CN109039531B - 一种基于机器学习调整lt码编码长度的方法 - Google Patents
一种基于机器学习调整lt码编码长度的方法 Download PDFInfo
- Publication number
- CN109039531B CN109039531B CN201810357660.3A CN201810357660A CN109039531B CN 109039531 B CN109039531 B CN 109039531B CN 201810357660 A CN201810357660 A CN 201810357660A CN 109039531 B CN109039531 B CN 109039531B
- Authority
- CN
- China
- Prior art keywords
- code
- channel
- transmission
- data
- length
- 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
- H04L1/004—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/364—Delay profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
- H04L1/0006—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
- H04L1/0007—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format by modifying the frame length
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种基于机器学习调整LT码编码长度的方法,该方法包括:发送端建立信道评估模型,根据之前的信道参数预测此次传输过程的信道情况,根据预测到的信道状况确定此次传输的最佳LT码的编码码长;发送端得到最佳码长后编码发送数据;接收端接收到完整的数据后向发射端发送反馈信息RS;发送模块通过时延计算得到此次传输过程的信道波动情况,根据信道波动情况及信道物理时延计算信道的评估模型;根据模型确定下一次传输的最佳LT码编码码长,在积累数据时利用合适的代价函数不断修改建立模型的参数,在不断预测的过程中完善模型,达到对信道的评估越来越准确,信道利用率越来越高的效果。
Description
技术领域
本发明涉及卫星通信技术领域,尤其涉及一种基于机器学习对喷泉码LT码长度进行确定的技术。
背景技术
近些年来,卫星通信技术发展迅猛,各种定位、导航、卫星电话中都离不开卫星通信。而卫星通信中的传输时延比地面长得多,卫星通信信道面临着传输延迟大、误码率高、甚至频繁中断等一系列问题,需要我们采取可靠办法使卫星通信提高传输效率。
目前卫星通信上应用到的较好的前向纠错编码技术是LDPC码,它是一种性能高、译码简单,高效可靠的编码形式,但在译码错误情况下仍需使用反馈重传,这在卫星通信这种高延迟中断性信道下,将会造成传输效率低下。LT码由Luby于2002年提出,它是第一种实用的数字喷泉码,它最大的特点就是减少了差错重传的要求。译码器只要接收到足够的数据包便可以还原数据,而无需在每个数据包出错时都进行反馈重传。LT码编码、译码均简单高效,性能优良,十分适用于高延迟、高丢包率的卫星信道。
采用LT码进行编码往往需要确定LT码的长度,不同的码长适用于不同的信道情况。文献“LT码的分析与仿真”(《通信技术》2012年05期)对此进行了研究。在信道情况良好时,编码长度越长,所需要的编码分组总数越少,译码开销也小,传输吞吐率越高。但在恶劣信道下,越长的编码分组越容易产生误码,作为一种删除信道码,出现误比特就不得不丢弃分组,导致需要较多的分组才能完成传输,吞吐率下降,此时短码长将具有较好的吞吐率性能。已有的文献,如“深空通信中喷泉码技术研究”(《系统工程与电子技术》,2009年第1期),“基于优化LT码的深空数据传输策略”(《计算机应用》,2015年第4期)等提出了一些编码长度设置的方法,但均是简单的按照一定条件设置固定的编码长度,也没有提出一种获得适应信道情况的码长的设置方法。
机器学习是一门涉及多领域的交叉学科,它专门研究软硬件设备如何模拟人类学习的过程,不断获得新的知识和技能,重新组织自己的知识体系和结构,不断完善自己。在机器学习中有很多方法能够拟合已有数据,该方法的核心思想是从连续型统计数据中得到数学模型,然后将该数学模型用于预测或者分类。本发明正是利用机器学习的方法,在LT编码的最优码长确定过程中引入机器学习技术,获得与信道情况相匹配的最优码长,从而提高卫星通信中的数据的传输效率。
发明内容
