CN109617845B - 一种基于深度学习的无线通信解调器的设计及解调方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的无线通信解调器的设计及解调方法。在该解调器的设计方法中：首先，建立无线通信系统；然后，根据无线通信系统构建基于深度学习的无线通信解调器，无线通信解调器为基于DBN和SVM级联的解调器或者基于AdaBoost的解调器；最后，测试和优化无线通信解调器，获取测试解调结果。所提出的基于DBN和SVM级联的解调器或者基于AdaBoost的解调器的解调准确度均优于现有的无线通信解调器。

Description

一种基于深度学习的无线通信解调器的设计及解调方法

技术领域

本申请涉及无线通信领域，尤其涉及一种基于深度学习的无线通信解调器的设计及解调方法。

背景技术

传统的无线通信系统通常是根据严格的数学理论和精确的系统模型设计的(参考文献[1])。然而，由于不同领域中对无线通信服务的要求日益增加，例如在智能手机、虚拟现实和物联网等高速发展的领域中，难以通过易处理的数学模型或系统模型精确地表征未来复杂的无线通信网络(参考文献[2])。

最近，深度学习(Deep Learning,DL)(参考文献[3])作为一种处理复杂问题的有效方法，吸引了越来越多学术界和工业界的关注。目前，DL已被广泛应用于图像识别(参考文献[4][5])、计算机视觉(参考文献[6])、自然语言处理(参考文献[7])和频谱预测(参考文献[8])等领域。在最近的研究中，(参考文献[9][10])端到端无线通信系统被解释为自动编码器，这对于将DL应用于无线通信大有利处。

无线信号的调制与解调是无线通信系统的基本模块之一。理论上，传统无线通信系统的最佳解调器是基于加性高斯白噪声(White Gaussian Noise,AWGN)信道设计的(参考文献[1])。此外，解调通常需要信道状态信息(Channel State Information,CSI)和信道噪声分布。无线通信系统的基本模块之一是：无线信号的调制与解调。传统无线通信系统的最佳解调器是基于加性高斯白噪声(White Gaussian Noise,AWGN)信道设计的。

大多数先前的研究(参考文献[11-15])假设每个接收器可以准确地估计衰落系数。然而，由于实际的无线通信信道可能遭受多径衰落、脉冲噪声或连续干扰以及其它复杂干扰，都可能降低信号解调性能。值得注意的是，由于训练序列的长度有限，估计所得的CSI的准确度将受到限制(参考文献[16])。尤其对于快速衰落场景，由于衰落系数在数据传输周期内快速变化，因此难以准确地估计CSI。此外，由于接收端可能无法确定信道模型的种类，为不同信道模型设计最佳解调器具有挑战性。

鉴于上述问题，基于DL的解调器引起了相当多的关注，其中对先验知识的要求可以被广泛放宽甚至消除(参考文献[17])。因为调制信号的信息由幅度和相位表示，所以特征提取对于信号解调是至关重要的。

在文献[17]中作者已经在传统的射频(Radio Frequency,RF)系统中研究了基于DL的解调器。

在文献[18]中，提出了一种深度卷积网络解调器(DCND)来解调混合调制信号，与相干解调方法相比，可以进一步降低误码率。

在文献[19]中，作者表明，基于深度置信网络(Deep Belief Network,DBN)的所提出的解调器对于具有特定信道脉冲响应和瑞利非频率选择性平坦衰落信道的AWGN信道是可行的。在文献[20]中，提出了一种基于DL的检测器，用于短距离多通道中的信号解调，而无需信号均衡器。

在文献[21]中，作者表明，用于频移键控(Frequency-shift keying,FSK)解调的深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)可以大大降低AWGN瑞利衰落信道上的错误比特概率。此外，大多数现有的基于DL的解调方案都是基于模拟数据而不是实际测量数据，因此解调准确率较低。

参考文献：

[1]J.G.Proakis,Digital communications,McGraw-Hill,New York,2001.

[2]M.Shafi,A.F.Molisch,P.J.Smith,T.Haustein,P.Zhu,P.D.Silva,F.Tufvesson,A.Benjebbour,and G.Wunder,“5G:A Tutorial Overview of Standards,Trials,Challenges,Deployment,and Practice,”IEEE J.Select.Areas Commun.,vol.35,no.6,pp.1201–1221,Jun.2017.

[3]Y.Lecun,Y.Bengio,and G.Hinton,“Deep learning.,”Nature,vol.521,no.7553,pp.436,May 2015.

[4]C.Liu,Y.Cao,Y.Luo,G.Chen,V.Vokkarane,and Y.Ma,DeepFood:DeepLearning-Based Food Image Recognition for Computer-Aided Dietary Assessment,Springer,2016.

[5]T.Zhou,S.Yang,L.Wang,J.Yao,and G.Gui,“Improved crosslabelsuppression dictionary learning for face recognition,”IEEE Access,vol.6,pp.48716–48725,Aug.2018.

[6]D.Geronimo,J.Serrat,A.M.Lopez,and R.Baldrich,“Traffic signrecognition for computer vision project-based learning,”IEEE Trans.Educ.,vol.56,no.3,pp.364–371,Aug.2013.

[7]T.Tan,Y.Qian,and K.Yu,“Cluster adaptive training for deep neuralnetwork based acoustic model,”IEEE Trans.Audio Speech Lang.Proces.,vol.24,no.3,pp.459–468,Mar.2015.

