CN109245854A - 一种基于ai的端到端无线通信***及方法 - Google Patents
一种基于ai的端到端无线通信***及方法 Download PDFInfo
- Publication number
- CN109245854A CN109245854A CN201810929721.9A CN201810929721A CN109245854A CN 109245854 A CN109245854 A CN 109245854A CN 201810929721 A CN201810929721 A CN 201810929721A CN 109245854 A CN109245854 A CN 109245854A
- Authority
- CN
- China
- Prior art keywords
- communication system
- module
- classifier
- coding
- code
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Detection And Prevention Of Errors In Transmission (AREA)
Abstract
本发明属于无线通信网络技术领域,公开了一种基于AI的端到端无线通信***及方法,包括通信***端到端各模块粗粒度策略匹配以及通信***端到端各策略细粒度参数选定。本发明面向通信***端到端高效传输提出最优策略智能组合方法,根据用户端到端传输需求,综合考虑各模块多个指标,实现资源配置。从而,避免了策略匹配的先后顺序可能影响其结果的困境,克服了现有技术单独优化一个模块使得“各个模块的最优不等于全局最优”的不足,实现通信***全局依据用户需求,信道环境等自适应最优策略选择。综上,本发明可减少各模块之间策略失配,提升端到端***性能,降低误码率。
Description
技术领域
本发明属于无线通信网络技术领域,尤其涉及一种基于AI的端到端无线通信***及方法。
背景技术
目前,业内现有技术是这样的:信源编码是以提高传输过程中有效性为目的的编码。通信的资源是宝贵的,信源编码追求效率越高越好,即在相同的信息量使用最少比特位。信道编码是以提高传输过程中可靠性为目的的编码,通过在被传输数据中引入冗余减少出错的概率。同时在源数据速率固定的情况下,增加了带宽的需求。在编码算法中,编码速率,码距和码重都是很重要的参数,同时还要考虑开发费用,灵活性等问题。在无线移动信道中,当衰落和多径条件很恶劣时,设计一个能抵抗移动信道损耗的调制方案是关键问题之一。因为数字调制技术的抗噪性能,更强的抗信道损耗能力,更高的安全性等优点,现代移动通信***都使用数字调制技术。一个好的调制方案可在低接收信噪比的条件下提供小的误比特率,对抗多径和衰落情况性能良好,占用最小的带宽,复杂度低,但是没有调制方案能同时满足以上条件。因此,需要根据用户需求对各指标进行折衷,选择数字调制方案。5G通信过程信源结构复杂、信道感知拓扑变动剧烈,从而,信源及信道编码、传输及码率还原困难等问题迫在眉睫。其中,5G编码过程中难以实现根据实时网络数据调整的编码,且编码过程中存在时间复杂度及空间复杂度优化困难等难题。香农定义了无线信道上通信的容量极限,但是它并没有解释如何达到这些界限。近年来已经在这些界限附近实现了部分分开的操作步骤,例如,码率和码字适配,从而在特定的SNR水平下实现高效通信。传统算法在实践中计算复杂度高,并且需要昂贵的硬件和DSP软件优化处理。另一方面,试图通过研究资源调度达到香农极限,但还没有普遍的解决方案。从无线通信的角度来看,基于环境信息以及算法复杂度等要求设计调制方案优化通信指标的影响是巨大的。现有技术一“基于联合信道编码的图像传输速率自适应分配方法”中公开一种基于联合信道编码的图像传输速率自适应分配方法。该方法的具体步骤是:每一步建立目标函数模型为第二步分别采用AR4JA码和R4JA码进行信源编码和信道编码。第三步给定当前信源帧的熵值,在最大值界限集中寻找满足大于给定当前信源熵值的所有对应的速率元素,并将其中的最小值作为信源编码速率。第四步给定当前信噪比,在最低译码门限集合中找小于给定当前信噪比的所有对应的速率元素,并将其中最大值作为信道编码速率。该方法同样利用了建立函数模型的求解的方法确定策略的主要影响因素。现有技术二“一种信道的码率分配方法及***”中公开一种信道的码率分配方法及***。该方法的具体步骤是:每一步根据嵌入式信源编码的率失真函数的凸函数性,确定信源编码码流的信道编码码率所能达到的最大值。第二步通过信道编码码率所能达到的最大值和第一信道编码集合,确定第二信道编码集合。