CN112740631A - 通过接收算法中的参数的更新来在通信***中学习 - Google Patents

通过接收算法中的参数的更新来在通信***中学习 Download PDF

Info

Publication number
CN112740631A
CN112740631A CN201880097541.7A CN201880097541A CN112740631A CN 112740631 A CN112740631 A CN 112740631A CN 201880097541 A CN201880097541 A CN 201880097541A CN 112740631 A CN112740631 A CN 112740631A
Authority
CN
China
Prior art keywords
data
estimate
encoded data
receiver
generating
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
Application number
CN201880097541.7A
Other languages
English (en)
Inventor
S·卡默雷尔
S·多纳
S·席毕什
J·霍伊迪斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN112740631A publication Critical patent/CN112740631A/zh
Pending legal-status Critical Current

Links

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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
    • H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
    • 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
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0047—Decoding adapted to other signal detection operation
    • 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
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • H04L1/0061—Error detection codes
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
    • H04L25/023—Channel estimation using sounding signals with direct estimation from sounding signals with extension to other symbols
    • 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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03165—Arrangements for removing intersymbol interference using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Detection And Prevention Of Errors In Transmission (AREA)

Abstract

描述了一种装置、方法和计算机程序，其包括：在传输***的接收器处接收数据；使用接收器算法将在接收器处接收的数据转换成第一经编码的数据的估计，接收器算法具有一个或多个可训练参数；通过解码第一经编码的数据的估计来生成第一数据比特的估计，上述解码利用第一数据比特的上述编码的纠错码；通过编码第一数据比特的估计来生成第一经编码的数据的精细估计；基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数；更新接收器算法的可训练参数以使损失函数最小化；以及通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复。

