[发明专利]基于深度学习的无线通信物理层收发端的联合优化方法

权利要求书

1.一种基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，包括以下步骤：

S1，根据神经网络模型的参数规模生成多个独立同分布的比特序列；

S2，在所述神经网络模型中设计用于时域传输的卷积自编码器单元，根据所述多个独立同分布的比特序列对所述神经网络模型进行训练，完成调制、均衡和解调的功能，使得所述神经网络模型的输入为任意长度的比特序列；

S3，根据多径衰落信道的能量重分布需求，将所述卷积自编码器单元的卷积层用局部连接层替代用于频域均衡，以产生对输入序列局部不同的衰落影响；

S4，根据预设通信需求完成各类信道的映射机制设计，并确定所述神经网络模型的神经网络结构，以联合优化无线通信物理层的发射端和接收端；

S5，将所述神经网络模型应用于通信系统进行测试，并将所述神经网络模型的输出比特序列的损失反向传播，通过梯度下降方法进行优化和迭代收敛以获得最佳系统模型；

S6，对所述神经网络模型引入LDPC编码，所述神经网络模型的输出作为LDPC的输入。

2.根据权利要求1所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，在步骤S2中，对所述神经网络模型进行训练为通过选择符合预设通信需求的信道，确定达到预设迭代次数后，达到预设误比特率。

3.根据权利要求1所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，所述S2中训练完的神经网络进一步包括：

发射端将输入比特流映射为一个串行复向量，经由时域传输，其中，第一层为卷积层，其后为卷积层和全连接层；

信道层将所述串行复向量归一化以满足功率限制，归一化的符号用于同信道矩阵进行操作；

接收端将经由信道层变形和噪声污染后的符号序列均衡和解映射，其中，接收端的网络结构同发射端对称，以恢复原始的比特流信息。

4.根据权利要求1所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，将所述卷积自编码器单元的卷积层用局部连接层替代后，卷积核的参数不再进行共享，以使输入比特序列产生不同的衰落影响。

5.根据权利要求1所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，在步骤S4中，所述根据预设通信需求完成各类信道的映射机制设计中的信道，包括：加性高斯白噪声信道，衰落信道和非高斯噪声信道。

6.根据权利要求2或3所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，在所述信道层的归一化中，对于加性高斯白噪声信道，加性高斯白噪声被添加到输入符号向量中，对于衰落信道，归一化的符号首先在时域和脉冲响应卷积，复数的卷积操作在神经网络中通过一个一维的卷积层和三维的张量卷积实现。

7.根据权利要求2所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，对所述神经网络模型的训练进一步包括：

将输入比特流的长度通过步长参数控制，其中，输入层进行压缩，后续卷积层进行扩充，以实现引入冗余再映射压缩数据的编码思路；

将所述神经网络模型的目标函数设定为最小化均方误差，其中，训练采用小批量样本的随机梯度下降法，以拓展模型的泛化能力；

将所述神经网络模型在预设信噪比下进行训练，并通过调整信噪比数值进行该模型的适应性测试；其中，测试包括：对信道变化进行鲁棒性测试。

8.根据权利要求7所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，信道变化的鲁棒性测试部分，通过模拟OFDM蜂窝系统的块间干扰，具有相关性信道中的雷达干扰，或者引入额外高斯噪声，以对极端信道条件下的系统性能测试。

9.根据权利要求1所述的基于深度学习的无线通信物理层收发端的联合优化方法，其特征在于，所述S6还包括：

若所述神经网络模型同传统编码模块结合，则视所述神经网络模型的输出实数为概率，其中，输出序列是独立同分布的，并作为软输入传入任何软译码系统；

若所述神经网络模型同二级网络级联，则视第二个神经网络为第二解码器，以模拟迭代译码，并调整训练机制以联合优化，其中，通过改变输入序列为交织后的已编码序列构成训练集合。