＝x*e^{-j(2πk*Δψ+ψ)}

其中，x为接收到的信号；x′为经过补偿后的信号；k为接收到信号的采样点顺序号；j为复数表示形式的虚部符号；

训练过程中，生成一定数量的随机数作为网络的输入数据集s和输出标签s′，数据于神经网络中在权重、偏置和激活函数的共同作用下前向传播进而得到最终神经网络输出s′，则第q层神经网络的第j个神经元的输入和输出分别为：

其中，J^(q-1)和J^(q)分别代表第q-1和第q层神经网络所包含的神经元个数；u_ij^(q-1)为第q-1层第i个神经元与第q层第j个神经元之间的权重；v_j^(q-1)为第q层第j个神经元的偏置；f(·)为激活函数；

深度神经网络的总输出：

s′^(Q)＝f^(Q-1)(f^(Q-2)(...f⁽¹⁾(s⁽¹⁾)))

其中，Q为深度神经网络层数；即为输入数据s；

定义表征神经网络性能的损失函数：

其中，y为期望输出即原始输入比特；a为神经元实际输出即预测的输出比特；n为输入神经网络的训练数据的总数；当L达到预设的阈值ζ，结束训练并保存深度神经网络当前状态下各层权重和偏置，即得到有效训练的深度学习模型；

步骤2、真实信道训练阶段：在真实信道下进行收发数据，利用收发数据对译码层进行单独训练，使译码层对真实信道更具有适应性。