第三步在第二信道编码集合中确定信源编码流的信道的第一最优码率分配策略。第四步根据第一最码率分配策略,对信源编码码流进行信道的码率分配。该方法通过建模分析减少了码率分配时间。现有技术三“基于深度学习的无线通信调制信号识别方法”(申请号201710720483.6,申请公开号CN 107547460 A)中公开基于深度学习的无线通信调制信号识别方法。该方法的具体步骤是:第一步对捕获到的待识别调制信号进行采样。第二步对采样所得到的采样序列进行归一化,根据归一化后的采样序列制作调制信号的二维直方图。第三步构建深度卷积神经网络。第四步利用训练好的深度卷积神经网络。第五步利用训练好的深度卷积神经网络识别无线通信调制信号。该方法利用优化调制信号提高了识别正确率,在提高识别率的同时也高了算法复杂度。综上所述,深度学习用于调度大致分为两种方式,一种是利用深度学习替代各个模块,另一种是利用深度学习管理各个模块。
综上所述,现有技术存在的问题是:现有的调度中深度学习较多用来辅助或替代某个模块策略算法的,很少利用深度学习管理各个模块策略。
解决上述技术问题的难度和意义:
由于深度学习的算法复杂度较高,在通信中要求的时延较低,原有的仪器不足以满足需求。然而,现有通信***通常独立处理各模块,每个模块执行特定的功能,但是各个模块的最优不等于全局最优。分布式处理架构及专用硬件使得深度学习具有更好的计算性能。由于通信中大多数信号处理算法只能大致捕捉模型,而深度学习不需要精确的模型,因此可以利用深度学习训练选出通信***端到端各模块的最优策略组合以及确定影响其性能的主要影响因素。
发明内容
针对现有技术存在的问题,本发明提供了一种基于AI的端到端无线通信***及方法。
本发明是这样实现的,基于AI的端到端无线通信方法,所述基于AI的端到端无线通信方法,具体包括:通信***端到端各模块粗粒度策略匹配,为通信***端到端各模块选出最优算法;通信***端到端各模块策略细粒度参数选定;将信道条件,信源特征,用户需求以及其策略组合输入并更新算法库以备下次使用。
进一步,所述实现通信***端到端全局各个模块最优策略的粗粒度匹配进一步包括:
(1)中央分类器为信源编码模块建立算法库;
信源编码原始有莫尔斯电码,ASCⅡ码和电报码等。现代常见的信源编码方法有Huffman编码,L-Z编码,算术编码三种无损编码。现实场景中,不同的场景信源的状况有很多种,信源有着己知的,未知的,有记忆的,无记忆的等特征,在制定信源编码方案时,需要考虑用户需求以及信源的特征等。将Huffman编码,L-Z编码和算术编码分别录入算法库中。
(2)中央分类器为信道编码模块建立算法库;
信道编码是以提高信息传输的可靠性为目的的编码。信道编码有许多经典的编码,如RS码,BCH码和卷积码等,现在常用的信道编码一般采用随机编码方法并结合迭代软译码逼近最大似然方法的性能。在制定信道编码方案时,需要考虑信道状况,用户对误码率的要求等问题,其主要方法有Polar码、Turbo码和LDPC码等。在制定信道编码方案时,需要考虑信道状况,用户的误码率最低要求等。将Polar码、Turbo码和LDPC码分别录入信道编码的算法库中。
(3)中央分类器为数字调制模块建立算法库;
调制技术的最终目的就是在无线信道中以尽可能好的质量同时占用最少的带宽来传输信号。在数字通信***设计中,在选择调制方案时,经常在带宽效率、功率效率、误码率等指标之间折衷,信道损耗情况也是决定调制方案的关键因素。制定数字调制方案时,需要考虑***更倾向于通信的可靠性还是带宽效率决定对信息信号增加差错控制的方法;***更倾向于功率效率还是带宽效率决定多进制的调制方案。目前蜂窝通信采取的是数字通信技术,数字调制抗干扰性能好,搞信道损耗强且更安全。因此我们研究数字调制。将常见的数字调制方法ASK,FSK,PSK,GFSK,GMSK,QAM,DPSK,mQAM,mPSK,TCM,VSB,OFDM录入数字调制算法库。
(4)中央分类器为数字解调模块建立算法库
接收机的数字解调的算法根据发射机部分数字调制对应设计其解调算法。例如,如果发射机中数字调制部分用的是16QAM的调制方法,那么在接收机部分也要用16QAM的解调方法。
(5)中央分类器为信道解码模块建立算法库
接收机的信道解码的算法根据发射机部分信道编码对应设计其解码算法。例如,如果发射机中信道编码部分用的是Polar码,那么在接收机的信道解码部分也要用Polar码解码器。
(6)中央分类器为信源解码模块建立算法库
接收机的信源解码的算法根据发射机部分信源编码对应设计其解码算法。例如,如果发射机中信源编码部分用的是Huffman码,那么在接收机的信道解码部分也要用Huffman解码。通过比较权值逐步构建Huffman树,再由Huffman树进行编解码。