[8]Y.Ling,C.Jin,G.Ding,Y.Tu,and J.Sun,“Spectrum prediction based onTaguchi method in deep learning with long short-term memory,”IEEE Access,vol.6,pp.45923–45933,Dec.2018.

[9]T.Oshea,J.Hoydis,T.Oshea,and J.Hoydis,“An introduction to deeplearning for the physical layer,”IEEE Trans.Cogn.Commun.Netw.,vol.3,no.4,pp.563–575,Oct.2017.

[10]S.D¨orner,S.Cammerer,J.Hoydis,and S.t.Brink,“Deep learning basedcommunication over the air,”IEEE J.Sel.Top.Sign.Proces.,vol.12,no.1,pp.132–143,Feb.2018.

[11]T.Fath and H.Haas,“Performance comparison of MIMO techniques foroptical wireless communications in indoor environments,”IEEE Trans.Commun.,vol.61,no.2,pp.733–742,Feb.2013.

[12]T.Q.Wang,Y.A.Sekercioglu,and J.Armstrong,“Analysis of an opticalwireless receiver using a hemispherical lens with application in MIMO visiblelight communications,”J.Lightw.Technol.,vol.31,no.11,pp.1744–1754,Jun.2013.

[13]K.Ying,H.Qian,R.J.Baxley,and S.Yao,“Joint optimization ofprecoder and equalizer in MIMO VLC systems,”IEEE J.Select.Areas Commun.,vol.33,no.9,pp.1949–1958,Sept.2015.

[14]H.Huang,J.Yang,H.Huang,Y.Song,and G.Gui,“Deep learning for

super-resolution channel estimation and doa estimation based massivemimo system,”IEEE Trans.Veh.Technol.,vol.67,no.9,pp.8549–8560,Sep.2018.

[15]J.Wang,J.Yang,J.Xiong,H.Sari,and G.Gui,“SHAFA:sparse hybridadaptive filtering algorithm to estimate channels in various SNRenvironments,”IET Commun.,vol.12,no.16,pp.1963–1967,Sep.2018.

[16]G.Gui,H.Huang,Y.Song,and H.Sari,“Deep learning for an effectivenonorthogonal multiple access scheme,”IEEE Trans.Veh.Technol.,nonorthogonalmultiple access scheme,”IEEE Trans.Veh.Technol.,

[17]S.Schiessl,H.Al-Zubaidy,M.Skoglund,and J.Gross,“Delay performanceof wireless communications with imperfect CSI and finitelength coding,”IEEETrans.Commun.,vol.66,no.12,pp.6527–6541,Dec.2018.

[18]T.Mitchell,B.Buchanan,G.Dejong,T.Dietterich,P.Rosenbloom,andA.Waibel,Machine Learning,China Machine Press,2003.

[19]X.Lin,R.Liu,W.Hu,Y.Li,X.Zhou,and X.He,“A deep convolutionalnetwork demodulator for mixed signals with different modulation types,”inIEEE Int.Conf.on Dependable,Autonomic and Secure Computing,pp.893–896,Nov.2017.

[20]M.Fan and L.Wu,“Demodulator based on deep belief networks incommunication system,”in IEEE Int.Conf.Communication,Control,Computing andElectronics Engineering,pp.1–5,Jan.2017.

[21]L.Fang and L.Wu,“Deep learning detection method for signaldemodulation in short range multipath channel,”in IEEE Int.Conf.on Opto-Electronic Information Processing,pp.16–20,Jul.2017.

[22]A.S.Mohammad,N.Reddy,F.James,and C.Beard,“Demodulation of fadedwireless signals using deep convolutional neural networks,”in IEEEAnnu.Comput.and Commun.Workshop and Conf.,pp.969–975,Jan.2018.

[23]Y.Freund and R.E.Schapire,“Experiments with a new boostingalgorithm,”in Int.Conf.on Machine learning,pp.148–156,Jul.1996.

[24]J.Sola and J.Sevilla,“Importance of input data normalization forthe application of neural networks to complex industrial problems,”Nucl.Sci.,vol.44,no.3,pp.1464–1468,Jun.1997.

[25]G.E.Hinton,“Training products of experts by minimizingcontrastive divergence,”Neural Comput.,vol.14,no.8,pp.1771–1800,Feb.2002.

[26]Z.Yang and X.Pang,“Research and implementation of textclassification model based on combination of DAE and DBN,”inInt.Symp.Comput.Intell.Des.,vol.2,pp.190–193,Dec.2017.

[27]R.Sarikaya,G.E.Hinton,and A.Deoras,“Application of deep beliefnetworks for natural language understanding,”IEEE Trans.Audio SpeechLang.Proces.,vol.22,no.4,pp.778–784,Aug.2014.

[28]F.Zhang and Q.Zhou,“Ensemble detection model for profileinjection attacks in collaborative recommender systems based on BP neuralnetwork,”IET Inf.Sec.,vol.9,no.1,pp.24–31,Dec.2015.

[29]X.H.Wang,“Multi-class SVMs based on probability voting strategyand its application,”Comput.Eng.,vol.35,no.2,pp.180–183,Feb.2009.

[30]J.C.Platt,N.Cristianini,and J.Shawe-Taylor,“Large margin DAGs formulticlass classification,”in Advances in neural inform.process.systems,pp.547–553,Jan.2000.

[31]A.Rhuma,S.M.Naqvi,and J.Chambers,“An improved directed acyclicgraph support vector machine,”J.Measure.Sci.Instrum.,vol.2,no.4,pp.367–370,Dec.2011.

