CN107994973B - 一种自适应调制与编码方法 - Google Patents
一种自适应调制与编码方法 Download PDFInfo
- Publication number
- CN107994973B CN107994973B CN201711257465.5A CN201711257465A CN107994973B CN 107994973 B CN107994973 B CN 107994973B CN 201711257465 A CN201711257465 A CN 201711257465A CN 107994973 B CN107994973 B CN 107994973B
- Authority
- CN
- China
- Prior art keywords
- scheme
- modulation
- coding
- information
- machine learning
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明属于无线通信技术领域,具体的说是涉及一种自适应调制与编码方法。本发明的方法不需要对信道状态信息进行进一步的计算来获取样本特征,直接将信道状态信息作为样本特征;不需要事先准备好样本数据,样本特征是实时获取的,样本标签是实时评估并调整获得的;因为样本数据是实时获取的,即使信道发生了极大的变化,学习权重也能实时调整以适应当前的信道状态。
Description
技术领域
本发明属于无线通信技术领域,具体的说是涉及一种自适应调制与编码方法。
背景技术
自适应技术的构想最早在20世纪60年代被提出,是指通过接收信号端反馈不断变化的信道状态信息,发送信号端动态地调整信号传输时的调制方案、编码方案以及其他信号传输参数,在保证一定的系统可靠性的前提下,最大化信息传输的吞吐量。正是由于链路自适应技术在同样的带宽下可以提供更高的传输速率,极大地提高了频谱利用率,从而成为各种通信系统中倍受关注的关键技术之一。传统的自适应选择调制与编码是通过估计信道状态信息的等效信噪比后查寻与等效信噪比对应的性能表来选择调制与编码方案,但随着当前人工智能产业的不断发展,人工智能所使用的机器学习方法为自适应调制与编码提供了新的思路。
机器学习包含了许多准确而高效的通用学习方法,不需要事先针对待解决的问题进行专门地建模,只依靠大量的样本特征和对应的样本标签来找寻特征与标签的内在联系。机器学习方法在自适应选择调制与编码问题上有广泛的应用尝试,国外已经有学者采用过k-近邻方法(Daniels R C,Caramanis C,Heath Jr R W.A supervised learningapproach to adaptation in practical MIMO-OFDM wireless systems[C]//GlobalTelecommunications Conference,2008.IEEE GLOBECOM 2008.IEEE.IEEE,2008:1-5)、神经网络方法(YIGIT H,Kavak A.A learning approach in link adaptation for MIMO-OFDM systems[J].Turkish Journal of Electrical Engineering&Computer Sciences,2013,21(5):1465-1478.)以及支持向量机方法(Daniels R,Heath R W.Online adaptivemodulation and coding with support vector machines[C]//Wireless Conference(EW),2010European.IEEE,2010:718-724.)来自适应选择调制与编码,但上述方法都需要事先对信道状态信息进行一些计算来获得样本特征,而且,需要提前准备好大量的样本数据(包括样本特征和样本标签)来进行离线的学习。离线学习好自适应选择调制与编码的方案后,若信道状态发生很大变化,则学习到的方案选择方法不能适用于变化后的信道。
发明内容
本发明的目的在于提供一种在线的自适应选择调制与编码方法,该方法不需要对信道状态信息进行计算来获取样本特征,也不需要事先准备好样本数据。同时,在线的训练能很好地适应出现很大变化的信道。
为了方便理解本发明的技术方案,首先对机器学习方法做一些说明:
机器学习包含很多算法,这里我们要使用的是其中的分类算法。神经网络、支持向量机等分类算法均是先定义好一个含有许多权重值的函数模型,最初的权重值是随机产生的。然后输入样本特征来训练模型使输出结果尽量拟合样本标签,在拟合的过程一般使用Insofar、RMSprop、Adadelta或Adam等优化算法来迭代更新权重值。整个学习过程就是不断输入样本特征,然后使用优化算法更新权重值来使输出结果与样本标签的误差不断减小的过程。学习到一定程度后,就可以进行预测了,即只输入特征,根据函数模型和更新后的权重值来计算出对应的标签。
相较于传统方法,机器学习的优势在于其通用性与强大的拟合能力,通用性是指不需要特别针对某一问题专门设计,只需要抽象出问题的特征与标签就可以进行学习;强大的拟合能力是指在一般模型会有众多权重值,在学习过程中不断更新权重值使之能覆盖到各种情况。
本发明通过如下步骤实现:
a、初始化一个调制与编码方案的集合,该集合中包含了多种调制与编码方案,并设置机器学习分类算法,根据不同的学习权重可选择出不同的调制与编码方案,所述学习权重值的初始化可以用随机初始化,也可以用自编码器预训练出初始权重值等方法;所述的机器学习方法可以包含神经网络、支持向量机、径向基函数网络等;
