CN115208515B - 基于卷积自编码器的接收机纠错编码方法及装置 - Google Patents
基于卷积自编码器的接收机纠错编码方法及装置 Download PDFInfo
- Publication number
- CN115208515B CN115208515B CN202210797554.3A CN202210797554A CN115208515B CN 115208515 B CN115208515 B CN 115208515B CN 202210797554 A CN202210797554 A CN 202210797554A CN 115208515 B CN115208515 B CN 115208515B
- Authority
- CN
- China
- Prior art keywords
- preset
- symbols
- symbol
- encoder
- neural network
- 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 67
- 238000012937 correction Methods 0.000 title claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000013139 quantization Methods 0.000 claims abstract description 49
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 21
- 238000007493 shaping process Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000004931 aggregating effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 claims 2
- 239000000835 fiber Substances 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 21
- 238000004364 calculation method Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000004913 activation Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
-
- 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
- H04L1/0057—Block codes
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Error Detection And Correction (AREA)
Abstract
本申请公开了一种基于卷积自编码器的接收机纠错编码方法及装置,方法包括:对输入发射端的比特流信号外层编码,得到复数符号并分组;将分组后的每一块符号依次经过基于卷积神经网络的预设编码器扩展,得到预设倍扩展后的符号,并利用基于FTN的脉冲成型调制至模拟信号上;经信道传输后,以FTN采样并匹配滤波后得到采样符号,得到量化后的符号,依次经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号;聚合为新的复数符号,并解调得到重建码本,再经过外层解码得到重建的比特流信息。由此,解决了相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失,且编码器存储和计算的开销较高等问题。
Description
技术领域
本申请涉及通信技术领域,特别涉及一种基于卷积自编码器的接收机纠错编码方法及装置。
背景技术
相关技术中,面向低精度接收机的基于深度学习的纠错编码方法,通过自编码器实现了对低精度量化导致的性能损失的补偿,在低精度量化的非线性失真影响下,可以降低性能损失。
然而,相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失,且编码器存储和计算的开销较高等问题,亟待解决。
发明内容
本申请提供一种基于卷积自编码器的接收机纠错编码方法及装置,以解决相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失,且编码器存储和计算的开销较高等问题。
本申请第一方面实施例提供一种基于卷积自编码器的接收机纠错编码方法,其特征在于,所述方法应用于SISO(Single Input Single Output,单输入单输出)的点对点通信***的低于预设精度的接收机中,包括以下步骤:由输入发射端的比特流信号进行外层编码,得到编码后的码本,并将所述码本调制得到复数符号,且将所述复数符号按预设块长进行分组;将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行扩展,得到预设倍扩展后的符号,并将所述扩展后的符号利用基于FTN(Faster-Than-Nyquistsignaling,超奈奎斯特)的脉冲成型调制至模拟信号上;在所述模拟信号经信道传输后,以FTN速率采样并匹配滤波后得到采样符号,并经过接收机对所述采样符号进行量化,得到量化后的符号,将所述量化后的符号经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号;将所有分组的重建符号聚合为新的复数符号,并解调得到重建码本,以根据所述重建码本进行外层解码得到重建的比特流信息。
可选地,在本申请的一个实施例中,所述扩展后的符号的表示公式为:
xk=f(dk,θe)=[xk1,xk2,…,xkGN]T,
其中,dk表示分组后的每一块符号,θe表示所述的预设编码器f的网络参数,xk表示所述基于卷积神经网络的预设编码器得到G倍扩展后的符号。
并且,所述重建符号的表示公式为:
其中,θd表示所述预设解码器g的网络参数,rk表示量化符号。
可选地,在本申请的一个实施例中,本申请实施例的方法还包括:获取用于刻画信道状态的信道矩阵,并生成比特流数据,得到数据集;利用所述数据集进行端到端训练,其中,在端到端的训练过程中,采用软量化函数近似方式逐步增加温度因子,直至达到预设网络收敛条件,生成所述基于卷积神经网络的预设编码器和/或所述基于卷积神经网络的预设解码器。
可选地,在本申请的一个实施例中,所述基于卷积神经网络的预设编码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到。
本申请第二方面实施例提供一种基于卷积自编码器的接收机纠错编码装置,其特征在于,所述装置应用于SISO的点对点通信***的低于预设精度的接收机中,包括:分组模块,用于由输入发射端的比特流信号进行外层编码,得到编码后的码本,并将所述码本调制得到复数符号,且将所述复数符号按预设块长进行分组;扩展模块,用于将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行扩展,得到预设倍扩展后的符号,并将所述扩展后的符号利用基于FTN的脉冲成型调制至模拟信号上;处理模块,用于在所述模拟信号经信道传输后,以FTN采样并匹配滤波后得到采样符号,并经过接收机对所述采样符号进行量化,得到量化后的符号,将所述量化后的符号经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号;重建模块,用于将所有分组的重建符号聚合为新的复数符号,并解调得到重建码本,以根据所述重建码本进行外层解码得到重建的比特流信息。
可选地,在本申请的一个实施例中,所述扩展后的符号的表示公式为:
xk=f(dk,θe)=[xk1,xk2,…,xkGN]T,
其中,dk表示分组后的每一块符号,θe表示所述的预设编码器f的网络参数,xk表示所述基于卷积神经网络的预设编码器得到G倍扩展后的符号。
并且,所述重建符号的表示公式为:
其中,θd表示所述预设解码器g的网络参数,rk表示量化符号。
可选地,在本申请的一个实施例中,本申请实施例的装置还包括:计算模块,用于在纠错编码之前,获取用于刻画信道状态的信道矩阵,并生成比特流数据,得到数据集;训练模块,用于在纠错编码之前,利用所述数据集进行端到端训练,其中,在端到端的训练过程中,采用软量化函数近似方式逐步增加温度因子,直至达到预设网络收敛条件,生成所述基于卷积神经网络的预设编码器和/或所述基于卷积神经网络的预设解码器。
可选地,在本申请的一个实施例中,所述基于卷积神经网络的预设编码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到。
本申请第三方面实施例提供一种电子设备,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程序,以实现如上述实施例所述的基于卷积自编码器的接收机纠错编码方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的基于卷积自编码器的接收机纠错编码方法。
本申请实施例可以将外层编码得到的码本调制得到复数符号并分组,并将分组后的每一块符号依次经过基于卷积神经网络的预设编码器扩展,且利用基于FTN的脉冲成型调制至模拟信号上,经信道传输后,以FTN采样并匹配滤波后得到采样符号经接收机量化,从而得到原始分组块长的重建符号,并聚合为新的复数符号,经解调得到重建码本,进而外层解码得到重建的比特流信息,从而可以有效的补偿接收机低精度量化对信道编码的性能损失,减少编码器存储和计算的开销。由此,解决了相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失,且编码器存储和计算的开销较高等问题。
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为根据本申请实施例提供的一种基于卷积自编码器的接收机纠错编码方法的流程图;
图2为本申请一个具体实施例的基于卷积自编码器的接收机纠错编码方法的流程图;
图3为本申请一个具体实施例的基于卷积自编码器接收机纠错编码的端到端训练核心的流程图;
图4为本申请一个具体实施例的经恰当训练后的卷积自编码器对应的纠错编码方法的误码率性能曲线示意图;
图5为根据本申请实施例的基于卷积自编码器的接收机纠错编码装置的结构示意图;
图6为根据本申请实施例提供的电子设备的结构示意图。
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基于卷积自编码器的接收机纠错编码方法及装置。针对上述背景技术中心提到的相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失,且编码器存储和计算的开销较高等问题,本申请提供了一种基于卷积自编码器的接收机纠错编码方法,在该方法中,可以将外层编码得到的码本调制得到复数符号并分组,并将分组后的每一块符号依次经过基于卷积神经网络的预设编码器扩展,且利用基于FTN的脉冲成型调制至模拟信号上,经信道传输后,以FTN采样并匹配滤波后得到采样符号经接收机量化,从而得到原始分组块长的重建符号,并聚合为新的复数符号,经解调得到重建码本,进而外层解码得到重建的比特流信息,从而可以有效的补偿接收机低精度量化对信道编码的性能损失,减少编码器存储和计算的开销。由此,解决了相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失,且编码器存储和计算的开销较高等问题。
具体而言,图1为本申请实施例所提供的一种基于卷积自编码器的接收机纠错编码方法的流程示意图。
如图1所示,该基于卷积自编码器的接收机纠错编码方法包括以下步骤:
在步骤S101中,由输入发射端的比特流信号进行外层编码,得到编码后的码本,并将码本调制得到复数符号,且将复数符号按预设块长进行分组。