(7)中央分类器利用强化学习网络将用户信息,信道环境信息等作为神经网络输入,统一选出各模块最优算法组合,并将损失函数值反馈于中央分类器,进行模型库更新通过中央分类器利用强化学习建立损失函数和网络现在的状况进行粗粒度匹配。
进一步,细粒度参数选定由中央分类器通过神经网络训练统一决定每个模块算法的可变因素;
(1)根据信源的特征,用户需求以及信源环境设置信源编码模块及信源解码模块策略算法需要控制的变量。信源编码模块及信源解码模块需要控制的变量***长,码率和码重。
(2)根据信源编码模块中的码长,码率和码重设置以及对于误码率的要求设置信道编码模块及信道解码模块需要控制的变量。信道编码和信道解码需要控制的变量***长,码率和码重。
(3)根据复杂度的限制,误码率的要求设置数字调制及数字解调需要控制的变量。数字调制和数字解调需要控制的变量有调制类型和调制阶数。
(4)建立损失函数、参数选定。
以误块率作为损失函数为例:设计损失函数考虑优化误块率的损失函数L=(l,r,o,...),其中l表示码长,r表示码率,o表示调制阶数,l,r,o,...为损失函数自变量由中央分类器统一管理,解出使损失函数值最小的变量,并输出。将其信道环境以及其对应的最优策略输入中央分类器更新算法库。
本发明的另一目的在于提供一种应用上述基于AI的通信***端到端一体化设计方法的无线通信***。
综上所述,本发明的优点及积极效果为:本发明通过调研各个模块常用的算法,建立各个模块的算法库,克服了现有技术中各个模块固化的算法的难题,使得更快速的进行选择,减少计算时间。本发明利用神经网络统一管理通信***端到端全局各个模块策略,避免了策略匹配的先后顺序可能影响其结果的困境,克服了现在技术中单独优化一个模块使得“各个模块的最优不等于全局最优”的不足,实现通信***全局依据用户需求,信道环境等自适应最优策略选择。
本发明选出每个模块算法的主要影响因素,通过中央分类器统一管理,设计损失函数,损失函数的自变量为各模块算法的主要影响因素,克服了现在技术中各指标的折衷难题。本发明在每次选出最优策略之后将用户信息,信道环境等消息反馈至中央分类器,并更新算法库,克服了现有技术鲁棒性差的挑战。
附图说明
图1是本发明实施例提供的一种基于AI的端到端无线通信方法设计流程图。
图2是本发明实施例提供的基于AI的端到端无线通信***图。
图3是本发明实施例提供的一种基于AI的端到端无线通信方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明利用深度学习统一管理各模块的策略。通信***每个模块都执行其特定的功能,当通信***模块之间的策略失配时,将达不到理想结果,即“每个模块的最优不等于全局的最优”。本发明从通信***端到端的角度出发,综合考虑各个模块的影响因素。首先通信***中各模块进行粗粒度策略匹配,其次进行细粒度参数选定确定各模块的关键影响因素,为各模块设计算法以实现通信***端到端全局性能最优。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例一种基于AI的端到端无线通信方法包括以下步骤:
S101:通信***端到端各模块最优策略的粗粒度匹配;
S102:通信***端到端各策略细粒度参数选定;
S103:将信道条件,信源特征,用户需求以及最佳策略组合等输入并更新算法库。
在本发明的优选实施例中,步骤S101具体包括:
(1)中央分类器为通信***信源编码模块建立算法库;
(2)中央分类器为通信***信道编码模块建立算法库;
(3)中央分类器为通信***数字调制模块建立算法库;
(4)中央分类器为通信***数字解调模块建立算法库;
(5)中央分类器为通信***信道解码模块建立算法库;
(6)中央分类器为通信***信源解码模块建立算法库;
(7)从通信***端到端的角度利用神经网络为各模块选出其适合的策略。
在本发明的优选实施例中,步骤S102具体包括:
(1)中央分类器为信源编码及解码模块选出其主要影响因素;
(2)中央分类器为信道编码及解码模块选出其主要影响因素;
(3)中央分类器为数字调制及解调模块选出其主要影响因素;
(4)中央分类器根据用户需求,如误码率,算法复杂度等需求设立损失函数;
(5)中央分类器为每个算法选出其主要影响因素作为损失函数的自变量;
(6)中央分类器通过最小化损失函数,确定主要影响因素的值。
下面结合附图对本发明的应用原理作进一步的描述。
本发明面向端到端通信***架构,通信***各模块都有其对应的算法库。通过中央分类器通过神经网络根据信源特征,信道状况,用户需求,为各模块匹配策略以及确定各策略的主要影响因素。
