CN113347125B - 针对mimo-ofdm通信***的贝叶斯神经网络信道估计方法和装置 - Google Patents
针对mimo-ofdm通信***的贝叶斯神经网络信道估计方法和装置 Download PDFInfo
- Publication number
- CN113347125B CN113347125B CN202110644189.8A CN202110644189A CN113347125B CN 113347125 B CN113347125 B CN 113347125B CN 202110644189 A CN202110644189 A CN 202110644189A CN 113347125 B CN113347125 B CN 113347125B
- Authority
- CN
- China
- Prior art keywords
- neural network
- bayesian neural
- data
- network
- mimo
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本申请提出了一种针对MIMO‑OFDM通信***的贝叶斯神经网络信道估计方法,涉及深度学习技术领域,其中,该针对MIMO‑OFDM通信***的贝叶斯神经网络信道估计方法包括:获取输入数据,并通过MIMO‑OFDM通信***进行数据传输,得到接收端的通信数据;根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,贝叶斯神经网络中的网络参数均为概率分布;根据信道响应的估计值在接收端对发送数据进行恢复并解码。本发明引入贝叶斯神经网络对MIMO‑OFDM信道进行拟合,提高了信道估计准确度。
Description
技术领域
本申请涉及深度学习领域,尤其涉及一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法和装置。
背景技术
深度学习网络这一学科自从2006年起,随着基于层叠的限制玻尔兹曼机的深度信念网络的学习算法的提出,而逐渐开创起来的,它在人工智能领域中是一门新兴的学科,其研究的主要内容,就是多层神经网络的建模和算法学习的问题。深度学习网络方法已经成功运用于其他很多领域,比如说图像处理,自然语言处理等。
深度学习是一种新兴的多层神经网络学习算法,因其缓解了传统网络训练中局部最小性,引起机器学习领域的广泛关注。随着近几年的发展,深度学习网络不仅仅指多层神经网络,而是泛指由复杂网络结构构成的多层网络,主要可将深度学习网络分为两种,一是模型驱动的深度学习网络,该类网络依据已知的知识和机制构建,通常是将已知的迭代算法展开成网络,比如LAMP和LISTA算法;二是数据驱动深度学习方法,此方法将网络看作是黑盒并依赖大量数据训练,常见的全连接网络以及深度卷积网络都属于此种方法。深度网络凭借其多层网络结构,在很多领域获得了很好的应用。但是与此同时,传统网络内部各层的权重、偏置等均为定值,其所给出的估计结果也只能为单个值,这种点估计方式在多径信道这种随机性较强的环境下往往会存在overfitting和overconfident等问题,导致网络的泛化能力变差。因此本发明引入了贝叶斯神经网络,该网络不仅可以通过设置先验分布加入我们对于信道环境已知的专家知识,还能通过权重、偏置等参数后验分布和给定先验分布之间的KL距离进行正则化,防止过拟合。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法,解决了现有方法中由于信道环境随机性强,点估计形式神经网络存在overfitting和overconfident等问题导致网络泛化能力差和调试困难的技术问题,通过引入概率分布对MIMO-OFDM信道进行拟合,提高了拟合的准确度和网络的适用范围,同时通过设置先验分布加入对于信道环境已知的专家知识,对权重、偏置等参数后验分布和给定先验分布之间的KL距离进行正则化,防止过拟合。
本申请的第二个目的在于提出一种针对MIMO-0FDM通信***的贝叶斯神经网络信道估计装置。
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法,包括:获取输入数据,并通过MIMO-OFDM通信***进行数据传输,得到接收端的通信数据;根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,贝叶斯神经网络中的网络参数均为概率分布;根据信道响应的估计值在接收端对发送数据进行恢复并解码。
可选地,在本申请的一个实施例中,还包括:
搭建MIMO-0FDM通信***,并依据所建模的信道产生训练数据。
可选地,在本申请的一个实施例中,MIMO-OFDM通信***的发送端由4QAM编码,OSTBC编码和OFDM变换构成,MIMO-OFDM通信***的接收端由OFDM反变换,OSTBC解码和4QAM解码构成。
可选地,在本申请的一个实施例中,还包括:
构建贝叶斯神经网络,贝叶斯神经网络由L层网络构成,每层网络具有相同的结构;
贝叶斯神经网络中的第i层网络的输入为输出为其中,第一层网络的输入为接收信号xrm,最后一层网络的输出为经过网络所得的检测信号,{μ(i),σ(i)}为第i层所包含的待学习的网络参数,μ(i)表示第i层和i-1层之间权重和偏置概率分布的均值组成的向量,σ(i)表示第i层和i-1层之间权重和偏置概率分布的方差组成的向量,训练数据为M为训练数据的数量。
可选地,在本申请的一个实施例中,还包括:
根据训练数据对构建的贝叶斯神经网络进行训练,确定贝叶斯神经网络的网络参数,其中,贝叶斯神经网络所表示的映射过程为:
可选地,在本申请的一个实施例中,还包括:
训练贝叶斯神经网络的损失函数,其中,贝叶斯神经网络给出的分布为:
p(Y*|X*,D)=∫p(Y*|x*,W)p(W|D)dW,
其中,W为网络参数,是随机变量,p(W)是网络参数的先验分布,D=X,Y为给定观测数据,X是输入数据,Y是标签数据;
其中,
其中,p(W|D)为后验分布,p(D|W)为似然函数,p(D)为边缘似然概率。
可选地,在本申请的一个实施例中,还包括:
使用贝叶斯神经网络对数据进行概率建模并预测,其中,基于变分推断的方式训练贝叶斯神经网络:
记参数θ=(μ,σ),每个权重wi从正态分布N(μi,σi)中采样;
使用KL散度来度量近似分布q(w|θ)和p(w|D)的距离:
θ*=argminθ KL[q(w|θ)||p(w|D)],
进一步推导得到:
其中,q(w|θ)表示给定正态分布的参数后,权重参数的分布,p(D|w)表示给定网络参数后,观测数据的似然,p(w)表示权重的先验,作为模型的正则化;
并且使用:
来表示变分下界ELBO;
寻找最佳θ*等价于最大化ELBO:
£=∑ilog[q(wi|θi)]-∑i log[p(wi)]-∑j log[p(yj|w,xj)],
其中,D={(X,Y)}为训练数据集。
可选地,在本申请的一个实施例中,根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,包括:
将接收端的通信数据经过贝叶斯神经网络以输出对发送端的数据的一次估计值,多次重复上述过程并对多个估计值取平均以得到贝叶斯神经网络对于输出端的数据的稳定估计值。
为达上述目的,本发明第二方面实施例提出了一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计装置,包括:
获取模块,用于获取输入数据,并通过MIMO-OFDM通信***进行数据传输,得到接收端的通信数据;
确定模块,用于根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,贝叶斯神经网络中的网络参数均为概率分布;
处理模块,用于根据信道响应的估计值在接收端对发送数据进行恢复并解码。
为了实现上述目的,本发明第三方面实施例提出了一种非临时性计算机可读存储介质,当存储介质中的指令由处理器被执行时,能够执行针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法和装置。
本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法、针对MIMO-OFDM通信***的贝叶斯神经网络信道估计装置和非临时性计算机可读存储介质,解决了现有方法中由于信道环境随机性强,点估计形式神经网络存在overfitting和overconfident等问题导致网络泛化能力差和调试困难的技术问题,通过引入概率分布对MIMO-OFDM信道进行拟合,提高了拟合的准确度和网络的适用范围,同时通过设置先验分布加入对于信道环境已知的专家知识,对权重、偏置等参数后验分布和给定先验分布之间的KL距离进行正则化,防止过拟合。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的流程图;
图2为本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的MIMO-OFDM通信***框图;
图3为本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的传统神经网络的结构示意图;
图4为本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的贝叶斯神经网络的结构示意图;
图5为本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的贝叶斯网络信道估计和其他信道估计方法对比图;
图6为本申请实施例二所提供的一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法和装置。
图1为本申请实施例一所提供的一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的流程图。
如图1所示,该针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法,包括:
步骤101,获取输入数据,并通过MIMO-OFDM通信***进行数据传输,得到接收端的通信数据;
步骤102,根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,贝叶斯神经网络中的网络参数均为概率分布;
步骤103,根据信道响应的估计值在接收端对发送数据进行恢复并解码。
本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法,包括:获取输入数据,并通过MIMO-OFDM通信***进行数据传输,得到接收端的通信数据;根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,贝叶斯神经网络中的网络参数均为概率分布;根据信道响应的估计值在接收端对发送数据进行恢复并解码。由此,本申请能够解决现有方法中由于信道环境随机性强,点估计形式神经网络存在overfitting和overconfident等问题导致网络泛化能力差和调试困难的技术问题,通过引入概率分布对MIMO-OFDM信道进行拟合,提高了拟合的准确度和网络的适用范围,同时通过设置先验分布加入对于信道环境已知的专家知识,对权重、偏置等参数后验分布和给定先验分布之间的KL距离进行正则化,防止过拟合。