可以理解的是,本申请实施例可以由发射端将输入比特流信号s输入外编码器,得到编码后的码本c,编码后的码本c经数字调制得到复数符号矢量d,其中,矢量的每个元素都从数字星座图对应的有限集中选取,此时可以将复数符号矢量d按块长N分组,从而得到一系列块长为N的符号矢量,提高复数符号的精确性的同时,提升下述步骤中基于卷积神经网络的预设编码器进行扩展的效率。
本领域技术人员应该理解到的是,本申请实施例可以根据预设通信需求或预设通信***确定纠错编码方法所使用的外编码器及其码率、数字星座调制方式等。
举例而言,对于SISO的点对点通信***,可以根据现有通信***确定外编码器的编码类型和编码效率η,以及确定M元调制方式,可以将长度为k bits的输入比特流信号s经过外编码器后,得到长度为n bits的编码后的码本c,满足如下公式:
η=k/n
其中,η表示编码效率。
接着,编码后的码本c经过M元调制后得到n/log2 M的复数符号d,并将复数符号d按预设块长,如块长N分组,具体公式如下所示:
其中,d表示复数符号,满足S=n/(N log2 M),N<<n/log2 M。
在步骤S102中,将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行扩展,得到预设倍扩展后的符号,并将扩展后的符号利用基于FTN的脉冲成型调制至模拟信号上。
在实际执行过程中,本申请实施例可以将分组后的每一块符号dk依次经过基于卷积神经网络的预设编码器进行扩展,例如,经过基于卷积神经网络的自编码器进行扩展,得到预设倍扩展后的符号,例如,G倍扩展后的符号xk,其中,每一个新符号块的长度为GN。
需要说明的是,预设编码器和预设倍扩展由本领域技术人员根据实际情况进行设置,在此不作具体限定。
另外,自编码器可以先通过残差网络抽取信道特征及量化影响以得到多个通道特征图,再通过时序分布的全连接层对各通道特征进行综合,最终对输入符号增加冗余实现预编码,以对抗非线性失真等不利影响。
举例而言,射频链路采用FTN技术,将xk经脉冲成型调制到模拟信号x(t)上,其速率提升的倍数为G,其中,FTN技术会引入ISI(Inter Symbol Interference,符号间串扰)以及有色噪声,可以经过训练良好的神经网络对其进行补偿,从而在提升传输速率的同时,无需增加额外带宽。
作为一种可能实现的方式,本申请实施例分组后的每一块符号dk依次经过基于卷积神经网络的自编码器得到经过G倍扩展后的符号,扩展后的符号xk的表示公式为:
xk=f(dk,θe)=[xk1,xk2,…,xkGN]T
其中,dk表示分组后的每一块符号,θe表示预设编码器f的网络参数,xk表示基于卷积神经网络的预设编码器得到G倍扩展后的符号。
其中,自编码器通过学习调制符号dk的最优表示特征合理的增加冗余,可以得到G被扩展后的待发送符号xk,以对抗低精度量化引入的非线性失真。
需要说明的是,本申请实施例中的低精度为预设精度,可以由本领域技术人员根据实际情况进行设置,在此不作具体限定。
射频链路利用FTN传输技术,所有的待发送符号经脉冲成型后调制到模拟信号x(t)上,即:
其中,ρ表示发射功率,p(t)表示滚降系数为α的根号升余弦脉冲成型函数,Tt表示满足奈奎斯特传输的符号周期。
另外,FTN传输技术可以利用根号升余弦滚降滤波器脉冲成型产生的剩余带宽,因此,相比与不作任何扩展的***,不会引入额外的带宽开销,此外,由于非正交的传输,FTN还会引入ISI和有色噪声,可以经过训练良好的神经网络对其进行补偿,从而有效的降低了用户端自编码器的部署开销。
可选地,在本申请的一个实施例中,基于卷积神经网络的预设编码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到。
在实际执行过程中,基于卷积神经网络的预设编码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到,例如,预设倍可以为G倍,G的取值范围与***设计时确定的根号升余弦滤波器的滚降系数α相关,且满足如下公式:
Gmax=2(1+α)
其中,α表示根号升余弦滤波器的滚降系数。
在步骤S103中,在模拟信号经信道传输后,以超奈奎斯特速率FTN采样并匹配滤波后得到采样符号,并经过接收机对采样符号进行量化,得到量化后的符号,将量化后的符号经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号。
可以理解的是,本申请实施例可以在接收机接收到经过信道传输的模拟信号y(t)后,以FTN采样并匹配滤波后得到块长为GN的采样符号yk,经接收机低精度量化,得到量化后的符号rk,量化后的符号rk经过基于卷积神经网络的自解码器G倍降维后得到原始分组块长为N的重建符号从而可以有效的降低自解码器的存储和计算的复杂度,降低纠错编码***的功耗。
其中,自解码器可以通过卷积层和残差收缩模块从有严重量化失真的冗余符号中提取发送端符号信息,消除FTN带来的ISI和有色噪声的影响,再通过时序分布的全连接层重建发送符号。
需要说明的是,预设解码器由本领域技术人员根据实际情况进行设置,在此不作具体限定。
在部分实施例中,传输信号x(t)经过信道后,经匹配滤波得到接收信号y(t),如下公式所示:
其中,*表示线性卷积,n(t)表示零均值高斯白噪声且每个时刻方差为σ2。
经FTN技术可以在t时刻采样,即:
其中,N表示块长。
得到的接收符号可以满足下式,即:
其中,qk[m-i]满足如下公式:
而nkm满足如下公式:
其中,nkm为Ungerboeck模型表示的有色噪声。
需要说明的是,当m≠i时,qk[m-i]≠0,因此,会产生ISI,而nkm为Ungerboeck模型表示的有色噪声,每一块采样符号yk可以表示为:
yk=[yk1,yk2,…,ykGN]
每一块采样符号yk经过低精度接收机量化后得到量化符号rk,可以表示为:
rk=Q(yk)
再经过基于卷积神经网络的自解码器得到重建符号重建符号/>的表示公式为:
其中,θd表示预设解码器g的网络参数,rk表示量化符号。
其中,自解码器从G倍扩展的带冗余的量化符号中提取原始符号特征,对传输符号进行重建,同时去掉冗余并进行压缩,将维度与原始调制后的符号保持一致,从而有效的降低用户端的存储和功率开销。