步骤一:中央分类器为信源编码模块建立算法库。
信源编码原始有莫尔斯电码,ASCⅡ码和电报码等。现代常见的信源编码方法有Huffman编码,L-Z编码,算术编码三种无损编码。现实场景中,不同的场景信源的状况有很多种,信源编码有着己知的,未知的,有记忆的,无记忆的等特征,在制定信源编码方案时,需要考虑用户需求以及信源的特征决定信源编码的方案。将Huffman编码,L-Z编码和算术编码分别录入算法库中。
步骤二:中央分类器为信道编码模块建立算法库。
信道编码是以提高信息传输的可靠性为目的的编码。信道编码有许多经典的编码,如RS码,BCH码和卷积码等,现在常用的信道编码一般采用随机编码方法并结合迭代软译码逼近最大似然方法的性能。在制定信道编码方案时,需要考虑信道状况,用户对误码率的要求等问题,将其主要方法Polar码、Turbo码和LDPC码分别录入信道编码的算法库中。
步骤三:中央分类器为数字调制模块建立算法库。
调制技术的最终目的就是在无线信道中以尽可能好的质量同时占用最少的带宽来传输信号。在数字通信***设计中,在选择调制方案时,在带宽效率、功率效率、误码率等指标之间进行折衷,在不同的信道损耗情况下也是决定调制方案的关键因素。可根据***更倾向于通信的可靠性还是带宽效率决定对信息信号增加差错控制的方法;根据***的更倾向于功率效率还是带宽效率决定多进制的调制方案。目前蜂窝通信采取的是数字通信技术,数字调制抗干扰性能好,搞信道损耗强且更安全。因此我们研究数字调制。将常见的数字调制方法有ASK,FSK,PSK,GFSK,GMSK,QAM,DPSK,mQAM,mPSK,TCM,VSB,OFDM录入调制算法库。
步骤四:中央分类器为数字解调模块建立算法库
接收机的数字解调的算法根据发射机部分数字调制对应设计其解调算法。例如,如果发射机中数字调制部分用的是16QAM的调制方法,那么在接收机部分也要用16QAM的解调方法。
步骤五:中央分类器为信道解码模块建立算法库
接收机的信道解码的算法根据发射机部分信道编码对应设计其解码算法。例如,如果发射机中信道编码部分用的是Polar码,那么在接收机的信道解码部分也要用Polar码解码器。
步骤六:中央分类器为信源解码模块建立算法库
接收机的信源解码的算法根据发射机部分信源编码对应设计其解码算法。例如,如果发射机中信源编码部分用的是Huffman码,那么在接收机的信道解码部分也要用Huffman解码。通过比较权值逐步构建Huffman树,再由Huffman树进行编解码。
步骤七:建立损失函数、策略选择。
中央分类器利用强化学习网络将用户信息,信道环境信息等作为神经网络输入,统一选出各模块应用的算法,并将损失函数值反馈于中央分类器,进行算法库更新。以优化***误块率为例,通过中央分类器利用强化学习输入关于误块率的损失函数和网络现在的状况,中央分类器为每个模块的每个策略进行组合,输出损失函数值,选出使损失函数最小的一个策略组合。
步骤八:各模块选出其重要的影响因素。
(1)根据信源特征,用户需求及信道环境设置信源编码模块及信源解码模块策略算法需要控制的变量。信源编码模块及信源解码模块需要控制的变量***长,码率和码重。
(2)根据信源编码模块中的码长,码率和码重设置以及对于误码率的要求设置信道编码模块及信道解码模块需要控制的变量。信道编码和信道解码需要控制的变量***长,码率和码重。
(3)根据复杂度的限制,误码率的要求设置数字调制及数字解调需要控制的变量。数字调制和数字解调需要控制的变量有调制类型和调制阶数。
步骤九:以优化误码率为例:设计考虑优化误块率的损失函数L=(l,r,o,...),其中l表示码长,r表示码率,o表示调制阶数,l,r,o,...为损失函数自变量由中央分类器统一管理,解出使损失函数值最小的变量值,并输出。将其信道环境用户需求以及其对应的最优策略输入中央分类器并更新算法库。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于AI的端到端无线通信方法,其特征在于,基于AI的端到端无线通信方法包括:
通信***端到端各模块粗粒度策略匹配;
通信端到端各模块策略的细粒度参数选定;
将信道条件,信源特征,用户需求以及其策略组合等输入并更新算法库。
2.如权利要求1所述的基于AI的端到端无线通信方法,其特征在于,所述基于AI的端到端无线通信方法进一步包括:
(1)中央分类器为通信***信源编码模块建立算法库;
(2)中央分类器为通信***信道编码模块建立算法库;
(3)中央分类器为通信***数字调制模块建立算法库;
(4)中央分类器为通信***数字解调模块建立算法库;
(5)中央分类器为通信***信道解码模块建立算法库;
