CN109194425B - 一种基于人工智能端到端信息传输系统及方法 - Google Patents

Abstract

本发明属于无线通信网络技术领域，公开了一种基于人工智能端到端信息传输系统及方法，包括：构建模型库；确定求解模型库的算法库；将算法库展开为深度神经网络。AI发射机，用于确定算法库约束模型库范围，减少信源编码、信道编码、数字调制模块处代价函数库的未知参量，折衷选取信源编码、信道编码、数字调制关键参量；AI接收机，对应于发射机，用于确定信源解码、信道解码、数字解调对应的数学映射。本发明主要解决现有移动通信系统中模块化性能损失严重，理想AWGN信道建模不准确和其他模型描述不精确等问题，减少模块化信息增益损失，有效的降低了误码率，提高算法通用性，降低算法复杂性，提升了网络性能。

Description

一种基于人工智能端到端信息传输系统及方法

技术领域

本发明属于无线通信网络技术领域，尤其涉及一种基于人工智能端到端信息传输系统及法。

背景技术

目前，业内常用的现有技术是这样的：传统端到端信息传输系统充分的利用传输资源(即带宽、功率、复杂度)的条件下，选择发送和接收方案，以逼近香农给出的极限。针对线性高斯信道模型，已经找到了接近香农信道容量的方法(在这个模型下采用Turbo码、LDPC码)。无线信道中，非线性、多普勒频移、衰落、阴影效应和其他用户的干扰，使得无线信道不能用简单的AWGN信道来建模，无线信道的特性使寻找逼近香农极限的方法更加富有挑战性，编码调制方案的可行性受到信道模型的限制。由于非理想传输信道中包括衰减、热噪声、符号间干扰、多径传输和功率限制等，采用传统的端到端信息传输系统模块化的方法结果均不理想，丧失掉大量的编码调制增益。所以，针对实际的非理想通信场景，寻找新的端到端建模方法具有重要意义。传统端到端信息传输系统的原则之一是将信号处理分解为多个独立的模块，执行良好的隔离的功能。虽然构成了高效，多功能和可控的系统，但是不清楚单独优化的模块是否能达到最佳的端到端性能。针对这一疑问，已有部分模块结合和拉通的情况。(1)以信源编码和信道编码为例：1、根据Shannon信息论原理，端到端信息传输系统中信源编码和信道编码是分离的，然而，该定理假设信源编码是最优的，可以去掉所有冗余，并且假设当比特率低于信道容量时可纠正所有误码。在不限制码长的复杂性和时延的前提下，即理论上可以设计这样的系统。而在实际系统中又必须限制码长的复杂性和时延，这必然会导致性能下降，这和香农编码定理的假设是相矛盾的。因此，在很多情况下，采用独立编码技术并不能获得满意的效果，例如，有严重噪声的衰落信道和移动通信信道，由于信源编码和信道编码模块之间信号处理造成的信息损失，采用独立编码技术不能满足要求。因此需要将信源编码和信道编码联合考虑，在实际的信道条件中获得比信源和信道单独进行编码更好的效果。例如已有研究联合信源信道编码系统，并证明了双QC-LDPC(基于欧式几何构造的准循环LDPC码)码的联合信源信道编码系统纠错性能相比双随机LDPC码有明显的改善，同时前者的译码迭代次数明显少于后者，从而提升了译码效率。仅使用QC-LDPC码作为信道码的联合信源信道编码系统也比双随机LDPC码的联合信源信道编码系统有更好的性能，且其迭代次数也更少。2、在带宽有限的联合信源信道编码系统中，系统的带宽资源分别分配给信源编码器和信道编码器，系统端到端的整体失真是信源失真和信道失真相互叠加的结果。当前无线通信传输方案中存在的信源-信道匹配效率低、传输抖动严重。由于5G通信过程中具有信源结构复杂、信道感知拓扑变动剧烈，导致信源及信道编码、传输及码率还原困难等问题，5G编码过程中难以实现网络数据的调整编码，且编码过程中时间复杂度及空间复杂度优化困难等难题。当前基于5G的移动无线自组织网络往往采取高速编码－解码机制，用于解决信道－信源感知过程中的感知效率，且能够显著提高高速编码过程中的信源传输质量，降低信道抖动情况的发生。(2)联合编码和调制：1、传统解调器首先判断调制器的输入会是什么，然后将判决的结果输入到译码器；然后使用已知的码字结构去判断编码器输入端的码字。这个过程称之为“硬”判决译码，采用码字间汉明距离最大化准则；它并不是一个最佳的方法，因为对于每次硬判决，解调器都要丢失一些可能会用到的信息，众所周知，不应该在和这个信息有关的所有判决执行之前，将信息过早地丢弃。采用将编码和调制结合的方法，解调器就不会将一些错误传递到译码器。解调器只是对各种符号进行暂时的估计，通常被称作“软”判决，采用几何距离(欧式距离)最大化准则。这样就可以不丢失一些对于译码器来说有用的信息。2、传统的信道编码通过增加信息冗余位来提高通信质量，但对于带宽严格受限而传输特性极差的移动信道，往往不得不以牺牲传输速率和带宽为代价。编码调制是一种不展宽频带的高效数字传输方案。例如，网格编码调制(TCM)和分组编码调制(BCM)，可以在不牺牲带宽和有效传输效率的前提下，获得明显的增益。3、使用差错控制编码需要系统能够承载较高的速率，因此，需要具有较大的传输带宽。而对于带宽受限的信道，则需要增加功率效率和频谱效率。可以采用将编码和调制相结合的方式，将高阶调制与高速率编码相结合，例如格型编码调制将调制与卷积编码结合，达到增加功率效率和频谱效率的目的。现有技术一公开一种基于联合信道编码的图像传输速率自适应分配方法。该方法的具体步骤是：第一步，建立目标函数模型为