Description

通过接收算法中的参数的更新来在通信***中学习
技术领域
本说明书涉及通信***中的学习。具体地，本说明书涉及通信***的接收器的训练参数。
背景技术
简单的通信***包括发射器、传输信道和接收器。发射器和/或接收器可以包括可训练参数以便使得机器学习的原理能够用于改善通信***的性能方面。在这方面仍有进一步发展的空间。
发明内容
在第一方面，本说明书描述了一种装置，该装置包括：用于在传输***的接收器处接收数据的部件，其中传输***包括编码器、发射器、信道和接收器，编码器通过编码第一数据比特来生成第一经编码的数据；用于使用接收器算法将在接收器处通过信道从发射器接收的数据转换成第一经编码的数据的估计的部件，接收器算法具有一个或多个可训练参数；用于通过解码第一经编码的数据的估计来生成第一数据比特的估计的部件，上述解码利用第一数据比特的上述编码的纠错码；用于通过编码第一数据比特的估计来生成第一经编码的数据的精细估计的部件；用于基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数的部件；用于更新接收器算法的可训练参数以使损失函数最小化的部件；以及用于通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复的部件。用于控制上述重复的部件可以重复更新，直到条件被达到(诸如，设定的迭代次数和/或直到输出稳定)。
在第二方面，本说明书描述了一种***，该***包括：用于编码第一数据比特以生成第一经编码的数据的部件，其中编码使用纠错码；用于将第一经编码的数据转换成用于传输的数据的部件；用于传输用于传输的数据的部件；用于接收所传输的数据的部件；用于使用接收器算法将所接收的数据转换成第一经编码的数据的估计的部件，接收器算法具有一个或多个可训练参数；用于通过解码第一经编码的数据的估计来生成第一数据比特的估计的部件，上述解码利用上述纠错码；用于通过编码第一数据比特的估计来生成第一经编码的数据的精细估计的部件；用于基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数的部件；用于更新接收器算法的可训练参数以使损失函数最小化的部件；以及用于通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复的部件。用于控制上述重复的部件可以重复更新，直到条件被达到(诸如。设定的迭代次数和/或直到输出稳定)。
一些实施例还可以包括用于初始化接收器算法的可训练参数的部件。
用于在接收器处接收数据的部件可以接收多个数据观测。用于生成损失函数的部件可以根据针对多个数据观测中的每个数据观测而生成的多个损失函数计算来生成损失函数。用于更新接收器算法的可训练参数的部件可以使多个损失函数计算的平均最小化。
在一些实施例中，用于更新接收器算法的可训练参数的部件可以通过使用梯度下降或强化学习来使损失函数最小化。
一些实施例还可以包括第二部件，第二部件用于通过针对每次重复使用接收器算法将在接收器处接收的第二数据转换成所接收的第二数据所基于的第二经编码的数据的估计来控制可训练参数的更新的重复，基于第二经编码的数据的精细估计和第二经编码的数据的估计的函数来生成第二损失函数，并且更新可训练参数以使损失函数最小化。用于控制上述重复的第二部件可以重复更新，直到第二条件被达到(诸如，设定的迭代次数和/或直到输出稳定)。
一些实施例还可以包括用于标识第一数据比特的估计中的哪些估计被正确接收的部件，其中用于生成损失函数的部件可以仅考虑与被标识为被正确接收的第一数据比特相对应的第一经编码的数据。可以提供用于标识第一数据比特的哪些估计被正确接收的奇偶校验模块。用于标识第一数据比特的哪些估计被正确接收的部件可以例如包括循环冗余校验模块。
接收器算法的可训练参数可以被提供(至少部分)作为形成传输模块的接收器的一部分的均衡模块的一部分。例如，均衡模块可以是提供在传输***的接收器的接收器模块之前的预均衡模块。替代地，均衡模块可以是提供在传输***的接收器的接收器模块之后的后均衡模块。均衡模块可以以其他方式提供并且可以例如是分布式的。
在本发明的某些形式中，该部件可以包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起引起该装置的执行。
在第三方面，本说明书描述了一种方法，该方法包括：在传输***的接收器处接收数据，其中传输***包括编码器、发射器、信道和接收器，编码器通过编码第一数据比特来生成第一经编码的数据；使用接收器算法将在接收器处通过信道从发射器接收的数据转换成第一经编码的数据的估计，接收器算法具有一个或多个可训练参数；通过解码第一经编码的数据的估计来生成第一数据比特的估计，上述解码利用第一数据比特的上述编码的纠错码；通过编码第一数据比特的估计来生成第一经编码的数据的精细估计；基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数；更新接收器算法的可训练参数以使损失函数最小化；以及通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复。控制上述重复可以包括重复更新，直到条件被达到(诸如。设定的迭代次数和/或直到输出稳定)。
在第四方面，本说明书描述了一种方法，该方法包括：编码第一数据比特以生成第一经编码的数据，其中编码使用纠错码；将第一经编码的数据转换成用于传输的数据；传输用于传输的数据；接收所传输的数据；使用接收器算法将所接收的数据转换成第一经编码的数据的估计，接收器算法具有一个或多个可训练参数；通过解码第一经编码的数据的估计来生成第一数据比特的估计，上述解码利用上述纠错码；通过编码第一数据比特的估计来生成第一经编码的数据的精细估计；基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数；更新接收器算法的可训练参数以使损失函数最小化；以及通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复。控制上述重复可以包括重复更新，直到条件被达到(诸如，设定的迭代次数和/或直到输出稳定)。
用于在接收器处接收数据的部件可以接收多个数据观测。生成损失函数可以包括根据针对多个数据观测中的每个数据观测而生成的多个损失函数计算来生成损失函数。更新接收器算法的可训练参数可以包括使多个损失函数计算的平均最小化。
在一些实施例中，更新接收器算法的可训练参数可以包括通过使用梯度下降或强化学习来使损失函数最小化。
一些实施例还可以包括：通过针对每次重复使用接收器算法将在接收器处接收的第二数据转换成所接收的第二数据所基于的第二经编码的数据的估计来控制可训练参数的更新的重复，基于第二经编码的数据的精细估计和第二经编码的数据的估计的函数来生成第二损失函数，并且更新可训练参数以使损失函数最小化。用于控制上述重复的第二部件可以重复更新，直到第二条件被达到(诸如。设定的迭代次数和/或直到输出稳定)。
一些实施例还可以包括标识第一数据比特的估计中的哪些估计被正确接收，其中生成损失函数可以仅考虑与被标识为被正确接收的第一数据比特相对应的第一经编码的数据。
在第五方面，本说明书描述了一种装置，该装置被配置为执行参考第三方面或第四方面描述的任何方法。
在第六方面，本说明书描述了一种计算机可读指令，该计算机可读指令在由计算装置执行时引起计算装置执行参考第三方面或第四方面描述的任何方法。