本发明的目的之一至少在于,针对上述现有技术存在的问题,提供一种基于机器学习的动态调整卫星通信过程中LT码长度的方法,使LT码能够适应卫星通信信道环境的变化,解决固定LT码编码长度在频繁变化的卫星信道环境中传输效率低下的问题。
为了实现上述目的,本发明采用的技术方案为:
发送端首先建立信道状态预估模型:
Staten=Ktrans×τtrans_n+Ktrack×τtrack_n
其中Staten为预测的本次传输对信道的预估情况,τtrans_n为根据以往的传输消息预测出的信道状况时延因子,τtrack_n为根据通信双方距离所计算的链路时延因子,Ktrans为链路状况时延对整体传输时延的影响系数,Ktrack为轨道预测时延对整体传输时延的影响系数。
每次发送端发送数据包后记录整个数据包成功传输所需的时延τ以及根据轨道所在位置和接收方所在位置计算出的此次传输的链路时延因子τtrack,可以算出此次的信道状况时延因子记录下每次的τtrans作为训练集,建立预测模型τtrans_n=Matrixτtrans_n-1*θ,其中:
划分此次通信的前100次传输过程数据为测试集。拟合参数θ。具体拟合方式为:
定义衡量模型预测出来的值y(τ)与真实值y之间的差异的函数叫做代价函数J(θ):
在我们的拟合过程中x(i)为此前划分的信道波动参数训练集所构成的多项式矩阵
hθ(x(i))=Matrixτtrans_train*θ
而y(i)则为评估用例[τtrans_-n+1,τtrans_-n+2,...,τtrans_0]
对于项,这一项是一个与模型hθ有关的参数,如果不加此项,模型必定倾向于最小化损失函数J(θ),这么一来就很可能发生过拟合。引入该项后,如果模型过于复杂,该项的次数也更高,引发的惩罚值也更大,由此抑制了模型的过度复杂化,λ也被称为惩罚因子。λ过小,则对“防止过拟合”几乎无影响。λ过大,则使损失函数前半部分的权重大大降低,试想如果λ接近无限大,最终的结果是所有的θ都接近0,因此需要选择适当的λ。
通过迭代过程不断改变θ,以拟合出一个更小的J(θ)。迭代过程是一个J(θ)不断减小直至收敛的过程,理想情况下,当我们取到代价函数J的最小值时,就得到了最优的参数θ,记为:
这里我们设定迭代过程为梯度下降的方式。
拟合出θ后,根据系数θ确定时延τtrans_n,然后计算出此次对信道的预估情况Staten。Staten用于确定此次发送过程的最佳LT码码长,码长的确定模型为:
其中l为LT码的长度,Kbase为基准系数,lbase为基准码长。
发送端得到预估码长后根据此码长对数据包进行LT编码并发送,然后等待接收端回传确认消息。
发送端接收到接收端的成功传输确认反馈信息后将更新训练集τtrans,更新方法为将此次的传输数据加入训练集并剔除距离此次传输时间最久远的一次数据,根据新的训练集修正参数θ。此后重复发送过程。
发射端包括:数据分析模块,用于为下一次发射的分段长度提供参考;分段编码模块,用于为要发送的数据进行分段和编译成LT码;发射数据和接收反馈信息模块,用于发射数据和接收反馈信息;数据储存装置,用于储存接收模块反馈的信息。
接收端包括:数据接收和发射反馈信息模块,用于接收数据和发送反馈信息;LT码译码装置,用于回复发射数据;反馈信息生成装置,用于生成反馈信息包括有无完整接收信息,卫星目前的轨道信息等。
综上所述,由于采用了上述技术方案,本发明至少具有以下有益效果:
采用LT码的方式进行传输,避免了接收模块进行类似地面TCP协议的反馈重传,缓解了卫星通信丢包率高的问题。采用机器学习的方式动态确定LT码长度,最大利用传输带宽。在信道好的条件下LT码的长度长,传输的次数;在信道条件不好的情况下LT码的长度短,重传的次数少。这样可很大程度上提高了传输的效率。
附图说明
图1为本发明流程图。
具体实施方式
下面结合实施例,对本发明进行进一步详细说明,以使本发明的目的、技术方案及优点更加清楚明白。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例如下:
对基于机器学习的动态确定卫星通信过程中LT码长度的方法应用于包括发射模块和接收数据模块进行详细说明。
步骤一:发送端建立信道状态预测模型如下:
Staten=Ktrans×τtrans_n+Ktrack×τtrack_n
其中Staten为预测的本次传输对信道的预估情况,τtrans_n为根据以往的传输消息预测出的信道状况时延因子,τtrack_n为根据通信双方距离所计算的链路时延因子,Ktrans为链路状况时延对整体传输时延的影响系数,Ktrack为轨道预测时延对整体传输时延的影响系数。
步骤二:建立预测模型。发送端建立回归方程Matrixτtrans_test=Matrixτtrans_trainθ以及码长判定方程
其中l为LT码的长度,Kbase为基准系数,lbase为基准码长,Staten为之前预估出来的信道状况。
回归方程用以预测下一次发射数据的信道状况,码长判定方程用于通过预测出的传输时延来决定LT码的最佳码长。