进一步地,在本申请实施例中,还包括:
搭建MIMO-OFDM通信***,并依据所建模的信道产生训练数据。
进一步地,在本申请实施例中,MIMO-OFDM通信***的发送端由4QAM编码,OSTBC编码和OFDM变换构成,MIMO-OFDM通信***的接收端由OFDM反变换,OSTBC解码和4QAM解码构成。
进一步地,在本申请实施例中,还包括:
构建贝叶斯神经网络,贝叶斯神经网络由L层网络构成,每层网络具有相同的结构;
贝叶斯神经网络中的第i层网络的输入为输出为其中,第一层网络的输入为接收信号xrm,最后一层网络的输出为经过网络所得的检测信号,{μ(i),σ(i)}为第i层所包含的待学习的网络参数,μ(i)表示第i层和i-1层之间权重和偏置概率分布的均值组成的向量,σ(i)表示第i层和i一1层之间权重和偏置概率分布的方差组成的向量,训练数据为M为训练数据的数量。
进一步地,在本申请实施例中,还包括:
根据训练数据对构建的贝叶斯神经网络进行训练,确定贝叶斯神经网络的网络参数,其中,贝叶斯神经网络所表示的映射过程为:
由于贝叶斯神经网络中的权重和偏置均为概率分布,前向传播时依据分布采样获得具体的权重和偏置值,故其网络输出(预测值)存在不确定性,但同时由于概率分布的存在,可以针对输出给定置信度。
进一步地,在本申请实施例中,还包括:
训练贝叶斯神经网络的损失函数,其中,贝叶斯神经网络给出的分布为:
p(Y*|X*,D)=∫p(Y*|X*,W)p(W|D)dW,
其中,W为网络参数,是随机变量,p(W)是网络参数的先验分布,D=X,Y为给定观测数据,X是输入数据,Y是标签数据;
其中,
其中,p(W|D)为后验分布,p(D|W)为似然函数,p(D)为边缘似然概率。
使用贝叶斯神经网络对数据进行概率建模并预测的核心在于做高效近似后验推断,而变分推理或者蒙特卡洛采样是一个非常合适的方法。同时,正是因为输出是一个分布,而不是一个值,可以依据分布估计预测的不确定度。
进一步地,在本申请实施例中,还包括:
使用贝叶斯神经网络对数据进行概率建模并预测,其中,基于变分推断的方式训练贝叶斯神经网络:
记参数θ=(μ,σ),每个权重wi从正态分布N(μi,σi)中采样;
使用KL散度来度量近似分布q(w|θ)和p(w|D)的距离:
θ*=argminθ KL[q(w|θ)||p(w|D)],
进一步推导得到:
其中,q(w|θ)表示给定正态分布的参数后,权重参数的分布,p(D|w)表示给定网络参数后,观测数据的似然,p(w)表示权重的先验,作为模型的正则化;
并且使用:
来表示变分下界ELBO;
寻找最佳θ*等价于最大化ELBO:
£=∑ilog[q(wi|θi)]-∑ilog[p(wi)]-∑j log[p(yj|w,xj)],
其中,D={(X,Y)}为训练数据集。
直接使用采样后验概率p(W|D)来评估p(Y|X,D),存在多维后验分布问题,而变分推断的思想是使用简单分布去近似后验分布。
wi=μi+σi×∈i
其中,∈i~N(0,1)
于是,用∈代替w后有:
σ=log(1+eρ)
注意此时θ=(μ,ρ),与之前的参数θ=(μ,σ)不同。
具体实践过程:
从N(μ,log(1+eρ)中采样,获得w;
分别计算log[q(w|θ)]、log[p(w)]、log[p(y|w,x)],计算log[p(y|w,x)]实际计算log[p(y|ypred)],ypred=w*x;
计算得到£=∑i log[q(wi|θi)]-∑ilog[p(wi)]-∑j log[p(yj|w,xj)];
重复更新实现θ′=θ-αθ£;
以上更新过程损失函数只包括KL散度,在实际过程中还可增加MSE损失函数项。
进一步地,在本申请实施例中,根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,包括:
将接收端的通信数据经过贝叶斯神经网络以输出对发送端的数据的一次估计值,多次重复上述过程并对多个估计值取平均以得到贝叶斯神经网络对于输出端的数据的稳定估计值。
依据估计得到的信道响应在接收端对发送数据进行恢复并解码。
图2为本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的MIMO-OFDM通信***框图。
如图2所示,该针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法构建的MIMO-OFDM通信***,发送端和接收端均由3部分构成:发送端由4QAM编码,OSTBC编码和OFDM变换构成;接收端由OFDM反变换,OSTBC解码和4QAM解码构成。
图3为本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的传统神经网络的结构示意图。
如图3所示,传统神经网络内部各层的权重、偏置等均为定值,其所给出的估计结果也只能为单个值,这种点估计方式在多径信道这种随机性较强的环境下往往会存在overfitting和overconfident等问题,导致网络的泛化能力变差。
图4为本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的贝叶斯神经网络的结构示意图。