在第七方面，本说明书描述了一种计算机程序，该计算机程序包括存储在其上的用于至少执行以下操作的指令：在传输***的接收器处接收数据，其中传输***包括编码器、发射器、信道和接收器，编码器通过编码第一数据比特来生成第一经编码的数据；使用接收器算法将在接收器处通过信道从发射器接收的数据转换成第一经编码的数据的估计，接收器算法具有一个或多个可训练参数；通过解码第一经编码的数据的估计来生成第一数据比特的估计，上述解码利用第一数据比特的上述编码的纠错码；通过编码第一数据比特的估计来生成第一经编码的数据的精细估计；基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数；更新接收器算法的可训练参数以使损失函数最小化；以及通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复。
在第八方面，本说明书描述了一种计算机可读介质(例如，非瞬态计算机可读介质)，该计算机可读介质包括存储在其上的用于至少执行以下操作的程序指令：在传输***的接收器处接收数据，其中传输***包括编码器、发射器、信道和接收器，编码器通过编码第一数据比特来生成第一经编码的数据；使用接收器算法将在接收器处通过信道从发射器接收的数据转换成第一经编码的数据的估计，接收器算法具有一个或多个可训练参数；通过解码第一经编码的数据的估计来生成第一数据比特的估计，上述解码利用第一数据比特的上述编码的纠错码；通过编码第一数据比特的估计来生成第一经编码的数据的精细估计；基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数；更新接收器算法的可训练参数以使损失函数最小化；以及通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复。
在第九方面，本说明书描述了一种计算机程序，该计算机程序包括存储在其上的用于至少执行以下操作的指令：编码第一数据比特以生成第一经编码的数据，其中编码使用纠错码；将第一经编码的数据转换成用于传输的数据；传输用于传输的数据；接收所传输的数据；使用接收器算法将所接收的数据转换成第一经编码的数据的估计，接收器算法具有一个或多个可训练参数；通过解码第一经编码的数据的估计来生成第一数据比特的估计，上述解码利用上述纠错码；通过编码第一数据比特的估计来生成第一经编码的数据的精细估计；基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数；更新接收器算法的可训练参数以使损失函数最小化；以及通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复。
在第十方面，本说明书描述了一种计算机可读介质(例如，非瞬态计算机可读介质)，该计算机可读介质包括存储在其上的用于执行至少以下各项的程序指令：编码第一数据比特以生成第一经编码的数据，其中编码使用纠错码；将第一经编码的数据转换成用于传输的数据；传输用于传输的数据；接收所传输的数据；使用接收器算法将所接收的数据转换成第一经编码的数据的估计，接收器算法具有一个或多个可训练参数；通过解码第一经编码的数据的估计来生成第一数据比特的估计，上述解码利用上述纠错码；通过编码第一数据比特的估计来生成第一经编码的数据的精细估计；基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数；更新接收器算法的可训练参数以使损失函数最小化；以及通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复。
附图说明
现在将参考以下示意图通过非限制性示例来描述示例实施例，其中：
图1是根据示例实施例的示例端到端通信***的框图；
图2至4是示出根据示例实施例的算法的流程图；
图5是示出示例实施例中的块错误率的图；
图6是根据示例实施例的***的框图；
图7是图6的***的一部分的示例实现的框图；
图8是根据示例实施例的***的框图；
图9是根据示例性实施例的***的组件的框图；以及
图10a和10b示出了有形介质，分别为存储计算机可读代码的可移动非易失性存储器单元和光盘(CD)，该计算机可读代码在由计算机运行时执行根据实施例的操作。
具体实施方式
图1是根据示例实施例的总体上由附图标记10指示的示例端到端通信***的框图。通信***10包括编码器12、发射器13、信道14、接收器15和解码器16。
编码器12具有接收矢量u形式的信息比特的输入和用于提供经编码的比特的矢量c的输出，其中：c＝Enc(u)。
发射器13将矢量c(即，经编码的比特)转换成传输矢量，其通过：x＝TX(c)。因此，x＝TX[Enc(u)]。
信道14具有输入x(传输矢量)并且向接收器15的输入提供输出矢量y。信道14的特征在于条件概率密度函数p(y|x)。
接收器15具有从信道14接收输出矢量y的输入，并且输出矢量
Figure BDA0002976151870000071
矢量
Figure BDA0002976151870000072
是c的估计，并且基于所接收的矢量y和接收器函数。换言之，接收器15生成由编码器12输出的经编码的比特的矢量的估计。
接收器15具有多个可训练参数(在本文中以θ表示)。换言之，接收器15实现参数函数RX(y；θ)。因此：
Figure BDA0002976151870000081
解码器16基于
Figure BDA0002976151870000082
提供u的估计
Figure BDA0002976151870000083
换言之，解码器16在编码器12的输入处生成信息比特的矢量的估计。估计
Figure BDA0002976151870000084
由下式给出：
Figure BDA0002976151870000085
因此：
Figure BDA0002976151870000086
通信***10的性能通过损失函数
Figure BDA0002976151870000087
来衡量，并且期望选择接收器15的可训练参数θ以使得平均损失最小化。这可以如下表示：
Figure BDA0002976151870000088
在等式(1)中，期望值是关于输入u和根据p(y|x)而分配的信道输出而做出的。在实践中，等式(1)不能明确求解，因为要么p(y|x)未知，要么优化问题过于复杂。但是，可以如下确定近似值：
Figure BDA0002976151870000089
其中ci是第i传输码字，yi是在接收器15处的所得到的观测，N是观测总数。换言之，等式(1)中的期望值被替换为N个示例上的样本均值。
为了计算上面的等式(2)并且优化可训练参数θ，接收器15应当可以访问所传输的经编码的比特c。但是，通常情况并非如此，因为这表示已经传输了已知信息。为了解决这个问题，可以使用解码器15和编码器12的解码器和编码器功能来计算经编码的比特c的精细估计
Figure BDA00029761518700000810
如下所示：
Figure BDA00029761518700000811
如下面进一步描述的，当矢量u形式的信息比特由编码器12编码时，使用纠错码。因此，当将c的估计
Figure BDA00029761518700000812
解码为估计的数据比特时，使用纠错码。然后可以对所得到的估计数据比特重新编码以用作训练数据以优化接收器参数θ。
图2是示出根据示例实施例的总体上由附图标记20指示的算法的流程图。
在算法20的操作22处，获取作为接收器15的输出的估计
Figure BDA0002976151870000091
操作22通过用于在传输***10的接收器15处接收数据的部件以及用于使用接收器算法将在接收器15处通过通信***19的信道14从发射器13接收的数据转换成第一经编码的数据的估计的部件来实现，接收器算法具有一个或多个可训练参数。
在算法20的操作23处，获取作为解码器16的输出的估计
Figure BDA0002976151870000092
操作23通过用于通过解码第一经编码的数据的估计来生成第一数据比特的估计的部件来实现，上述解码利用第一数据比特的上述编码的纠错码。因此，借助于用于将第一数据比特转换成第一经编码的数据的纠错码，可以将估计的代码比特转换成估计的数据比特。