(6)中央分类器为通信***信源解码模块建立算法库;
(7)从通信***端到端的角度利用神经网络为各模块选出其适合的策略。
3.如权利要求2所述的基于AI的端到端无线通信方法,其特征在于,所述中央分类器根据需求以及信源的特征决定信源编码的方法,将Huffman编码,L-Z编码和算术编码分别录入通信***信源编码模块的算法库中;
所述中央分类器将Polar码、Turbo码和LDPC码分别录入通信***信道编码模块的算法库;
根据不同用户需求、算法复杂度需求决定通信***数字调制模块的调制方案,所述中央分类器将数字调制方法ASK,FSK,PSK,GFSK,GMSK,QAM,DPSK,mQAM,mPSK,TCM,VSB,OFDM录入到所述通信***数字调制模块的算法库。
4.如权利要求2所述的基于AI的端到端无线通信方法,其特征在于,所述通信***数字解调模块、通信***信道解码模块及通信***信源解码模块的算法分别根据发射机部分数字调制,信道编码及信源编码的算法对应设计解码算法和解调算法。
5.如权利要求2所述的基于AI的端到端无线通信方法,其特征在于,所述从通信***端到端的角度利用神经网络为各模块选出其适合的策略为:
寻找通信***端到端各模块最优策略,中央分类器利用强化学习网络将用户信息,信道环境信息作为神经网络输入,统一选出各模块最优算法组合,并将损失函数值反馈于中央分类器,进行算法库更新。
6.如权利要求1所述通信***端到端细粒度参数选定方法进一步包括:
a.中央分类器为信源编码及解码模块选出其主要影响因素;
b.中央分类器为信道编码及解码模块选出其主要影响因素;
c.中央分类器为数字调制及解调模块选出其主要影响因素;
d.中央分类器根据用户需求,如误码率,算法复杂度等需求设立损失函数;
e.中央分类器为每个算法选出其主要影响因素作为损失函数的自变量;
f.中央分类器通过最小化损失函数,确定主要影响因素的值。
7.如权利要求6所述的实现通信***端到端细粒度参数选定的方法,其特征在于,所述中央分类器根据信源特征,用户需求以及信源环境设置信源编码模块及信源解码模块策略算法需要控制的变量,信源编码模块及信源解码模块需要控制的变量***长,码率和码重;
所述中央分类器根据信源编码模块中的码长,码率和码重设置以及对于误码率的要求设置信道编码模块及信道解码模块需要控制的变量,信道编码和信道解码需要控制的变量***长,码率和码重;
所述中央分类器根据复杂度的限制,误码率的要求调制数字调制及数字解调需要控制的变量,数字调制和数字解调需要控制的变量有调制类型和调制阶数。
8.如权利要求6所述的实现通信***端到端细粒度参数选定的方法,其特征在于,所述中央分类器根据用户需求制定损失函数,优化通信***端到端性能,将各模块的主要影响因素抽出作为损失函数的自变量,通过最小化损失函数求解关键因素的值。
9.一种应用权利要求1~8任意一项所述基于AI的端到端无线通信方法的无线通信***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810929721.9A CN109245854B (zh) | 2018-08-15 | 2018-08-15 | 一种基于ai的端到端无线通信***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810929721.9A CN109245854B (zh) | 2018-08-15 | 2018-08-15 | 一种基于ai的端到端无线通信***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109245854A true CN109245854A (zh) | 2019-01-18 |
CN109245854B CN109245854B (zh) | 2022-03-01 |
Family
ID=65070664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810929721.9A Active CN109245854B (zh) | 2018-08-15 | 2018-08-15 | 一种基于ai的端到端无线通信***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109245854B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110719112A (zh) * | 2019-09-12 | 2020-01-21 | 天津大学 | 一种基于深度学习的参数自适应rs码译码方法 |