在回归方程中:
Matrixτtrans_test=[τtrans_-n+1,τtrans_-n+2,....,τtrans_0],τtrans_-n+1,τtrans_-n+2,....,τtrans_0为前n次到前一次的传输时间。
τtrans_-n,τtrans_-n+1,...,τtrans_-1为前n+1次到前2次的传输时间,第一行中[1,1,1…,1]为直流分量。θT=[θ0,θ1,θ2,...,θn],θ是需要拟合的参数。初始发送设定τtrans_-n,τtrans_-n+1,...,τtrans_-1均为0,即第一次发送过程的信道状况仅由发送端所处于当前轨道的参数所决定。通过式Matrixτtrans_test=Matrixτtrans_trainθ可以模拟出下次传输的信道状况,然后再根据时延和轨道参数便可以预测下一次传输的编码码长。
在码长决定方程中:
根据之前建立的模型可以计算出此次对信道的预估情况Staten。Staten用于判定此次发送过程的最佳LT码码长,码长的判定模型为:
其中l为LT码的长度,Kbase为基准系数,lbase为基准码长。
步骤三:拟合参数。参数θ更新的过程为发送端通过储存的大量数据Matrixτtrans_train和Matrixτtrans_test拟合出θ,拟合的具体过程为:利用之前的数据建立线性方程组。
求解得出θ0,θ1,θ2,...,θn,求解的方法为梯度下降。令hθ(x)=Xθ。损失函数的表达式为
设置好终止距离ε和步长α。
第三,确定θ向量里面的每个值,梯度下降的距离都小于ε如果小于ε则算法终止,当前θ向量即为最终结果。否则进入下一步;
步骤四:发送端确定码长。根据之前建立的模型可以计算出此次对信道的预估情况Staten。Staten用于判定此次发送过程的最佳LT码码长,码长的判定模型为:
步骤五:编码传输。发送端将分段后的数据根据已设定好的码长进行LT编码,得到编码后的数据包。然后将数据包进行发送,并等待接收端回复确认接收消息。
步骤六:接收。接收端接收到数据包后译码恢复,若译码失败,则继续等待发送方发送数据包,若译码成功,则向发送端发送确认消息RS。
步骤七:更新参数,然后重复步骤三。发送端接收到RS后,修正参数θ。把衡量模型预测出来的值y(x)与真实值y之间的差异的函数叫做代价函数J(θ)。再次改变θ,得到更小的J(θ)的过程。理想情况下,当我们取到代价函数J的最小值时,就得到了最优的参数θ,记为:
例如,J(θ)=0,表示我们的模型完美的拟合了观察的数据,没有任何误差。一般来说
这里y(i)为第前i次实际传输的信道波动参数,hθ(x)为之前拟合的函数。在优化参数θ的过程中,采用的方法是梯度下降,这里的梯度就是代价函数J(θ)对θ1,θ2,…,θn的偏导数。这一步更新过程相当于回到步骤二,根据拟合好的参数θ以及当前的轨道参数C来确定此次发送过程的最优LT码长。然后对数据进行编码发送,自此便形成一个完整的通信循环。
Claims (14)
1.一种基于机器学习调整LT码编码长度的方法,其特征在于,所述方法包括:
建立信道预测模型;根据之前储存的信息确定模型的参数,来预测下一次信道的状况;根据信道状况确定码长确定式的参数,并确定LT码的码长;编码发送数据;接收模块接收到完整的数据后向发射模块反馈确认消息RS;发送模块接收到RS后记录传输时延和对应的LT码长度;之后不断发送并记录下在不同LT码长度和卫星位于不同轨道处传输数据的时延;在记录大量数据后采用机器学习的方法预测下一次发送时的信道状况,来动态调整LT码编码长度进行发送,在积累数据时利用合适的代价函数不断修改建立模型的参数,在不断预测的过程中完善模型,达到越来越准确的效果。
2.根据权利要求1所述的方法,其特征在于,通信的环境为卫星通信。
3.根据权利要求1所述的方法,其特征在于,卫星传输数据所用的编码方式为LT码。
4.根据权利要求1所述的方法,其特征在于,所述传输时延利用机器学习的方法动态确定。
5.根据权利要求1所述的方法,其特征在于,发射模块接收到接收模块反馈的确认消息后将这些信息储存起来为下一次发射作参考。
6.根据权利要求1所述的方法,其特征在于,预测下一次发送时的信道状况的方法是,动态确定传输时延,建立模型Staten=Ktrans×τtrans_n+Ktrack×τtrack_n;
其中Staten为预测的本次传输对信道的预估情况,τtrans_n为根据以往的传输消息预测出的信道状况时延因子,τtrack_n为根据通信双方距离所计算的链路时延因子,Ktrans为链路状况时延对整体传输时延的影响系数,Ktrack为轨道预测时延对整体传输时延的影响系数。
7.根据权利要求6所述的方法,确定模型的参数。据权利要求6所述的方法,确定模型的参数。
8.根据权利要求1所述的方法,通过预测传输时延来确定LT码的编码长度。
10.根据权利要求4所述的方法,其特征在于,机器学习的运算为多项式回归运算。