在操作24处，生成所传输的经编码的比特的改进的估计
Figure BDA0002976151870000093
改进的估计
Figure BDA0002976151870000094
使用纠错码来生成。操作24通过用于编码第一数据比特的估计来生成第一经编码的数据的精细估计的部件来实现。
最终，在操作25处，通过使损失函数
Figure BDA0002976151870000095
最小化来使估计
Figure BDA0002976151870000096
与所传输的经编码的比特的改进的估计
Figure BDA0002976151870000097
之间的差最小化。操作25通过用于基于第一经编码的数据的精细估计和第一经编码的数据的估计的函数来生成损失函数的部件以及用于更新接收器算法的可训练参数以使损失函数最小化的部件来实现。
算法20然后在操作26处终止。
如以上公式(3)所述：
Figure BDA0002976151870000098
使用
Figure BDA0002976151870000099
接收器15可以根据下式优化其参数θ：
Figure BDA00029761518700000910
Figure BDA0002976151870000101
如以下进一步所述，等式(4)可以从初始参数集θ0中以迭代方式应用，如下所示：
Figure BDA0002976151870000102
因此，算法20可以另外包括用于通过针对每次重复针对相同的接收数据生成第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新可训练参数的重复的部件。
图3是示出根据示例实施例的总体上由附图标记30指示的算法的流程图。
算法30在操作32处开始，在操作32处，初始化接收器15的可训练参数。因此，如图3所示，可以将接收器算法参数初始化为θ0，并且将n设置为0。
在操作33处，记录N个观测y1至yN。因此，多个数据点(或观测)被发送给接收器15以为本文中描述的算法提供多个数据点。
在操作34处，更新接收器的参数以提供如下的θn+1：
Figure BDA0002976151870000103
因此，基于当前接收器参数(θn)针对N个观测y1至yN中的每个生成相关的损失函数，该损失函数用于迭代地生成经更新的参数。
以这种方式，由接收器15接收多个数据观测，并且可以根据针对多个数据观测中的每个数据观测而生成的多个损失函数计算来生成损失函数。接收器的可训练参数然后可以被更新以使多个损失函数计算的平均最小化。接收器算法的可训练参数的更新可以包括通过使用梯度下降或强化学习来使损失函数最小化。
在接收器的可训练参数被更新的情况下，值n递增(操作35)，并且确定(操作36)n是否小于或等于M。如果是，则重复操作34，否则算法30移动到操作37。
可以控制迭代次数M(即，可训练参数被更新的次数)使得操作34被重复，直到条件被达到。示例条件包括设定的迭代次数(如图3所示)和/或直到输出稳定。在一些实施例中，要求M>1使得存在至少一些迭代。
作为示例，只要两个迭代之间的性能没有提高，操作34的迭代就可以停止，即：
Figure BDA0002976151870000111
Figure BDA0002976151870000112
在操作37，针对在操作33中接收的每个y值提供输出
Figure BDA0002976151870000113
因此，操作37基于接收器参数的当前最佳估计来提供通信***10的输出。注意，在操作37中生成的输出基于的是对基于在操作33处接收的数据集来更新接收器参数的多次迭代。
在操作38处，确定是否继续更新接收器参数。如果是，则在操作33的新实例处接收另一组N个观测y1至yN，并且执行操作34至36的多次迭代。当操作38的答案为否时，算法30在操作39处终止。
因此，可以提供一种布置，该布置用于通过针对每次重复使用接收器算法将第二数据(即，在操作33的第二实例中在接收器处接收的第二组观测)转换成所接收的第二数据所基于的第二经编码的数据的估计来控制可训练参数的更新的重复，基于第二经编码的数据的精细估计和第二经编码的数据的估计的函数来生成第二损失函数，并且更新可训练参数以使损失函数最小化。用于控制上述重复的布置可以重复更新，直到第二条件被达到，诸如设定的迭代次数和/或直到输出稳定为止(如上所述)。
在很多情况下，等式(4)中的可训练参数θ的优化无法精确求解。在这种情况下，除了寻找最佳值
Figure BDA0002976151870000121
还可以简单地计算θ的改进版本。可能有多种选择，如下所示。
如果RX(y；θ)和L()是可微分的，则损失函数的梯度下降可以用于根据下式获取θ的更新：
Figure BDA0002976151870000122
其中
Figure BDA0002976151870000123
被视为常数，η是小的正量，称为学习速率。如果解码器和编码器功能也是可微分的，则可以使用：
Figure BDA0002976151870000124
其中编码器12、接收器15和解码器16被实现为神经网络，它们通常是可微分的。
而且，来自强化学习的方法(诸如策略梯度)以及进化方法和其他启发式方法可以用于计算经更新的参数。例如，一些合适的算法在题为“Learning in communicationsystems”的相关专利申请PCT/EP2018/065006中有描述，该专利的教导通过引用并入本文。
如上所述，算法20和30利用纠错编码来恢复所传输的信息比特。如果纠错编码不能正确地恢复所传输的比特，则这些算法的性能会受到影响。图4是示出根据示例实施例的总体上由附图标记40指示的试图解决该进一步问题的算法的流程图。
如下面进一步详细描述的，算法40通过用于标识第一数据比特的估计中的哪些估计被正确接收(例如，使用奇偶校验)的部件来保护信息比特矢量u，并且仅使用这些正确接收的信息比特来训练接收器。
算法40在操作32处开始，在操作32处，初始化接收器15的可训练参数。接下来，在操作33处，记录N个观测y1至yN。因此，多个数据点(或观测)被发送给接收器15以为本文中描述的算法提供多个数据点。算法40的操作32和33对应于算法30的操作32和33。
在操作42处，对于观测y1至yN，标识满足CRC(Dec(RX(yi′；θn)))的一组观测y1'至yN'。因此，该组观测y1'到yN'是被认为被正确接收的观测。
在操作43处，更新接收器的参数以提供θn+1，如下所示：
Figure BDA0002976151870000131
因此，基于当前接收器参数(θn)针对N个观测y1'至yN'中的每个生成相关的损失函数，该损失函数用于迭代地生成经更新的参数。
以这种方式，由接收器15接收多个数据观测，并且可以根据针对被认为被正确接收的多个数据观测中的每个数据观测而生成的多个损失函数计算来生成损失函数。然后可以更新接收器的可训练参数以使多个损失函数计算的平均最小化。接收器算法的可训练参数的更新可以包括通过使用梯度下降或强化学习来使损失函数最小化。
在接收器的可训练参数被更新的情况下，值n递增(操作44)，并且确定(操作45)n是否小于或等于M。如果是，则重复操作43，否则算法40移动到操作37(并且实现如上所述的操作37至39)。
可以控制迭代次数M(即，可训练参数被更新的次数)使得操作43被重复，直到条件被达到。示例条件包括设定的迭代次数(如图4所示)和/或直到输出稳定。在一些实施例中，要求M>1使得存在至少一些迭代。
用于标识第一数据比特的估计中的哪些估计被正确接收的部件可以包括用于标识第一数据比特的估计中的哪些估计被正确接收的奇偶校验模块。通常，诸如低密度奇偶校验码(LDPC)等分组码具有这个特征。可以说，如果所有奇偶校验满足，则所接收的经编码的比特有效。在一些实施例中，用于标识第一数据比特的估计中的哪些估计被正确接收的部件可以包括循环冗余校验模块。
