[发明专利]一种基于神经网络的通信方法以及相关装置

说明书

本申请实施例公开了一种基于神经网络的通信方法以及相关装置。具体的，发送端使用的编码神经网络与接收端使用的译码神经网络进行联合训练优化。编码神经网络中的第一神经网络复用译码神经网络及译码神经网络的参数。使得译码神经网络为编码神经网络提供一部分先验信息，进而使得编码神经网络能更准确预测动作的收益，从而降低梯度估计的方差，加速网络收敛的速度及提高收敛的性能。

技术领域

本申请涉及通信技术领域，尤其涉及一种基于神经网络的通信方法以及相关装置。

背景技术

无线通信系统可以分为三部分：发送端(transmitter)、信道(channel)和接收端(receiver)，信道用于传输发送端与接收端之间交互的波形信号。

传统的无线通信系统中，发送端包括信源编码器(source encoder)和信道编码器(channel encoder)，接收端包括信源译码器(source decoder)和信道译码器(channel)。信源编码是一种以提高通信有效性为目的而对信源符号进行的变换，目的是为了减少或消除信源剩余度而进行的信源符号变换。信道编码通过对信源编码输出的符号进行相应的处理，使通信系统具有一定的纠错能力和抗干扰能力，可降低信道传输过程中的误码率。

为了优化无线通信系统的性能，需要对上述各个编码器和译码器进行优化。由于不同的编码器和译码器均有独立的数学模型，因此，通常是基于各自的数学模型进行独立优化。而实际的应用场景中，信道与发送端和接收端存在非理想化和非线性的问题。因此，造成数学模型失配，进而影响无线通信系统的性能。

发明内容

本申请实施例提供了一种基于神经网络的通信方法，发送端使用的编码神经网络与接收端使用的译码神经网络进行联合训练优化。编码神经网络中的第一神经网络复用译码神经网络及译码神经网络的参数。使得译码神经网络为编码神经网络提供一部分先验信息，进而使得编码神经网络能更准确预测动作的收益，从而降低梯度估计的方差，加速网络收敛的速度及提高收敛的性能。

第一方面，本申请实施例提出一种基于神经网络的通信方法，方法应用于发送端，包括：

发送端获取第一数据流；

发送端使用编码神经网络对第一数据流进行处理，得到第一符号流，编码神经网络包括：第一神经网络，第一神经网络复用部分或全部的译码神经网络，和/或部分或全部的译码神经网络的参数；

发送端输出第一符号流。

可选的，编码神经网络既可以部署于发送端内部，也可以部署于云端服务器。当编码神经网络部署于云端服务器时，由发送端向云端服务器请求该编码神经网络的服务。

具体的，发送端获取第一数据流，该第一数据流为二进制比特流(Binary digit，BIT)。当发送端与接收端之间进行通信交互时，该第一数据流为发送端向接收端发送的正常数据。当发送端与接收端之间进行神经网络的训练时，该第一数据流为发送端向接收端发送的训练样本数据。

当第一数据流为训练样本数据时，该第一数据流可以是预配置于发送端内部，该第一数据流也可以是外部(相对于发送端)输入的数据，该第一数据流还可以是发送端与接收端协商的数据，此处不做限制。

在一种可选的实现方式中，该第一数据流在预配置于发送端内部的同时，该第一数据流还可以预配置于接收端内部。

在一种可选的实现方式中，本申请实施例的编码神经网络采用一种改进的“演员-评判家(Actor-Critic)”算法进行训练。按照功能划分，编码神经网络可以分为第一神经网络和第二神经网络两部分，其中，第一神经网络也称为“critic神经网络”，第二神经网络也称为“actor神经网络”。

第一神经网络可以是复用全部的译码神经网络，例如：第一神经网络采用该译码神经网络的全部神经元结构(神经元结构包括神经元层数)。