11.根据权利要求1所述的方法,采用代价函数利用接收模块反馈过来的时延和预测的时延对建立的模型的参数进行修改。
13.根据权利要求12所述的方法,修正模型参数的方法为梯度下降。
14.一种基于机器学习的确定LT码长度的系统,其特征在于,包括发射装置和接收装置,其中:
发射装置包括:数据分析模块,用于为下一次发射的分段长度提供参考;分段编码模块,用于为要发送的数据进行分段和编译成LT码;发射数据和接收反馈信息模块,用于发射数据和接收反馈信息;数据储存装置,用于储存接收模块反馈的信息;
接收装置包括:数据接收和发射反馈信息模块,用于接收数据和发送反馈信息;LT码译码装置,用于回复发射数据;反馈信息生成装置,用于生成反馈信息,反馈信息包括有无完整接收信息和卫星目前的轨道信息;
其中,数据分析模块中通过信道状态预测模型和码长预测模型为下一次发射的分段长度提供参考;
信道状态预测模型为:
Staten=Ktrans×τtrans_n+Ktrack×τtrack_n;
其中Staten为预测的本次传输对信道的预估情况,τtrans_n为根据以往的传输消息预测出的信道状况时延因子,τtrack_n为根据通信双方距离所计算的链路时延因子,Ktrans为链路状况时延对整体传输时延的影响系数,Ktrack为轨道预测时延对整体传输时延的影响系数;
码长预测模型来通过预测出的Staten确定LT码编码长度;
其中l为LT码的长度,Kbase为基准系数,lbase为基准码长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810357660.3A CN109039531B (zh) | 2018-04-20 | 2018-04-20 | 一种基于机器学习调整lt码编码长度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810357660.3A CN109039531B (zh) | 2018-04-20 | 2018-04-20 | 一种基于机器学习调整lt码编码长度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109039531A CN109039531A (zh) | 2018-12-18 |
CN109039531B true CN109039531B (zh) | 2021-06-01 |
Family
ID=64629471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810357660.3A Active CN109039531B (zh) | 2018-04-20 | 2018-04-20 | 一种基于机器学习调整lt码编码长度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109039531B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112822118B (zh) * | 2020-12-30 | 2023-03-10 | 广东省电信规划设计院有限公司 | 卫星的数据传输帧长确定方法、装置及通信系统 |
CN116367167A (zh) * | 2021-12-22 | 2023-06-30 | 华为技术有限公司 | 通信方法和通信装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101192900A (zh) * | 2006-12-01 | 2008-06-04 | 武汉烽火网络有限责任公司 | 用于电信级以太网的应用前向纠错机制的通信方法和设备 |
CN104168087A (zh) * | 2014-08-08 | 2014-11-26 | 浙江大学 | 无速率编码传输系统中基于q学习的传输帧长主动自适应调整方法 |
CN106650605A (zh) * | 2016-10-20 | 2017-05-10 | 北京工业大学 | 一种基于机器学习的Morse信号自动检测译码方法 |
CN107888335A (zh) * | 2017-10-13 | 2018-04-06 | 西安电子科技大学 | 基于信道反馈的等离子鞘套下的自适应编译码方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101651683B1 (ko) * | 2010-05-07 | 2016-08-29 | 삼성전자주식회사 | 통신 시스템에서의 채널 부호화 장치 및 방법 |
-
2018
- 2018-04-20 CN CN201810357660.3A patent/CN109039531B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101192900A (zh) * | 2006-12-01 | 2008-06-04 | 武汉烽火网络有限责任公司 | 用于电信级以太网的应用前向纠错机制的通信方法和设备 |