图5是示出了示例实施例中的块错误率的总体上由附图标记50指示的图。图50包括第一图52，第一图52示出了在图3的布置的示例实现中的块错误率，其中使用纠错码，但是没有检查比特是否被正确接收。图50还包括第二图54，第二图54示出了在图4的布置的示例实现中的块错误率，其中使用纠错码以及用于确定比特是否被正确接收的奇偶校验模块。如图5所示，块错误率随着迭代的增加而降低。此外，在图5的特定示例中，当从接收器算法的训练中排除错误接收的比特时，块错误率较低。
在接收器15不具有可训练参数的情况下(或需要进一步训练参数的情况)，可以通过可以被提供作为形成传输模块的接收器的一部分的均衡模块的一部分的参数函数f(.；θ)来丰富具有可训练参数的通信***。均衡模块可以是被提供在传输***的接收器的接收器模块之前的预均衡模块(如下文中参考图6和7所述)。替代地，均衡模块是被提供在传输***的接收器的接收器模块之后的后均衡模块(如下文中参考图8所述)。在另一替代方案(未示出)中，均衡模块的功能可以在其他地方提供(例如，分布式的，诸如在接收器模块之前和之后)。
图6是包括预均衡模块62和接收器模块63的总体上由附图标记60指示的***的框图。***60是上述接收器15的示例实现。
预均衡模块62具有从信道14接收输出矢量y的输入，并且将经修改的矢量
Figure BDA0002976151870000141
提供给接收器模块63。接收器模块63输出矢量
Figure BDA0002976151870000142
矢量
Figure BDA0002976151870000143
可以是矢量c的估计(上述编码器12的输出)，并且基于所接收的矢量y和函数。
图7是示出预均衡模块62的示例性实现的框图。图7所示的预均衡模块62实现函数：
Figure BDA0002976151870000144
其中标量α是可训练函数，函数fnn(x；θ)是权重为θ的神经网络。因此，预均衡模块的可训练参数为θ＝{α，θnn}。这种结构与残余神经网络的概念有关。注意，α＝0的初始化停用神经网络路径使得无需任何训练即可使接收器按最初设计的方式运行。
图8是包括接收器模块72和后均衡模块73的总体上由附图标记70指示的***的框图。***70是上述接收器15的示例实现。
该***具有从信道14接收输出矢量y的输入(接收模块72的输入)，并且输出矢量
Figure BDA0002976151870000151
(在后均衡模块73的输出处)。矢量
Figure BDA0002976151870000152
可以是矢量c的估计(上述编码器12的输出)，并且基于所接收的矢量y和函数。因此，***70类似于上述***60。因此，与RX模块相比，后均衡模块提供精细估计
Figure BDA0002976151870000153
为了完整起见，图9是先前描述的一个或多个示例实施例的组件的示意图，在下文中将其统称为处理***300。处理***300可以具有处理器302、紧密耦合到处理器并且包括RAM 314和ROM 312的存储器304、以及可选的用户输入310和显示器318。处理***300可以包括用于与网络/装置的连接的一个或多个网络/装置接口308，例如可以是有线或无线的调制解调器。接口308还可以操作为与其他装置(诸如不是网络侧装置的设备/装置)的连接。因此，可以在没有网络参与的情况下在设备/装置之间存在直接连接。
处理器302连接到其他每个组件以便控制其操作。
存储器304可以包括非易失性存储器，诸如硬盘驱动器(HDD)或固态驱动器(SSD)。存储器314的ROM 312存储操作***315等，并且可以存储软件应用316。处理器304使用存储器304的RAM314来临时存储数据。操作***315可以包含在由处理器执行时实现上述算法20、30或40的各方面的代码。注意，在小型设备/装置的情况下，存储器可以最适合于小尺寸使用，即不总是使用硬盘驱动器(HDD)或固态驱动器(SSD)。
处理器302可以采用任何合适的形式。例如，它可以是微控制器、多个微控制器、一个处理器或多个处理器。
处理***300可以是独立的计算机、服务器、控制台或其网络。处理***300和所需要的结构部件可以全部在诸如IoT设备/装置等设备/装置内部，即，以很小的尺寸被嵌入。
在一些示例实施例中，处理***300还可以与外部软件应用相关联。这些可以是存储在远程服务器设备/装置上的应用，并且可以部分或专门在远程服务器设备/装置上运行。这些应用可以称为云托管应用。处理***300可以与远程服务器设备/装置通信，以便利用存储在其中的软件应用。
图10a和10b示出了有形介质，该有形介质分别是可移动非易失性存储器单元365和存储计算机可读代码的光盘(CD)368，该计算机可读代码在由计算机运行时可以执行根据上述示例实施例的方法。可移动存储器单元365可以是具有存储计算机可读代码的内部存储器366的存储棒，例如USB存储棒。存储器366可以由计算机***经由连接器367访问。CD368可以是CD-ROM或DVD等。可以使用其他形式的有形存储介质。有形介质可以是能够存储数据/信息的任何设备/装置，该数据/信息可以在设备/装置/网络之间交换。
本发明的实施例可以以软件、硬件、应用逻辑或软件、硬件和应用逻辑的组合来实现。软件、应用逻辑和/或硬件可以驻留在存储器或任何计算机介质上。在示例实施例中，应用逻辑、软件或指令集被维持在各种常规计算机可读介质中的任何一种上。在本文档的上下文中，“存储器”或“计算机可读介质”可以是可以包含、存储、传送、传播或传输指令以供指令执行***、装置或设备(诸如计算机)或与之相结合使用的任何非瞬态介质。
在相关时，对“计算机可读存储介质”、“计算机程序产品”、“有形体现的计算机程序”等或“处理器”或“处理电路***”等的引用应当理解为不仅包括具有不同架构(诸如单/多处理器架构和定序器/并行架构)的计算机，还包括专用电路，诸如现场可编程门阵列FPGA、专用集成电路ASIC、信号处理设备/装置和其他设备/装置。对计算机程序、指令、代码等的引用应当理解为将用于可编程处理器固件(诸如硬件设备/装置的可编程内容)的软件表示为用于处理器的指令或用于固定功能设备/装置、门阵列、可编程逻辑器件/装置等的经配置的设置或配置设置。
如本申请中使用的，术语“电路***”是指以下所有内容：(a)仅硬件电路实现(诸如仅在模拟和/或数字电路***中的实现)，以及(b)电路和软件(和/或固件)的组合，诸如(如果适用)：(i)(多个)处理器的组合，或(ii)(多个)处理器/软件的部分(包括(多个)数字信号处理器、软件和存储器，其一起工作以使诸如服务器等装置执行各种功能)，以及(c)诸如(多个)微处理器或(多个)微处理器的一部分等需要软件或固件来操作(即使软件或固件实际上不存在)的电路。
如果需要，本文中讨论的不同功能可以以不同的顺序和/或彼此同时地执行。此外，如果需要，上述功能中的一个或多个可以是可选的，或者可以组合。类似地，还将意识到，图2、3和4的流程图仅是示例，并且本文中描绘的各种操作可以省略，重新排序和/或组合。
应当理解，上述示例实施例仅是说明性的，并且不限制本发明的范围。在阅读本说明书之后，其他变化和修改对于本领域技术人员将是很清楚的。
此外，应当理解本申请的公开内容包括本文中明确或隐含公开的任何新颖特征或特征的新颖组合或其任何概括，并且在本申请或由此衍生的任何申请的起诉期间，可以提出新的权利要求以覆盖任何这样的特征和/或这样的特征的组合。
尽管在独立权利要求中陈述了本发明的各个方面，但是本发明的其他方面包括来自所描述的示例实施例和/或从属权利要求的特征与独立权利要求的特征的其他组合，而不仅是权利要求中明确给出的组合。
在此还应当注意，尽管以上描述了各种示例，但是这些描述不应以限制性的意义来理解。而是，在不脱离所附权利要求书中限定的本发明的范围的情况下，可以进行多种变型和修改。

