CN109548046A - 一种信道自适应跨协议通信系统及方法 - Google Patents

Abstract

本发明实施例提供一种信道自适应跨协议通信系统及方法，该系统包括CTC解码模块和在线学习模块，其中：CTC解码模块用于根据Text‑CNN解码模型提取CTC包中每个CTC符号的特征，得到解码数据；在线学习模块用于根据解码数据在线更新Text‑CNN解码模型，以使得Text‑CNN解码模型适应动态的信道环境。本发明实施例提供的一种信道自适应跨协议通信系统及方法，提出了一个通用的、轻量级的在线自适应CTC框架，包括一个基于Text‑CNN的解码模型来“追踪”信道的变化，以及一个在线学习模块调整Text‑CNN解码模型来保持一个可靠稳定的通信性能，从而能够适应环境噪声干扰，有效地降低了误码率。

Description

一种信道自适应跨协议通信系统及方法

技术领域

本发明涉及通信领域，尤其涉及一种信道自适应跨协议通信系统及方法。

背景技术

随着物联网的不断发展，各种无线设备得到了大规模的部署，但同时也遇到了无线设备部署密度过高、不同无线协议之间难以协调和信道资源利用低的问题。这些问题催生了跨协议通信技术(Cross-Technology Communication，CTC)，CTC旨在实现异构的无线设备(比如WiFi、蓝牙、ZigBee)的直接互联互通。现有的CTC技术常常借助一个双方能共同访问的“旁信道”(side channel)来传输数据，比如数据包的能量、时间间隔以及重叠信道的状态变化等等。

目前跨协议通信的技术大多基于“旁信道”中的可识别的特征。解码CTC的符号就意味着区分各个符号得不同特征。常常采用阈值或者机器学习模型区分特征的方案。但是无线信道中固有的动态性以及其它无线协议的干扰会引起这些可识别特征的失真，进而引起解码错误。因此在复杂动态的环境下，实现有可靠通信性能的CTC是一个非常突出的问题。

解决信道动态的问题是一个有挑战性的任务。CTC的通信链路不同于传统常规的无线链路。目前CTC还没有一个链路质量指标来刻画其通信链路的状态，而传统的无线通信比如WiFi可以用RSSI或者CSI来刻画信道的状态。但是这些指标无法用于反映CTC的链路质量，因为CTC使用了信号上层的特征而不是底层的原始信号进行通信。大多数目前的CTC转而采用一些间接的指标，比如误符号率(Symbol Error Ratio，SER)或者包错误率(PacketError Ratio，PER)，来间接地反映CTC的信道状态。当SER或者PER有了明显的提升的时候，CTC会反应式(reactively)地调整发送方的一些行为以增强发送信号的特征明显程度，如提高发射功率、增加符号长度或者重复发送等等。

但是，这类反应式的调整来克服动态信道常常在实际中会遭受性能下降甚至通信失效的问题。首先，其使用的间接指标反映的是较长期的平均信道质量，而对短期的信道的动态不敏感。因此，依据间接指标来调整CTC并不能达到最优的效果。其次，一些统计特征非常容易受到信道动态的干扰，导致基于特征进行解码的模型性能常常会失效。

发明内容

本发明实施例为克服上述技术缺陷，提供一种信道自适应跨协议通信系统及方法。

第一方面，本发明实施例提供一种信道自适应跨协议通信系统，包括CTC解码模块和在线学习模块，其中：

所述CTC解码模块用于根据Text-CNN解码模型提取CTC包中每个CTC符号的特征，得到解码数据；

所述在线学习模块用于根据所述解码数据在线更新所述Text-CNN解码模型，以使得所述Text-CNN解码模型适应动态的信道环境。

第二方面，本发明实施例提供一种基于第一方面所述信道自适应跨协议通信系统的方法，包括：

获取CTC包，根据Text-CNN解码模型提取所述CTC包中每个CTC符号的特征，得到解码数据；

根据所述解码数据在线更新所述Text-CNN解码模型，以使得所述Text-CNN解码模型适应动态的信道环境。

本发明实施例提供的一种信道自适应跨协议通信系统及方法，提出了一个通用的、轻量级的在线自适应CTC框架AdaComm。AdaComm能够调整解码模型来保持一个可靠稳定的通信性能，包括一个基于Text-CNN的解码模型来“追踪”信道的变化，直接使用原始数据作为输入，而避免了由人工特征提取引起的信息丢失，并且能够调整解Text-CNN码模型来保持一个可靠稳定的通信性能，能够自动地学习并提取有效地特征来区分不同的符号，从而能够适应环境噪声干扰，有效地降低了误码率。

附图说明

图1为本发明实施例提供的一种信道自适应跨协议通信系统的结构示意图；

图2为本发明实施例提供的一种基于信道自适应跨协议通信系统的方法的流程示意图；

图3为本发明实施例提供的数据增强示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种信道自适应跨协议通信系统的结构示意图，如图1所示，包括CTC解码模块11和在线学习模块12，其中：

所述CTC解码模块11用于根据Text-CNN解码模型提取CTC包中每个CTC符号的特征，得到解码数据；

所述在线学习模块12用于根据所述解码数据在线更新所述Text-CNN解码模型，以使得所述Text-CNN解码模型适应动态的信道环境。

跨协议通信技术(Cross-Technology Communication，以下简称CTC)旨在实现异构的无线设备(比如WiFi、蓝牙、ZigBee)的直接互联互通，本发明实施例提供了一种信道自适应跨协议通信系统AdaComm，AdaComm主要包括两个模块：CTC解码模块11和在线学习模块12，AdaComm是一个通用的、轻量级的在线自适应CTC框架，能够调整解码模型来保持一个可靠稳定的通信性能。与现有的技术不同的是，本发明实施例并没有调整发送方行为来增加信号的特征明显程度，而是提出一个基于Text-CNN的解码模型来“追踪”信道的变化以提高解码正确率。本发明也设计了一个在线学习的算法利用正确解码数据来更新解码模型。

AdaComm基于Text-CNN提出了一个解码模型，Text-CNN原本设计用于自然语言处理中的短文本分类，并且其能直接处理变长数据而不需要插值等手段。以ZigBee到WiFi的跨协议通信为例，目前包级别的CTC常常通过发送某一协议的数据包来调制CTC符号，同时接收方通过探测信道来获取信道的状态。比如，ZigBee发送端通过发送ZigBee包来影响WiFi接收端的CSI，以此来传输数据。但是注意到商用设别WiFi采用了CSMA/CD机制，所以CSI的采样速率是不均匀的。也就是说在每个CTC符号中，CSI采样个数并不是等长的(本发明中称一个CTC符号内的所有的CSI采样为一个CSI frame)。然而传统的神经网络要求输入的维度是固定的，所以其不能直接处理不等长的CSI frame。如果仅仅通过插值等手段将CSI frame缩放到固定维度是不可行的，因为CSI的采样是独立的，所以插值会引入额外的噪声。

使用表示中第j个采样，这里的N表示CSIframe的长度，D表示WiFi信道和ZigBee信道在频域上重叠的子载波的数量。本发明实施例在一个长度为H滑动窗口使用卷积核进行卷积计算。设置滑窗的步长为1，这样每个卷积核都会产生一个长度为N-H+1的特征向量。接着每个特征向量将进行1-max pooling(选取其中的最大值)操作。注意到这个pooling计算将一个变长(N-H+1)的特征向量转化为固定长度1。最后有着固定维度的每一层将进行全连接和SoftMax操作，从而得到各个符号上的概率分布，并选取概率值最大对应的符号作为解码结果。

本发明实施例提供的一种信道自适应跨协议通信系统，提出了一个通用的、轻量级的在线自适应CTC框架AdaComm。AdaComm能够调整解码模型来保持一个可靠稳定的通信性能，包括一个基于Text-CNN的解码模型来“追踪”信道的变化，直接使用原始数据作为输入，而避免了由人工特征提取引起的信息丢失，并且能够调整解Text-CNN码模型来保持一个可靠稳定的通信性能，能够自动地学习并提取有效地特征来区分不同的符号，从而能够适应环境噪声干扰，有效地降低了误码率。

所述CTC解码模块包括数据前同步信号检测子模块、分片子模块、模型解码器子模块和循环冗余校验子模块，其中：

所述数据前同步信号检测子模块连接所述分片子模块，所述模型解码器子模块连接所述分片子模块和所述循环冗余校验子模块；

所述数据前同步信号检测子模块检测所述CTC包是否存在并确定所述CTC包的起始位置，将所述CTC包传递到分片子模块；

所述分片子模块用于将所述CTC包进行分片，得到对应的每一个分片；

所述模型解码器子模块用于根据Text-CNN解码模型确定所述每一个分片对应的CTC符号，发送到所述循环冗余校验子模块；

所述循环冗余校验子模块用于对所述CTC包进行冗余校验，将通过校验的CTC包发送至CTC链路层。

所述在线学习模块包括fine tuning子模块和full training子模块，其中：

所述fine tuning子模块用于在信道逐渐变化时，基于fine tuning方式，根据解码数据更新所述Text-CNN解码模型；

所述full training子模块用于在信道突然变化时，基于full training方式，根据解码数据更新所述Text-CNN解码模型。

在CTC解码模块中，数据前同步信号检测子模块(Data Preamble Detection)首先检测CTC包是否存在并确定CTC包的起始位置，然后将信道信息传递到分片子模块(segmentation)。模型解码器子模块将确定每一个分片所对应的符号。最终CTC包将进入循环冗余校验子模块进行循环冗余校验(Cyclic Redundancy Check，CRC)，通过校验的CTC包将被转送至CTC链路层。

在线学习模块并没有使用离线训练解码模型的方式，而是采用在线训练的方式，在线学习模块包括fine tuning子模块和full training子模块，分别对应fine Tuning和full Training两种在线训练模式，分别应对信道中的逐渐变化和突发变化。

在线训练的能够帮助解码模型适应动态的信道环境。通过利用正确解码的CTC包数据，AdaComm能够持续获得有标注的解码数据，然后fine tuning子模块利用fine tuning方式更新Text-CNN解码模型。但是，信道也会偶尔突发地发生大幅度的变化而引起性能的显著下降。所以本发明实施例提出了full training方式来快速从失效中恢复。在该方式中，CTC接收方将显式地向CTC发送方请求训练序列(Training Sequence)。发送方接收到该请求后，将广播训练序列。当信道发生发生显著变化的时候，数据前同步信号检测往往也会失效。因此本发明实施例基于巴克码设计了一个训练序列专用的同步信号(TrainingSequence Preamble)。为了减少通信服务中断时间，AdaComm也集成了一个数据增强模块，扩充有限的训练序列，从中获取足量的解码数据，full training子模块根据解码数据更新Text-CNN解码模型。

本发明实施例提供的一种信道自适应跨协议通信系统，提出了一个通用的、轻量级的在线自适应CTC框架AdaComm。AdaComm能够调整解码模型来保持一个可靠稳定的通信性能，包括一个基于Text-CNN的解码模型来“追踪”信道的变化，直接使用原始数据作为输入，而避免了由人工特征提取引起的信息丢失，并且能够调整解Text-CNN码模型来保持一个可靠稳定的通信性能，能够自动地学习并提取有效地特征来区分不同的符号，从而能够适应环境噪声干扰，有效地降低了误码率。

图2为本发明实施例提供的一种基于信道自适应跨协议通信系统的方法的流程示意图，如图2所示，包括：

步骤21，获取CTC包，根据Text-CNN解码模型提取所述CTC包中每个CTC符号的特征，得到解码数据；

步骤22，根据所述解码数据在线更新所述Text-CNN解码模型，以使得所述Text-CNN解码模型适应动态的信道环境。

信道的动态性会导致特征的失真。原因在于即使原始数据中包含了丰富的信道信息，但是人工地定义一些统计特征会损失潜在信息。因此本发明使用了神经网络(neuralnetwork)作为解码模型。因为神经网络最大的能力就是特征学习，其能从原始数据中自动地学习有效特征而不需要先验的领域知识，因此本发明借助神经网络来自动提取每个CTC符号的特征。

目前包级别的CTC常常通过发送某一协议的数据包来调制CTC符号，同时接收方通过探测信道来获取信道的状态。比如，ZigBee发送端通过发送ZigBee包来影响WiFi接收端的CSI，以此来传输数据。但是注意到商用设别WiFi采用了CSMA/CD机制，所以CSI的采样速率是不均匀的。也就是说在每个CTC符号中，CSI采样个数并不是等长的(本发明中称一个CTC符号内的所有的CSI采样为一个CSI frame)。然而传统的神经网络要求输入的维度是固定的，所以其不能直接处理不等长的CSI frame。如果仅仅通过插值等手段将CSI frame缩放到固定维度是不可行的，因为CSI的采样是独立的，所以插值会引入额外的噪声。

为了充分使用CSI frame的蕴含的信息，AdaComm基于Text-CNN提出了一个解码模型。Text-CNN原本设计用于自然语言处理中的短文本分类，并且其能直接处理变长数据而不需要插值等手段。

使用表示中第j个采样，这里的N表示CSIframe的长度，D表示WiFi信道和ZigBee信道在频域上重叠的子载波的数量。本发明实施例在一个长度为H滑动窗口使用卷积核进行卷积计算。设置滑窗的步长为1，这样每个卷积核都会产生一个长度为N-H+1的特征向量。接着每个特征向量将进行1-max pooling(选取其中的最大值)操作。注意到这个pooling计算将一个变长(N-H+1)的特征向量转化为固定长度1。最后有着固定维度的每一层将进行全连接和SoftMax操作，从而得到各个符号上的概率分布，并选取概率值最大对应的符号作为解码结果。本发明实施例并没有使用离线训练解码模型的方式，而是采用在线训练的方式，来更新解码模型。

本发明实施例提供的一种基于信道自适应跨协议通信系统的方法，提出了一个通用的、轻量级的在线自适应CTC框架AdaComm。AdaComm能够调整解码模型来保持一个可靠稳定的通信性能，包括一个基于Text-CNN的解码模型来“追踪”信道的变化，直接使用原始数据作为输入，而避免了由人工特征提取引起的信息丢失，并且能够调整解Text-CNN码模型来保持一个可靠稳定的通信性能，能够自动地学习并提取有效地特征来区分不同的符号，从而能够适应环境噪声干扰，有效地降低了误码率。

在上述实施例的基础上，所述根据Text-CNN解码模型提取所述CTC包中每个CTC符号的特征，得到解码数据，具体包括：

检测所述CTC包是否存在，确定所述CTC包的起始位置；

将所述CTC包进行分片，得到对应的每一个分片；

根据所述Text-CNN解码模型确定所述每一个分片对应的CTC符号，得到解码数据。

在CTC解码模块中，数据前同步信号检测子模块(Data Preamble Detection)首先检测CTC包是否存在并确定CTC包的起始位置，然后将信道信息传递到分片子模块(segmentation)。模型解码器子模块将确定每一个分片所对应的符号。最终CTC包将进入循环冗余校验子模块进行循环冗余校验(Cyclic Redundancy Check，CRC)，通过校验的CTC包将被转送至CTC链路层。

本发明实施例提供的一种基于信道自适应跨协议通信系统的方法，提出了一个通用的、轻量级的在线自适应CTC框架AdaComm。AdaComm能够调整解码模型来保持一个可靠稳定的通信性能，包括一个基于Text-CNN的解码模型来“追踪”信道的变化，直接使用原始数据作为输入，而避免了由人工特征提取引起的信息丢失，并且能够调整解Text-CNN码模型来保持一个可靠稳定的通信性能，能够自动地学习并提取有效地特征来区分不同的符号，从而能够适应环境噪声干扰，有效地降低了误码率。

在上述实施例的基础上，所述根据所述解码数据在线更新所述Text-CNN解码模型，具体包括：

在信道逐渐变化时，基于fine tuning方式，根据解码数据更新所述Text-CNN解码模型；

在信道突然变化时，基于full training方式，根据解码数据更新所述Text-CNN解码模型。

fine Tuning和full Trainings是两种在线训练模式，分别应对信道中的逐渐变化和突发变化。

在线训练的能够帮助解码模型适应动态的信道环境。通过利用正确解码的CTC包数据，AdaComm能够持续获得有标注的解码数据，然后fine tuning子模块利用fine tuning方式更新Text-CNN解码模型。

所述基于fine tuning方式，根据解码数据更新所述Text-CNN解码模型，具体包括：

获取解码数据，将所述解码数据解码为对应的符号，其中n为解码数据的个数；

根据所述解码数据和所述对应的符号得到带标签的训练数据，将所述训练数据插入被动数据集中；

基于随机梯度下降方法，根据所述被动数据集中的所述训练数据更新所述Text-CNN解码模型。

所述基于随机梯度下降方法，根据所述被动数据集中的所述训练数据更新所述Text-CNN解码模型，具体包括：

其中，θ_k表示在第k次迭代中所述Text-CNN解码模型的参数，α表示所述Text-CNN解码模型更新的步长，表示关于θ的梯度，m表示用于计算梯度的所述训练数据的个数，D_k表示第k次迭代的所述训练数据的集合，x_i表示解码数据x₀,x₁,...x_n-1中任一项，b_i表示解码数据的对应的符号b₀,b₁,…b_n-1中任一项。

为了应对信道的渐变，AdaComm使用了fine tuning机制，该机制利用正确解码的数据作为带标签的数据来持续更新解码模型。

首先是被动数据收集，假设AdaComm收到了n个连续的CSI frame-x₀,x₁,...x_n-1，并将其解码为n个符号b₀,b₁,...b_n-1。如果这n个符号通过了CRC，本发明实施例就可以得到了n个带标签的训练数据并可以将它们插入到被动数据集D_p中，也就是D_p＝D_p∪{(x₀,b₀),(x₁,b₁),...(x_n-1,b_n-1)}。只要解码模型能正常地工作，本发明实施例就能持续收集被动数据。

得到带标签的数据后，进行参数更新。总的来说，Text-CNN模型训练过程可以转化成如下的优化问题：

minE_(x,y)～D[J_θ(x,y)]

这里的x表示CSI frame，y表示x的标签，本发明实施例将一对(x,y)称为一个训练样本(Training Example)。J是指损失函数。目前有很多的优化方案并且这些方案可以表示成对模型参数θ的更新方式。不失一般性，本发明实施例采用随机梯度下降(StochasticGradient Descent，SGD)。SGD的迭代方式可以表示成

这里θ_k表示在第k次迭代中所述Text-CNN解码模型的参数，α表示Text-CNN解码模型更新的步长，表示关于θ的梯度，m表示用于计算梯度的训练数据的个数，D_k表示第k次迭代的训练数据的集合，x_i表示解码数据x₀,x₁,...x_n-1中任一项，b_i表示解码数据的对应的符号b₀,b₁,...b_n-1中任一项。

当信道突然发生了显著的变化的时候，fine tuning可能就会失效了，并不能进行更新，因为解码模型很可能会失效，而不能再继续收集训练数据了。为了应对这个情形，本发明实施例提出了full training，使得模型能够快速恢复。

所述基于full training方式，根据解码数据更新所述Text-CNN解码模型，具体包括：

获取所述解码数据，将所述解码数据解码为对应的标签；

根据所述解码数据和所述对应的标签得到带标签的训练序列，根据所述训练序列构建主动训练数据集；

基于巴克码构建同步信号，在所述主动训练数据集中的所述训练序列的头和尾插入所述同步信号；

根据插入同步信号的训练序列，更新所述Text-CNN解码模型。

在full training模式中，CTC接收方通过监测SER来判读信道是否发生了突发变化。如果SER突然上升，CTC接收方将启动该full training机制。首先CTC接收方将向CTC发送方请求训练序列。一旦发送方收到请求，将重复广播训练序列。接送发收到训练序列后，将利用训练序列重新训练解码模型。另外，因为原本的解码模型已经失效，所以原本的前同步信号检测也会失效了。因此，针对训练序列，本发明实施例重新设计了前同步信号

首先在训练序列中插入了一个提前定义好的特征来帮助CTC接收方提取训练序列。除了训练序列前同步信号，训练序列由连续CTC符号1和连续的符号0组成。符号1和0的持续时间均为T_g。接着使用时间长度为T_s的符号窗口将训练序列分片成CSI frame{x_j}。另外可以从训练序列的结构中获得每个frame的标签y_i，最终可以构建主动训练数据集D_a＝D_a∪D_i，这里的D_i＝{(x_j,y_i)}。

为了在复杂的信道环境中做到准确的训练序列的同步以及起始位置的定位，AdaComm需要一个明显的特征来帮助CTC接收方进行同步。AdaComm基于巴克码(barkercode)设计了该同步信号。巴克码本质上是PN序列的一个子集，并被广泛地应用于数字通信系统中。巴克码的关键特性就是其完美的自相关性：考虑一个长度为N的巴克码，定义自相关系数为

这里的b_j表示一个取值为+1或者-1的巴克码(1≤j≤N)，并且自相关系数c_v的绝对值不超过1，对于所有的1≤v≤N成立。在AdaComm中，AdaComm选取了长度为11的巴克码{+1,+1,+1,-1,-1,-1,+1,-1,-1,+1,-1}。AdaComm在训练序列的头和尾都插入了该同步信号以提高可靠性。

在接收端，检测该同步信号的过程是，AdaComm首先将原始的CSI转换成+1和-1。AdaComm利用CSI的方差以及一个方差阈值来决定每个CSI的分片的取值。如果该CSI分片的方差大于阈值则设为+1，否则为-1。这样11个窗口就有11个输出，对这个11个输出与巴克码进行相关性计算，如果相关系数c_v大于某一阈值，AdaComm就可以认定有一个训练序列到达了，同时该CSI采样的位置就是训练序列起始的位置。

所述方法还包括：

基于所述主动训练数据集D_a＝{(x_i,y_i)}中所述训练序列(x_i,y_i)的随机排列，获取新生成训练数据(x_i′,y_i)，其中x_i代表所述解码数据，y_i代表x_i对应的标签，x_i′保留x_i的语义信息，与x_i的排列顺序不同。

一般情况下，训练数据越多，神经网络的训练效果就越好，模型准确率越高。但是在AdaComm中，full training过程中收集大量的训练数据的代价是很大的。一方面收集训练数据会中断正常的CTC通信，另一方面，ZigBee的节点需要保持射频模块开启，从而降低了ZigBee节点的续航时间。

为了解决该问题，AdaComm提出了一个数据增强的方案。数据增强在计算机视觉领域中被广泛使用，用来生成新的训练数据。数据增强的基本原理是新生成依旧保留着原始数据的语义信息(semantic information)，这样新生成的数据能复用原始数据的标签。本发明实施例中的数据增强技术基于CSI序列的随机排列(random permutation)。ZigBee的数据包必须和WiFi数据包中的前同步信号(preamble)碰撞，这样才能保证ZigBee的包能够影响到WiFi的CSI。但是由于ZigBee和WiFi数据包的发送是异步的，即使ZigBee数据包和WiFi数据包能够碰撞，但是在每个CTC符号中碰撞发生的位置也是随机的。基于这一发现，对CSI序列随机排列就能生产更多的训练数据，并且新生成的训练数据依旧蕴含着信道的信息。

图3为本发明实施例提供的数据增强示意图，如图3所示，(a)为原始序列，(b)为新生成序列1，(c)为新生成序列2，(d)为新生成序列2。假设主动数据集为D_a＝{(x_i,y_i)}。对于D_a中的某一对(x_i,y_i)，AdaComm随机排列x_i，并得到x_i′。x_i′与x_i的唯一区别就是CSI采样的排列顺序不同，但是x_i′依旧保留着x_i的语义信息，这样可以把(x_i′,y_i)作为一个新的训练样本，从而实现数据增强。

本发明实施例提供的一种基于信道自适应跨协议通信系统的方法，提出了一个通用的、轻量级的在线自适应CTC框架AdaComm。AdaComm能够调整解码模型来保持一个可靠稳定的通信性能，包括一个基于Text-CNN的解码模型来“追踪”信道的变化，直接使用原始数据作为输入，而避免了由人工特征提取引起的信息丢失，并且能够调整解Text-CNN码模型来保持一个可靠稳定的通信性能，能够自动地学习并提取有效地特征来区分不同的符号，从而能够适应环境噪声干扰，有效地降低了误码率。

以上所述仅为本发明的优选实施例，并不用于限制本发明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充，但并不会偏离本发明的精神或者超越所附权利要求书定义的范围。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种信道自适应跨协议通信系统，其特征在于，包括CTC解码模块和在线学习模块，其中：

所述CTC解码模块用于根据Text-CNN解码模型提取CTC包中每个CTC符号的特征，得到解码数据；

所述在线学习模块用于根据所述解码数据在线更新所述Text-CNN解码模型，以使得所述Text-CNN解码模型适应动态的信道环境。

2.根据权利要求1所述的系统，其特征在于，所述CTC解码模块包括数据前同步信号检测子模块、分片子模块、模型解码器子模块和循环冗余校验子模块，其中：

所述数据前同步信号检测子模块连接所述分片子模块，所述模型解码器子模块连接所述分片子模块和所述循环冗余校验子模块；

所述数据前同步信号检测子模块检测所述CTC包是否存在并确定所述CTC包的起始位置，将所述CTC包传递到分片子模块；

所述分片子模块用于将所述CTC包进行分片，得到对应的每一个分片；

所述模型解码器子模块用于根据Text-CNN解码模型确定所述每一个分片对应的CTC符号，发送到所述循环冗余校验子模块；

所述循环冗余校验子模块用于对所述CTC包进行冗余校验，将通过校验的CTC包发送至CTC链路层。

3.根据权利要求1所述的系统，其特征在于，所述在线学习模块包括fine tuning子模块和full training子模块，其中：

所述fine tuning子模块用于在信道逐渐变化时，基于fine tuning方式，根据解码数据更新所述Text-CNN解码模型；

所述full training子模块用于在信道突然变化时，基于full training方式，根据解码数据更新所述Text-CNN解码模型。

4.一种基于权利要求1-3任一项所述信道自适应跨协议通信系统的方法，其特征在于，包括：

获取CTC包，根据Text-CNN解码模型提取所述CTC包中每个CTC符号的特征，得到解码数据；

根据所述解码数据在线更新所述Text-CNN解码模型，以使得所述Text-CNN解码模型适应动态的信道环境。

5.根据权利要求4所述的方法，其特征在于，所述根据Text-CNN解码模型提取所述CTC包中每个CTC符号的特征，得到解码数据，具体包括：

检测所述CTC包是否存在，确定所述CTC包的起始位置；

将所述CTC包进行分片，得到对应的每一个分片；

根据所述Text-CNN解码模型确定所述每一个分片对应的CTC符号，得到解码数据。

6.根据权利要求4所述的方法，其特征在于，所述根据所述解码数据在线更新所述Text-CNN解码模型，具体包括：

在信道逐渐变化时，基于fine tuning方式，根据解码数据更新所述Text-CNN解码模型；

在信道突然变化时，基于full training方式，根据解码数据更新所述Text-CNN解码模型。

7.根据权利要求6所述的方法，其特征在于，所述基于fine tuning方式，根据解码数据更新所述Text-CNN解码模型，具体包括：

获取解码数据，将所述解码数据解码为对应的符号，其中n为解码数据的个数；

根据所述解码数据和所述对应的符号得到带标签的训练数据，将所述训练数据插入被动数据集中；

基于随机梯度下降方法，根据所述被动数据集中的所述训练数据更新所述Text-CNN解码模型。

8.根据权利要求7所述的方法，其特征在于，所述基于随机梯度下降方法，根据所述被动数据集中的所述训练数据更新所述Text-CNN解码模型，具体包括：

其中，θ_k表示在第k次迭代中所述Text-CNN解码模型的参数，α表示所述Text-CNN解码模型更新的步长，表示关于θ的梯度，m表示用于计算梯度的所述训练数据的个数，D_k表示第k次迭代的所述训练数据的集合，x_i表示解码数据x₀,x₁,...x_n-1中任一项，b_i表示解码数据的对应的符号b₀,b₁,...b_n-1中任一项。

9.根据权利要求6所述的方法，其特征在于，所述基于full training方式，根据解码数据更新所述Text-CNN解码模型，具体包括：

获取所述解码数据，将所述解码数据解码为对应的标签；

根据所述解码数据和所述对应的标签得到带标签的训练序列，根据所述训练序列构建主动训练数据集；

基于巴克码构建同步信号，在所述主动训练数据集中的所述训练序列的头和尾插入所述同步信号；

根据插入同步信号的训练序列，更新所述Text-CNN解码模型。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

基于所述主动训练数据集D_a＝{(x_i,y_i)}中所述训练序列(x_i,y_i)的随机排列，获取新生成训练数据(x_i′,y_i)，其中x_i代表所述解码数据，y_i代表x_i对应的标签，x_i′保留x_i的语义信息，与x_i的排列顺序不同。