b、在接收端对通过在发送端插入已知的导频信息来对当前信道状态进行估计,获得信道矩阵H和高斯信噪比SNR,作为机器学习分类算法的输入样本特征,并根据机器学习分类算法的输出选择出调制与编码方案反馈到发送端;
c、发送端根据选择出的调制与编码方案进行信息发送;
d、接收端对收到的结果进行还原,对比译码结果与原始信息,判断最终还原的信息是否有错,若还原的信息有错,则调整调制与编码方案,将方案调整到集合中邻近的具有更低错误率的方案,若该方案已经是集合中有最低错误率的方案,则不调整;若还原的结果无错误,则将方案调整成集合中邻近的具有更大吞吐量的方案,若该方案已经是集合中最大吞吐量的方案,则不调整;
e、将步骤b中获得的信道矩阵H和高斯信噪比SNR作为样本特征,调整后的方案作为样本标签,使用机器学习算法学习该样本特征与对应的样本标签,更新机器学习算法的权重值;
f、重复步骤b-e直至完成信息发送过程。
本发明的有益效果为,首先,不需要对信道状态信息进行进一步的计算来获取样本特征,直接将信道状态信息作为样本特征;其次,不需要事先准备好样本数据,样本特征是实时获取的,样本标签是实时评估并调整获得的;最后,因为样本数据是实时获取的,即使信道发生了极大的变化,学习权重也能实时调整以适应当前的信道状态。
附图说明
图1是本发明的在线自适应调制与编码方法逻辑示意图。
具体实施方式
下面结合实施例对本发明进行详细的描述:
实施例
步骤1.设定如表1所示的六种调制与编码方案,可以对方案的错误率由好到差进行由小到大编号,错误率越小能够在状况越差的信道中较少错误地传输信息,但对应吞吐量也越小。其中,方案0对应的信道状况极差,所以不发送信息;
表1六种调制与编码方案
编号 | 调制方式 | 编码方式 | 编码码率 | 信息长度 | 符号长度 |
0 | 不发送 | 不发送 | 不发送 | 不发送 | 不发送 |
1 | QPSK | Turbo码 | 1/3 | 640 | 966 |
2 | QPSK | Turbo码 | 1/2 | 960 | 966 |
3 | QPSK | Turbo码 | 2/3 | 1280 | 966 |
4 | 16QAM | Turbo码 | 1/2 | 1920 | 963 |
5 | 16QAM | Turbo码 | 4/5 | 3072 | 963 |
6 | 64QAM | Turbo码 | 2/3 | 3840 | 962 |
步骤2.机器学习分类算法采用神经网络。构建一个三层的神经网络,输入节点为1933个(对应信道矩阵的大小加上一个高斯信噪比),中间节点为400个,输出节点为7个(对应7种方案)并初始化神经网络的学习权重,更新权重的算法采用Adam优化算法;
步骤3.在接收端对通过在发送端插入已知的导频信息来对当前信道状态进行估计,采用的是2发2收的发送接收方式,因为最长的发送符号为966(其余方案发送符号不足966的可以通过填0补足),所以获得信道矩阵H为发送符号长度的两倍即1932,同时也需要获取高斯信噪比SNR,和在一起样本特征为1933个;
步骤4.在接收端对当前神经网络输入上面获取的1933个样本特征,通过正向传播算法计算出一个调制与编码方案编号,将结果反馈给发送端;
步骤5.发送端对原始信息使用步骤4中获得的调制与编码方案编号进行处理,在信道矩阵H和高斯信噪比为SNR的信道下采用2发2收的发送接收方式将处理结果发送给接收端;
步骤6.接收端接收到发送端的处理结果,根据调制与编码方案进行解调和译码来还原原始信息,评判接收端还原的信息与发送端的原始信息是否相同;
步骤7.根据评判结果,如果还原有错误,则调整方案,将方案编号减一,即调整到相邻的错误率更低的方案,若调制与编码方案编号已经是0了,则不调整;如果结果无错误,则调整方案,将方案编号加一,即调整到相邻的吞吐量比较大的方案,若调制与编码方案编号已经是6了,则不调整。
步骤8.将步骤3中得到的信道矩阵H和SNR作为样本特征,调整后的方案作为样本标签,使用神经网络学习该样本特征与对应的样本标签,使用Adam算法更新一次权重值;
步骤9.重复步骤3至步骤8,接收端不断获取不同的信道状态信息,用神经网络选择方案,发送端收到调制与编码方案后根据方案处理原始信息,然后发送处理结果,接收端接收处理结果后来还原原始信息,并评判还原的结果,根据结果修正方案,神经网络通过学习该信道状态信息和调整后的方案来更新权重。
Claims (1)
1.一种自适应调制与编码方法,其特征在于,包括以下步骤:
a、初始化一个调制与编码方案的集合,该集合中包含了多种调制与编码方案,并设置机器学习分类算法,根据不同的学习权重可选择出不同的调制与编码方案,所述学习权重的初始值是随机的;
b、在接收端对通过在发送端插入已知的导频信息来对当前信道状态进行估计,获得信道矩阵H和高斯信噪比SNR,作为机器学习分类算法的输入样本特征,并根据机器学习分类算法的输出选择出调制与编码方案反馈到发送端;
c、发送端根据选择出的调制与编码方案进行信息发送;
d、接收端对收到的结果进行还原,对比译码结果与原始信息,判断最终还原的信息是否有错,若还原的信息有错,则调整调制与编码方案,将方案调整到集合中邻近的具有更低错误率的方案,若该方案已经是集合中有最低错误率的方案,则不调整;若还原的结果无错误,则将方案调整成集合中邻近的具有更大吞吐量的方案,若该方案已经是集合中最大吞吐量的方案,则不调整;
e、将步骤b中获得的信道矩阵H和高斯信噪比SNR作为样本特征,调整后的方案作为样本标签,使用机器学习算法学习该样本特征与对应的样本标签,更新机器学习算法的权重值;