Claims (20)

1.一种装置，包括：
用于在传输***的接收器处接收数据的部件，其中所述传输***包括编码器、发射器、信道和所述接收器，所述编码器通过编码第一数据比特来生成第一经编码的数据；
用于使用接收器算法将在所述接收器处通过所述信道从所述发射器接收的数据转换成所述第一经编码的数据的估计的部件，所述接收器算法具有一个或多个可训练参数；
用于通过解码所述第一经编码的数据的所述估计来生成所述第一数据比特的估计的部件，所述解码利用所述第一数据比特的所述编码的纠错码；
用于通过编码所述第一数据比特的所述估计来生成所述第一经编码的数据的精细估计的部件；
用于基于所述第一经编码的数据的所述精细估计和所述第一经编码的数据的所述估计的函数来生成损失函数的部件；
用于更新所述接收器算法的所述可训练参数从而使所述损失函数最小化的部件；以及
用于通过针对每次重复、针对相同的接收数据生成所述第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新所述可训练参数的重复的部件。
2.根据权利要求1所述的装置，其中用于控制所述重复的所述部件重复所述更新，直到条件被达到。
3.根据权利要求1或权利要求2所述的装置，还包括用于初始化所述接收器算法的所述可训练参数的部件。
4.根据权利要求1至3中任一项所述的装置，其中：
用于在所述接收器处接收数据的所述部件接收多个数据观测；以及
用于生成所述损失函数的所述部件根据针对所述多个数据观测中的每个数据观测而生成的多个损失函数计算来生成所述损失函数。
5.根据权利要求4所述的装置，其中用于更新所述接收器算法的所述可训练参数的所述部件使所述多个损失函数计算的平均最小化。
6.根据前述权利要求中任一项所述的装置，其中用于更新所述接收器算法的所述可训练参数的所述部件通过使用梯度下降或强化学习来使所述损失函数最小化。
7.根据前述权利要求中任一项所述的装置，还包括第二部件，所述第二部件用于通过以下来控制所述可训练参数的所述更新的重复：针对每次重复，使用所述接收器算法将在所述接收器处接收的第二数据转换成第二经编码的数据的估计，基于第二经编码的数据的精细估计和所述第二经编码的数据的所述估计的函数来生成第二损失函数，以及更新所述可训练参数从而使所述损失函数最小化，所接收的所述第二数据基于所述第二经编码的数据。
8.根据权利要求7所述的装置，其中用于控制所述重复的所述第二部件重复所述更新，直到第二条件被达到。
9.根据前述权利要求中任一项所述的装置，还包括用于标识所述第一数据比特的估计中的哪些估计被正确接收的部件，其中用于生成所述损失函数的所述部件仅考虑与被标识为被正确接收的第一数据比特相对应的第一经编码的数据。
10.根据权利要求9所述的装置，还包括用于标识所述第一数据比特的哪些估计被正确接收的奇偶校验部件。
11.根据权利要求9或权利要求10所述的装置，其中用于标识所述第一数据比特的哪些估计被正确接收的所述部件包括循环冗余校验模块。
12.根据前述权利要求中任一项所述的装置，其中所述接收器算法的所述可训练参数被提供作为均衡模块的一部分，所述均衡模块形成所述传输模块的所述接收器的一部分。
13.根据权利要求12所述的装置，其中所述均衡模块是提供在所述传输***的所述接收器的接收器模块之前的预均衡模块。
14.根据权利要求12所述的装置，其中所述均衡模块是提供在所述传输***的所述接收器的接收器模块之后的后均衡模块。
15.根据前述权利要求中任一项所述的装置，其中所述部件包括：
至少一个处理器；以及
至少一个存储器，包括计算机程序代码，所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起引起所述装置的执行。
16.一种***，包括：
用于编码第一数据比特以生成第一经编码的数据的部件，其中所述编码使用纠错码；
用于将所述第一经编码的数据转换成用于传输的数据的部件；
用于传输所述用于传输的数据的部件；
用于接收所传输的所述数据的部件；
用于使用接收器算法将所接收的所述数据转换成所述第一经编码的数据的估计的部件，所述接收器算法具有一个或多个可训练参数；
用于通过解码所述第一经编码的数据的所述估计来生成所述第一数据比特的估计的部件，所述解码利用所述纠错码；
用于通过编码所述第一数据比特的所述估计来生成所述第一经编码的数据的精细估计的部件；
用于基于所述第一经编码的数据的所述精细估计和所述第一经编码的数据的所述估计的函数来生成损失函数的部件；
用于更新所述接收器算法的所述可训练参数从而使所述损失函数最小化的部件；以及
用于通过针对每次重复、针对相同的接收数据生成所述第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数来控制更新所述可训练参数的重复的部件。
17.一种方法，包括：
在传输***的接收器处接收数据，其中所述传输***包括编码器、发射器、信道和所述接收器，所述编码器通过编码第一数据比特来生成第一经编码的数据；
使用接收器算法将在所述接收器处通过所述信道从所述发射器接收的数据转换成所述第一经编码的数据的估计，所述接收器算法具有一个或多个可训练参数；
通过解码所述第一经编码的数据的所述估计来生成所述第一数据比特的估计，所述解码利用所述第一数据比特的所述编码的纠错码；
通过编码所述第一数据比特的所述估计来生成所述第一经编码的数据的精细估计；
基于所述第一经编码的数据的所述精细估计和所述第一经编码的数据的所述估计的函数来生成损失函数；
更新所述接收器算法的所述可训练参数从而使所述损失函数最小化；以及
通过针对每次重复、针对相同的接收数据生成所述第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数，来控制更新所述可训练参数的重复。
18.一种方法，包括：
编码第一数据比特以生成第一经编码的数据，其中所述编码使用纠错码；
将所述第一经编码的数据转换成用于传输的数据；
传输所述用于传输的数据；
接收所传输的所述数据；
使用接收器算法将所接收的所述数据转换成所述第一经编码的数据的估计，所述接收器算法具有一个或多个可训练参数；
通过解码所述第一经编码的数据的所述估计来生成所述第一数据比特的估计，所述解码利用所述纠错码；
通过编码所述第一数据比特的所述估计来生成所述第一经编码的数据的精细估计；
基于所述第一经编码的数据的所述精细估计和所述第一经编码的数据的所述估计的函数来生成损失函数；
更新所述接收器算法的所述可训练参数从而使所述损失函数最小化；以及
通过针对每次重复、针对相同的接收数据生成所述第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数，来控制更新所述可训练参数的重复。
19.一种计算机程序，包括存储在其上的指令，所述指令用于至少执行以下：
在传输***的接收器处接收数据，其中所述传输***包括编码器、发射器、信道和所述接收器，所述编码器通过编码第一数据比特来生成第一经编码的数据；
使用接收器算法将在所述接收器处通过所述信道从所述发射器接收的数据转换成所述第一经编码的数据的估计，所述接收器算法具有一个或多个可训练参数；
通过解码所述第一经编码的数据的所述估计来生成所述第一数据比特的估计，所述解码利用所述第一数据比特的所述编码的纠错码；
通过编码所述第一数据比特的所述估计来生成所述第一经编码的数据的精细估计；
基于所述第一经编码的数据的所述精细估计和所述第一经编码的数据的所述估计的函数来生成损失函数；
更新所述接收器算法的所述可训练参数从而使所述损失函数最小化；以及
通过针对每次重复、针对相同的接收数据生成所述第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数，来控制更新所述可训练参数的重复。
20.一种计算机程序，包括存储在其上的指令，所述指令用于至少执行以下：
编码第一数据比特以生成第一经编码的数据，其中所述编码使用纠错码；
将所述第一经编码的数据转换成用于传输的数据；
传输所述用于传输的数据；
接收所传输的所述数据；
使用接收器算法将所接收的所述数据转换成所述第一经编码的数据的估计，所述接收器算法具有一个或多个可训练参数；
通过解码所述第一经编码的数据的所述估计来生成所述第一数据比特的估计，所述解码利用所述纠错码；
通过编码所述第一数据比特的所述估计来生成所述第一经编码的数据的精细估计；
基于所述第一经编码的数据的所述精细估计和所述第一经编码的数据的所述估计的函数来生成损失函数；
更新所述接收器算法的所述可训练参数从而使所述损失函数最小化；以及
通过针对每次重复、针对相同的接收数据生成所述第一经编码的数据的另外的精细估计、另外的损失函数和另外的经更新的可训练参数，来控制更新所述可训练参数的重复。
CN201880097541.7A 2018-07-20 2018-07-20 通过接收算法中的参数的更新来在通信***中学习 Pending CN112740631A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2018/069843 WO2020015840A1 (en) 2018-07-20 2018-07-20 Learning in communication systems by updating of parameters in a receiving algorithm

