CN109039531B - 一种基于机器学习调整lt码编码长度的方法 - Google Patents

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

一种基于机器学习调整LT码编码长度的方法

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：

State_n＝K_trans×τ_{trans_n}+K_track×τ_{track_n}

其中State_n为预测的本次传输对信道的预估情况，τ_{trans_n}为根据以往的传输消息预测出的信道状况时延因子，τ_{track_n}为根据通信双方距离所计算的链路时延因子，K_trans为链路状况时延对整体传输时延的影响系数，K_track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τ_track，可以算出此次的信道状况时延因子

记录下每次的τ_trans作为训练集，建立预测模型τ_{trans_n}＝Matrix_{τtrans_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

h_θ(x⁽ⁱ⁾)＝Matrix_{τtrans_train}*θ

而y⁽ⁱ⁾则为评估用例[τ_{trans_-n+1},τ_{trans_-n+2},...,τ_{trans_0}]

对于

项，这一项是一个与模型h_θ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τ_{trans_n}，然后计算出此次对信道的预估情况State_n。State_n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，K_base为基准系数，l_base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τ_trans，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：

State_n＝K_trans×τ_{trans_n}+K_track×τ_{track_n}

其中State_n为预测的本次传输对信道的预估情况，τ_{trans_n}为根据以往的传输消息预测出的信道状况时延因子，τ_{track_n}为根据通信双方距离所计算的链路时延因子，K_trans为链路状况时延对整体传输时延的影响系数，K_track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Matrix_{τtrans_test}＝Matrix_{τtrans_train}θ以及码长判定方程

其中l为LT码的长度，K_base为基准系数，l_base为基准码长，State_n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：

Matrix_{τtrans_test}＝[τ_{trans_-n+1},τ_{trans_-n+2},....,τ_{trans_0}],τ_{trans_-n+1},τ_{trans_-n+2},....,τ_{trans_0}为前n次到前一次的传输时间。

τ_{trans_-n},τ_{trans_-n+1},...,τ_{trans_-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。θ^T＝[θ₀，θ₁,θ₂,...,θ_n],θ是需要拟合的参数。初始发送设定τ_{trans_-n},τ_{trans_-n+1},...,τ_{trans_-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Matrix_{τtrans_test}＝Matrix_{τtrans_train}θ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State_n。State_n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，K_base为基准系数，l_base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Matrix_{τtrans_train}和Matrix_{τtrans_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,...,θ_n，求解的方法为梯度下降。令h_θ(x)＝Xθ。损失函数的表达式为

设置好终止距离ε和步长α。

第一，确定当前位置的损失函数的梯度，对于向量θ其梯度表达式如下：

第二，用步长乘以损失函数的梯度，得到当前位置下降的距离，即

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；

第四，更新θ向量，更新后的表达式为

更新完成后继续转入第一步。

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State_n。State_n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，h_θ(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,…,θ_n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State_n＝K_trans×τ_{trans_n}+K_track×τ_{track_n}；

其中State_n为预测的本次传输对信道的预估情况，τ_{trans_n}为根据以往的传输消息预测出的信道状况时延因子，τ_{track_n}为根据通信双方距离所计算的链路时延因子，K_trans为链路状况时延对整体传输时延的影响系数，K_track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。

9.根据权利要求8所述的方法，通过预测出的State_n确定LT码编码长度；

码长预测模型为

其中State_n为预测的本次传输对信道的预估情况，l为LT码的长度，K_base为基准系数，l_base为基准码长。

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。

12.根据权利要求11所述的方法，采用的代价函数为

J(θ)为代价函数，θ为拟合参数，

θ_j为拟合出的θ中第j个参数值，n为j取值的最大值，y⁽ⁱ⁾为第前i次实际传输的信道波动参数，h_θ(x⁽ⁱ⁾)为之前拟合的函数，m为i取值的最大值，λ为惩罚因子。

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：

State_n＝K_trans×τ_{trans_n}+K_track×τ_{track_n}；

其中State_n为预测的本次传输对信道的预估情况，τ_{trans_n}为根据以往的传输消息预测出的信道状况时延因子，τ_{track_n}为根据通信双方距离所计算的链路时延因子，K_trans为链路状况时延对整体传输时延的影响系数，K_track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State_n确定LT码编码长度；

码长预测模型为

其中l为LT码的长度，K_base为基准系数，l_base为基准码长。

Images