在步骤S104中,将所有分组的重建符号聚合为新的复数符号,并解调得到重建码本,以根据重建码本进行外层解码得到重建的比特流信息。
在实际执行过程中,本申请实施例可以将所有分组的重建符号块聚合为复数符号并经数字解调得到重建码本/>最后重建码本/>经过外解码器得到重建的比特流信息/>例如,经过M元解调后得到长度为n bits重建码本/>再按照编码效率η的外解码器进行解码,得到k bits长的重建比特流信息/>从而完成完整的通信传输过程,有效的降低了用户端自编码器的部署开销的同时,降低了纠错编码***的功耗。
其中,接收端将所有分组符号块进行聚合,得到n/log2 M的重建符号/>满足如下公式:
其中,表示重建符号。
可选地,在本申请的一个实施例中,本申请实施例的方法还包括:获取用于刻画信道状态的信道矩阵,并生成比特流数据,得到数据集;利用数据集进行端到端训练,其中,在端到端的训练过程中,采用软量化函数近似方式逐步增加温度因子,直至达到预设网络收敛条件,生成基于卷积神经网络的预设编码器和/或基于卷积神经网络的预设解码器。
作为一种可能实现的方式,本申请实施例可以首先构建数据集,可以基于信道状态生成或利用通信***从实际通信场景中采集,以获得足够用于刻画信道条件的信道矩阵,并生成批量原始比特流数据,经外编码器和调制处理后得到复数符号,按原始分组块长N划分,从而将信道矩阵和复数符号作为训练数据,按合适的比例拆分成训练集和测试集,并使得两个集合没有重复数据。
接着,本申请实施例可以将利用数据集进行端到端训练,例如,自编码器和自解码器经信道连接在一起进行端到端的训练,具体而言,将真值作为自编码器的输入,而自编码器的输出作为发射端传输的符号,经FTN调制、信道传输、FTN解调和低精度接收量化后,送入自解码器输出重建复数符号,并与真值计算MSE(Mean Square Error,均方误差),整个自编解码器网络前向传播计算损失函数MSE的值,并通过该损失函数值进行反向传播,在使用链式法则获取各层梯度后,利用合理初始化的Adam优化器给出自适应的学习率,然后对各层参数分别进行更新,从而实现基于卷积自编码器的纠错编码方法的端到端的低于预设精度的接收机训练策略,有效的提高传输性能。
需要说明的是,预设精度由本领域技术人员根据实际情况进行设置,在此不作具体限定。
在一些实施例中,本申请实施例中自编码器和自解码器网络需要通过端到端训练的方式来获取合理冗余特征表示/有效信息提取的能力,端到端的训练过程用可导的软量化函数替代理想阶梯量化函数,即采用软量化函数近似方式逐步增加温度因子T,使得可求导的软量化函数逐渐逼近真实的硬量化阶梯函数,直至达到预设网络收敛条件,生成基于卷积神经网络的预设编码器和/或基于卷积神经网络的预设解码器,例如,自编码器和自解码器,保持端到端训练,逐步增加温度因子T并且减少学习率直到网络收敛,即可获取基于卷积神经网络的自编码器设计和自解码器设计,有效避免了梯度失配问题。
其中,设当前迭代周期的温度因子为T,则其对应的软量化函数为:
其参数更新求梯度的计算方式为:
完成当前迭代周期后,对温度因子T进行更新:
T←T+ΔT
需要注意的是,虽然网络训练时采用软量化函数辅助反向传播过程,但测试时仍采用理想阶梯量化函数,即实际部署的纠错编码方法仍然采用不可导的量化函数。
其中,自编码器和自解码器都可以部署在基站端和用户端,如TDD(Time DivisionDuplex,时分双工)***共用一套训练好的自编解码器,或FDD(Frequency DivisionDuplex,频分双工)***针对上下行信道分别训练一套。时序分布的全连接层相比于一般的全连接层,在节省计算量和存储量的条件下仍能实现符号间信息的交互,本申请实施例利用卷积神经网络和时序分布全连接层,从而替换原本自编码器中的全连接层,有效的降低了存储量和计算量,另外,提出的卷积自编码器的参数量为原始全连接层自编码器的八分之一,有利于资源受限的用户设备进行网络部署,从而降低整个通信***的功耗。
如图2所示,为本申请的一个具体实施例基于卷积自编码器的纠错编码方法,下面对具体实施例的工作原理进行详细阐述。
S201:发射端将要传输的信息转换为比特流,且按比特位数分组传输,每组传输的信息比特流为s。
S202:对固定长度的输入比特流s采用给定编码方式和编码效率的外编码器进行编码,得到编码后的码本比特流c,其中,本申请可以选用1/3的Turbo编码、1/3的LDPC编码、1/2的卷积编码等,且对编码生成矩阵不做限制。
S203:对码本比特流c按给定数字星座图进行调制,得到有限集元素组成的符号矢量d,并将符号矢量d按块长为N分组为对每个分组符号矢量dk分别传输,其中,本申请中可以选用PSK、QAM、ASK等调制方式,但不建议使用无法用星座图表示的FSK调制。
S204:将dk输入训练好的卷积自编码器,得到扩展G倍的符号xk,扩展后的符号带有一定的冗余信息,以对抗量化带来的非线性失真等影响。
S205:将扩展后的符号块xk利用FTN脉冲成型并调制到载波信号x(t)上,传输速率得到提升,且引入自编码器对符号扩展后与不经过符号扩展相比,在不增加额外带宽消耗的条件下,使得传输有效符号的速率保持不变。
S206:载波信号x(t)经过无线信道进行传输得到接收信号y(t),接收信号中可能含有噪声,根据无线信道的不同,信道的冲激响应和噪声的种类也不同,本申请不对信道条件做任何假设。
S207:接收信号y(t)经FTN采样以及匹配滤波后,得到接收符号yk,再经过接收机的低精度量化后得到量化符号rk,由于FTN技术的引入,接收符号中存在严重的ISI,且信道的白噪声经作用后等效于有色噪声,但经后续自解码器处理容易被消除,本申请中接收机的量化位数比常见的硬件的8bit精度低即可。
S208:将量化符号rk输入训练好的卷积自解码器,降维G倍以得到块长为N的重建符号量化符号rk中的ISI和有色噪声,以及量化引入的误差,都可以通过恰当训练的卷积神经网络进行补偿。
S209:将分组的重建符号矢量聚合为重建符号矢量/>再经过给定的数字星座图进行解调,获取重建码本/>为了利于外解码器解码,本申请中可以使用软判决解调,获取对应的比特软信息/>
S210:将重建码本或比特软信息输入外解码器,按给定的编码方式和编码效率进行译码得到重建比特流/>本申请可利用迭代译码以获取更好的译码性能。
S211:接收端将重建比特流转换为对应格式的信息,例如文本、图片、语音等。
综上,本申请实施例可以使用卷积自编码器对低精度接收机引入的非线性失真进行补偿,通过用卷积层和时序分布的全连接层替代一般的全连接层,可以将存储量压缩到原本的1/8,同时也可以降低相同信噪比条件下的误码率。
如图3所示,为本申请的一个具体实施例基于卷积自编码器的纠错编码方法的端到端训练策略,下面对具体实施例的工作原理进行详细阐述。
S301:在训练过程的每一个迭代周期中,逐渐增加温度因子T的数值,使得对应的软量化函数逐渐逼近理想的阶梯量化函数,T从较低值开始,软量化函数的梯度更大,更有利于自编码器参数的更新。
S302:在训练过程中,使用软量化函数替代阶梯量化函数实现低精度量化,批处理载入复数符号和信道矩阵等数据,进行整个自编解码器的前向计算,得到重建复数符号。
S303:利用原始符号和重建符号求出损失函数MSE。
S304:基于损失函数MSE进行反向传播,使用链式法则自动求导获取各层梯度。
S305:结合计算的各层梯度,利用优化器,如Adam和对应的学习率,对整个自编解码器网络进行参数更新,当所有数据都参与训练后,执行步骤S301,进行下一个周期的迭代。
如图4所示,本申请实施例可以经过训练得到的自编解码器以及纠错编码方法的误码率性能曲线,可以看到对于AWGN信道下的16-QAM调制,不含自编码器网络的Turbo编码在1-bit量化下无法有效重建发射符号,而基于卷积自编码器的Turbo编码方案能够有效从量化符号中提取并恢复原始符号,此外,相比于低通滤波,采用软量化辅助自编解码器的端到端训练,能够有效解决梯度失配的问题。
下面以一个具体实施例对本申请实施例的工作原理进行详细阐述,具体包括以下步骤:
步骤S1:对于一个SISO***,其采用编码效率为η=1/3的Turbo码作为外编码器,采用16-QAM调制方式,Turbo编码的输入为k=6144bit的比特流信号s,咬尾输出为n=18444bit的码本c,按16-QAM调制得到4611个复数符号d,将d按N=64切分成73块,长度不足64的块末尾补零对齐,每一块dk将实部和虚部作为两个特征通道,得到维度为2×64的符号,作为自编码器的输入。
步骤S2:将分组后的每一块符号dk输入自编码器网络得到G倍扩展后的符号xk,其中取G=3,自编码器由1个残差结构和1个时序分布全连接层级联而成。
其中,残差结构的残差分支包含1×11、1×5、1×3的卷积层,其通道数分别为128、64、32,残差结构的跳跃分支包含一个1×1的卷积,其通道数为32,每个卷积层后都紧跟一个批归一化层和一个ReLU激活函数,残差结构两条分支得到的特征相加,作为时序分布全连接层的输入,得到维度为6×64的特征,再经过变形得到2×192的待发射符号xk,再利用FTN传输技术和滚降系数为α=0.5的根号升余弦滤波器调制到模拟信号x(t)上。
步骤S3:假设传输环境为AWGN信道,且接收机低精度量化为1bit。接收机接收到传输的模拟信号y(t)后,经FTN技术采样并匹配滤波以得到采样符号yk,在经过1bit量化后得到rk,对应的维度为2×192。对于1bit量化,每个符号的实部满足(虚部也一样):
接着,量化后的符号rk经过自解码器网络得到块长为2×64的重建符号自解码器由2个卷积层、6个残差压缩扩张模块和1个时序分布全连接层构成,2个卷积层卷积核都为1×5,而通道数分别为256、20,每一个残差压缩扩张模块都包含两个1×(2r+1)的卷积层、一个对卷积后的特征学***均池化层、全连接层、ReLU激活函数、全连接层、Sigmoid激活函数,每个通道仅对应一个权值,每一层仅对应一个通道数,其中r和通道维度分别为(10,128)、(5,128)、(3,64)、(2,64)、(2,32)、(1,32)。
其中,每个卷积层后都紧跟一个批归一化层和一个ReLU激活函数,量化后的2×192的符号首先经过第一个卷积层得到256×192的特征,接着依次经过6个残差压缩扩张模块,分别得到128×192、128×192、64×192、64×192、32×192、32×192的特征,再经过第二个卷积层得到20×192的特征,最后变形为60×64的特征经过时序分布的全连接层得到2×64的重建符号
步骤S4:将所有分组的符号块聚合为重建符号去掉补零并实部、虚部合并后得到4611个复数符号,再经过16-QAM软解调得到18444的软判决输出/>最后送入Turbo外解码器迭代解码,得到长度为6144bit的重建比特流信息/>
综上,本申请实施例可以训练数据由AWGN信道模型按不同信噪比条件进行生成,在条件下,基于Adam优化器对批量数据进行训练后,可以通过上述卷积自编码器和自解码器网络,在/>为[-2,13]dB范围内进行传输。
根据本申请实施例提出的基于卷积自编码器的接收机纠错编码方法,可以将外层编码得到的码本调制得到复数符号并分组,并将分组后的每一块符号依次经过基于卷积神经网络的预设编码器扩展,且利用基于FTN的脉冲成型调制至模拟信号上,经信道传输后,以超奈奎斯特速率FTN采样并匹配滤波后得到采样符号经接收机量化,从而得到原始分组块长的重建符号,并聚合为新的复数符号,经解调得到重建码本,进而外层解码得到重建的比特流信息,从而可以有效的补偿接收机低精度量化对信道编码的性能损失,减少编码器存储和计算的开销。由此,解决了相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失,且编码器存储和计算的开销较高等问题。
其次参照附图描述根据本申请实施例提出的基于卷积自编码器的接收机纠错编码装置。
图5是本申请实施例的基于卷积自编码器的接收机纠错编码装置的方框示意图。
如图5所示,该基于卷积自编码器的接收机纠错编码装置10包括:分组模块100、扩展模块200、处理模块300和重建模块400。
具体地,分组模块100,用于由输入发射端的比特流信号进行外层编码,得到编码后的码本,并将码本调制得到复数符号,且将复数符号按预设块长进行分组。
扩展模块200,用于将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行扩展,得到预设倍扩展后的符号,并将扩展后的符号利用基于FTN的脉冲成型调制至模拟信号上。
处理模块300,用于在模拟信号经信道传输后,以超奈奎斯特速率FTN采样并匹配滤波后得到采样符号,并经过接收机对采样符号进行量化,得到量化后的符号,将量化后的符号经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号。
重建模块400,用于将所有分组的重建符号聚合为新的复数符号,并解调得到重建码本,以根据重建码本进行外层解码得到重建的比特流信息。
可选地,在本申请的一个实施例中,扩展后的符号的表示公式为:
xk=f(dk,θe)=[xk1,xk2,…,xkGN]T,
其中,dk表示分组后的每一块符号,θe表示所述的预设编码器f的网络参数,xk表示所述基于卷积神经网络的预设编码器得到G倍扩展后的符号。
并且,重建符号的表示公式为:
其中,θd表示预设解码器g的网络参数,rk表示量化符号。
可选地,在本申请的一个实施例中,本申请实施例的装置10还包括:计算模块和训练模块。
其中,计算模块,用于在纠错编码之前,获取用于刻画信道状态的信道矩阵,并生成比特流数据,得到数据集。
训练模块,用于在纠错编码之前,利用数据集进行端到端训练,其中,在端到端的训练过程中,采用软量化函数近似方式逐步增加温度因子,直至达到预设网络收敛条件,生成基于卷积神经网络的预设编码器和/或基于卷积神经网络的预设解码器。
可选地,在本申请的一个实施例中,基于卷积神经网络的预设编码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到。
需要说明的是,前述对基于卷积自编码器的接收机纠错编码方法实施例的解释说明也适用于该实施例的基于卷积自编码器的接收机纠错编码装置,此处不再赘述。
根据本申请实施例提出的基于卷积自编码器的接收机纠错编码装置,可以将外层编码得到的码本调制得到复数符号并分组,并将分组后的每一块符号依次经过基于卷积神经网络的预设编码器扩展,且利用基于FTN的脉冲成型调制至模拟信号上,经信道传输后,以超奈奎斯特速率FTN采样并匹配滤波后得到采样符号经接收机量化,从而得到原始分组块长的重建符号,并聚合为新的复数符号,经解调得到重建码本,进而外层解码得到重建的比特流信息,从而可以有效的补偿接收机低精度量化对信道编码的性能损失,减少编码器存储和计算的开销。由此,解决了相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失,且编码器存储和计算的开销较高等问题。
图6为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
处理器602执行程序时实现上述实施例中提供的基于卷积自编码器的接收机纠错编码方法。
进一步地,电子设备还包括:
通信接口603,用于存储器601和处理器602之间的通信。
存储器601,用于存放可在处理器602上运行的计算机程序。
存储器601可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器601、处理器602和通信接口603独立实现,则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器601、处理器602及通信接口603,集成在一块芯片上实现,则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
处理器602可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的基于卷积自编码器的接收机纠错编码方法。
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N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,“N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N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N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,N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 (10)
1.一种基于卷积自编码器的接收机纠错编码方法,其特征在于,所述方法应用于单输入单输出SISO点对点通信***的低于预设精度的接收机中,包括以下步骤:
由输入发射端的比特流信号进行外层编码,得到编码后的码本,并将所述码本调制得到复数符号,且将所述复数符号按预设块长进行分组;
将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行扩展,得到预设倍扩展后的符号,并将所述扩展后的符号利用基于超奈奎斯特速率FTN的脉冲成型调制至模拟信号上;
在所述模拟信号经信道传输后,以FTN采样并匹配滤波后得到采样符号,并经过接收机对所述采样符号进行量化,得到量化后的符号,将所述量化后的符号经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号;以及
将所有分组的重建符号聚合为新的复数符号,并解调得到重建码本,以根据所述重建码本进行外层解码得到重建的比特流信息。
2.根据权利要求1所述的方法,其特征在于,所述扩展后的符号的表示公式为:
xk=f(dk,θe)=[xk1,xk2,…,xkGN]T,
其中,dk表示分组后的每一块符号,θe表示所述的预设编码器f的网络参数,xk表示所述基于卷积神经网络的预设编码器得到G倍扩展后的符号。
并且,所述重建符号的表示公式为:
其中,θd表示所述预设解码器g的网络参数,rk表示量化符号。
3.根据权利要求1所述的方法,其特征在于,在纠错编码之前,还包括:
获取用于刻画信道状态的信道矩阵,并生成比特流数据,得到数据集;
利用所述数据集进行端到端训练,其中,在端到端的训练过程中,采用软量化函数近似方式逐步增加温度因子,直至达到预设网络收敛条件,生成所述基于卷积神经网络的预设编码器和/或所述基于卷积神经网络的预设解码器。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述基于卷积神经网络的预设编码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到。
5.一种基于卷积自编码器的接收机纠错编码装置,其特征在于,所述装置应用于单输入单输出SISO的点对点通信***的低于预设精度的接收机中,包括:
分组模块,用于由输入发射端的比特流信号进行编码,得到编码后的码本,并将所述码本调制得到复数符号,且将所述复数符号按预设块长进行分组;
扩展模块,用于将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行扩展,得到预设倍扩展后的符号,并将所述扩展后的符号利用基于超奈奎斯特速率FTN的脉冲成型调制至模拟信号上;
处理模块,用于在所述模拟信号经信道传输后,以FTN采样并匹配滤波后得到采样符号,并经过接收机对所述采样符号进行量化,得到量化后的符号,将所述量化后的符号经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号;以及
重建模块,用于将所有分组的重建符号聚合为新的复数符号,并解调得到重建码本,以根据所述重建码本得到重建的比特流信息。
6.根据权利要求5所述的装置,其特征在于,所述扩展后的符号的表示公式为:
xk=f(dk,θe)=[xk1,xk2,…,xkGN]T,
其中,dk表示分组后的每一块符号,θe表示所述的预设编码器f的网络参数,xk表示所述基于卷积神经网络的预设编码器得到G倍扩展后的符号。
并且,所述重建符号的表示公式为:
其中,θd表示所述预设解码器g的网络参数,rk表示量化符号。
7.根据权利要求5所述的装置,其特征在于,还包括:
计算模块,用于在纠错编码之前,获取用于刻画信道状态的信道矩阵,并生成比特流数据,得到数据集;
训练模块,用于在纠错编码之前,利用所述数据集进行端到端训练,其中,在端到端的训练过程中,采用软量化函数近似方式逐步增加温度因子,直至达到预设网络收敛条件,生成所述基于卷积神经网络的预设编码器和/或所述基于卷积神经网络的预设解码器。
8.根据权利要求5-7任一项所述的装置,其特征在于,所述基于卷积神经网络的预设编码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到。
9.一种电子设备,其特征在于,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程序,以实现如权利要求1-4任一项所述的基于卷积自编码器的接收机纠错编码方法。
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,该程序被处理器执行,以用于实现如权利要求1-4任一项所述的基于卷积自编码器的接收机纠错编码方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797554.3A CN115208515B (zh) | 2022-07-06 | 2022-07-06 | 基于卷积自编码器的接收机纠错编码方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797554.3A CN115208515B (zh) | 2022-07-06 | 2022-07-06 | 基于卷积自编码器的接收机纠错编码方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115208515A CN115208515A (zh) | 2022-10-18 |
CN115208515B true CN115208515B (zh) | 2023-11-07 |
Family
ID=83580156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210797554.3A Active CN115208515B (zh) | 2022-07-06 | 2022-07-06 | 基于卷积自编码器的接收机纠错编码方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115208515B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190031651A (ko) * | 2017-09-18 | 2019-03-27 | 한국해양대학교 산학협력단 | Ldpc 부호를 이용한 mimo-ftn 송수신 방법 및 장치 |
JP2020047010A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社デンソーアイティーラボラトリ | 情報推定装置及び情報推定方法 |
WO2020239126A1 (en) * | 2019-05-31 | 2020-12-03 | Huawei Technologies Co., Ltd. | Methods and systems for relaying feature-driven communications |
CN113347128A (zh) * | 2021-05-27 | 2021-09-03 | 湖北工业大学 | 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9571232B2 (en) * | 2014-03-14 | 2017-02-14 | Huawei Technologies Co., Ltd. | System and method for faster than Nyquist transmission |
KR101975881B1 (ko) * | 2015-10-02 | 2019-08-28 | 한국전자통신연구원 | Ftn 기반의 송수신 장치 및 방법 |
JP6744010B2 (ja) * | 2016-04-13 | 2020-08-19 | ホアウェイ テクノロジーズ カナダ カンパニー リミテッド | ナイキストより速い(FTN:Faster−than−Nyquist)伝送のシステムおよび方法 |
-
2022
- 2022-07-06 CN CN202210797554.3A patent/CN115208515B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190031651A (ko) * | 2017-09-18 | 2019-03-27 | 한국해양대학교 산학협력단 | Ldpc 부호를 이용한 mimo-ftn 송수신 방법 및 장치 |
JP2020047010A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社デンソーアイティーラボラトリ | 情報推定装置及び情報推定方法 |
WO2020239126A1 (en) * | 2019-05-31 | 2020-12-03 | Huawei Technologies Co., Ltd. | Methods and systems for relaying feature-driven communications |
CN113347128A (zh) * | 2021-05-27 | 2021-09-03 | 湖北工业大学 | 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及*** |
Non-Patent Citations (2)
Title |
---|
Code-Based Channel Shortening for Faster-Than-Nyquist Signaling: Reduced-Complexity Detection and Code Design;Shuangyang Li 等;IEEE;第68卷(第7期);全文 * |
超奈奎斯特传输技术:现状与挑战;李双洋;白宝明;马啸;;电子学报(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115208515A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Deep joint source channel coding for wireless image transmission with OFDM | |
EP3837844A1 (en) | Joint source channel coding for noisy channels using neural networks | |
WO2018233932A1 (en) | CONFIGURATION OF DATA TRANSMISSION NETWORK | |
JP4782136B2 (ja) | 無線チャネル上で送信すべき入力ビットブロックのシーケンスを符号化する方法 | |
CN109194425B (zh) | 一种基于人工智能端到端信息传输***及方法 | |
CN1735082B (zh) | 判定-反馈均衡器以及更新滤波器系数的方法 | |
EP3837839A1 (en) | Joint source channel coding based on channel capacity using neural networks | |
CN104769875A (zh) | 采用正交频分复用的高频谱效率传输 | |
EP3092755A1 (en) | Pre-coding in a faster-than-nyquist transmission system | |
JPH04281614A (ja) | 線形変調信号用等化器 | |
WO2020035684A1 (en) | Joint source channel coding of information sources using neural networks | |
CN106941465B (zh) | 超奈奎斯特率块的传输方法、发射机、接收机及*** | |
KR100904404B1 (ko) | 멀티스케일 무선 통신 | |
WO2018234084A1 (en) | METHOD AND DEVICE FOR CONFIGURING A DATA TRANSMISSION SYSTEM | |
CN1732659A (zh) | 用于基于滤波器组的信号处理的方法和装置 | |
CN110808824A (zh) | 低轨卫星星地链路的高谱效稀疏码多址接入方法 | |
JP2002043984A (ja) | 情報伝送チャンネルのインパルス応答を推定する方法及び装置 | |
CN114337911A (zh) | 一种基于神经网络的通信方法以及相关装置 | |
GB2607111A (en) | Communication system for conveying data from an information source across a communication channel | |
US7876838B2 (en) | Low complexity multi-channel modulation method and apparatus | |
JPH08340358A (ja) | 通信装置 | |
CN108476195A (zh) | 一种基于ftn的通信方法、相关装置 | |
JP2004147126A (ja) | マルチキャリア通信方法及びマルチキャリア通信装置 | |
CN115208515B (zh) | 基于卷积自编码器的接收机纠错编码方法及装置 | |
WO2018000914A1 (zh) | 一种单载波信道估计方法 |
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 |