Publications (1)

Publication Number Publication Date
CN112740631A true CN112740631A (zh) 2021-04-30

Family

ID=63036030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880097541.7A Pending CN112740631A (zh) 2018-07-20 2018-07-20 通过接收算法中的参数的更新来在通信***中学习

Country Status (4)

Country Link
US (1) US11552731B2 (zh)
EP (1) EP3824606A1 (zh)
CN (1) CN112740631A (zh)
WO (1) WO2020015840A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11552731B2 (en) * 2018-07-20 2023-01-10 Nokia Technologies Oy Learning in communication systems by updating of parameters in a receiving algorithm
CN115023902A (zh) * 2020-01-29 2022-09-06 诺基亚技术有限公司 用于通信***的接收器
US11128498B2 (en) 2020-02-25 2021-09-21 Nokia Solutions And Networks Oy Communication-channel tracking aided by reinforcement learning

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010004390A1 (en) * 1999-12-15 2001-06-21 Nokia Mobile Phones Ltd. Method and arrangement for iteratively improving a channel estimate
CN1543088A (zh) * 2003-11-07 2004-11-03 中国人民解放军理工大学通信工程学院 对于具有输出外信息的编码调制***的迭代解调解码方法及装置
CN102484624A (zh) * 2009-09-03 2012-05-30 高通股份有限公司 符号估计方法和装置
US20160234844A1 (en) * 2013-10-18 2016-08-11 Huawei Technologies Co., Ltd. Transmission and Receiving Method in a Wireless Communication System