[32]Y.Wang,L.Wang,J.Qiu,P.Shen,and D.U.Xin,“Research on pedestriandetection method based on multilayer RBM network and SVM,”Journal of theChina Railway Society,Mar.2018.

[33]R.A.Mcdonald,D.J.Hand,and I.A.Eckley,An Empirical Comparison ofThree Boosting Algorithms on Real Data Sets with Artificial Class Noise,Springer,Berlin,Heidelberg,2003.

发明内容

第一方面，本发明公开了一种基于深度学习的无线通信解调器的设计方法，包括：

步骤1，建立无线通信系统；

步骤2，根据所述无线通信系统构建基于深度学习的无线通信解调器，所述无线通信解调器为基于DBN和SVM级联的解调器或者基于AdaBoost的解调器；

步骤3，测试和优化所述无线通信解调器，获取测试解调结果。

结合第一方面，在一种实现方式中，所述步骤1，包括：

建立无线通信系统，所述无线通信系统包括发送机和接收机；

在所述发送机处，根据以下公式计算发送信号x(t)：

x(t)＝V_m cos(2πf_ct+θ_m),m＝1,...,M,1≤t≤T, (1)

其中，t是时间，单位为秒，V_m、f_c和θ_m分别是m-QAM调制信号的幅度、载波频率和相位，T是信号周期；

在所述接收机处，根据以下公式计算接收信号y(t)：

y(t)＝g(t)x(t)+n_r(t) (2)

其中，t是时间，单位为秒，g(t)是发送天线和接收天线之间的多径信道，x(t)是发送信号，n_r(t)是接收的噪声。

结合第一方面，在一种实现方式中，所述步骤2，包括：建立调制数据集，所述调制数据集包括训练数据集和测试数据集，所述训练数据集为所述调制数据集的80％，所述测试数据集为所述调制数据集的20％。

结合第一方面，在一种实现方式中，所述步骤2，包括：

通过数字模拟转换器，将所述接收信号y(t)由模拟信号转换到数字信号：

即为总采样数字信号序列y，

其中，

是第n个采样点，n取值为1～N，N是一个周期内的采样点数，l取值为1～L，L为训练信号周期数。

结合第一方面，在一种实现方式中，所述步骤2，包括：

设定所述训练数据集包含L个接收到的采样数据周期，

将所述总采样数字信号序列

根据以下公式归一化到[0，1]区间：

其中，

表示归一化后的第i个采样点的值，

表示采样序列的最小值，

表示采样序列的最大值；

对所述归一化后的第i个采样点的值

设定其对应标签z_i，

是标记的训练数据集，其中

L为训练信号周期数，令Φ是所有标签的集合，且z_i∈Φ。

结合第一方面，在一种实现方式中，当采用基于DBN和SVM级联的解调器时，所述步骤2，包括：

步骤a1，

建立三个受限玻尔兹曼机RBM的DBN，所述RBM由可见层v＝[v₁,v₂,...,v_m]^T和隐藏层h＝[h₁,h₂,...,h_n]^T构成，其中，v_k是可见层v的第k个单元的值，h_j是隐藏层h的第j个单元的值，k取值为1～m，j取值为1～n；

步骤a2，

根据以下公式获得一个所述RBM的能量函数E(v,h)：

E(v,h)＝-a^Tv-b^Th-h^TWv, (4)

其中，W＝[w₁,w₂,...,w_n]^T是v和h之间的连接权矩阵，w_j＝[w_j1,w_j2,...,w_jm]^T，w_jk是v_k和h_j之间的连接权重，a＝[a₁,a₂,...,a_m]^T是可见层v的偏置，a_k是v_k的偏置，b＝[b₁,b₂,...,b_n]^T是隐藏层h的偏置，b_j是h_j的偏置；