第二步，分别采用AR4JA码和R4JA码进行信源编码和信道编码。第三步，给定当前信源帧的熵值，在最大值界限集中寻找满足大于给定当前信源滴值的所有对应的速率元素，并将其中的最小值作为信源编码速率。第四步，给定当前信噪比，在最低译码门限集合中寻找满足小于给定当前信噪比的所有对应的速率元素，并将其中最大值作为信道编码速率。现有技术二公开一种应用自编码神经网络的有损图像压缩方法。该方法的具体步骤是：第一步，对有损图像进行预处理得到采样图像。第二步，建立自编码神经网络模型。第三步，根据所述自编码神经网络模型计算隐藏层图像。第四步，将所述隐藏层图像作为新的采样图像进行后续压缩处理，得到最终的压缩图像。现有技术三公开一种基于神经网络的数字调制信号解调器及其解调方法。该方法的具体步骤是：第一步，输入调制信号：通过ADC将调制信号转换为数字信号。第二步，神经网络识别模块对ADC转换过的数字信号进行学习，再根据学习结果来修改网络权重值。第三步，使用未被学习的信号作为测试集，对比测试结果的准确率能否≥预期误码率。第四步，如果准确率≥预期误码率，则记录下网络权重值，学习过程结束；如果准确率低于预期误码率，则重复第一至第三步，直到准确率≥预期误码率。第五步，输入调制方式在步骤2中已学习过的调制信号：通过ADC将调制信号转换为数字信号。第六步，根据第二步中得到的神经网络的权重值，通过神经网络识别模块识别出ADC转换过的调制信号并解调出数字基带信号。

综上所述，现有技术存在的问题是：

(1)现有技术一利用了建立函数模型的求解的方法确定策略的主要影响因素，但只考虑联合了信源编码模块和信道编码模块，没有考虑到编码和调制的联合以及全部模块拉通的情况；目前暂时没有实现端到端信息传输系统拉通的技术，没有利用神经网络的学习能力，不能体现智能性和通用性。

(2)现有技术二只是利用神经网络对信源是图像的信号提出了自编码的方法，对其他类型的信源没有考虑采用神经网络学习的方法，目前深度学习主要是在图像处理以及语音识别方面实现了部分优化性能，并且只是对端到端信息传输系统部分模块做了部分优化，没有考虑到联合各模块优化，陷入了局部最优的狭隘方向，不能体现算法的通用性和低复杂性。

(3)现有技术三只利用神经网络学习数字信号新的调制信号及其调制方式，只是在端到端信息传输系统中一个小模块实现了通用性，即只是考虑做到局部最优，并没有上升到端到端信息传输系统的全局最优，带来了端到端信息传输系统设计的技术问题。