CN111769903A (zh) * | 2020-06-09 | 2020-10-13 | 国家数字交换***工程技术研究中心 | 应用于网络安全防御***的网络安全防御方法及相关装置 |
CN117714244A (zh) * | 2024-02-05 | 2024-03-15 | 丝路梵天(甘肃)通信技术有限公司 | 基于神经网络的无线信号重建方法、装置、接收机及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101005469A (zh) * | 2006-12-28 | 2007-07-25 | 北京航空航天大学 | 一种信源信道联合编解码器及编解码方法 |
CN104010199A (zh) * | 2014-05-22 | 2014-08-27 | 哈尔滨工业大学 | 基于组解码技术的信号叠加复用视频传输方法 |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
US20180198520A1 (en) * | 2016-01-18 | 2018-07-12 | Qoscience, Inc. | Method and apparatus for the detection of distortion or corruption of cellular communication signals |
-
2018
- 2018-08-15 CN CN201810929721.9A patent/CN109245854B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101005469A (zh) * | 2006-12-28 | 2007-07-25 | 北京航空航天大学 | 一种信源信道联合编解码器及编解码方法 |
CN104010199A (zh) * | 2014-05-22 | 2014-08-27 | 哈尔滨工业大学 | 基于组解码技术的信号叠加复用视频传输方法 |
US20180198520A1 (en) * | 2016-01-18 | 2018-07-12 | Qoscience, Inc. | Method and apparatus for the detection of distortion or corruption of cellular communication signals |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
Non-Patent Citations (2)
Title |
---|
SEBASTIAN DÖRNER等: ""Deep Learning Based Communication Over the Air"", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING ( VOLUME: 12, ISSUE: 1, FEB. 2018)》 * |
李先锋等: ""基于深度学习的通信***设计与研究"", 《轻工科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110719112A (zh) * | 2019-09-12 | 2020-01-21 | 天津大学 | 一种基于深度学习的参数自适应rs码译码方法 |
CN110719112B (zh) * | 2019-09-12 | 2023-08-29 | 天津大学 | 一种基于深度学习的参数自适应rs码译码方法 |
CN111769903A (zh) * | 2020-06-09 | 2020-10-13 | 国家数字交换***工程技术研究中心 | 应用于网络安全防御***的网络安全防御方法及相关装置 |
CN117714244A (zh) * | 2024-02-05 | 2024-03-15 | 丝路梵天(甘肃)通信技术有限公司 | 基于神经网络的无线信号重建方法、装置、接收机及*** |
CN117714244B (zh) * | 2024-02-05 | 2024-05-31 | 丝路梵天(甘肃)通信技术有限公司 | 基于神经网络的无线信号重建方法、装置、接收机及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109245854B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stark et al. | Joint learning of geometric and probabilistic constellation shaping | |
