CN109379120A - 链路自适应方法、电子装置及计算机可读存储介质 - Google Patents
链路自适应方法、电子装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109379120A CN109379120A CN201811510755.0A CN201811510755A CN109379120A CN 109379120 A CN109379120 A CN 109379120A CN 201811510755 A CN201811510755 A CN 201811510755A CN 109379120 A CN109379120 A CN 109379120A
- Authority
- CN
- China
- Prior art keywords
- channel
- coding
- transmission information
- information
- transmitter
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2626—Arrangements specific to the transmitter only
- H04L27/2627—Modulators
- H04L27/2628—Inverse Fourier transform modulators, e.g. inverse fast Fourier transform [IFFT] or inverse discrete Fourier transform [IDFT] modulators
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Discrete Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
Abstract
一种链路自适应方法、电子装置及计算机可读存储介质,其中,该链路自适应方法包括:发射机对目标信息进行信源编码处理和信道编码处理,得到信道传输信息;接收机获取所述信道传输信息,并对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,得到所述信道传输信息的信道估计系数和噪声估计信息;网络训练单元将所述信道估计系数和所述噪声估计信息作为特征输入进行训练,获得预测的自适应调制与编码AMC方案,将所述预测的MAC方案反馈至所述发射机,使得所述发射机根据预测得到的AMC方案进行自适应调整。
Description
技术领域
本申请涉及电子技术领域,尤其涉及一种链路自适应方法、电子装置及计算机可读存储介质。
背景技术
在无线通信领域中,确定的无线通信链路的频谱效率在效能预测上通常跟通信信道的时变性一致。具体地说,多输入多输出正交频分复用(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing MIMO-OFDM,MIMO-OFDM)链路需要合适的自适应调制与编码(adaptive modulation and coding,AMC),也就是在确定的误包率(packet error rate,PER)条件约束下,基于信道状态信息(channel stateinformation,CSI)选择合适的调制编码方案(modulation and coding scheme,MCS)来最大限度地提高***吞吐量。每个MCS包含了正交振幅调制(Quadrature AmplitudeModulation,QAM)的调试阶数和编码速率。值得注意的是,在MIMO-OFDM***中,AMC并不是一个简单的问题。因为实际的MIMO-OFDM***中可能同时受到很多复杂因素的影响,比如OFDM调制、MIMO信道、卷积编码、位交织、无线信道效应以及电路的非线性等。因此,基于数学模型来假设尽可能近似的AMC方法,不足以精确地考虑到所有影响MIMO-OFDM***性能的因素
基于机器学***均SNR、有效指数SNR(EESM)映射的方法表现更加出色。然而,这种启发式方法在降维过程需要付出很大的计算代价和可靠的数据集。此外,当使用k-NN来预测新的数据时,整个训练集数据都被存储在用户的设备上,并且需要计算所有新数据的特征和样本集特征之间的距离,这是不切合实际的,特别是在大量训练数据的时候。最重要的是,特征集降维可能会丢失很多原***中有用的特征信息以致影响k-NN算法预测的准确率。
发明内容
本申请实施例提供一种链路自适应方法、电子装置及计算机可读存储介质,用于根据到MIMO-OFDM***的特性,较好地预测到合适的调试编码方案。
本申请实施例第一方面提供一种链路自适应方法,包括:
所述方式应用于多输入多输出正交频分复用MIMO-OFDM***,所述***包括发射机、接收机和网络训练单元;
所述发射机对目标信息进行信源编码处理和信道编码处理,得到信道传输信息;
所述接收机获取所述信道传输信息,并对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,得到所述信道传输信息的信道估计系数和噪声估计信息;