解决上述技术问题的难度和意义：

由于深度学习对软硬件的要求相对较高，需要的训练数据较多，对通信中要求的时延较低，原有的用于处理传统算法的仪器不足以满足现有需求。然而，现有通信系统通常独立处理优化各个模块，每个模块执行特定的功能，但是各个模块的最优不等于全局最优，对于实现端到端信息传输来说需要兼顾性能和算法优化要求。

现有分布式处理架构及专用硬件使得深度学习具有更好的计算和能量性能。且通信中大多数信号处理算法只能大致捕捉模型，而深度学习不需要精确的模型，为端到端信息传输提供了可能，因此可以利用深度学习设计基于人工智能的端到端信息传输系统及方法，可以有效地解决现有移动通信系统中模块化性能损失严重，理想AWGN信道建模不准确和其他模型描述不精确等问题。对于减少模块化信息增益损失，有效的降低误码率，提高算法通用性，降低算法复杂性，提升网络性能来说具有重要的意义。

发明内容

针对现有技术存在的问题，本发明提供了一种基于人工智能端到端信息传输系统及方法。

本发明是这样实现的，一种基于人工智能端到端信息传输方法，所述基于人工智能端到端信息传输方法包括：构建模型库；确定求解模型库的算法库；将算法库展开为深度神经网络。

所述构建模型库具体包括：

(1)抽出每个模块的数学模型，每个模块用对应的数学映射表示；分析各个模块映射函数共性，AI发射机由T(m₁,m₂,m₃...)表示。传统端到端信息传输系统发射端主要包括信源编码、信道编码、数字调制，每个通信模块都有多个对应的模型和算法，例如，信源编码部分包括原始莫尔斯电码，ASCⅡ码和电报码等。现代常见的信源编码方法有Huffman编码，L-Z编码，算术编码三种无损编码。信道编码部分包括许多经典的编码，如RS码，BCH码和卷积码等，现在常用的信道编码一般采用随机编码方法并结合迭代软译码逼近最大似然方法的性能，其主要方法有Polar码、Turbo码和LDPC码等。数字调制部分包括ASK，FSK，PSK，GFSK，GMSK，QAM，DPSK，mQAM，mPSK，OFDM等。综上所述，这些模块化的部分均可以用一一对应的数学映射关系来表示，这里用m₁表示信源编码对应的数学映射，用m₂表示信道编码对应的数学映射，用m₃表示数字调制对应的数学映射关系。

(2)对应于AI发射机，AI接收机由R(m′₁,m′₂,m′₃...)表示；每个模块都有对应的部分未知参量。此模型库具有较多未知参量，为减轻精确建模的压力，仅粗略地限定模型库范围。对应于发射端，传统端到端信息传输系统在接收端包括数字解调、信道解码和信源解码。并且每个模块都有与发射端各模块相对应的逆处理方法，同理接收端这些模块的部分也可以用一一对应的数学映射关系来表示，这里用m′₁表示信源解码对应的数学映射关系，用m′₂表示信道解码对应的数学映射关系，用m′₃表示数字解调对应的数学映射关系。

所述确定求解模型库的算法库具体包括：

(1)在发射端，算法库约束模型库范围，折衷选取信源编码关键参量，用m₁(l,r,...)表示信源编码过程对应的数学映射。针对传统端到端信息传输系统发射端信源编码是为了压缩数据，提高通信的有效性，即追求的是相同信息量的最少比特位，所以信源编码的主要影响参数包括编码码长和编码速率等，即可以用m₁(l,r,...)表示信源编码过程对应的数学映射，其中l表示编码码长，r表示码率，减少代价函数库的未知参量。

(2)在发射端，设计算法库约束模型库范围，折衷选取信道编码关键参量，用m₂(w,r,...)表示信道编码过程对应的数学映射。对于传统端到端信息传输系统发射端信道编码的目的是添加信息冗余，使得信息适合在特定的信道中传输，即追求的是通信的可靠性，它与信源编码可以看做是一对矛盾统一体，所以信道编码的主要影响参数包括编码方式和码率等，即可以用m₂(w,r,...)表示信道编码过程对应的数学映射，其中w表示编码方式，r表示码率，减少代价函数库的未知参量。