根据所述RBM的能量函数及以下公式，计算所述可见层v的边缘分布p(v)：

其中，

是归一化因子；

步骤a3，

根据所述可见层v的边缘分布p(v)及以下公式，获得所述可见层v的边缘分布的最优参数W，a，b：

步骤a4，

采用梯度下降法，根据以下公式更新所述最优参数W，a，b：

其中，η是学习率，ΔW，Δa和Δb分别是目标函数对W的偏导、对a的偏导和对b的偏导；

步骤a5，

根据以下公式计算更新后的所述最优参数W，a，b的偏导数近似值：

给定所述可见层v，根据以下公式获得所述隐藏层h的条件概率的分布：

依据公式(9)的分布，对于给定的所述隐藏层h，所述可见层v的第k个单元被激活的条件概率的分布p(v_k＝1|h)为：

步骤a6，

利用梯度下降法得到第一个RBM的最优参数W，a，b后，将所述第一个RBM的隐藏层h视为第二个RBM的可见层，令h₁为所述第二个RBM的隐藏层；

训练完所述第二个RBM的权重矩阵和偏置后，将h₂视为第三个RBM的可见层，令h₃为所述第三个RBM的隐藏层；

训练完所述第三个RBM的权重矩阵和偏置后，通过有监督的反向传播算法对每个所述RBM的所有参数进行微调。

结合第一方面，在一种实现方式中，当采用基于DBN和SVM级联的解调器时，所述步骤3，包括：

步骤a7，

在整个DBN训练完后，提取由DBN输出的特征向量集合

其中，L为训练信号周期数，采用一对一的方式对SVM进行进一步分类，通过求解两个分类子问题实现多分类；

步骤a8，

在单个非线性SVM中，根据以下公式引入高斯核：

其中，σ是高斯内核的带宽，

和

是DBN的输出特征向量，

L为训练信号周期数，

根据非线性SVM理论，非线性两类SVM^q问题可以表示为：

其中，c_q＝[c_q,1,c_q,2,...,c_q,L]^T为拉格朗日乘子，

L为训练信号周期数，

步骤a9，

通过求解(12)，得到最优解

并根据以下公式，获得非线性两分类SVM^q的决策函数

其中，

是一个偏置变量，

L为训练信号周期数，

步骤a10，

假设SVM^q的输出分别是

和τ_q,m，同时

和τ_q,m分别是

和Adder^m的输入，其中

对于Adder^m，投票数由u_m＝u_m+τ_q,m进行更新，其中u_m的初始值为0；

使用投票数

并根据以下公式获得标签

映射到所述测试解调结果为

结合第一方面，在一种实现方式中，当采用基于AdaBoost的解调器时，所述步骤2，包括：

步骤b1，

将所述标记的训练数据集

输入到D个KNN中，令w_d＝[w_d(1),w_d(2),...,w_d(L)]^T为第d个KNN的权重向量，在所述标记的训练数据集

中定义初始权重为

其中，0≤w_d(l)≤1，

L为训练信号周期数，

对于第1个KNN来说，

根据权重向量w_d，第d个KNN重新采样所述标记的训练数据集

并生成新的训练数据集

L为训练信号周期数；

步骤b2，

搜索所述新的训练数据集

中的向量，并根据以下公式获得离

的最小距离l^*：

其中，

L为训练信号周期数，

是

与

之间的欧氏距离，假设

的标签是

那么

第d个KNN中

的分类结果是

步骤b3，

表示第d个KNN分类器，根据以下公式获得第d个KNN的错误分类样本的权重总和χ_d，如下所示：

其中，

L为训练信号周期数，I是指示函数，I的定义如下：

对于第d+1个KNN，权重w_(d+1)＝[w_(d+1)(1),...,w_(d+1)(L)]^T根据以下公式获得：

其中，

L为训练信号周期数，

是χ_d的函数，

是归一化常数，如果

分类正确

否则

步骤b4，

在生成D个KNN分类器后，根据以下公式定义强分类器对测试样本

的分类结果

并用

表示：

其中，

L为训练信号周期数，

α_d是

的系数，

是投票的指示函数，z_l是标签，Φ是所有标签的集合，如果

将测试样本

归类为z_l；否则不将测试样本

归类为z_l。

结合第一方面，在一种实现方式中，当采用基于AdaBoost的解调器时，所述步骤3，包括：

步骤b5，对于训练完之后的所有KNN分类器，获取具有最大加权投票值

的类别，即所述强分类器的输出结果

在将所述输出结果

转化为二进制比特数后，得到所述测试解调结果

第二方面，本申请实施例提供一种采用基于深度学习的无线通信解调器的解调方法，包括：

采用基于DBN和SVM级联的解调器对所述无线通信系统进行解调，

或者采用基于AdaBoost的解调器对所述无线通信系统进行解调；

获取实际解调结果。

现有技术中的无线通信解调器解调正确率较低，而采用前述基于DBN和SVM级联的解调器或者基于AdaBoost的解调器进行解调，解调准确度均优于现有的无线通信解调器，因此，提升了无线通信解调器的解调性能。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例部分提供的一种端到端无线通信系统示意图。

图2是本申请实施例部分提供的一种基于深度学习的无线通信的信号解调器的设计方法工作流程示意图。

图3是本申请实施例部分提供的一种DBN和SVM级联的结构示意图。

图4是本申请实施例部分提供的一种玻尔兹曼机RBM示意图。

图5是本申请实施例部分提供的一种AdaBoost结构示意图。

图6是本申请实施例部分提供的一种发送机设备实物图。

图7是本申请实施例部分提供的一种接收机设备实物图。

图8是本申请实施例部分提供的一种4-QAM调制信号相对于信噪比的不同解调器的解调准确率示意图。

图9是本申请实施例部分提供的一种16-QAM调制信号相对于信噪比的不同解调器的解调准确率示意图。

图10是本申请实施例部分提供的一种基于AdaBoost的解调器相对于信噪比的不同采样点的准确率示意图。

图11是本申请实施例部分提供的一种16-QAM和32-QAM调制信号的解调准确率与训练周期L的关系示意图。

图12是本申请实施例部分提供的一种在N＝40时，BPSK、4-QAM、8-QAM、32-QAM、64-QAM、128-QAM和256-QAM八种调制信号的解调准确率和信噪比的关系示意图。

图13是本申请实施例部分提供的八种调制方案的有效传输容量示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参照图1，是本申请实施例部分提供的一种端到端无线通信系统示意图，本实施例在真实物理环境中建立了一个灵活的端到端无线通信原型平台，能够对各种调制信号进行解调。基于所建立的原型平台，本实施例建立了来自实际通信系统的测量调制数据集，包括训练数据集和测试数据集，所有研究人员都可获得。

参照图2，是本实施例提供的一种基于深度学习的无线通信解调器的设计及解调方法工作流程示意图，包括以下步骤：

步骤1，建立无线通信系统；

步骤2，根据所述无线通信系统构建基于深度学习的无线通信解调器，所述无线通信解调器为基于DBN和SVM级联的解调器或者基于AdaBoost的解调器；

步骤3，测试和优化所述无线通信解调器，获取测试解调结果。

本发明中，利用数字调制方案，例如M元正交幅度调制(M-QAM)以及BPSK调制，在发送机处，发射信号x(t)如下：

x(t)＝V_mcos(2πf_ct+θ_m),m＝1,...,M,1≤t≤T,(1)