如图4所示,该针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法构建的贝叶斯神经网络,显示了一个3层(仅含1个隐藏层的贝叶斯神经网络),每一层网络(除输出层外)具有相同的结构,贝叶斯神经网络中的权重和偏置均为概率分布。
图5为本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法的贝叶斯网络信道估计和其他信道估计方法对比图。
如图5所示,对比了使用贝叶斯神经网络信道估计方法和传统LS、MMSE等信道估计方法所得到的误符号率曲线图,可以看到相比于传统数学估计方法,贝叶斯神经网络信道估计已非常接近理论曲线,获得了优异结果。
图6为本申请实施例二所提供的一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计装置的结构示意图。
如图6所示,该针对MIMO-OFDM通信***的贝叶斯神经网络信道估计装置,包括:
获取模块10,用于获取输入数据,并通过MIMO-OFDM通信***进行数据传输,得到接收端的通信数据;
确定模块20,用于根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,贝叶斯神经网络中的网络参数均为概率分布;
处理模块30,用于根据信道响应的估计值在接收端对发送数据进行恢复并解码。
本申请实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计装置,包括:获取模块,用于获取输入数据,并通过MIMO-OFDM通信***进行数据传输,得到接收端的通信数据;确定模块,用于根据接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,贝叶斯神经网络中的网络参数均为概率分布;处理模块,用于根据信道响应的估计值在接收端对发送数据进行恢复并解码。由此,本申请能够解决现有方法中由于信道环境随机性强,点估计形式神经网络存在overfitting和overconfident等问题导致网络泛化能力差和调试困难的技术问题,通过引入概率分布对MIMO-OFDM信道进行拟合,提高了拟合的准确度和网络的适用范围,同时通过设置先验分布加入对于信道环境已知的专家知识,对权重、偏置等参数后验分布和给定先验分布之间的KL距离进行正则化,防止过拟合。
为了实现上述实施例,本发明还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法和装置。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。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,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法,其特征在于,包括以下步骤:
获取输入数据,并通过MIMO-OFDM通信***进行数据传输,得到接收端的通信数据;
根据所述接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,所述贝叶斯神经网络中的网络参数均为概率分布;
根据所述信道响应的估计值在所述接收端对发送数据进行恢复并解码;
所述方法还包括:
构建所述贝叶斯神经网络,所述贝叶斯神经网络由L层网络构成,每层网络具有相同的结构;
其中,根据训练数据对构建的所述贝叶斯神经网络进行训练,确定所述贝叶斯神经网络的网络参数,其中,贝叶斯神经网络所表示的映射过程为:
训练所述贝叶斯神经网络的损失函数,其中,所述贝叶斯神经网络给出的分布为:
p(Y*|X*,D)=∫p(Y*|X*,W)p(W|D)dW,
其中,W为网络参数,是随机变量,p(W)是网络参数的先验分布,D=X,Y为给定观测数据,X是输入数据,Y是标签数据;
其中,
其中,p(W|D)为后验分布,p(D|W)为似然函数,p(D)为边缘似然概率。
2.根据权利要求1所述的估计方法,其特征在于,还包括:
搭建MIMO-OFDM通信***,并依据所建模的信道产生训练数据。
3.根据权利要求2所述的估计方法,其特征在于,所述MIMO-OFDM通信***的发送端由4QAM编码,OSTBC编码和OFDM变换构成,所述MIMO-OFDM通信***的接收端由OFDM反变换,OSTBC解码和4QAM解码构成。
5.根据权利要求1所述的估计方法,其特征在于,还包括:
使用所述贝叶斯神经网络对数据进行概率建模并预测,其中,基于变分推断的方式训练所述贝叶斯神经网络:
记参数θ=(μ,σ),每个权重wi从正态分布N(μi,σi)中采样;
使用KL散度来度量近似分布q(w|θ)和p(w|D)的距离:
θ*=argminθKL[q(w|θ)||p(w|D)],
进一步推导得到:
其中,q(w|θ)表示给定正态分布的参数后,权重参数的分布,p(D|w)表示给定网络参数后,观测数据的似然,p(w)表示权重的先验,作为模型的正则化;
并且使用:
来表示变分下界ELBO;
寻找最佳θ*等价于最大化ELBO:
其中,D={(X,Y)}为训练数据集。
6.根据权利要求5所述的估计方法,其特征在于,根据所述接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,包括:
将接收端的通信数据经过所述贝叶斯神经网络以输出对发送端的数据的一次估计值,多次重复上述过程并对多个估计值取平均以得到所述贝叶斯神经网络对于输出端的数据的稳定估计值。
7.一种针对MIMO-OFDM通信***的贝叶斯神经网络信道估计装置,其特征在于,包括以下步骤:
获取模块,用于获取输入数据,并通过MIMO-OFDM通信***进行数据传输,得到接收端的通信数据;
确定模块,用于根据所述接收端的通信数据和预先训练好的贝叶斯神经网络确定信道响应的估计值,其中,所述贝叶斯神经网络中的网络参数均为概率分布;
处理模块,用于根据所述信道响应的估计值在所述接收端对发送数据进行恢复并解码;
所述确定模块还用于:
构建所述贝叶斯神经网络,所述贝叶斯神经网络由L层网络构成,每层网络具有相同的结构;
其中,根据训练数据对构建的所述贝叶斯神经网络进行训练,确定所述贝叶斯神经网络的网络参数,其中,贝叶斯神经网络所表示的映射过程为:
训练所述贝叶斯神经网络的损失函数,其中,所述贝叶斯神经网络给出的分布为:
p(Y*|X*,D)=∫p(Y*|X*,W)p(W|D)dW,
其中,W为网络参数,是随机变量,p(W)是网络参数的先验分布,D=X,Y为给定观测数据,X是输入数据,Y是标签数据;
其中,
其中,p(W|D)为后验分布,p(D|W)为似然函数,p(D)为边缘似然概率。
8.一种非临时性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如权利要求1-6中任一项所述的针对MIMO-OFDM通信***的贝叶斯神经网络信道估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644189.8A CN113347125B (zh) | 2021-06-09 | 2021-06-09 | 针对mimo-ofdm通信***的贝叶斯神经网络信道估计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644189.8A CN113347125B (zh) | 2021-06-09 | 2021-06-09 | 针对mimo-ofdm通信***的贝叶斯神经网络信道估计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113347125A CN113347125A (zh) | 2021-09-03 |
CN113347125B true CN113347125B (zh) | 2022-10-04 |
Family
ID=77476083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110644189.8A Active CN113347125B (zh) | 2021-06-09 | 2021-06-09 | 针对mimo-ofdm通信***的贝叶斯神经网络信道估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113347125B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113794660B (zh) * | 2021-09-10 | 2022-06-07 | 电子科技大学 | 面向多输入多输出检测的模型驱动的深度神经网络方法 |
CN116756699B (zh) * | 2023-08-21 | 2023-11-03 | 北京奥威通科技有限公司 | 动态到达角估计方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109768943A (zh) * | 2019-03-05 | 2019-05-17 | 北京邮电大学 | 宽带多用户毫米波***中基于变分贝叶斯学习的信道估计方法 |
CN112003801A (zh) * | 2020-08-25 | 2020-11-27 | 广东电网有限责任公司计量中心 | 一种信道冲击响应与脉冲噪声联合估计方法、***及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100553166C (zh) * | 2006-05-11 | 2009-10-21 | 上海交通大学 | 基于粒子滤波的信道估计方法 |
US8379773B2 (en) * | 2009-06-23 | 2013-02-19 | Telefonaktiebolaget L M Ericsson (Publ) | Method and apparatus for enhanced channel estimation in wireless communication systems |
CN111865843B (zh) * | 2020-05-27 | 2022-10-28 | 东南大学 | 大规模mimo-ofdm***混合消息传递信道估计方法 |
CN112311706B (zh) * | 2020-11-03 | 2021-11-16 | 南京大学 | 基于贝叶斯神经网络信道预测的频分双工下行传输方法 |
CN112634171B (zh) * | 2020-12-31 | 2023-09-29 | 上海海事大学 | 基于贝叶斯卷积神经网络的图像去雾方法及存储介质 |
-
2021
- 2021-06-09 CN CN202110644189.8A patent/CN113347125B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109768943A (zh) * | 2019-03-05 | 2019-05-17 | 北京邮电大学 | 宽带多用户毫米波***中基于变分贝叶斯学习的信道估计方法 |