(3)在发射端，设计算法库约束模型库范围，折衷选取数字调制关键参量，用m₃(s,o,...)表示数字调制过程对应的数学映射。对于传统端到端信息传输系统发射端数字调制旨在将信号转化成适合在信道中传输的调制信号，调制方案的优化指能在低接收信噪比的条件下提供小的误比特率，对抗多径衰落情况性能良好，占用最小的带宽，并且容易实现、价格低廉。在数字端到端信息传输系统设计中，数字调制的主要影响参数包括有调制方式和调制阶数等，即可以用m₃(s,o,...)表示数字调制过程对应的数学映射，其中s表示调制方式，o表示调制阶数，减少代价函数库的未知参量。

(4)在接收端，设计m′₁(l,r,...)、m′₂(w,r,...)、m′₃(s,o,...)分别表示信源解码、信道解码、数字解调对应的数学映射。对于传统端到端信息传输系统接收端信源解码、信道解码、数字解调各模块都和发射端对应有相应的模型算法，所以参考发射端各个模块，可以用以上三个代价函数库来表示三个模块，其中各参数表示的意义也类似，在接收端设计的算法库约束模型库范围，减少代价函数库的未知参量。

所述将算法库展开为深度神经网络具体包括：

(1)算法库关键参量估计深度网络深度和逐步试验法确定隐层节点数。增加了隐含层数可以降低网络误差，提高精度，但也会使网络复杂化，从而增加了网络的训练时间和出现过拟合的情况。所以深度网络深度需要和隐含层节点数结合来考虑，可以靠增加隐层节点数来获得较低的误差，比增加隐层数更容易实现。通过逐步试验法可以确定隐层节点数，即先设置一个初始值，然后在这个值的基础上逐渐增加，比较每次网络的预测性能，选择性能最好的对应的节点数作为隐含层神经元节点数。

(2)利用深度学习方法训练算法库参数。算法库参数限制条件确定深度网络的参数学习空间，算法库中所有参数在深度网络的每一层设置为自由变量。

进一步，所述基于人工智能端到端信息传输方法具体包括：

步骤一，抽出每个模块的数学模型，每个模块用对应的数学映射关系表示；AI发射机由T(m₁,m₂,m₃...)表示；传统端到端信息传输系统模块化的部分均可以用一一对应的数学映射关系来表示，在发射端包括信源编码、信道编码、数字调制，用m₁表示信源编码对应的数学映射，用m₂表示信道编码对应的数学映射，用m₃表示数字调制对应的数学映射关系；

对应于AI发射机，AI接收机由R(m′₁,m′₂,m′₃...)表示；每个模块都有对应的部分未知参量；对应于发射端，传统端到端信息传输系统在接收端包括数字解调、信道解码、信源解码；每个模块都有与发射端各模块相对应的逆处理方法，同理接收端这些模块的部分可以用一一对应的数学映射关系表示；用m′₁表示信源解码对应的数学映射关系，用m′₂表示信道解码对应的数学映射关系，用m′₃表示数字解调对应的数学映射关系；

步骤二，在发射端，设计算法库约束模型库范围，减少信源编码模块处代价函数库的未知参量，折衷选取信源编码关键参量，用m₁(l,r,...)表示信源编码过程对应的数学映射，其中l表示编码码长，r表示码率；

在发射端，设计算法库约束模型库范围，减少信道编码模块处代价函数库的未知参量，折衷选取信道编码关键参量，用m₂(w,r,...)表示信道编码过程对应的数学映射，其中w表示编码方式，r表示码率；

在发射端，设计算法库约束模型库范围，减少数字调制模块处代价函数库的未知参量，折衷选取数字调制关键参量，用m₃(s,o,...)表示数字调制过程对应的数学映射，其中s表示调制方式，o表示调制阶数；

在接收端，设计m′₁(l,r,...)、m′₂(w,r,...)、m′₃(s,o,...)分别表示信源解码、信道解码、数字解调过程对应的数学映射；

步骤三，算法库关键参量估计深度网络深度和逐步试验法确定隐层节点数；先设置一个初始值，在初始值的基础上逐渐增加，比较每次网络的预测性能，选择性能最好的对应的节点数作为隐含层神经元节点数；

利用深度学习方法训练算法库参数，算法库参数限制条件确定深度网络的参数学习空间，算法库中所有参数在深度网络的每一层设置为自由变量；

端到端神经网络训练准备训练数据，训练数据包括两个部分，分别是输入：信号S，目标：信号T，将经过网络训练后的输出与目标对比，用损失函数loss＝mean((output-target)²)来求得两者的差异，函数设置为误码率；一次训练后的求得的误码率较大，那么网络将会调整每个层的参数，调整权重w＝w-learning_rate*gradient，之后再次用准备的输入数据训练，直至训练结果满足达到预期设定的误码率性能。

本发明的另一目的在于提供一种应用所述基于人工智能端到端信息传输方法的无线通信系统，所述基于人工智能端到端信息传输系统包括：

AI发射机，用于确定算法库约束模型库范围，减少信源编码、信道编码、数字调制模块处代价函数库的未知参量，折衷选取信源编码、信道编码、数字调制关键参量；

AI接收机，用于确定信源解码、信道解码、数字解调过程对应的数学映射。

综上所述，本发明的优点及积极效果为：本发明根据信源编码和信道编码结合算法，克服了现有技术中信源编码和信道编码之间矛盾的难题，同时解决了编码效率和失真率的折衷，使得本发明更具有适应性，减少了信源编码和信道编码模块之间的信息增益损失。本发明根据调研编码和调制结合的算法，减少了解调“硬”判决的部分信息损失，做到在不牺牲带宽和有效传输效率的前提下，获得明显的增益，增加功率效率和频谱效率。

本发明通过全局最优角度分别拟合传统端到端信息传输系统发射端和接收端各模块，满足当今通信的性能需求，既保证了较高的有效性，也具备较高的抗干扰能力。克服了现在技术中单独优化一个模块出现“各个模块的最优不等于全局最优”的不足，实现全局最优策略传输。本发明根据人工智能和神经网络有助于实现“策略智能化，去模块”，通过基于深度学习完成端到端信息传输系统的设计和实现，减少了传统端到端信息传输系统多个模块重复和复杂计算的次数，在整个端到端信息传输系统上实现了减小算法复杂度。

本发明根据深度学习技术寻找新的端到端信息传输方法，克服了非理想传输信道中包括衰减、热噪声、符号间干扰、多径传输和功率限制等导致无线信道不能用简单的AWGN信道来建模的因素，得到的这种基于AI的端到端信息传输系统具备更优的通用性，可以较好的学习非理想场景下的无线通信过程。

本发明从端到端信息传输系统全局的角度出发，综合考虑传统端到端信息传输系统各个模块的影响因素，设计AI发射机和AI接收机，分别拉通发端和收端各模块以实现全局性能最优，降低整体算法复杂度，提高算法的通用性。

附图说明

图1是本发明实施例提供的基于人工智能端到端信息传输系统结构示意图；

图中：1、AI发射机；2、AI接收机。

图2是本发明实施例提供的基于人工智能(AI)端到端信息传输方法流程图。

图3是本发明实施例提供的基于人工智能(AI)的端到端信息传输系统框图。

图4是本发明实施例提供的基于端到端的神经网络训练的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的技术问题，本发明根据信源特征，信道受损，调制分类，干扰情况，算法复杂度，算法通用性等，从全局的角度出发，设计AI发射机和AI接收机，分别拟合传统通信发端和收端各个模块，模糊通信模块之间的界限，减少信息损失，提高能量效率和资源利用率，降低误块率，改善网络性能。

下面结合附图对本发明的应用原理做详细的描述。

如图1所示，本发明实施例提供的基于人工智能端到端信息传输系统包括：AI发射机1、AI接收机2。

AI发射机1，用于确定算法库约束模型库范围，减少信源编码、信道编码、数字调制模块处代价函数库的未知参量，折衷选取信源编码关键参量；

AI接收机2，用于确定信源解码、信道解码、数字解调过程对应的数学映射。

如图2所示，本发明实施例提供的基于人工智能端到端信息传输方法包括以下步骤：

S201：构建模型库；

S202：设计用于求解模型库的算法库；

S203：将算法库展开成一个深度神经网络。

在本发明的优选实施例中，步骤S201具体包括：

(1)针对无线通信端到端信息传输系统，抽出每个模块的数学模型，每个模块用对应的数学映射表示。分析各个模块映射函数共性，AI发射机由T(m₁,m₂,m₃...)表示；

(2)对应于AI发射机，AI接收机由R(m′₁,m′₂,m′₃...)表示。每个模块都有对应的部分未知参量，此模型库具有较多未知参量，为减轻精确建模的压力，仅粗略限定模型库范围。

在本发明的优选实施例中，步骤S202具体包括：

(1)在发射端，设计算法库约束模型库范围，减少信源编码模块处代价函数库的未知参量，折衷选取信源编码关键参量，用m₁(l,r,...)表示信源编码过程对应的数学映射；

(2)在发射端，设计算法库约束模型库范围，减少信道编码模块处代价函数库的未知参量，折衷选取信道编码关键参量，用m₂(w,r,...)表示信道编码过程对应的数学映射；

(3)在发射端，设计算法库约束模型库范围，减少数字调制模块处代价函数库的未知参量，折衷选取数字调制关键参量，用m₃(s,o,...)表示数字调制过程对应的数学映射；

(4)在接收端，设计m′₁(l,r,...)、m′₂(w,r,...)、m′₃(s,o,...)分别表示信源解码、信道解码、数字解调对应的数学映射。

在本发明的优选实施例中，步骤S203具体包括：

(1)算法库关键参量估计深度网络深度；

(2)逐步试验法确定隐层节点数；

(3)利用深度学习方法训练算法库参数。

下面结合附图对本发明的应用原理作进一步的描述。

如图3所示，本发明实施例提供的基于人工智能端到端信息传输方法的具体步骤描述如下：

本发明面向端到端系统全局，通信发射端和接收端每一个模块都有其对应的数学映射关系。利用深度学习技术设计基于AI的端到端信息传输系统。如图3所示。传统端到端信息传输系统发射端和接收端分别采用对应的数学映射关系T(m₁,m₂,m₃...)和R(m′₁,m′₂,m′₃...)表示，利用深度学习技术设计基于AI的端到端信息传输方法。如图4所示，基于端到端的神经网络训练的流程图，通过利用神经网络的学习能力，调整端到端信息传输的重要参数，可以学习不同实际条件下的端到端信息传输方法，获得全局最优解。相比于传统端到端信息传输方案降低了算法复杂度，提高针对不同信道场景下的通用性和自适应性。

步骤一，构建模型库。

第一步，针对无线通信端到端信息传输系统，抽出每个模块的数学模型，每个模块用对应的数学映射关系表示。AI发射机由T(m₁,m₂,m₃...)表示。传统端到端信息传输系统模块化的部分均可以用一一对应的数学映射关系来表示，在发射端包括信源编码、信道编码、数字调制，这里用m₁表示信源编码对应的数学映射，用m₂表示信道编码对应的数学映射，用m₃表示数字调制对应的数学映射关系。

第二步，对应于AI发射机，AI接收机由R(m′₁,m′₂,m′₃...)表示。每个模块都有对应的部分未知参量，此模型库具有较多未知参量，为减轻精确建模的压力，仅粗略限定范围。对应于发射端，传统端到端信息传输系统在接收端包括数字解调、信道解码、信源解码。并且每个模块都有与发射端各模块相对应的逆处理方法，同理接收端这些模块的部分也是可以用一一对应的数学映射关系来表示，这里用m′₁表示信源解码对应的数学映射关系，用m′₂表示信道解码对应的数学映射关系，用m′₃表示数字解调对应的数学映射关系。

步骤二，设计用于求解模型库的算法库。

第一步，在发射端，设计算法库约束模型库范围，减少信源编码模块处代价函数库的未知参量，折衷选取信源编码关键参量，用m₁(l,r,...)表示信源编码过程对应的数学映射。针对传统端到端信息传输系统发射端，信源编码是为了压缩数据，提高通信的有效性，即追求的是相同信息量的最少比特位，所以信源编码的主要影响参数包括编码码长和编码速率等，即可以用m₁(l,r,...)表示信源编码过程的数学映射，其中l表示编码码长，r表示码率，做到减少代价函数库的未知参量。

第二步，在发射端，设计算法库约束模型库范围，减少信道编码模块处代价函数库的未知参量，折衷选取信道编码关键参量，用m₂(w,r,...)表示信道编码过程对应的数学映射。对于传统端到端信息传输系统发射端信道编码的目的是添加信息冗余，使得信息适合在特定的信道中传输，即追求的是通信的可靠性，它与信源编码可以看做是一对矛盾统一体，所以信道编码的主要影响参数包括编码方式和码率等，即可以用m₂(w,r,...)表示信道编码过程的数学映射，其中w表示编码方式，r表示码率，减少代价函数库的未知参量。

第三步，在发射端，设计算法库约束模型库范围，减少数字调制模块处代价函数库的未知参量，折衷选取数字调制关键参量，用m₃(s,o,...)表示数字调制过程对应的数学映射。对于传统端到端信息传输系统，发射端数字调制旨在将信号转化成适合在信道中传输的调制信号，调制方案的优化指能在低接收信噪比的条件下提供小的误比特率，对抗多径衰落情况性能良好，占用最小的带宽，并且容易实现、价格低廉。在数字端到端信息传输系统设计中，数字调制的主要影响参数包括有调制方式和调制阶数等，即可以用m₃(s,o,...)表示数字调制过程的数学映射，其中s表示调制方式，o表示调制阶数，减少代价函数库的未知参量。

第四步，在接收端，设计m′₁(l,r,...)、m′₂(w,r,...)、m′₃(s,o,...)分别表示信源解码、信道解码、数字解调对应的数学映射。对于传统端到端信息传输系统接收端信源解码、信道解码、数字解调各模块都和发射端对应有相应的模型算法，所以参考发射端各个模块，可以用以上三个代价函数库来表示三个模块，其中各参数表示的意义也类似，在接收端设计的算法库约束模型库范围，减少代价函数库的未知参量。

步骤三，将算法库展开成一个深度神经网络。

第一步，算法库关键参量估计深度网络深度和逐步试验法确定隐层节点数。增加了隐含层数增加隐层数可以降低网络误差，提高精度，但也可以使网络复杂化，从而增加了网络的训练时间和出现过拟合的情况。所以深度网络深度需要和隐含层节点数结合来考虑，可以靠增加隐层节点数来获得较低的误差，比增加隐层数更容易实现。通过逐步试验法可以确定隐含层节点数，即先设置一个初始值，然后在这个值的基础上逐渐增加，比较每次网络的预测性能，选择性能最好的对应的节点数作为隐含层神经元节点数。

第二步，利用深度学习方法训练算法库参数。算法库参数限制条件确定深度网络的参数学习空间，算法库中所有参数在深度网络的每一层设置为自由变量。

第三步，明确具体的端到端神经网络训练流程。参照附图4，首先准备训练数据，训练数据包括两个部分，分别是输入：信号S，目标：信号T，将经过网络训练后的输出与目标对比，可以用损失函数loss＝mean((output-target)²)来求得两者的差异，函数可以设置为误码率，那么训练的过程就是减小误码率的过程，比如一次训练后的求得的误码率较大，那么网络将会调整每个层的参数，如调整权重w＝w-learning_rate*gradient，之后再次用准备的输入数据训练，直至训练结果满足达到预期设定的误码率性能。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于人工智能端到端信息传输方法，其特征在于，所述基于人工智能端到端信息传输方法包括：构建模型库；确定求解模型库的算法库；将算法库展开为深度神经网络；

具体包括：

步骤一，抽出每个模块的数学模型，每个模块用对应的数学映射关系表示，分析各个模块映射函数共性，AI发射机由T(m₁,m₂,m₃...)表示，传统端到端信息传输系统模块化的部分均可以用一一对应的数学映射关系来表示，在发射端包括信源编码、信道编码、数字调制，用m₁表示信源编码对应的数学映射，用m₂表示信道编码对应的数学映射，用m₃表示数字调制对应的数学映射关系；

对应于AI发射机，AI接收机由R(m′₁,m′₂,m′₃...)表示，每个模块都有对应的部分未知参量；对应于发射端，传统端到端信息传输系统在接收端包括数字解调、信道解码、信源解码；每个模块都有与发射端各模块相对应的逆处理方法，同理接收端这些模块的部分可以用一一对应的数学映射关系表示，用m′₁表示信源解码对应的数学映射关系，用m′₂表示信道解码对应的数学映射关系，用m′₃表示数字解调对应的数学映射关系；

步骤二，在发射端，设计算法库约束模型库范围，减少信源编码模块处代价函数库的未知参量，折衷选取信源编码关键参量，用m₁(l,r,...)表示信源编码过程对应的数学映射，其中l表示编码码长，r表示码率；

在发射端，设计算法库约束模型库范围，减少信道编码模块处代价函数库的未知参量，折衷选取信道编码关键参量，用m₂(w,r,...)表示信道编码过程对应的数学映射，其中w表示编码方式，r表示码率；

在发射端，设计算法库约束模型库范围，减少数字调制模块处代价函数库的未知参量，折衷选取数字调制关键参量，用m₃(s,o,...)表示数字调制过程对应的数学映射，其中s表示调制方式，o表示调制阶数；

在接收端，设计m′₁(l,r,...)、m′₂(w,r,...)、m′₃(s,o,...)分别表示信源解码、信道解码、数字解调过程对应的数学映射；

步骤三，算法库关键参量估计深度网络深度和逐步试验法确定隐层节点数；增加了隐含层数可以降低网络误差，提高精度，但也会使网络复杂化，从而增加了网络的训练时间和出现过拟合的情况；所以深度网络深度需要和隐含层节点数结合来考虑，可以靠增加隐层节点数来获得较低的误差，比增加隐层数更容易实现， 通过逐步试验法可以确定隐层节点数，即先设置一个初始值，然后在这个值的基础上逐渐增加，比较每次网络的预测性能，选择性能最好的对应的节点数作为隐含层神经元节点数；

利用深度学习方法训练算法库参数，算法库参数限制条件确定深度网络的参数学习空间，算法库中所有参数在深度网络的每一层设置为自由变量；

端到端神经网络训练准备训练数据，训练数据包括两个部分，分别是输入：信号S，目标：信号T，将经过网络训练后的输出与目标对比，用损失函数loss＝mean((output-target)²)来求得两者的差异，函数设置为误码率；一次训练后的求得的误码率较大，那么网络将会调整每个层的参数，调整权重w＝w-learning_rate*gradient，之后再次用准备的输入数据训练，直至训练结果满足达到预期设定的误码率性能。

2.如权利要求1所述的基于人工智能端到端信息传输方法，其特征在于，所述构建模型库具体包括：

(1)抽出每个模块的数学模型，每个模块用对应的数学映射表示，分析各个模块映射函数共性，粗略建立代价函数模型库，AI发射机由T(m₁,m₂,m₃...)表示；

(2)对应于AI发射机，AI接收机由R(m′₁,m′₂,m′₃...)表示；每个模块都有对应的部分未知参量。

3.如权利要求1所述的基于人工智能端到端信息传输方法，其特征在于，所述确定求解模型库的算法库具体包括：

(1)在发射端，算法库约束模型库范围，折衷选取信源编码关键参量，用m₁(l,r,...)表示信源编码过程对应的数学映射；

(2)在发射端，设计算法库约束模型库范围，折衷选取信道编码关键参量，用m₂(w,r,...)表示信道编码过程对应的数学映射；

(3)在发射端，设计算法库约束模型库范围，折衷选取数字调制关键参量，用m₃(s,o,...)表示数字调制过程对应的数学映射；

(4)在接收端，设计m′₁(l,r,...)、m′₂(w,r,...)、m′₃(s,o,...)分别表示信源解码、信道解码、数字解调对应的数学映射。

4.如权利要求1所述的基于人工智能端到端信息传输方法，其特征在于，所述将算法库展开成一个深度神经网络具体包括：

(1)算法库关键参量估计深度网络深度；

(2)逐步试验法确定隐层节点数；

(3)利用深度学习方法训练算法库参数。

5.一种实现权利要求1所述基于人工智能端到端信息传输系统包括：

AI发射机，用于确定算法库约束模型库范围，减少信源编码、信道编码、数字调制模块处代价函数库的未知参量，折衷选取信源编码、信道编码、数字调制关键参量；

AI接收机，对应于发射机，用于确定信源解码、信道解码、数字解调对应的数学映射。

6.一种应用权利要求1～4任意一项所述基于人工智能端到端信息传输方法的无线通信系统。

Images