f、重复步骤b-e直至完成信息发送过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711257465.5A CN107994973B (zh) | 2017-12-04 | 2017-12-04 | 一种自适应调制与编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711257465.5A CN107994973B (zh) | 2017-12-04 | 2017-12-04 | 一种自适应调制与编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107994973A CN107994973A (zh) | 2018-05-04 |
CN107994973B true CN107994973B (zh) | 2020-02-21 |
Family
ID=62035300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711257465.5A Active CN107994973B (zh) | 2017-12-04 | 2017-12-04 | 一种自适应调制与编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107994973B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777584A (zh) * | 2018-07-06 | 2018-11-09 | 中国石油大学(华东) | 一种极化码译码参数的快速优化方法 |
CN109560846B (zh) * | 2019-01-04 | 2021-03-23 | 东南大学 | 一种基于模型驱动深度学习的三维预编码方法 |
CN109842577B (zh) * | 2019-01-29 | 2020-06-12 | 西安电子科技大学 | 一种高动态情景下信道质量测定方法 |
WO2021217519A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 用于调整神经网络的方法和装置 |
CN111614439B (zh) * | 2020-05-20 | 2021-04-20 | 北京邮电大学 | 一种信息传输方法、系统、装置及电子设备 |
CN111934778B (zh) * | 2020-07-01 | 2021-07-27 | 华中科技大学 | 一种光纤通信系统中发射端的优化设计方法及系统 |
CN111935750B (zh) * | 2020-08-21 | 2021-08-03 | 苏州大学 | 移动无线光通信系统的容量优化方法、通信方法及系统 |
CN114124294A (zh) * | 2021-04-13 | 2022-03-01 | 中兴通讯股份有限公司 | 一种自适应调制编码方法、基站及存储介质 |
EP4342143A1 (en) * | 2021-06-12 | 2024-03-27 | Huawei Technologies Co., Ltd. | Artificial intelligence-enabled link adaptation |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014011735A1 (en) * | 2012-07-10 | 2014-01-16 | Gigagen, Inc. | Methods and kits for integrating genomic sequences with immune monitoring |
CN106656423A (zh) * | 2017-01-05 | 2017-05-10 | 北京航空航天大学 | 一种基于em算法的ldpc码译码噪声方差的估计方法 |
CN106850013A (zh) * | 2016-12-31 | 2017-06-13 | 上海交通大学 | 一种上行链路大规模mimo系统的信号检测方法 |
CN107147600A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种基于神经网络的数字调制信号解调器及其解调方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8254393B2 (en) * | 2007-06-29 | 2012-08-28 | Microsoft Corporation | Harnessing predictive models of durations of channel availability for enhanced opportunistic allocation of radio spectrum |
CN101808369B (zh) * | 2009-06-30 | 2012-12-12 | 中山大学 | 一种基于cqi预测的自适应调制编码方法 |
CN105656826B (zh) * | 2016-03-18 | 2018-10-30 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及系统 |
CN106059972B (zh) * | 2016-05-25 | 2019-04-26 | 北京邮电大学 | 一种基于机器学习算法的mimo相关信道下的调制识别方法 |
-
2017