CN112003801A (zh) * | 2020-08-25 | 2020-11-27 | 广东电网有限责任公司计量中心 | 一种信道冲击响应与脉冲噪声联合估计方法、***及设备 |
Non-Patent Citations (2)
Title |
---|
Sparse Bayesian Inference based Direct;Guanying Liu, An Liu, Lixiang Lian,Vincent Lau,Min-Jian Zhao,;《2019 IEEE 90th Vehicular Technology Conference (VTC2019-Fall)》;20191107;全文 * |
基于改进贝叶斯压缩感知的正交频分复用***信道估计;常苗苗等;《计算机应用与软件》;20160215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113347125A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11468262B2 (en) | Deep network embedding with adversarial regularization | |
CN113347125B (zh) | 针对mimo-ofdm通信***的贝叶斯神经网络信道估计方法和装置 | |
Chen et al. | Unsupervised anomaly detection for intricate kpis via adversarial training of vae | |
Chen et al. | Combined genetic algorithm optimization and regularized orthogonal least squares learning for radial basis function networks | |
CN112166568B (zh) | 通信***中的学习 | |
CN111210002B (zh) | 一种基于生成对抗网络模型的多层学术网络社区发现方法、*** | |
CN112396187A (zh) | 基于动态协作图的多智能体强化学习方法 | |
Ye et al. | Corruption-robust algorithms with uncertainty weighting for nonlinear contextual bandits and markov decision processes | |
Vera et al. | The role of information complexity and randomization in representation learning | |
Xia et al. | TCC-net: A two-stage training method with contradictory loss and co-teaching based on meta-learning for learning with noisy labels | |
Su et al. | Network estimation via graphon with node features | |
CN114004250A (zh) | 一种深度神经网络调制信号开集识别方法及*** | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
CN112329524A (zh) | 基于深度时序神经网络的信号分类识别方法、***及设备 | |
Adigun et al. | Training generative adversarial networks with bidirectional backpropagation | |
CN111865849B (zh) | 一种信号调制的方法、装置和服务器 | |
Guo-Xi | Research on a Convolutional Neural Network Method for Modulation Waveform Classification. | |
CN117829274B (zh) | 模型融合方法、装置、设备、联邦学习***及存储介质 | |
CN117808126B (zh) | 机器学习方法、装置、设备、联邦学习***及存储介质 | |
Thomas et al. | Reasoning with the Theory of Mind for Pragmatic Semantic Communication | |
CN117808125B (zh) | 模型聚合方法、装置、设备、联邦学习***及存储介质 | |
Gupta et al. | Automatic Modulation Classification for Cognitive Radio Systems using CNN with Probabilistic Attention Mechanism | |
Mossavat et al. | Sparse bayesian hierarchical mixture of experts | |
CN117278426A (zh) | 一种基于潜在动态条件扩散模型的延迟容忍网络QoS度量概率预测方法 | |
Schönhuth | Generic identification of binary-valued hidden Markov processes |
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 |