所述网络训练单元将所述信道估计系数和所述噪声估计信息作为特征输入进行训练,获得预测的自适应调制与编码AMC方案,并将所述预测的AMC方案反馈至所述发射机,使得所述发射机预测的AMC方案进行自适应调整。
进一步地,所述发射机对目标信息进行信源编码处理和信道编码处理,包括:
所述发射机对目标信息依次进行差错控制编码,空间解析,正交幅度调制QAM调制,空时分组码STBC编码,空间映射,快速傅里叶反变换IFFT处理。
进一步地,所述对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,包括:
从所述信道传输信息中提取短训练字段(legacy short training field,L-STF)执行粗频率偏移校正,提取长训练字段(legacy long training field,L-LTF)进行精细频率偏移校正和噪声估计,根据所述信道传输信息中的高速长训练字段(high throughputlong training field,HT-LTF)做信道估计,得到估计矩阵,所述估计矩阵包括:衰落信道和空间映射;
所述信道估计系数包括所述估计矩阵;
所述噪声估计信息包括所述噪声估计结果。
进一步地,所述对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计之后,还包括:
利用所述估计矩阵中的矩阵参数,以及(Spatial Equalization)空间均衡和(Channel Equalization)信道均衡进行多输入多输出MIMO检测;
根据所述MIMO检测的结果,依次进行STBC解码,QAM解调,空间解析和差错控制解码。
进一步地,所述网络训练单元中的深度卷积神经网络DCNN包括:卷积层、平均池化层和全连接层构成;
其中,所述DCNN的第一层和第二层隐藏层分别包含16、32个滤波器;紧接着为平均池化层,移动步长为4;第三层卷积层滤波器数量增加到64,紧接着为第二个平均池化层,移动步长为2;第四层卷积层滤波器降为32个;紧接着的第三个平均池化层与第二个一致;随后继续接第五个卷积层,滤波器为16个;其中,五个卷积成都是使用5*1尺寸大小的滤波器,并且都是使用RELU做为激活函数;接下来是2层全连接网络,第一层包含100个神经元,激活函数也是RELU;第二层神经元数量u和调制编码方案(modulation and coding scheme,MCS)的数量相同,激活函数使用的是softmax。
本申请实施例第二方面提供链路自适应***,包括:
发射机,用于对目标信息进行信源编码处理和信道编码处理,得到信道传输信息;
接收机,用于获取所述信道传输信息,并对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,得到所述信道传输信息的信道估计系数和噪声估计信息;
网络训练单元,用于将所述信道估计系数和所述噪声估计信息作为特征输入进行训练,获得预测的自适应调制与编码AMC方案,并将所述预测的AMC方案反馈至所述发射机,使得所述发射机预测的AMC方案进行自适应调整。
进一步地,所述发射机具体还用于:
对目标信息依次进行差错控制编码,空间解析,正交幅度调制QAM调制,空时分组码STBC编码,空间映射,快速傅里叶反变换IFFT处理。
进一步地,所述接收机具体还用于:
从所述信道传输信息中提取L-STF执行粗频率偏移校正,L-LTF进行精细频率偏移校正和噪声估计,根据所述信道传输信息中的HT-LTF做信道估计,得到估计矩阵,所述估计矩阵包括:衰落信道和空间映射;
所述信道估计系数包括所述估计矩阵;
所述噪声估计信息包括所述噪声估计结果。
本申请实施例第三方面提供一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述本申请实施例第一方面提供的链路自适应方法。
本申请实施例第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述本申请实施例第一方面提供的链路自适应方法。
由上可见,本申请方案以接收机处理得到的信道估计系数和噪声估计信息作为网络训练单元的特征输入对深度卷积神经网络进行训练,获得预测的AMC方案,并将所述预测的AMC方案反馈至所述发射机,使得所述发射机预测的AMC方案进行自适应调整。即使在存在实际损伤的情况下,也能够根据到MIMO-OFDM***的特性,可靠地预测出合适的调制编码方案。
附图说明
图1-a为本申请实施例提供的链路自适应方法的实现流程示意图;
图1-b为本申请实施例提供的发射机的工作流程示意图;
图1-c为本申请实施例提供的接收机的工作流程示意图;
图2为本申请一实施例提供的电子装置结构示意图;
图3为本申请另一实施例提供的电子装置硬件结构示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本文中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身并没有特定的意义。
实施例一
本申请实施例提供一种链路自适应方法,所述方式应用于多输入多输出正交频分复用MIMO-OFDM***,所述***包括发射机、接收机和网络训练单元,在实际应用中,一套MIMO-OFDM***可以包括Nt个发射天线,Nr个接收天线以及Nc个OFDM子载波。在本发明实施例中,仅以一套发射机和接收机进行说明,请参阅图1-a,该链路自适应方法主要包括以下步骤:
101、发射机对目标信息进行信源编码处理和信道编码处理,得到信道传输信息;
示例性的,目标信息可以为信息源产生的比特信息流,或OFDM子载波。
在本发明实施例中,信源编码处理和信道编码处理包括:差错控制编码,空间解析,正交幅度调制QAM调制,空时分组码STBC编码,空间映射,快速傅里叶反变换(inversefast Fourier transform,IFFT)处理。
具体的,请参阅图1-b,发射机从信息源产生的比特信息流使用卷积编码,编码速率为c,进行差错控制编码。然后空间解析器将编码后的比特信息分配到不同的空间流Ls,同时在空间流和子载波上进行位交织。随后进行QAM调制和空间时分组编码(Space timeblock coding,STBC),这里用列向量表示M-QAM调制后的信息,其中为m表示OFDM符号信息,m∈{1,2,...,Mo},n表示每一确定的载波,n∈{1,2,...,Nc},Lst表示空间流数目。下一步进行空间映射,通过线性预编码将将Lst维度的向量xm[n]转换为Nt向量矩阵最后执行快速傅里叶反变换(inverse fast Fourier transform,IFFT)并添加上循环前前缀(cyclic prefix,CP)。值得注意的是,并不是所有的子载波都进行数据传输,其中一部分用来做导频和保护频带。从发射机发出的信号经过频率选择性信道,这里子载波n的信道矩阵表示为
102、获取信道估计系数和噪声估计信息;
接收机获取所述信道传输信息,并对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,得到所述信道传输信息的信道估计系数和噪声估计信息;
具体的,所述对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,包括:
从所述信道传输信息中提取L-STF执行粗频率偏移校正,L-LTF进行精细频率偏移校正和σ2噪声估计,根据所述信道传输信息中的HT-LTF做信道估计,得到估计矩阵 所述估计矩阵包括:衰落信道H[n]和空间映射P[n];所述信道估计系数包括所述估计矩阵;所述噪声估计信息包括所述噪声估计结果。
进一步的,请参阅图1-c,FFT和信道估计之后,接收机利用所述估计矩阵中的矩阵参数,以及空间均衡和信道均衡进行多输入多输出MIMO检测;根据所述MIMO检测的结果,依次进行STBC解码,QAM解调,空间解析和差错控制解码。
103、获得预测的自适应调制与编码AMC方案,并将所述预测的AMC方案反馈至所述发射机。
网络训练单元将所述信道估计系数和所述噪声估计信息作为特征输入进行训练,获得预测的自适应调制与编码AMC方案,并将所述预测的AMC方案反馈至所述发射机,使得所述发射机预测的AMC方案进行自适应调整。
由上可见,本申请方案以接收机处理得到的信道估计系数和噪声估计信息作为网络训练单元的特征输入对深度卷积神经网络进行训练,获得预测的AMC方案,并将所述预测的AMC方案反馈至所述发射机,使得所述发射机预测的AMC方案进行自适应调整。即使在存在实际损伤的情况下,也能够根据到MIMO-OFDM***的特性,可靠地预测出合适的调制编码方案。
实施例二
深度学习已经成为一种强大的机器学习工具,并在许多领域得了广泛的应用,如计算机视觉,语音识别等。本申请实施例提供了一种深度卷积神经网络(DeepConvolutional Neural Network,DCNN),以信道估计系数和噪声估计信息作为特征输入进行训练,用于预测的AMC方案,包括:
本申请实施例提出了一种采用监督的学习方法利用DCNN来解决在MIMO-OFDM***中的AMC问题。估计的MIMO信道系数、所有被观察到的OFDM子载波伴随的估计噪声标准偏差均被作为DCNN的输入特征用来训练。在MIMO-OFDM***中,AMC被视为一个多分类的问题,每一个类别代表一个特定的MCS。MCS定义了QAM的调制阶数M,差错编码速率c,以及空间流的数量Ls。
参数定义
接收机收到的第n个子载波的第m个OFDM符号的信号用ym[n]表示,
这里,ES表示发射机信号功率,假设噪声为高斯噪声,vm[n]~CN(0,σ2Ι),其均值为0,方差为σ2。使用估计矩阵设计最小均方误差(minimum mean squareerror,MMSE)均衡器得到均衡矩阵Q[n],
这里为的共轭转置。经过均衡后,得到估计的QAM符号向量xm[n]由发送端的QAM符号向量xm[n]得到:
这里用代替Q[n]G[n]。
特征提取
为了估计得到分类模型,需要一个训练样本集,共包含D个样本,dth表示第几个训练样本,d∈{1,2,...,D},组成了所有子载波的估计的信道参数。包含了接收机估计的噪声标准偏差σd。dth的载波n的估计的信道参数矩阵如下:
这里表示估计的信道系数,包括了空间映射以及频率选择衰落信道,nr表示接收机天线序号,l表示时空流序号。d个表示训练样本序号,矩阵的每个值取绝对值然后转换为向量形式如下:
特别地,使用特征向量表示所有训练样本d的信道估计向量ad[n],其中包含所有子载波n∈{1,2,...,Nc}和噪声偏差σ。如下所示:
fd=[ad[1],ad[2],...,ad[NC],σ] (6)
训练样本基于吞吐量和丢包率(PER)决定分类类别。也就是确定的样本集d的类别标签id对应实现最大化吞吐量的MCS同时满足PER约束ε,条件。
深度卷积神经网络
深度卷积神经网络由卷积层、平均池化层和全连接层构成。第一层、第二层隐藏层分别包含16、32个滤波器。紧接着为平均池化层,移动步长为4,补零方式为same。第三层卷积层滤波器数量增加到64,紧接着为第二个平均池化层,移动步长为2,补零同样为same。第四层卷积层滤波器降为32个。然后紧接着的第三个平均池化层与第二个一致。随后继续接第五个卷积层,滤波器为16个。其中五个卷积成都是使用5*1尺寸大小的滤波器,并且都是使用RELU做为激活函数。接下来是2层全连接网络,第一层包含100个神经元,激活函数也是RELU。第二层神经元数量u和MCS的数量相同,激活函数使用的是softmax。两层全连接网络均使用了规范化技巧来减轻过拟合的影响。最终选用adam优化器、交叉熵损失函数用来训练深度卷积神经网络。训练轮数为100,批量大小也为100。
实施例三
本发明实施例提供了实验仿真结果来评估提出的基于DCNN的AMC方法和k-NN、SVM做对比,包括:
在实验评估中,使用了前面提及的全部的特征维度和排序的后处理的SNR特征[1]来分别测试DCNN,k-NN和使用线性内核的SVM。
在IEEE802.11n 2*2MIMO-OFDM***上进行仿真实验,其中54个载波用来数据传输,4个载波做辅助传输。假设有长时间的保护间隔,循环前缀为800ns,载波频率为5.25GHz。模拟频率选择衰落信道使用9个抽头,最大时延为80ns。发射机与接收机之间的距离为10米,传输带宽为20MHz,包的长度为128字节。考虑丢包率设置为ε=0.1。假设直接进行空间映射,即每一个时空流都被映射到一个不同的传输天线,因此时空流的数量等于发射天线的数量,Lst=Nt=2。如果在时空流的数量大于空间流的数量这种情况下,只需通过将空间流映射到时空流来执行STBC。使用一个发射器空间流可以提高MCS的可靠性。
训练数据集产生方式如下,模拟MIMO-OFDM***中从8到40分贝范围内不同的SNR值,步长为1分贝。对于每一个SNR值,使用所有的MCS传送,MCS从0到15,在1000个不同的信道上实现同时计算每个MCS的PER。然后,选择理想的MCS作为标签,也就是在确定的SNR信道上能够实现最大的吞吐量同时满足ε=0.1的MCS。估计CSI以及接收机正确检测到的包的噪声标准偏差与相应的MCS标签保存在一起形成训练数据集。此外,后处理每个空间流的SNR经过计算得到,然后从低到高排序。这两个特征数据集都会用来训练DCNN,k-NN以及SVM。
在算法评估中,的仿真使用SNR值的范围从8到40分贝,步长为0.25。对于每个SNR值,使用了1000个信道来实现,目的是测试不同的算法在一些未知信道上的能力。这些算法都使用了前面公式(6)提出的信道估计特征和排序的后处理SNR特征。从实验结果中可以观察到,使用信道估计特征训练的DCNN和SVM算法的丢包率和吞吐量的表现都比使用排序的后处理SNR特征好。与此相反,使用排序的后处理SNR特征的k-NN算法比使用信道估计特征表现更好。在满足丢包率ε=0.1的约束条件下,提出的使用信道估计特征训练的DCNN算法在丢包率的表现上最好,在吞吐量方面的表现非常接近理想的情况。
实施例四
请参阅图2,为本申请实施例提供一种电子装置。该电子装置可用于实现上述图1-a所示实施例提供的链路自适应方法。如图2所示,该电子装置主要包括:
发射机201,用于对目标信息进行信源编码处理和信道编码处理,得到信道传输信息;
接收机202,用于获取所述信道传输信息,并对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,得到所述信道传输信息的信道估计系数和噪声估计信息;
网络训练单元203,用于将所述信道估计系数和所述噪声估计信息作为特征输入进行训练,获得预测的自适应调制与编码AMC方案,并将所述预测的AMC方案反馈至所述发射机,使得所述发射机预测的AMC方案进行自适应调整。
进一步地,所述发射机201具体还用于:
对目标信息依次进行差错控制编码,空间解析,正交幅度调制QAM调制,空时分组码STBC编码,空间映射,快速傅里叶反变换IFFT处理。
进一步地,所述接收机202具体还用于:
从所述信道传输信息中提取L-STF执行粗频率偏移校正,L-LTF进行精细频率偏移校正和噪声估计,根据所述信道传输信息中的HT-LTF做信道估计,得到估计矩阵,所述估计矩阵包括:衰落信道和空间映射;
所述信道估计系数包括所述估计矩阵;
所述噪声估计信息包括所述噪声估计结果。
需要说明的是,以上图2示例的电子装置的实施方式中,各功能模块的划分仅是举例说明,实际应用中可以根据需要,例如相应硬件的配置要求或者软件的实现的便利考虑,而将上述功能分配由不同的功能模块完成,即将电子装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。而且,在实际应用中,本实施例中的相应的功能模块可以是由相应的硬件实现,也可以由相应的硬件执行相应的软件完成。本说明书提供的各个实施例都可应用上述描述原则,以下不再赘述。
本实施例提供的电子装置中各功能模块实现各自功能的具体过程,请参见上述图1-a所示实施例中描述的具体内容,此处不再赘述。
实施例五
本申请实施例提供一种电子装置,请参阅图3,该电子装置包括:
存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序,处理器302执行该计算机程序时,实现前述图1-a所示实施例中描述的链路自适应方法。
进一步的,该电子装置还包括:
至少一个输入设备303以及至少一个输出设备304。
上述存储器301、处理器302、输入设备303以及输出设备304,通过总线305连接。
其中,输入设备303具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备304具体可为显示屏。
存储器301可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器301用于存储一组可执行程序代码,处理器302与存储器301耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述图3所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述图1-a所示实施例中描述的链路自适应方法。进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本申请所提供的链路自适应方法、电子装置及计算机可读存储介质的描述,对于本领域的技术人员,依据本申请实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种链路自适应方法,所述方式应用于多输入多输出正交频分复用MIMO-OFDM***,其特征在于,所述***包括发射机、接收机和网络训练单元,包括:
所述发射机对目标信息进行信源编码处理和信道编码处理,得到信道传输信息;
所述接收机获取所述信道传输信息,并对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,得到所述信道传输信息的信道估计系数和噪声估计信息;
所述网络训练单元将所述信道估计系数和所述噪声估计信息作为特征输入进行训练,获得预测的自适应调制与编码AMC方案,并将所述预测的MAC方案反馈至所述发射机,使得所述发射机根据MAC方案进行自适应调整。
2.根据权利要求1所述的方法,其特征在于,
所述发射机对目标信息进行信源编码处理和信道编码处理,包括:
所述发射机对目标信息依次进行差错控制编码,空间解析,正交幅度调制QAM调制,空时分组码STBC编码,空间映射,快速傅里叶反变换IFFT处理。
3.根据权利要求1所述的方法,其特征在于,
所述对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,包括:
从所述信道传输信息中提取短训练字段L-STF执行粗频率偏移校正,提取长训练字段L-LTF进行精细频率偏移校正和噪声估计,根据所述信道传输信息中的高速长训练字段HT-LTF做信道估计,得到估计矩阵,所述估计矩阵包括:衰落信道和空间映射;
所述信道估计系数包括所述估计矩阵;
所述噪声估计信息包括:所述噪声估计结果。
4.根据权利要求3所述的方法,其特征在于,
所述对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计之后,还包括:
利用所述估计矩阵中的矩阵参数,以及空间均衡和信道均衡进行多输入多输出MIMO检测;
根据所述MIMO检测的结果,依次进行STBC解码,QAM解调,空间解析和差错控制解码。
5.根据权利要求1所述的方法,其特征在于,
所述网络训练单元中的深度卷积神经网络DCNN包括:卷积层、平均池化层和全连接层构成;
其中,所述DCNN的第一层和第二层隐藏层分别包含16、32个滤波器;紧接着为平均池化层,移动步长为4;第三层卷积层滤波器数量增加到64,紧接着为第二个平均池化层,移动步长为2;第四层卷积层滤波器降为32个;紧接着的第三个平均池化层与第二个一致;随后继续接第五个卷积层,滤波器为16个;其中,五个卷积成都是使用5*1尺寸大小的滤波器,并且都是使用RELU做为激活函数;接下来是2层全连接网络,第一层包含100个神经元,激活函数也是RELU;第二层神经元数量u和调制编码方案MCS的数量相同,激活函数使用的是softmax。
6.一种链路自适应***,其特征在于,包括:
发射机,用于对目标信息进行信源编码处理和信道编码处理,得到信道传输信息;
接收机,用于获取所述信道传输信息,并对所述信道传输信息进行时间同步,快速傅里叶变换FFT和信道估计,得到所述信道传输信息的信道估计系数和噪声估计信息;
网络训练单元,用于将所述信道估计系数和所述噪声估计信息作为特征输入进行训练,获得预测的自适应调制与编码AMC方案,并将所述预测的AMC方案反馈至所述发射机,使得所述发射机预测的AMC方案进行自适应调整。
7.根据权利要求1所述的方法,其特征在于,
所述发射机具体还用于:
对目标信息依次进行差错控制编码,空间解析,正交幅度调制QAM调制,空时分组码STBC编码,空间映射,快速傅里叶反变换IFFT处理。
8.根据权利要求1所述的方法,其特征在于,
所述接收机具体还用于:
从所述信道传输信息中提取L-STF执行粗频率偏移校正,L-LTF进行精细频率偏移校正和噪声估计,根据所述信道传输信息中的HT-LTF做信道估计,得到估计矩阵,所述估计矩阵包括:衰落信道和空间映射;
所述信道估计系数包括所述估计矩阵;
所述噪声估计信息包括所述噪声估计结果。
9.一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至5中的任意一项所述方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至5中的任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510755.0A CN109379120A (zh) | 2018-12-11 | 2018-12-11 | 链路自适应方法、电子装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510755.0A CN109379120A (zh) | 2018-12-11 | 2018-12-11 | 链路自适应方法、电子装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109379120A true CN109379120A (zh) | 2019-02-22 |
Family
ID=65373173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811510755.0A Pending CN109379120A (zh) | 2018-12-11 | 2018-12-11 | 链路自适应方法、电子装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109379120A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981502A (zh) * | 2019-03-27 | 2019-07-05 | 暨南大学 | 一种基于自适应矩估计的数据接收方法及接收*** |
CN110048972A (zh) * | 2019-04-24 | 2019-07-23 | 燕山大学 | 一种水声正交频分复用信道估计方法及*** |
CN110417699A (zh) * | 2019-05-30 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的ofdm***符号定时同步的方法 |
CN111224905A (zh) * | 2019-12-25 | 2020-06-02 | 西安交通大学 | 一种大规模物联网中基于卷积残差网络的多用户检测方法 |
CN111901258A (zh) * | 2020-05-08 | 2020-11-06 | 中兴通讯股份有限公司 | 上下行信道互易的实现方法、通信节点和存储介质 |
CN112118203A (zh) * | 2019-06-20 | 2020-12-22 | 诺基亚技术有限公司 | 具有可配置调制阶数的通信***以及相关联的方法和装置 |
CN113726488A (zh) * | 2020-05-25 | 2021-11-30 | ***通信有限公司研究院 | 下行调制与编码方案的配置方法及基站 |
CN114070467A (zh) * | 2021-10-12 | 2022-02-18 | 北京交通大学 | 一种面向深度联合信源信道编码的信源加密隐私保护方法 |
CN114285526A (zh) * | 2021-12-29 | 2022-04-05 | 深圳市佳贤通信设备有限公司 | 基于svm核变换方法的5g基站amc解决方案 |
WO2022099560A1 (zh) * | 2020-11-12 | 2022-05-19 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
CN114614958A (zh) * | 2022-01-06 | 2022-06-10 | 锐捷网络股份有限公司 | 一种调整链路配置参数的方法、装置及电子设备 |
US20220239510A1 (en) * | 2021-01-25 | 2022-07-28 | Marvell Asia Pte Ltd | Ethernet physical layer transceiver with non-linear neural network equalizers |
WO2023044696A1 (en) * | 2021-09-24 | 2023-03-30 | Apple Inc. | Dmrs overhead adaptation with ai-based channel estimation |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109412996A (zh) * | 2018-12-11 | 2019-03-01 | 深圳大学 | 链路自适应方法、电子装置及计算机可读存储介质 |
-
2018
- 2018-12-11 CN CN201811510755.0A patent/CN109379120A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109412996A (zh) * | 2018-12-11 | 2019-03-01 | 深圳大学 | 链路自适应方法、电子装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
MOHAMED ELWEKEI; SHIBAO JIANG; TAOTAO WANG; SHENGLI ZHANG: "Deep Convolutional Neural Networks for Link Adaptations in MIMO-OFDM Wireless Systems", 《IEEE XPLORE DIGITAL LIBRARY》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981502B (zh) * | 2019-03-27 | 2021-11-26 | 暨南大学 | 一种基于自适应矩估计的数据接收方法及接收*** |
CN109981502A (zh) * | 2019-03-27 | 2019-07-05 | 暨南大学 | 一种基于自适应矩估计的数据接收方法及接收*** |
CN110048972A (zh) * | 2019-04-24 | 2019-07-23 | 燕山大学 | 一种水声正交频分复用信道估计方法及*** |
CN110417699A (zh) * | 2019-05-30 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的ofdm***符号定时同步的方法 |
CN112118203A (zh) * | 2019-06-20 | 2020-12-22 | 诺基亚技术有限公司 | 具有可配置调制阶数的通信***以及相关联的方法和装置 |
CN112118203B (zh) * | 2019-06-20 | 2023-08-25 | 诺基亚技术有限公司 | 具有可配置调制阶数的通信***以及相关联的方法和装置 |
CN111224905A (zh) * | 2019-12-25 | 2020-06-02 | 西安交通大学 | 一种大规模物联网中基于卷积残差网络的多用户检测方法 |
CN111224905B (zh) * | 2019-12-25 | 2021-07-13 | 西安交通大学 | 一种大规模物联网中基于卷积残差网络的多用户检测方法 |
CN111901258A (zh) * | 2020-05-08 | 2020-11-06 | 中兴通讯股份有限公司 | 上下行信道互易的实现方法、通信节点和存储介质 |
WO2021223504A1 (zh) * | 2020-05-08 | 2021-11-11 | 中兴通讯股份有限公司 | 上下行信道互易的实现方法、通信节点和存储介质 |
CN113726488A (zh) * | 2020-05-25 | 2021-11-30 | ***通信有限公司研究院 | 下行调制与编码方案的配置方法及基站 |
WO2022099560A1 (zh) * | 2020-11-12 | 2022-05-19 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
US20220239510A1 (en) * | 2021-01-25 | 2022-07-28 | Marvell Asia Pte Ltd | Ethernet physical layer transceiver with non-linear neural network equalizers |
WO2023044696A1 (en) * | 2021-09-24 | 2023-03-30 | Apple Inc. | Dmrs overhead adaptation with ai-based channel estimation |
CN114070467A (zh) * | 2021-10-12 | 2022-02-18 | 北京交通大学 | 一种面向深度联合信源信道编码的信源加密隐私保护方法 |
CN114285526A (zh) * | 2021-12-29 | 2022-04-05 | 深圳市佳贤通信设备有限公司 | 基于svm核变换方法的5g基站amc解决方案 |
CN114614958A (zh) * | 2022-01-06 | 2022-06-10 | 锐捷网络股份有限公司 | 一种调整链路配置参数的方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109379120A (zh) | 链路自适应方法、电子装置及计算机可读存储介质 | |
CN109412996A (zh) | 链路自适应方法、电子装置及计算机可读存储介质 | |
Ozpoyraz et al. | Deep learning-aided 6G wireless networks: A comprehensive survey of revolutionary PHY architectures | |
CN113472706B (zh) | 一种基于深度神经网络的mimo-ofdm***信道估计方法 | |
CN1941659B (zh) | 在多输入多输出***中的空间多路复用检测设备和方法 | |
Elwekeil et al. | Deep convolutional neural networks for link adaptations in MIMO-OFDM wireless systems | |
Kim et al. | Towards deep learning-aided wireless channel estimation and channel state information feedback for 6G | |
Liu et al. | Predictive precoder design for OTFS-enabled URLLC: A deep learning approach | |
Zhang et al. | Deep learning aided OFDM receiver for underwater acoustic communications | |
CN113452642A (zh) | 一种可重构智能表面增强的siso-ofdm下行传输方法 | |
Li et al. | A novel CSI feedback approach for massive MIMO using LSTM-attention CNN | |
CN114745233B (zh) | 一种基于导频设计的联合信道估计方法及装置 | |
Xu et al. | RC-struct: A structure-based neural network approach for MIMO-OFDM detection | |
Chen et al. | Viewing channel as sequence rather than image: A 2-D Seq2Seq approach for efficient MIMO-OFDM CSI feedback | |
Dehri et al. | Blind digital modulation classification for STBC‐OFDM system in presence of CFO and channels estimation errors | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
CN103685093B (zh) | 一种显式反馈方法及设备 | |
Raviv et al. | Data augmentation for deep receivers | |
CN101136721A (zh) | 基于次最优排序的混合判决反馈分层检测方法 | |
CN101621306B (zh) | 多输入多输出***预编码矩阵的映射方法和装置 | |
Lyu et al. | Deep learning for fast channel estimation in millimeter-wave MIMO systems | |
CN102025459A (zh) | 基于非参量估计ica的mimo-ofdm***盲去卷积方法 | |
Khosraviyani et al. | Higher order statistics for modulation and STBC recognition in MIMO systems | |
Li et al. | Model-driven deep learning scheme for adaptive transmission in MIMO-SCFDE system | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |
|
RJ01 | Rejection of invention patent application after publication |