[发明专利]基于卷积神经网络降低信道译码误码率的方法

说明书

本发明公开了一种在相关性性环境下基于卷积神经网络利用相关信息降低信道译码误码率的方法。该方法利用在快衰落信道下的无线通信系统获取训练集，利用该训练集训练了两个基于多层一维度卷积神经网络的估计器。利用估计器获得的信道增益和信道噪声值，依次进行接收信号去噪，残余噪声分布统计，重构对数似然比，最后利用重构的对数似然比作为BP译码器的输入进行低密度奇偶校验码的信道译码，其结果在各个实验相关性下都获得了相较于未进行上述处理就直接进行信道译码更低的误码率。这说明，通过本发明获得李准确的信道估计值和噪声估计值，同时信号去噪的方法获得了积极的性能增益。

技术领域

本发明涉及无线通信技术领域，特别涉及快衰落信道下低密度奇偶校验码的信道译码的问题。

背景技术

现代无线通信由于对通信性能更高的要求，在快衰落信道下，需要我们实时获取信道增益以提升通信系统的性能。对于被广泛利用于信道编码的低密度奇偶校验码(LowDensity Parity Check，LDPC)而言，获取实时准确的信道估计尤为重要。置信传播(BeliefPropagation，BP)算法作为LDPC码的译码算法被广泛采用，在衰落信道中的BP译码算法要求获取准确的信道估计值。现代无线通信为了提高通信各项性能，广泛采用多天线技术，由于天线彼此靠近，很容易产生衰落相关。这一相关特性的存在，使得利用诸如神经网络的人工智能方法解决信道估计问题成为可能。同时噪声的相关性由于接收机的采样和内部耦合问题，普遍存在，利用卷积神经网络去估计信道噪声同样可行。

发明内容

本发明所要解决的技术问题是在快衰落信道中相关性环境下对LDPC的译码性能提升的问题，为无线通信相关衰落信道提供了一种广泛适用的提升译码性能的方法。

本发明为解决上述技术问题采用以下技术方案：一种基于深度一维卷积网络的信道增益估计和噪声估计的方法，其内容包括：

1.发明应用场景构建

利用单系数指数相关矩阵建模信道相关性，利用瑞利分布建模衰落信道，利用高斯分布建模噪声分布，通过低密度奇偶检验码对信息进行编码，利用二进制相移键控进行信号调制，在所述的通信系统基础上，采集通信数据，构建接收信号同真实信道增益的训练数据集。利用这种方法构建的数据集去训练神经网络，可以获得一个理论上的普遍适用的信道和噪声估计器。

2.信道估计器的构建和训练

构建一维卷积神经网络结构，该神经网络由四层一维卷积层构成，前三层采用ReLU激活函数对结果进行激活，输出层采用线性激活函数输出。利用反向传播和小批量随机梯度下降方法对神经网络进行训练，利用卷积神经网络信道估计器得到估计估计信道增益。如果实际通信系统中的码字更长，需要酌情尝试更深的神经网络结构，利用实际通信系统获得的数据，在模拟系统训练获得的训练权重之上，继续训练，将系统拟合到最适合于目前的系统。信道增益估计器和噪声估计器的结构类似。

3.译码前数据预处理

利用估计噪声，对接收信号进行去噪处理，获得去噪信号。计算剩余噪声，对剩余噪声进行分布统计，获得剩余噪声分布。通过对数似然比推导公式，利用获得的估计信道增益值，同去噪噪声和剩余噪声分布一同计算出对数似然比，利用该对数似然比，对低密度奇偶检验码进行译码，验证新构建的信道译码器性能。可以反复重复2，3步骤，在保证神经网络未过拟合的情况下，对神经网络进行改造，可以采用Dropout技术改善过拟合情况，可以通过 skip-connection技术加深神经网络的深度。本发明只给出了最简单的版本。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：