Tung et al. | DeepJSCC-Q: Constellation constrained deep joint source-channel coding | |
CN109194425B (zh) | 一种基于人工智能端到端信息传输***及方法 | |
RU2319307C2 (ru) | Частично когерентные сигнальные совокупности для систем с множеством антенн | |
Wang et al. | A novel tone reservation scheme based on deep learning for PAPR reduction in OFDM systems | |
CN109245854A (zh) | 一种基于ai的端到端无线通信***及方法 | |
CN106533620B (zh) | 基于对数似然比门限的高阶qam调制符号的自适应解调方法 | |
CN110336639A (zh) | 一种基于容量分布的极化码多层编码调制方法及应用 | |
DelVecchio et al. | Effects of forward error correction on communications aware evasion attacks | |
CN109889266A (zh) | 基于高斯近似的可见光通信信道的极化编码方法和*** | |
Kim et al. | Deep learning-assisted multi-dimensional modulation and resource mapping for advanced OFDM systems | |
Gupta et al. | End-to-end learning-based framework for amplify-and-forward relay networks | |
WO2020177216A1 (zh) | 一种新型缩短极化码方法和通信方法及*** | |
Wang et al. | Constellation design for deep joint source-channel coding | |
Rajapaksha et al. | Low complexity autoencoder based end-to-end learning of coded communications systems | |
CN107370564A (zh) | 极化码处理方法及装置、节点 | |
CN104506278B (zh) | Ldpc调制***的联合迭代接收机线性优化方法 | |
Xie et al. | Machine learning assisted adaptive LDPC coded system design and analysis | |
CN106899388B (zh) | Ldpc码在mimo信道下的联合检测与解码方法 | |
Che et al. | A low-complexity transceiver design for terahertz communication based on deep learning | |
CN111585937B (zh) | 一种面向无线数能同传的联合调制编码算法 | |
Krishna Reddy et al. | Enhancing PAPR performance in MIMO-OFDM system using hybrid optimal MMSE-MLSE equalizers | |
Mheich et al. | Achievable rates optimization for broadcast channels using finite size constellations under transmission constraints | |
Kim et al. | Deep Learning-Based Detector With Modulation Parameter-Independent Structure for OFDM With Index Modulation | |
CN109639618A (zh) | 一种适用于高阶正交幅度调制信号的低复杂度软输出解调方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |