CN111355675B - 一种基于生成对抗网络的信道估计增强方法、装置和*** - Google Patents
一种基于生成对抗网络的信道估计增强方法、装置和*** Download PDFInfo
- Publication number
- CN111355675B CN111355675B CN202010164903.9A CN202010164903A CN111355675B CN 111355675 B CN111355675 B CN 111355675B CN 202010164903 A CN202010164903 A CN 202010164903A CN 111355675 B CN111355675 B CN 111355675B
- Authority
- CN
- China
- Prior art keywords
- training
- sequence
- estimation
- network
- iteration
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 215
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000007796 conventional method Methods 0.000 claims description 16
- 238000005242 forging Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003042 antagnostic effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012958 reprocessing Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 13
- 239000004576 sand Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011268 retreatment Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于生成对抗网络的信道估计增强方法、装置和***,包括:离线获取若干时隙的训练序列及其对应接收序列,根据所提出的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格;在线采集当前时隙的训练序列及其对应接收序列,根据所提出的基于生成对抗网络的信道估计增强算法,得到信道增益估计值,直至信道环境改变。本发明能够在面对无线通信***相干时间短、训练序列长度保持一定的情况下,有效提高信道估计精度。
Description
技术领域
本发明涉及通信技术领域,具体而言涉及一种基于生成对抗网络的信道估计增强方法、装置和***。
背景技术
信道估计作为无线通信***的重要组成部分,其不仅是接收端相干检测、解调、信道均衡等模块的基础,也对无线资源管理中的功率分配和***吞吐量等有着关键性的影响。同时,现代无线通信***面临着诸如低时延、高速率、高移动性以及被严格限制的无线资源等挑战。因此,有限资源下的精确信道估计是现代无线通信网络的主要挑战。
对于基于训练的信道估计方法而言,信道增益的估计值可通过处理训练序列及其对应接收序列而计算得到,其中常用的处理方法有最小二乘估计、最小均方误差估计和线性最小均方误差估计等。估计量的克拉美罗界表明,对于无偏或渐近无偏估计,可以通过增加训练序列的长度来提高信道估计精度。但训练序列长度的增加会导致更高的开销,从而在给定的信道相干时间内使***吞吐量降低。因此,在无线通信***中需要去平衡信道估计精度和训练序列引入的开销,尤其是在信道相干时间短的情况下。
另一方面,随着大数据时代的来临以及多种软硬件计算资源的增长,深度学习引起了研究者们的广泛兴趣,进而也为通信技术领域中的信号处理研究提供了新的解决方案。其中,新兴的生成对抗网络能通过两个相互对抗的神经网络:生成器网络和鉴别器网络,构建出一类对抗性的生成模型,从而学习真实数据分布并实现对其的隐式建模。因此,生成对抗网络实质上具有生成样本的能力,并且该生成的样本能被近似认为服从真实数据分布。生成对抗网络中的生成器网络主要用于生成样本,并希望尽可能的愚弄鉴别器网络;而鉴别器网络则主要对样本进行鉴别,希望尽可能的分辨出真实的样本和生成的样本。因此,有必要对基于生成对抗网络框架的信号处理研究,特别是信道估计这一统计信号处理的技术研究展开进一步的探索,以此解决有限资源下的精确信道估计问题,并推动无线通信与人工智能技术的有机融合。
发明内容
本发明目的在于提供一种基于生成对抗网络的信道估计增强方法、装置和***,能够在面对无线通信***相干时间短、训练序列长度保持一定的情况下,有效提高信道估计精度。
为达成上述目的,结合图1,本发明提出一种基于生成对抗网络的信道估计增强方法,所述方法包括:
S101:离线获取若干时隙的训练序列及其对应接收序列,根据所提出的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格;
S102:在线采集当前时隙的训练序列及其对应接收序列,根据所提出的基于生成对抗网络的信道估计增强算法,得到信道增益估计值,直至信道环境改变。
进一步的实施例中,步骤S101中,所述面向信道估计增强的生成对抗网络迭代次数选择策略,包括以下步骤:
初始化若干个生成对抗网络变种的网络参数和训练时的迭代次数;
以每个时隙的训练序列及其对应接收序列作为每个生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到给定迭代次数;同时在每次迭代结束时伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到每个时隙增强后的信道增益估计值;进而得到每个时隙信道功率增益估计值对真实值的相对误差随迭代而变化的估计误差曲线;
利用同一估计方法对每个时隙的训练序列及其对应接收序列进行计算,进而计算得到每个时隙传统方法下的信道功率增益估计值对真实值的相对误差;
将所有类别及其最佳迭代次数汇总后得到迭代次数表格。
进一步的实施例中,步骤S102中,所述基于生成对抗网络的信道估计增强算法,包括以下步骤:
对当前时隙的训练序列及其对应接收序列进行分类,根据其所属类别在迭代次数表格中进行查找,返回所属类别对应的最佳迭代次数;
判断该最佳迭代次数是否不等于所约定的数值a,返回判断结果;
如果该最佳迭代次数不等于所约定的数值a,则首先初始化一生成对抗网络变种的网络参数,再以该训练序列及其对应接收序列作为生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到所选择的最佳迭代次数,再在训练结束后伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到增强后的信道增益估计值;否则直接利用同一估计方法对该训练序列及其对应接收序列进行计算,得到不进行增强的信道增益估计值。
进一步的实施例中,在面向信道估计增强的生成对抗网络迭代次数选择策略或基于生成对抗网络的信道估计增强算法中,所述生成对抗网络变种具体是指:
通过添加条件信息作为生成器网络和鉴别器网络的额外输入和采用wasserstein距离作为分布距离衡量函数,得到的带有梯度惩罚项的条件wasserstein生成对抗网络。
进一步的实施例中,在面向信道估计增强的生成对抗网络迭代次数选择策略或基于生成对抗网络的信道估计增强算法中,所述迭代次数具体是指:
在以“更新鉴别器网络参数ncritic次,更新生成器网络参数一次”作为生成对抗网络变种的生成器网络和鉴别器网络交替训练时的一次迭代的前提下,生成对抗网络变种在交替迭代训练时的总迭代次数。
进一步的实施例中,在面向信道估计增强的生成对抗网络迭代次数选择策略或基于生成对抗网络的信道估计增强算法中,所述伪造接收序列和复制训练序列,具体是指:
运行Na次当前生成对抗网络变种中的生成器网络,得到生成的接收序列集合其中,为第i次生成的接收序列,对其进行组合有:同时对当前训练序列P进行复制:Pcom=[P,...,P]T;由此可得到复制后的训练序列Pcom及伪造后的接收序列
基于前述基于生成对抗网络的信道估计增强方法,本发明还提及一种基于生成对抗网络的信道估计增强装置,包括:
(1)离线制表模块:离线获取若干时隙的训练序列及其对应接收序列,根据所提出的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格;
(2)在线信道估计模块:在线采集当前时隙的训练序列及其对应接收序列,根据所提出的基于生成对抗网络的信道估计增强算法,得到信道增益估计值,直至信道环境改变。
进一步的实施例中,所述离线制表模块还包括:
①获取单元:用于离线获取若干时隙的训练序列及其对应接收序列,且每个时隙的信道增益真实值已知;
②初始化单元:用于初始化若干个生成对抗网络变种的网络参数和训练时的迭代次数;
③曲线计算单元:以每个时隙的训练序列及其对应接收序列作为每个生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到给定迭代次数;同时在每次迭代结束时伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到每个时隙增强后的信道增益估计值;进而得到每个时隙信道功率增益估计值对真实值的相对误差随迭代而变化的估计误差曲线;
④对比计算单元:利用同一估计方法对每个时隙的训练序列及其对应接收序列进行计算,进而计算得到每个时隙传统方法下的信道功率增益估计值对真实值的相对误差;
⑧制表单元:将所有类别及其最佳迭代次数汇总后得到迭代次数表格;
⑨输出单元:输出所得迭代次数表格。
进一步的实施例中,所述在线信道估计模块还包括:
①采集单元:采集当前时隙的训练序列及其对应接收序列,但当前时隙的信道增益真实值未知;
②查找单元:对当前时隙的训练序列及其对应接收序列进行分类,根据其所属类别在迭代次数表格中进行查找,返回所属类别对应的最佳迭代次数;
③判断单元:判断该最佳迭代次数是否不等于所约定的数值a,返回判断结果;
④增强/直接估计单元:如果该最佳迭代次数不等于所约定的数值a,则首先初始化一生成对抗网络变种的网络参数,再以该训练序列及其对应接收序列作为生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到所选择的最佳迭代次数,再在训练结束后伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到增强后的信道增益估计值;否则直接利用同一估计方法对该训练序列及其对应接收序列进行计算,得到不进行增强的信道增益估计值。
⑤输出单元:输出当前时隙的信道增益估计值,并进行下一时隙训练序列及其对应接收序列的采集准备工作。
根据前述基于生成对抗网络的信道估计增强方法,本发明还提及一种基于生成对抗网络的信道估计增强***,所述***包括存储器、处理器以及存储在所述存储器中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如所述基于生成对抗网络的信道估计增强方法的步骤。
以上本发明的技术方案,与现有相比,其显著的有益效果在于,
通过该方法中的面向信道估计增强的生成对抗网络迭代次数选择策略,在面对无线通信***相干时间短、训练序列长度保持一定的情况下,该方法中的基于生成对抗网络的信道估计增强算法可以有效解决无线通信***的精确信道估计问题,大幅度提高信道估计精度。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明提供的实施例一中的基于生成对抗网络的信道估计增强方法流程示意图。
图2是本发明提供的基于生成对抗网络的信道估计增强方法、装置和***所基于的训练与数据传输的帧结构示意图。
图3是本发明提供的基于生成对抗网络的信道估计增强方法中的面向信道估计增强的生成对抗网络迭代次数选择策略的具体流程图。
图4是本发明提供的基于生成对抗网络的信道估计增强方法中的基于生成对抗网络的信道估计增强算法的具体流程图。
图5为本发明提供的实施例二中的基于生成对抗网络的信道估计增强装置结构示意图。
图6为本发明提供的实施例三中的基于生成对抗网络的信道估计增强***结构示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
图2是本发明提供的基于生成对抗网络的信道估计增强方法、装置和***所基于的训练与数据传输的帧结构示意图。其中,信道服从离散时间块衰落定律,并使用时隙中已知的训练序列(及其对应接收序列)进行当前时隙的信道估计,而后进行未知数据序列传输。
此外,本发明使用带有梯度惩罚项的条件wasserstein生成对抗网络这种变种结构来实现本发明技术方案中的部分流程。该生成对抗网络变种通过添加条件信息作为生成器网络和鉴别器网络的额外输入和采用wasserstein距离作为分布距离衡量函数来进行构造。并且,针对该生成对抗网络变种的生成器网络和鉴别器网络进行交替训练时的一次迭代是指“更新鉴别器网络参数ncritic次,更新生成器网络参数一次”。
具体地,本发明将通过以下实施例来进行阐述,实施例背景均为无线通信***相干时间短、训练序列长度保持一定下的精确信道估计问题。由于快衰落信道的相干时间较短,因此可被用于进行信道估计的训练序列的长度较短,从而导致信道估计结果不精确。本发明针对这一有限相干时间下的精确信道估计问题进行有效解决。本发明通过利用无偏的信道估计方法下信道估计精度随训练序列长度增加而得到提升的特点,以及生成对抗网络这一新兴深度学习框架可以生成与真实样本相近的样本的特点,提出面向信道估计增强的生成对抗网络迭代次数选择策略和基于生成对抗网络的信道估计增强算法,以此有效提高信道估计精度。
实施例一
结合图1,本发明提及一种基于生成对抗网络的信道估计增强方法,所述方法包括:
S101:离线获取若干时隙的训练序列及其对应接收序列,根据所提出的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格。
S102:在线采集当前时隙的训练序列及其对应接收序列,根据所提出的基于生成对抗网络的信道估计增强算法,得到信道增益估计值,直至信道环境改变。
在本实施例中,***模型为基带通信***,第k个时隙的训练序列Pk对应的接收序列yk=hkPk+wk,其中hk和wk分别为该时隙的信道增益和加性信道噪声,且wk为独立同分布的圆对称复高斯随机变量。同时,本实施例中所使用的无偏的信道估计方法为最小二乘法(least squares,LS)。
首先,本实施例执行S101步骤。
进而根据如图3所示的本发明提供的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格。该迭代次数选择策略具体执行流程如下所述:
步骤1、初始化若干个生成对抗网络变种的网络参数和训练时的迭代次数为NI。
步骤2、以每个时隙的训练序列及其对应接收序列作为每个生成对抗网络变种的训练数据,对生成器网络和鉴别器网络进行交替迭代的训练,直至达到给定迭代次数NI。其中,对于第k个时隙(k=1,…,NT)的训练序列Pk及其对应接收序列yk,在其对应的生成对抗网络变种训练时的第nI次迭代(nI=1,…,NI)结束后,实施例进行接收序列的伪造和训练序列的复制:运行Na次当前生成对抗网络变种中的生成器网络,得到生成的接收序列集合其中,为第i次生成的接收序列,对其进行组合有:同时对当前训练序列Pk进行复制:Pcom,k=[Pk,...,Pk]T;由此可得到复制后的训练序列Pcom,k及伪造后的接收序列然后利用LS估计方法对序列Pcom,k和进行计算,得到增强后的信道增益估计值:
进而得到增强后的信道功率增益估计值对真实值的相对误差:
由此得到每个时隙在估计增强后的信道功率增益估计值对真实值的相对误差随迭代而变化的估计误差曲线REGAN,k=[REGAN,k(1),...,REGAN,k(nI),...,REGAN,k(NI)]T。
步骤3、利用LS估计方法对每个时隙的训练序列Pk及其对应接收序列yk进行计算,得到传统方法下的信道增益估计值:
进而得到传统方法下信道功率增益估计值对真实值的相对误差:
步骤4、对所有时隙的训练序列及其对应接收序列依据瞬时精确/估计信噪比的数值大小进行分类。第k个时隙的精确信噪比由以下表达式计算得到:
而估计信噪比则由以下表达式计算得到:
因此,所有时隙的训练序列及其对应接收序列可由或进行分类,并且其类别数设置为NC类。对于第q个类别,我们设置该类别中所含的训练序列及其对应接收序列的索引集为Kq,且训练序列(或对应接收序列)的个数为Nq个。因此,第q个类别中的所有训练序列及其对应接收序列在直接利用LS估计方法后得到的平均估计误差可由以下表达式计算得到:
步骤7、将所有类别及其最佳迭代次数汇总后,即可得到迭代次数表格。
至此,本实施例的S101步骤可输出该迭代次数表格,进而本实施例执行S102步骤。
在S102步骤中,首先在线采集当前时隙的训练序列及其对应接收序列,即训练序列Ps及其对应接收序列ys,但当前时隙的信道增益hs未知,其中s为在线估计时的时隙索引。
此时即根据如图4所示的本发明提供的基于生成对抗网络的信道估计增强算法,得到信道增益估计值。该信道估计增强算法具体执行流程如下所述:
步骤1、通过与S101步骤中相同的分类方案对当前时隙的训练序列及其对应接收序列进行分类,即若S101步骤中使用精确信噪比进行分类,则此时需由(5)式计算当前时隙的精确信噪比ηs,并由其数值大小并判断其所属类别;而若S101步骤中使用估计信噪比进行分类,则此时需由(6)式计算当前时隙的估计信噪比并由其数值大小并判断其所属类别。因此,此时可得到该训练序列及其对应接收序列所属类别q;随后可在迭代次数表格中进行查找,得到当前训练序列及其对应接收序列所属类别对应的最佳迭代次数
步骤2、判断该最佳迭代次数NI,s是否不等于所约定的数值a。
步骤3、如果NI,s≠a,则首先初始化一生成对抗网络变种的网络参数,再以该训练序列及其对应接收序列作为生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到所选择的最佳迭代次数NI,s。此时再进行接收序列的伪造和训练序列的复制::运行Na次当前生成对抗网络变种中的生成器网络,得到生成的接收序列集合其中,为第i次生成的接收序列,对其进行组合有:同时对当前训练序列Ps进行复制:Pcom,s=[Ps,...,Ps]T;由此可得到复制后的训练序列Pcom,s及伪造后的接收序列然后利用LS估计方法对Pcom,s和进行计算,得到增强后的信道增益估计值:
否则,如果NI,s=a,则直接利用LS估计方法得到不进行增强的信道增益估计值:
本实施例中,通过所提出的面向信道估计增强的生成对抗网络迭代次数选择策略和基于生成对抗网络的信道估计增强算法,对具有实施例背景和特点的信道估计问题进行解决,从而在线得到每时隙的信道增益估计值,有效提高了信道估计精度。
实施例二
结合图5,本发明提及一种基于生成对抗网络的信道估计增强装置,该装置包括:离线制表模块501和在线信道估计模块502,其中:
离线制表模块501:离线获取若干时隙的训练序列及其对应接收序列,根据所提出的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格。
在线信道估计模块502:在线采集当前时隙的训练序列及其对应接收序列,根据所提出的基于生成对抗网络的信道估计增强算法,得到信道增益估计值,直至信道环境改变。
进一步的,离线制表模块501还包括:
获取单元5011:用于离线获取若干时隙的训练序列及其对应接收序列,且每个时隙的信道增益真实值已知。
初始化单元5012:用于初始化若干个生成对抗网络变种的网络参数和训练时的迭代次数。
曲线计算单元5013:以每个时隙的训练序列及其对应接收序列作为每个生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到给定迭代次数;同时在每次迭代结束时伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到每个时隙增强后的信道增益估计值;进而得到每个时隙信道功率增益估计值对真实值的相对误差随迭代而变化的估计误差曲线。
对比计算单元5014:利用同一估计方法对每个时隙的训练序列及其对应接收序列进行计算,进而计算得到每个时隙传统方法下的信道功率增益估计值对真实值的相对误差。
制表单元5018:将所有类别及其最佳迭代次数汇总后得到迭代次数表格。
输出单元5019:输出所得迭代次数表格。
进一步的,在线信道估计模块502还包括:
采集单元5021:采集当前时隙的训练序列及其对应接收序列,但当前时隙的信道增益真实值未知;
查找单元5022:对当前时隙的训练序列及其对应接收序列进行分类,根据其所属类别在迭代次数表格中进行查找,返回所属类别对应的最佳迭代次数;
判断单元5023:判断该最佳迭代次数是否不等于所约定的数值a,返回判断结果;
增强/直接估计单元5024:如果该最佳迭代次数不等于所约定的数值a,则首先初始化一生成对抗网络变种的网络参数,再以该训练序列及其对应接收序列作为生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到所选择的最佳迭代次数,再在训练结束后伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到增强后的信道增益估计值;否则直接利用同一估计方法对该训练序列及其对应接收序列进行计算,得到不进行增强的信道增益估计值。
输出单元5025:输出当前时隙的信道增益估计值,并进行下一时隙训练序列及其对应接收序列的采集准备工作。
进一步的,在初始化单元5012、曲线计算单元5013和增强/直接估计单元5024中,所述生成对抗网络变种,具体是指:
通过添加条件信息作为生成器网络和鉴别器网络的额外输入和采用wasserstein距离作为分布距离衡量函数,得到的带有梯度惩罚项的条件wasserstein生成对抗网络。
进一步的,在初始化单元5012、曲线计算单元5013和增强/直接估计单元5024等单元中,所述迭代次数,具体是指:
在以“更新鉴别器网络参数ncritic次,更新生成器网络参数一次”作为生成对抗网络变种的生成器网络和鉴别器网络交替训练时的一次迭代的前提下,生成对抗网络变种在交替迭代训练时的总迭代次数。
进一步的,在曲线计算单元5013和增强/直接估计单元5024中,所述伪造接收序列和复制训练序列,具体是指:
运行Na次当前生成对抗网络变种中的生成器网络,得到生成的接收序列集合其中,为第i次生成的接收序列,对其进行组合有:同时对当前训练序列P进行复制:Pcom=[P,...,P]T;由此可得到复制后的训练序列Pcom及伪造后的接收序列
本实施例的基于生成对抗网络的信道估计增强装置可以执行图1所示方法的实施例的技术方案,其实现原理类似,在此不再赘述。
本实施例中,通过所提出的面向信道估计增强的生成对抗网络迭代次数选择策略和基于生成对抗网络的信道估计增强算法,对具有实施例背景和特点的信道估计问题进行解决,从而在线得到每时隙的信道增益估计值,有效提高了信道估计精度。
实施例三
结合图6,本发明提及一种基于生成对抗网络的信道估计增强***,该装置包括:存储器601和处理器602,其中:
存储器601,用于存储指令和数据。
处理器602,与所述存储器601耦合,所述处理器602被配置为调用并执行存储在存储器601中的指令与数据,具体为:
处理器602,离线获取若干时隙的训练序列及其对应接收序列,根据所提出的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格。
处理器602,在线采集当前时隙的训练序列及其对应接收序列,根据所提出的基于生成对抗网络的信道估计增强算法,得到信道增益估计值,直至信道环境改变。
进一步的,所述处理器602,具体用于离线获取若干时隙的训练序列及其对应接收序列,并将所得序列及每个时隙已知的信道增益真实值存储至存储器601。
进一步的,所述处理器602,还用于初始化若干个生成对抗网络变种的网络参数和训练时的迭代次数,并将其存储至存储器601。
进一步的,所述处理器602,还用于以每个时隙的训练序列及其对应接收序列作为每个生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到给定迭代次数;还用于在每次迭代结束时伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到每个时隙增强后的信道增益估计值;并用于计算得到每个时隙信道功率增益估计值对真实值的相对误差随迭代而变化的估计误差曲线,并将其存储至存储器601。
进一步的,所述处理器602,还用于利用同一估计方法对每个时隙的训练序列及其对应接收序列进行计算,进而计算得到每个时隙传统方法下的信道功率增益估计值对真实值的相对误差,并将其存储至存储器601。
进一步的,所述处理器602,对所有时隙的训练序列及其对应接收序列依据瞬时精确/估计信噪比进行分类,计算得到所有类别传统方法下的平均估计误差增强后的平均估计误差曲线以及该曲线最小值所对应的最佳迭代次数并将其存储至存储器601。
进一步的,所述处理器602,还用于对判断结果进行再处理:对每类别,如果某类别的平均估计误差曲线最小值大于传统方法下的平均估计误差则令对应的迭代次数等于一个约定的数值a,否则不做改变,并将其均存储至存储器601。
进一步的,所述处理器602,还用于将所有类别及其最佳迭代次数汇总,得到迭代次数表格,并将其存储至存储器601。
进一步的,所述处理器602,接着用于采集当前时隙的训练序列及其对应接收序列,并将所得序列存储至存储器601。
进一步的,所述处理器602,还用于对当前时隙的训练序列及其对应接收序列进行分类,根据其所属类别在迭代次数表格中进行查找,返回所属类别对应的最佳迭代次数,并将其存储至存储器601。
进一步的,所述处理器602,还用于判断该最佳迭代次数是否不等于所约定的数值a,并将判断结果存储至存储器601。
进一步的,所述处理器602,还用于依据判断结果进行增强或直接估计:如果该最佳迭代次数不等于所约定的数值a,则首先初始化一生成对抗网络变种的网络参数,再以该训练序列及其对应接收序列作为生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到所选择的最佳迭代次数,再在训练结束后伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到增强后的信道增益估计值;否则直接利用同一估计方法对该训练序列及其对应接收序列进行计算,得到不进行增强的信道增益估计值。
进一步的,所述处理器602,最后用于将所得到的信道增益估计值存储至存储器601,并进行下一时隙训练序列及其对应接收序列的采集准备工作。
进一步的,所述处理器602中的生成对抗网络变种,具体是指:
通过添加条件信息作为生成器网络和鉴别器网络的额外输入和采用wasserstein距离作为分布距离衡量函数,得到的带有梯度惩罚项的条件wasserstein生成对抗网络。
进一步的,所述处理器602中的迭代次数,具体是指:
在以“更新鉴别器网络参数ncritic次,更新生成器网络参数一次”作为生成对抗网络变种的生成器网络和鉴别器网络交替训练时的一次迭代的前提下,生成对抗网络变种在交替迭代训练时的总迭代次数。
进一步的,所述处理器602中的伪造接收序列和复制训练序列,具体是指:
运行Na次当前生成对抗网络变种中的生成器网络,得到生成的接收序列集合其中,为第i次生成的接收序列,对其进行组合有:同时对当前训练序列P进行复制:Pcom=[P,...,P]T;由此可得到复制后的训练序列Pcom及伪造后的接收序列
本实施例的基于生成对抗网络的信道估计增强***可以执行图1所示方法的实施例的技术方案,其实现原理类似,在此不再赘述。
本实施例中,通过所提出的面向信道估计增强的生成对抗网络迭代次数选择策略和基于生成对抗网络的信道估计增强算法,对具有实施例背景和特点的信道估计问题进行解决,从而在线得到每时隙的信道增益估计值,有效提高了信道估计精度。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种基于生成对抗网络的信道估计增强方法,其特征在于,包括:
S101:离线获取若干时隙的训练序列及其对应接收序列,根据所提出的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格;
S102:在线采集当前时隙的训练序列及其对应接收序列,根据所提出的基于生成对抗网络的信道估计增强算法,得到信道增益估计值,直至信道环境改变;
步骤S101中,所述面向信道估计增强的生成对抗网络迭代次数选择策略,包括以下步骤:
初始化若干个生成对抗网络变种的网络参数和训练时的迭代次数;
以每个时隙的训练序列及其对应接收序列作为每个生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到给定迭代次数;同时在每次迭代结束时伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到每个时隙增强后的信道增益估计值;进而得到每个时隙信道功率增益估计值对真实值的相对误差随迭代而变化的估计误差曲线;
利用同一估计方法对每个时隙的训练序列及其对应接收序列进行计算,进而计算得到每个时隙传统方法下的信道功率增益估计值对真实值的相对误差;
将所有类别及其最佳迭代次数汇总后得到迭代次数表格;
步骤S102中,所述基于生成对抗网络的信道估计增强算法,包括以下步骤:
对当前时隙的训练序列及其对应接收序列进行分类,根据其所属类别在迭代次数表格中进行查找,返回所属类别对应的最佳迭代次数;
判断该最佳迭代次数是否不等于所约定的数值a,返回判断结果;
如果该最佳迭代次数不等于所约定的数值a,则首先初始化一生成对抗网络变种的网络参数,再以该训练序列及其对应接收序列作为生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到所选择的最佳迭代次数,再在训练结束后伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到增强后的信道增益估计值;否则直接利用同一估计方法对该训练序列及其对应接收序列进行计算,得到不进行增强的信道增益估计值;
其中,NC为所有时隙的训练序列及其对应接收序列类别数,q为其中的第q个类别,q={1,2,....,NC};
2.根据权利要求1所述的基于生成对抗网络的信道估计增强方法,其特征在于,所述生成对抗网络变种具体是指:
通过添加条件信息作为生成器网络和鉴别器网络的额外输入和采用wasserstein距离作为分布距离衡量函数,得到的带有梯度惩罚项的条件wasserstein生成对抗网络。
3.根据权利要求1所述的基于生成对抗网络的信道估计增强方法,其特征在于,所述迭代次数具体是指:
在以“更新鉴别器网络参数ncritic次,更新生成器网络参数一次”作为生成对抗网络变种的生成器网络和鉴别器网络交替训练时的一次迭代的前提下,生成对抗网络变种在交替迭代训练时的总迭代次数。
5.一种信道估计增强装置,其特征在于,包括:
离线制表模块:离线获取若干时隙的训练序列及其对应接收序列,根据所提出的面向信道估计增强的生成对抗网络迭代次数选择策略,得到迭代次数表格;
在线信道估计模块:在线采集当前时隙的训练序列及其对应接收序列,根据所提出的基于生成对抗网络的信道估计增强算法,得到信道增益估计值,直至信道环境改变;
所述离线制表模块还包括:
获取单元:用于离线获取若干时隙的训练序列及其对应接收序列,且每个时隙的信道增益真实值已知;
初始化单元:用于初始化若干个生成对抗网络变种的网络参数和训练时的迭代次数;
曲线计算单元:以每个时隙的训练序列及其对应接收序列作为每个生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到给定迭代次数;同时在每次迭代结束时伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到每个时隙增强后的信道增益估计值;进而得到每个时隙信道功率增益估计值对真实值的相对误差随迭代而变化的估计误差曲线;
对比计算单元:利用同一估计方法对每个时隙的训练序列及其对应接收序列进行计算,进而计算得到每个时隙传统方法下的信道功率增益估计值对真实值的相对误差;
制表单元:将所有类别及其最佳迭代次数汇总后得到迭代次数表格;
输出单元:输出所得迭代次数表格;
所述在线信道估计模块还包括:
采集单元:采集当前时隙的训练序列及其对应接收序列,但当前时隙的信道增益真实值未知;
查找单元:对当前时隙的训练序列及其对应接收序列进行分类,根据其所属类别在迭代次数表格中进行查找,返回所属类别对应的最佳迭代次数;
判断单元:判断该最佳迭代次数是否不等于所约定的数值a,返回判断结果;
增强/直接估计单元:如果该最佳迭代次数不等于所约定的数值a,则首先初始化一生成对抗网络变种的网络参数,再以该训练序列及其对应接收序列作为生成对抗网络变种的训练数据,进行交替迭代的训练,直至达到所选择的最佳迭代次数,再在训练结束后伪造接收序列和复制训练序列,利用无偏的信道估计方法对其进行计算,得到增强后的信道增益估计值;否则直接利用同一估计方法对该训练序列及其对应接收序列进行计算,得到不进行增强的信道增益估计值;
输出单元:输出当前时隙的信道增益估计值,并进行下一时隙训练序列及其对应接收序列的采集准备工作;
其中,NC为所有时隙的训练序列及其对应接收序列类别数,q为其中的第q个类别,q={1,2,....,NC};
6.一种基于生成对抗网络的信道估计增强***,其特征在于,所述***包括存储器、处理器以及存储在所述存储器中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如权利要求1-4任意一项中所述基于生成对抗网络的信道估计增强方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164903.9A CN111355675B (zh) | 2020-03-11 | 2020-03-11 | 一种基于生成对抗网络的信道估计增强方法、装置和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164903.9A CN111355675B (zh) | 2020-03-11 | 2020-03-11 | 一种基于生成对抗网络的信道估计增强方法、装置和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111355675A CN111355675A (zh) | 2020-06-30 |
CN111355675B true CN111355675B (zh) | 2021-05-18 |
Family
ID=71195981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010164903.9A Active CN111355675B (zh) | 2020-03-11 | 2020-03-11 | 一种基于生成对抗网络的信道估计增强方法、装置和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111355675B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112787966B (zh) * | 2020-12-28 | 2022-06-28 | 杭州电子科技大学 | 基于端到端的级联生成对抗网络信号解调方法 |
CN118160247A (zh) * | 2021-11-01 | 2024-06-07 | Oppo广东移动通信有限公司 | 数据处理的方法及装置 |
WO2023150943A1 (zh) * | 2022-02-09 | 2023-08-17 | Oppo广东移动通信有限公司 | 无线信道模型的更新方法、装置、设备及存储介质 |
CN116319196B (zh) * | 2023-05-24 | 2023-08-04 | 南京邮电大学 | THz-MIMO***中基于SRGAN信道估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330810A (zh) * | 2016-07-12 | 2017-01-11 | 北京邮电大学 | 一种提升极化调制误码率性能的xpd补偿方法 |
CN107991876A (zh) * | 2017-12-14 | 2018-05-04 | 南京航空航天大学 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
CN108665058A (zh) * | 2018-04-11 | 2018-10-16 | 徐州工程学院 | 一种基于分段损失的生成对抗网络方法 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136883B (zh) * | 2007-08-21 | 2010-04-14 | 中科院嘉兴中心微***所分中心 | 基于放大转发协作处理的宽带无线传感网络信道估计方法 |
CN104284375B (zh) * | 2014-10-21 | 2017-12-22 | 广州市香港科大***研究院 | 一种无线网络速率自适应调节的方法 |
US10574368B2 (en) * | 2018-06-29 | 2020-02-25 | Intel Corporation | Devices and methods for determining channel quality indicator for higher resource allocation |
CN109256144B (zh) * | 2018-11-20 | 2022-09-06 | 中国科学技术大学 | 基于集成学习与噪声感知训练的语音增强方法 |
CN110875790A (zh) * | 2019-11-19 | 2020-03-10 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
-
2020
- 2020-03-11 CN CN202010164903.9A patent/CN111355675B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330810A (zh) * | 2016-07-12 | 2017-01-11 | 北京邮电大学 | 一种提升极化调制误码率性能的xpd补偿方法 |
CN107991876A (zh) * | 2017-12-14 | 2018-05-04 | 南京航空航天大学 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
CN108665058A (zh) * | 2018-04-11 | 2018-10-16 | 徐州工程学院 | 一种基于分段损失的生成对抗网络方法 |
CN110580682A (zh) * | 2019-09-16 | 2019-12-17 | 电子科技大学 | 一种基于优化生成对抗网络地震数据超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
"基于生成对抗网络的彩色图像去噪方法";张元祺;《中国优秀硕士学位论文全文数据库》;20190215(第2期);I138-1217 * |
Also Published As
Publication number | Publication date |
---|---|
CN111355675A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111355675B (zh) | 一种基于生成对抗网络的信道估计增强方法、装置和*** | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN105844627B (zh) | 一种基于卷积神经网络的海面目标图像背景抑制方法 | |
Zheng et al. | Prompt vision transformer for domain generalization | |
CN110211126A (zh) | 基于直觉模糊c均值聚类的图像分割方法 | |
CN113076996B (zh) | 一种改进粒子群极限学习机的辐射源信号识别方法 | |
CN105404783A (zh) | 一种盲源分离方法 | |
CN110826644B (zh) | 基于Copula函数的分布式电源时序联合出力典型场景生成方法 | |
CN113452408A (zh) | 一种网台跳频信号分选方法 | |
CN106600610B (zh) | 一种fcm图像分割方法及装置 | |
CN112910812A (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
Zhou et al. | Batch group normalization | |
CN114114166A (zh) | 一种基于dtm算法的雷达脉冲去交错方法 | |
CN113239880A (zh) | 基于改进随机森林的雷达辐射源识别方法 | |
Zhou et al. | Network traffic prediction method based on echo state network with adaptive reservoir | |
CN112468229B (zh) | 基于混合分布模型的大气湍流信道衰落参数估计方法 | |
CN113869463A (zh) | 一种基于交叉增强匹配的长尾噪声学习方法 | |
CN108834043B (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
CN115422977A (zh) | 基于cnn-bls网络的雷达辐射源信号识别方法 | |
CN115766140A (zh) | 分布式拒绝服务DDoS攻击检测方法及装置 | |
CN112419098B (zh) | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 | |
CN111027612B (zh) | 基于加权熵fcm的能源计量数据特征约简方法及装置 | |
Kaijian et al. | Research on parallel deep learning for heterogeneous computing architecture | |
Bi et al. | Adaptive prediction of resources and workloads for cloud computing systems with attention-based and hybrid LSTM | |
CN117948975A (zh) | 一种基于异质多传感器目标跟踪的密度加权融合优化方法 |
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 |