[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

说明书

本发明公开了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，包括：随机生成独立同分布的比特序列；设计卷积自编码器，用于时域传输，同时完成调制、均衡和解调的功能，网络的软输出可以成为任意软解码器的输入，设计局部连接层替代上述卷积层，用于频域均衡，以对输入序列产生不同的衰落影响；实现基于深度学习的神经网络架构，用于联合优化无线通信物理层的发射端和接收端，根据通信需求完成各类信道的映射机制设计；在OFDM传输系统中测试上述网络结构，在后续引入LDPC编码方法，实现系统进一步优化。该方法就时间复杂度和衰落信道下的误比特率而言，具备良好的鲁棒性和适应性，可以和其他的编码方案相结合，进一步提升性能。

技术领域

本发明涉及通信技术领域，特别涉及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。

背景技术

无线通信技术中的一个重要问题在于，从发射端到接收端有多少信息得到了可靠传输。在物理层OSI模型(Open System Interconnection Reference Model，开放式系统互联参考模型)的研究中，整个系统从分治法的角度进行优化，发射端通常包含信源编码，信道编码和调制单元，接收端则涵盖同步，信道解码和信源解码等功能。针对不同的信道环境和应用需求，大量优化研究针对各模块独立进行，而根据信息论中的数据处理理论，通信中子模块的局部优化不能保证整个系统的全局最优。

DL(Deep Learning，深度学习)是一类模式识别方法的统称，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。得益于其强大的泛化能力，DL在CV(Computer Vision，计算机视觉)和NLP(Natural Language Processing，自然语言处理)中取得了广泛而成功的应用。

随着神经网络压缩技术的发展和专用硬件，如GPU(Graphics Processing Unit，图像处理单元)和FPGA(Field-programmable Gate Array，现场可编程门阵列)的革新，DL相关技巧的时间复杂度和计算资源开销被极大降低，使其在移动设备和天线上部署神经网络成为可能。在基于DL的通信系统中，通过一个AE(Auto-encoder，自编码器)代替人工引入的块机制，系统可以进行发射端和接收端的联合优化，

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出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，该方法就时间复杂度和衰落信道下的误比特率而言，具备良好的鲁棒性和适应性，可以和其他的编码方案相结合，进一步提升性能。

为达到上述目的，本发明一方面实施例提出了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，包括：

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。