- 2017-12-04 CN CN201711257465.5A patent/CN107994973B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014011735A1 (en) * | 2012-07-10 | 2014-01-16 | Gigagen, Inc. | Methods and kits for integrating genomic sequences with immune monitoring |
CN106850013A (zh) * | 2016-12-31 | 2017-06-13 | 上海交通大学 | 一种上行链路大规模mimo系统的信号检测方法 |
CN106656423A (zh) * | 2017-01-05 | 2017-05-10 | 北京航空航天大学 | 一种基于em算法的ldpc码译码噪声方差的估计方法 |
CN107147600A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种基于神经网络的数字调制信号解调器及其解调方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107994973A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107994973B (zh) | 一种自适应调制与编码方法 | |
Qin et al. | Federated learning and wireless communications | |
CN102265546B (zh) | 基于接收数据的无线通信信道的信道质量确定 | |
Park et al. | End-to-end fast training of communication links without a channel model via online meta-learning | |
Elwekeil et al. | Deep convolutional neural networks for link adaptations in MIMO-OFDM wireless systems | |
CN112215335B (zh) | 一种基于深度学习的系统检测方法 | |
Dörner et al. | WGAN-based Autoencoder Training Over-the-air | |
US11611457B2 (en) | Device and method for reliable classification of wireless signals | |
Wei et al. | Toward 5G wireless interface technology: Enabling nonorthogonal multiple access in the sparse code domain | |
CN114745230A (zh) | 基于深度神经网络结构的otfs信号接收恢复方法 | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
Zheng et al. | DemodNet: Learning soft demodulation from hard information using convolutional neural network | |
Alawad et al. | A deep learning-based detector for im-mimo-ofdm | |
CN101562464B (zh) | 一种基于深度优先搜索的球形译码检测方法 | |
CN113114603B (zh) | 一种mimo-ofdm系统的信息恢复方法及装置 | |
CN103929386A (zh) | 一种无线干扰消除方法 | |
CN109391315B (zh) | 一种数据模型双驱动的mimo接收机 | |
CN102100026B (zh) | 移动通信系统中的通信装置和通信方法 | |
EP4128598A1 (en) | Estimation method of discrete digital signals in noisy overloaded wireless communication systems with csi errors | |
Tato et al. | Deep learning assisted rate adaptation in spatial modulation links | |
CN109951239B (zh) | 基于贝叶斯分类器的能量采集中继系统自适应调制方法 | |
Parsa et al. | Joint power allocation and MCS selection for energy-efficient link adaptation: A deep reinforcement learning approach | |
Ahmed et al. | Deep learning based diversity combining for generic noise and interference | |
Hajji et al. | Joint semi-blind channel estimation and finite alphabet signal recovery detection for large-scale MIMO systems | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 |
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 |