CN104168087A (zh) * | 2014-08-08 | 2014-11-26 | 浙江大学 | 无速率编码传输系统中基于q学习的传输帧长主动自适应调整方法 |
CN106650605A (zh) * | 2016-10-20 | 2017-05-10 | 北京工业大学 | 一种基于机器学习的Morse信号自动检测译码方法 |
CN107888335A (zh) * | 2017-10-13 | 2018-04-06 | 西安电子科技大学 | 基于信道反馈的等离子鞘套下的自适应编译码方法 |
Non-Patent Citations (2)
Title |
---|
《A Study on Variable Length Channel Coding for State Feedback in Wireless Control Systems》;Yosuke Miwa, et al.;《 2017 IEEE Wireless Communications and Networking Conference (WCNC)》;20170511;全文 * |
《数字喷泉码及网络喷泉码的最新进展 》;徐大专等;《数据采集与处理》;20140531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109039531A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110474716B (zh) | 基于降噪自编码器的scma编解码器模型的建立方法 | |
CN106230555B (zh) | 极化码的分段循环冗余校验方法 | |
CN110417456B (zh) | 基于无人机的信息传输方法 | |
CN108566257B (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
CN110809771B (zh) | 用于机器学习模型的压缩和分发的系统和方法 | |
CN109039531B (zh) | 一种基于机器学习调整lt码编码长度的方法 | |
KR20110135597A (ko) | 행렬 네트워크 코딩을 사용하는 장치 및 방법 | |
US11876531B2 (en) | Smart decoder | |
CN112564712B (zh) | 一种基于深度强化学习的智能网络编码方法和设备 | |
CN113613301B (zh) | 一种基于dqn的空天地一体化网络智能切换方法 | |
CN112751644A (zh) | 数据传输方法、装置及系统、电子设备 | |
Yu et al. | Convolutional autoencoder-based phase shift feedback compression for intelligent reflecting surface-assisted wireless systems | |
Bocharova et al. | Characterizing packet losses in vehicular networks | |
KR20150084099A (ko) | 통신 시스템에서 데이터 채널 모델의 파라미터 추정 방법 및 시스템 | |
CN116128070B (zh) | 基于无线空中计算和多比特量化压缩感知的联邦学习方法 | |
CN112817940A (zh) | 基于梯度压缩的联邦学习数据处理系统 | |
CN116527180A (zh) | 基于cwgan-gp星地链路信道建模的scma方法 | |
CN115577797B (zh) | 一种基于本地噪声感知的联邦学习优化方法及系统 | |
CN101272223B (zh) | 一种低密度生成矩阵码的译码方法及装置 | |
Baldvinsson et al. | IL-GAN: rare sample generation via incremental learning in GANs | |
CN114362763A (zh) | 联合译码方法及装置、存储介质及电子设备 | |
CN112465055A (zh) | 一种基于卷积神经网络的网络故障诊断方法 | |
CN108199807B (zh) | 一种极化码可靠性估计方法 | |
CN102801661B (zh) | 一种上行接收方法及装置 | |
CN1485798A (zh) | 一种神经网络均衡器的优化训练方法 |
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 |