Family Cites Families (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100341823B1 (ko) * 2000-02-21 2002-06-26 윤덕용 유무선 영상 통신시스템에서의 비트에러확률 기준값설정방법
US7027531B2 (en) 2000-12-29 2006-04-11 Motorola, Inc. Method and system for initializing a training period in a turbo decoding device
DE10102928B4 (de) * 2001-01-23 2004-03-04 Infineon Technologies Ag Viterbi-Decoder und Verfahren zur Decodierung
US7684507B2 (en) * 2004-04-13 2010-03-23 Intel Corporation Method and apparatus to select coding mode
US8634413B2 (en) * 2004-12-30 2014-01-21 Microsoft Corporation Use of frame caching to improve packet loss recovery
US20060182208A1 (en) * 2005-02-11 2006-08-17 In-Kyu Lee STBC scheme using MMSE decision in a non quasi-static channel
US7617436B2 (en) * 2005-08-02 2009-11-10 Nokia Corporation Method, device, and system for forward channel error recovery in video sequence transmission over packet-based network
US20110299617A1 (en) * 2008-09-25 2011-12-08 Mohammad Ali Maddah-Ali X-mimo systems with multi-transmitters and multi-receivers
US8184750B2 (en) * 2009-01-22 2012-05-22 Freescale Semiconductor, Inc. Techniques for increasing decoding reliability in an adaptive minimum mean squared error with successive interference cancellation (MMSE/SIC) decoder
US8738986B2 (en) * 2010-03-05 2014-05-27 Microsoft Corporation Remote presentation over lossy transport with forward error correction
EP2498432B1 (en) * 2011-03-11 2014-06-04 Knowledge Development for POF, S.L. Adaptative error correcting code for data communications over a plastic optical fibre
US9129190B1 (en) * 2013-12-04 2015-09-08 Google Inc. Identifying objects in images
US20160098633A1 (en) * 2014-10-02 2016-04-07 Nec Laboratories America, Inc. Deep learning model for structured outputs with high-order interaction
US10776712B2 (en) * 2015-12-02 2020-09-15 Preferred Networks, Inc. Generative machine learning systems for drug design
CN109690554B (zh) * 2016-07-21 2023-12-05 西门子保健有限责任公司 用于基于人工智能的医学图像分割的方法和***
US10482379B2 (en) * 2016-07-29 2019-11-19 Google Llc Systems and methods to perform machine learning with feedback consistency
CN109804383B (zh) * 2016-08-04 2024-03-26 谷歌有限责任公司 使用神经网络编码和重构输入
US20180075347A1 (en) * 2016-09-15 2018-03-15 Microsoft Technology Licensing, Llc Efficient training of neural networks
WO2018065045A1 (en) * 2016-10-05 2018-04-12 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting
US11093813B2 (en) * 2016-10-20 2021-08-17 Google Llc Answer to question neural networks
US10552738B2 (en) * 2016-12-15 2020-02-04 Google Llc Adaptive channel coding using machine-learned models
US10748062B2 (en) * 2016-12-15 2020-08-18 WaveOne Inc. Deep learning based adaptive arithmetic coding and codelength regularization
US10382478B2 (en) * 2016-12-20 2019-08-13 Cisco Technology, Inc. Detecting malicious domains and client addresses in DNS traffic
US11030530B2 (en) * 2017-01-09 2021-06-08 Onu Technology Inc. Method for unsupervised sequence learning using reinforcement learning and neural networks
WO2018170421A1 (en) * 2017-03-17 2018-09-20 Magic Leap, Inc. Room layout estimation methods and techniques
WO2018172990A1 (en) * 2017-03-24 2018-09-27 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US10733380B2 (en) * 2017-05-15 2020-08-04 Thomson Reuters Enterprise Center Gmbh Neural paraphrase generator
CN108882020B (zh) * 2017-05-15 2021-01-01 北京大学 一种视频信息处理方法、装置及***
US11580376B2 (en) * 2017-06-09 2023-02-14 Korea Advanced Institute Of Science And Technology Electronic apparatus and method for optimizing trained model
EP3418821B1 (en) 2017-06-19 2021-09-08 Nokia Technologies Oy Method and device for configuring a data transmission system
EP3515671B1 (en) * 2017-06-19 2020-05-13 Google LLC Robotic grasping prediction using neural networks and geometry aware object representation
EP3418948B1 (en) 2017-06-19 2020-06-03 Nokia Technologies Oy Data transmission network configuration
US11334807B1 (en) * 2017-06-23 2022-05-17 Virginia Tech Intellectual Properties, Inc. Learning approximate estimation networks for communication channel state information
US10713816B2 (en) * 2017-07-14 2020-07-14 Microsoft Technology Licensing, Llc Fully convolutional color constancy with confidence weighted pooling
US10474562B2 (en) * 2017-09-20 2019-11-12 Salesforce.Com Machine learning based ranking of test cases for software development
CN107820096B (zh) * 2017-11-09 2019-12-03 京东方科技集团股份有限公司 图像处理装置及方法、图像处理***及训练方法
US10593321B2 (en) * 2017-12-15 2020-03-17 Mitsubishi Electric Research Laboratories, Inc. Method and apparatus for multi-lingual end-to-end speech recognition
US10489792B2 (en) * 2018-01-05 2019-11-26 Asapp, Inc. Maintaining quality of customer support messages
US12020160B2 (en) * 2018-01-19 2024-06-25 International Business Machines Corporation Generation of neural network containing middle layer background
US10540981B2 (en) * 2018-02-28 2020-01-21 Ringcentral, Inc. Systems and methods for speech signal processing to transcribe speech
US20190287217A1 (en) * 2018-03-13 2019-09-19 Microsoft Technology Licensing, Llc Machine learning system for reduced network bandwidth transmission of content
US20190287012A1 (en) * 2018-03-16 2019-09-19 Microsoft Technology Licensing, Llc Encoder-decoder network with intercommunicating encoder agents
EP3776365A1 (en) 2018-04-03 2021-02-17 Nokia Technologies Oy End-to-end learning in communication systems
US10707996B2 (en) * 2018-04-06 2020-07-07 International Business Machines Corporation Error correcting codes with bayes decoder and optimized codebook
US11600194B2 (en) * 2018-05-18 2023-03-07 Salesforce.Com, Inc. Multitask learning as question answering
US10810792B2 (en) * 2018-05-31 2020-10-20 Toyota Research Institute, Inc. Inferring locations of 3D objects in a spatial environment
US11552731B2 (en) * 2018-07-20 2023-01-10 Nokia Technologies Oy Learning in communication systems by updating of parameters in a receiving algorithm
US20210374529A1 (en) * 2018-09-25 2021-12-02 Nokia Technologies Oy End-to-end learning in communication systems
US20220004848A1 (en) * 2018-11-22 2022-01-06 Nokia Technologies Oy Learning in Communication Systems
CN113169748B (zh) * 2018-11-23 2022-10-28 诺基亚技术有限公司 通信***中的端到端学习
EP3912094A1 (en) * 2019-01-18 2021-11-24 Nokia Technologies Oy Training in communication systems
WO2020221427A1 (en) * 2019-04-29 2020-11-05 Nokia Technologies Oy Iterative detection in a communication system
KR102620551B1 (ko) * 2019-05-30 2024-01-03 노키아 테크놀로지스 오와이 통신 시스템들에서의 학습
FI20195547A1 (en) * 2019-06-20 2020-12-21 Nokia Technologies Oy Systems and apparatus for adaptive modulation category
EP3852326B1 (en) * 2020-01-15 2022-06-29 Nokia Technologies Oy Transmitter
EP3913816A1 (en) * 2020-05-19 2021-11-24 Nokia Technologies Oy Method and apparatus for optimization of signal shaping for a multi-user multiple input multiple output (mu-mimo) communication system
FI20206306A1 (en) * 2020-12-15 2022-06-16 Nokia Technologies Oy PREDICTION OF DECODABILITY OF RECEIVED DATA
FI20206314A1 (en) * 2020-12-16 2022-06-17 Nokia Technologies Oy ESTIMATION OF DELAY SPREAD AND DOPPLER SPREAD

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010004390A1 (en) * 1999-12-15 2001-06-21 Nokia Mobile Phones Ltd. Method and arrangement for iteratively improving a channel estimate
CN1543088A (zh) * 2003-11-07 2004-11-03 中国人民解放军理工大学通信工程学院 对于具有输出外信息的编码调制***的迭代解调解码方法及装置
CN102484624A (zh) * 2009-09-03 2012-05-30 高通股份有限公司 符号估计方法和装置
US20160234844A1 (en) * 2013-10-18 2016-08-11 Huawei Technologies Co., Ltd. Transmission and Receiving Method in a Wireless Communication System

Also Published As

Publication number Publication date
WO2020015840A1 (en) 2020-01-23
EP3824606A1 (en) 2021-05-26
US11552731B2 (en) 2023-01-10
US20210306092A1 (en) 2021-09-30

Similar Documents

Publication Publication Date Title
CN112166568B (zh) 通信***中的学习
CN111566673B (zh) 通信***中的端到端学习
US11556799B2 (en) Channel modelling in a data transmission system
CN111294058B (zh) 一种信道编码和纠错译码方法、设备以及存储介质
CN113169752B (zh) 通信***中的学习
CN112740631A (zh) 通过接收算法中的参数的更新来在通信***中学习
WO2019080988A1 (en) END-TO-END LEARNING IN COMMUNICATION SYSTEMS
CN113169748B (zh) 通信***中的端到端学习
CN112771547A (zh) 通信***中的端到端学习
CN113748626A (zh) 通信***中的迭代检测
JP6887534B2 (ja) 信念伝播を実行する方法、コンピュータプログラム製品、非一時的情報記憶媒体、及びｐｏｌａｒ符号デコーダ
EP3912094A1 (en) Training in communication systems
CN111835363A (zh) 基于交替方向乘子法的ldpc码译码方法
US11984910B1 (en) Reinforcement learning-enabled low-density parity check decoder
CN112039531B (zh) 杰林码纠错优化方法及装置
CN114026827A (zh) 发送器算法
KR101832054B1 (ko) 반복 복호를 사용하는 심볼 llr 연산 장치 및 방법

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