其中，t是时间，单位为秒、V_m、f_c和θ_m分别是m-QAM调制信号的幅度、载波频率和相位，T是信号周期。

令g(t)表示发送天线和接收天线之间的多径信道，包括直射路径和多反射路径，在接收机处，接收信号y(t)如下：

y(t)＝g(t)x(t)+n_r(t) (2)

其中，t是时间，单位为秒，g(t)是发送天线和接收天线之间的多径信道，x(t)是发送信号，n_r(t)是接收的噪声。

所述步骤2，包括：建立调制数据集，所述调制数据集包括训练数据集和测试数据集，所述训练数据集为所述调制数据集的80％，所述测试数据集为所述调制数据集的20％。

所述步骤2，包括：通过数字模拟转换器，将接收信号y(t)由模拟信号转换到数字信号。设

表示总信号采样向量，其中

表示第n个采样点，n取值为1～N，N是一个周期内的采样点数，L为训练信号周期数。

所述步骤2，包括：设定训练数据集包含L个接收到的采样数据周期。在解调之前，将接收到的总采样数字信号序列

根据以下公式标准化到[0，1]区间，归一化可以明显加速深度学习的处理速度(参考文献[24])：

其中，

表示归一化后的第i个采样点的值，

表示采样序列的最小值，

表示采样序列的最大值。

因为BPSK和M-QAM的信息由幅度和相位表示，故DL用于从接收信号中提取信息特征。具体地，利用采样信号矢量y，提出了两个基于DL的解调器：基于DBN和SVM级联的解调器和基于AdaBoost的解调器。基于DL的解调器包括两个阶段：训练阶段和测试阶段。在训练阶段期间，使用训练数据集优化基于DL的解调器的参数。然后，在测试阶段，解调器解调接收信号并恢复发送的信息。

对所述归一化后的第i个采样点的值

设定其对应标签z_i，

是标记的训练数据集，其中

L为训练信号周期数，令Φ是所有标签的集合，且z_i∈Φ。

参照图3，是本申请实施例部分提供的一种DBN和SVM级联的结构示意图，

采用基于DBN和SVM级联的解调器时，所述步骤2，包括：

步骤a1，建立有三个受限玻尔兹曼机RBM的深度置信网络(参考文献[25])，

由可见层v＝[v₁,v₂,...,v_m]^T和隐藏层h＝[h₁,h₂,...,h_n]^T构成，其中，v_k是可见层v的第k个单元的值，h_j是隐藏层h的第j个单元的值，k取值为1～m，j取值为1～n；

参照图4，是本申请实施例部分提供的一种玻尔兹曼机RBM示意图，

步骤a2，引入能量函数来表示RBM的状态，一个RBM的能量函数E(v,h)如下：

E(v,h)＝-a^Tv-b^Th-h^TWv, (4)

可见层v的边缘分布p(v)表示如下：

其中，p(v)是可见层v的边缘分布，

是归一化因子；

步骤a3，通过最大化如下无约束的对数似然函数来获得最优参数W，a，b：

其中，为可见层v的边缘分布的最优参数；

步骤a4，采用梯度下降法来解决步骤a3的优化问题(6)，变量W，a，b分别做如下更新(参考文献[27])：

W←W+ηΔW (7)

a←a+ηΔa

b←b+ηΔb

其中，η是学习率，ΔW，Δa和Δb分别是目标函数对W的偏导、对a的偏导和对b的偏导；步骤a5，变量W，a，b的偏导数分别近似为：

给定所述可见层v，所述隐藏层h的条件概率的分布如下(参考文献[26])：

依据公式(9)的分布，对于给定的所述隐藏层h，所述可见层v的第k个单元被激活的条件概率的分布p(v_k＝1|h)由下式给出：

步骤a6，利用梯度下降法得到第一个RBM的最优参数W，a，b后，将所述第一个RBM的隐藏层h视为第二个RBM的可见层，令h₁为所述第二个RBM的隐藏层。训练完第二个RBM的权重矩阵和偏置后，将h₂看作第三个RBM的可见层，令h₃为所述第三个RBM的隐藏层。在训练完所述第三个RBM之后，每个所述RBM的所有参数都通过一个有监督的反向传播算法(参考文献[28])来进行微调。

所述步骤3，包括：步骤a7，在整个DBN训练完后，提取由DBN输出的特征向量集合

其中，L为训练信号周期数，采用一对一(OVO)-SVM进行进一步分类，通过求解两个分类子问题实现多分类(参考文献[29][30])，如图3所示。

步骤a8，在单个非线性SVM中为了将特征映射到高维空间，引入了高斯核：

式中σ是高斯内核的带宽，

和

是DBN的输出特征向量，

L为训练信号周期数，

根据非线性SVM理论(参考文献[31])，非线性两类SVM_q问题可以表示为

其中，c_q＝[c_q,1,c_q,2,...,c_q,L]^T为拉格朗日乘子，

L为训练信号周期数，

步骤a9，通过求解(12)，得到最优解

然后，非线性两类SVM_q的决策函数

被给出如下

式中

是一个偏置变量(参考文献[32])，

L为训练信号周期数，

步骤a10，假设SVM_q的输出分别是

和τ_q,m，同时

和τ_q,m分别是

和Adder_m的输入

其中

然后，对于Adder_m，投票数由u_m＝u_m+τ_q,m进行更新，其中u_m的初始值为0。

然后，使用投票数

获得标签

如下

最后，

映射到解调结果为

在测试阶段，DBN和SVM级联的解调器被应用于信号解调，输出测试解调结果

AdaBoost(参考文献[33])是一种用于机器学习算法的通用方法，它将多个独立的弱分类器集成到一个更强的分类器中。在本发明中，利用(k-Nearest Neighbor，KNN)分类器作为构造AdaBoost的弱分类器。

参照图5，是本申请实施例部分提供的一种AdaBoost结构示意图，其中，AdaBoost算法由D个弱分类器KNN组成。采用基于自适应增强AdaBoost的解调器时，所述步骤2，包括：

步骤b1，首先给出采集的标记的训练信号集

输入到D个KNN中，令w_d＝[w_d(1),w_d(2),...,w_d(L)]^T为第d个KNN的权重向量，在训练集

中定义初始权重为

其中0≤w_d(l)≤1，

L为训练信号周期数，

对于第1个KNN来说，

根据权重向量w_d，第d个KNN重新采样训练集

并生成一个新的训练集

L为训练信号周期数。

步骤b2，搜索

中的向量，找到离

的最小距离，即

其中，

L为训练信号周期数，

是

与

之间的欧氏距离，假设

的标签是

那么

这说明第d个KNN中

的分类结果是

步骤b3，

表示第d个KNN分类器，χ_d表示第d个KNN的错误分类样本的权重总和χ_d，如下所示

其中，

L为训练信号周期数，I是指示函数，定义如下：

然后对于第d+1个KNN，权重w_(d+1)＝[w_(d+1)(1),...,w_(d+1)(L)]^T更新为

其中，

L为训练信号周期数，

是χ_d的函数，

是归一化常数，如果

分类正确，也就是说

否则

步骤b4，在生成D个KNN分类器后，强分类器由下式定义：

其中，

L为训练信号周期数，

α_d表示

的系数，

可以视为投票的指示函数，

表示强分类器对测试样本

的分类结果，用

表示。Φ是所有标签的集合，z是标签。也就是说如果

将信号

归类为z_l，否则信号

就不归类为z_l。

步骤b5，对于训练完之后的所有KNN分类器，找到具有最大加权投票值

的类别，即为这个强分类器AdaBoost的输出结果

然后进一步转化为二进制比特数，进一步得到测试解调结果

当采用本发明提供的基于深度学习的无线通信解调器的解调方法，得到实验结果如下：

提出一个端到端的无线通信系统原型来产生实际的调制数据集，并验证所提出的基于DL的解调方法，包括源计算机、矢量信号发生器、2.4G收发天线、矢量信号分析仪等，如图6和7所示。表1列出了端到端无线通信系系统原型的器件参数。

利用所提出的端到端无线通信系统原型，收集了调制数据，并建立了一个调制数据集，具体的，可以建立一个用于ML处理的开放共享数据库。具有八种调制类型(即BPSK、4-QAM、8-QAM、32-QAM、64-QAM、128-QAM和256-QAM，为了减小泛化误差，具体的，可以采用调制数据集的80％作为训练数据集，调制数据集的20％作为测试集。该数据库可以在https://pan.baidu.com/s/1biDooH6E81Toxa2u4D3p2g中找到。

将基于DBN和SVM级联的解调器以及基于AdaBoost的解调器在这些训练数据集上进行训练。基于DBN和SVM级联的解调器训练在迭代之后结束，之后训练损失几乎不会下降，并且当迭代误差小于10^-3时，基于AdaBoost的解调器训练结束。

表1器件参数

设备	型号/参数
		矢量信号发生器	Keysight N5172B
矢量信号分析仪	Keysight N9020B
		2.4G收发天线增益	24dBi

采用基于DBN和SVM级联的解调器对无线通信系统进行解调，或者采用基于AdaBoost的解调器对所述无线通信系统进行解调；获取实际解调结果，即实验结果：

首先研究了所提出的基于DBN和SVM级联的解调器以及AdaBoost的解调器相对于信噪比的性能(N＝40)。此外，基于深度置信网络(DBN)，基于支持向量机(SVM)和基于最大似然(Maximum Likelihood，MLD)的解调方法用来作为比较方法。

参照图8，是本申请实施例部分提供的一种4-QAM调制信号相对于信噪比的不同解调器的解调准确率示意图，其中，DBN-SVM即DBN和SVM级联的解调器。参照图9，是本申请实施例部分提供的一种16-QAM调制信号相对于信噪比的不同解调器的解调准确率示意图，可以看出，所有方法的解调准确率都随着信噪比的增大而增加。具体而言，图8表明，当SNR≥15dB时，所有方法的解调精度都接近100％，并且提出的基于AdaBoost的解调器的解调性能显着优于其他模型。此外，所提出的基于DBN和SVM级联的解调器具有比基于DBN和基于SVM的解调方法更好的性能。

在图9中，与图8相比，比较在16-QAM调制方式下的准确率，其他参数与图8相同，当SNR≥15时，提出的基于AdaBoost的解调准确率接近100％。但是，随着SNR的增加，其他方法无法接近100％。此外，在这些解调方法中，采用基于AdaBoost的解调器的解调方法明显优于其他四种解调方法。

可以观察到，基于DBN和SVM级联的解调器实现的解调精度超过了基于DBN以及基于SVM的解调方法。虽然随着信噪比的增加，MLD分类精度的总体趋势会增加，但它有明显的波动。原因是实际的无线信道包含复杂的干扰，因此MLD的鲁棒性很差。

参照图10，是本申请实施例部分提供的一种基于AdaBoost的解调器相对于信噪比的不同采样点的准确率示意图，信号调制方式为16–QAM，采样点N＝10,20,40,80，可以观察到解调精度随着采样点的数量而增加。此外，当N＝40或N＝80，SNR≥15dB时，解调精度可以近似达到100％，然而，随着采样点数量的增加，计算复杂性也增加。

参照图11，是本申请实施例部分提供的一种16-QAM和32-QAM调制信号的解调准确率与训练周期L的关系示意图，其中采样点的数量为40，SNR＝12。结果表明，解调精度最初随着训练信号周期数的增加而增加，然后，当训练信号周期数为5000时，它达到饱和稳定状态。可以观察到，与32-QAM相比，16-QAM可以实现更高的准确性。同时，相对较少的训练信号周期。16-QAM可以提供稳定的性能，不同的调制模型对不同数量的训练信号周期具有不同的要求。通常，更高的调制阶数需要更长的训练信号周期。

参照图12，是本申请实施例部分提供的一种在N＝40时，BPSK、4-QAM、8-QAM、32-QAM、64-QAM、128-QAM和256-QAM八种调制信号的解调准确率和信噪比的关系示意图。在该实验中，采用基于AdaBoost的解调算法，其中采样点的数量是N＝40。所有调制方案的解调精度随SNR而增加。同时，对于相同的SNR，BPSK调制方案实现的精度优于其他七种方案。此外，图12也表示解调精度随着调制阶数的增加而减小。

参照图13，是本申请实施例部分提供的八种调制方案的有效传输容量示意图。在图13中，使用与图12相同的调制方案，解调算法和采样点，其中说明了不同调制方法与SNR的有效传输容量的关系。有效传输容量随着SNR的增加，BPSK，4-QAM和8-QAM几乎保持不变。通过本实施例发现调制阶数对传输容量的性能具有相当大的积极影响。当SNR≥15dB时，低阶和高阶调制之间的性能差距更加明显。然而，高阶调制的解调精度低，因此在解调精度和有效容量之间存在明显实物折中。

为了克服现有技术的不足，本发明提出了基于深度学习(Deep Learning，DL)的系统设计方法。由于其广泛的近似性、学习能力和自适应能力，深度学习能够基于数据和模型双驱动方法，去逼近未知的高度非线性和复杂函数。因此，DL在很多领域有着广泛的应用，例如计算机视觉、自然语言处理、生物医学工程和机器人等。这种基于数据和模型双驱动的方法被认为是在复杂通信场景中从新的角度思考通信系统设计的一种富有前景的方法。

本发明，针对真实物理环境提出了一种灵活的端到端无线通信原型平台。然后，开放了第一个实际测量调制数据集，具有八种调制方案，即BPSK，4-QAM，8-QAM，16-QAM，32-QAM，64-QAM，128-QAM和256-QAM，已在线建立和访问。此外，提出了两种基于DL的解调器，即基于DBN和SVM级联的解调器和基于AdaBoost的解调器。基于真实数据集，测试了所提出的解调器的解调性能。最后，实验结果表明，所提出的解调器的解调性能在各种情况下都优于基于DBN、基于SVM或基于MLD的解调器。

具体实现中，本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本申请提供的一种基于深度学习的信号解调器的设计方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等。

本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (7)

1.一种基于深度学习的无线通信解调器的设计方法，其特征在于，包括：

步骤1，建立无线通信系统；

步骤2，根据所述无线通信系统构建基于深度学习的无线通信解调器，所述无线通信解调器为基于DBN和SVM级联的解调器或者基于AdaBoost的解调器；

步骤3，测试和优化所述无线通信解调器，获取测试解调结果；

所述步骤1，包括：

建立无线通信系统，所述无线通信系统包括发送机和接收机；

在所述发送机处，根据以下公式计算发送信号x(t)：

x(t)＝V_mcos(2πf_ct+θ_m),m＝1,...,M,1≤t≤T, (1)

其中，t是时间，单位为秒，V_m、f_c和θ_m分别是m-QAM调制信号的幅度、载波频率和相位，T是信号周期；

在所述接收机处，根据以下公式计算接收信号y(t)：

y(t)＝g(t)x(t)+n_r(t) (2)

其中，t是时间，单位为秒，g(t)是发送天线和接收天线之间的多径信道，x(t)是发送信号，n_r(t)是接收的噪声；

所述步骤2，包括：建立调制数据集，所述调制数据集包括训练数据集和测试数据集，所述训练数据集为所述调制数据集的80％，所述测试数据集为所述调制数据集的20％；

通过数字模拟转换器，将所述接收信号y(t)由模拟信号转换到数字信号：

即为总采样数字信号序列y，

其中，

是第n个采样点，n取值为1～N，N是一个周期内的采样点数，l取值为1～L，L为训练信号周期数。

2.根据权利要求1所述的方法，其特征在于，所述步骤2，包括：

设定所述训练数据集包含L个接收到的采样数据周期，

将所述总采样数字信号序列

根据以下公式归一化到[0，1]区间：

其中，

表示归一化后的第i个采样点的值，

表示采样序列的最小值，

表示采样序列的最大值；

对所述归一化后的第i个采样点的值

设定其对应标签z_i，

是标记的训练数据集，其中

L为训练信号周期数，令Φ是所有标签的集合，且z_i∈Φ。

3.根据权利要求1所述的方法，其特征在于，当采用基于DBN和SVM级联的解调器时，所述步骤2，包括：

步骤a1，

建立三个受限玻尔兹曼机RBM的DBN，所述RBM由可见层v＝[v₁,v₂,...,v_m]^T和隐藏层h＝[h₁,h₂,...,h_n]^T构成，其中，v_k是可见层v的第k个单元的值，h_j是隐藏层h的第j个单元的值，k取值为1～m，j取值为1～n；

步骤a2，

根据以下公式获得一个所述RBM的能量函数E(v,h)：

E(v,h)＝-a^Tv-b^Th-h^TWv, (4)

其中，W＝[w₁,w₂,...,w_n]^T是v和h之间的连接权矩阵，w_j＝[w_j1,w_j2,...,w_jm]^T，w_jk是v_k和h_j之间的连接权重，a＝[a₁,a₂,...,a_m]^T是可见层v的偏置，a_k是v_k的偏置，b＝[b₁,b₂,...,b_n]^T是隐藏层h的偏置，b_j是h_j的偏置；

根据所述RBM的能量函数及以下公式，计算所述可见层v的边缘分布p(v)：

其中，

是归一化因子；

步骤a3，

根据所述可见层v的边缘分布p(v)及以下公式，获得所述可见层v的边缘分布的最优参数W，a，b：

步骤a4，

采用梯度下降法，根据以下公式更新所述最优参数W，a，b：

其中，η是学习率，ΔW，Δa和Δb分别是目标函数对W的偏导、对a的偏导和对b的偏导；

步骤a5，

根据以下公式计算更新后的所述最优参数W，a，b的偏导数近似值：

给定所述可见层v，根据以下公式获得所述隐藏层h的条件概率的分布：

依据公式(9)的分布，对于给定的所述隐藏层h，所述可见层v的第k个单元被激活的条件概率的分布p(v_k＝1|h)为：

步骤a6，

利用梯度下降法得到第一个RBM的最优参数W，a，b后，将所述第一个RBM的隐藏层h视为第二个RBM的可见层，令h₁为所述第二个RBM的隐藏层；

训练完所述第二个RBM的权重矩阵和偏置后，将h₂视为第三个RBM的可见层，令h₃为所述第三个RBM的隐藏层；

训练完所述第三个RBM的权重矩阵和偏置后，通过有监督的反向传播算法对每个所述RBM的所有参数进行微调。

4.根据权利要求3所述的方法，其特征在于，所述步骤3，包括：

步骤a7，

在整个DBN训练完后，提取由DBN输出的特征向量集合

其中，L为训练信号周期数，采用一对一的方式对SVM进行进一步分类，通过求解两个分类子问题实现多分类；

步骤a8，

在单个非线性SVM中，根据以下公式引入高斯核：

其中，σ是高斯内核的带宽，

和

是DBN的输出特征向量，

L为训练信号周期数，

根据非线性SVM理论，非线性两类SVM^q问题可以表示为：

其中，c_q＝[c_q,1,c_q,2,…,c_q,L]^T为拉格朗日乘子，

L为训练信号周期数，

步骤a9，

通过求解(12)，得到最优解

并根据以下公式，获得非线性两分类SVM^q的决策函数

其中，

是一个偏置变量，

L为训练信号周期数，

步骤a10，

假设SVM^q的输出分别是

和τ_q,m，同时

和τ_q,m分别是

和Adder^m的输入，其中

τ_q,m∈{0,1}，

对于Adder^m，投票数由u_m＝u_m+τ_q,m进行更新，其中u_m的初始值为0；

使用投票数

并根据以下公式获得标签

映射到所述测试解调结果为

5.根据权利要求2所述的方法，其特征在于，当采用基于AdaBoost的解调器时，所述步骤2，包括：

步骤b1，

将所述标记的训练数据集

输入到D个KNN中，令w_d＝[w_d(1),w_d(2),…,w_d(L)]^T为第d个KNN的权重向量，在所述标记的训练数据集

中定义初始权重为

其中，0≤w_d(l)≤1，

L为训练信号周期数，

对于第1个KNN来说，

根据权重向量w_d，第d个KNN重新采样所述标记的训练数据集

并生成新的训练数据集

L为训练信号周期数；

步骤b2，

搜索所述新的训练数据集

中的向量，并根据以下公式获得离

的最小距离l^*：

其中，

L为训练信号周期数，

是

与

之间的欧氏距离，假设

的标签是

那么

第d个KNN中

的的分类结果是

步骤b3，

表示第d个KNN分类器，根据以下公式获得第d个KNN的错误分类样本的权重总和χ_d，如下所示：

其中，

L为训练信号周期数，I是指示函数，I的定义如下：

对于第d+1个KNN，权重w_(d+1)＝[w_(d+1)(1),...,w_(d+1)(L)]^T根据以下公式获得：

其中，

L为训练信号周期数，

是χ_d的函数，

是归一化常数，如果

分类正确

否则

步骤b4，

在生成D个KNN分类器后，根据以下公式定义强分类器对测试样本

的分类结果

并用

表示：

其中，

L为训练信号周期数，

α_d是

的系数，

是投票的指示函数，z_l是标签，Φ是所有标签的集合，如果

将测试样本

归类为z_l；否则不将测试样本

归类为z_l。

6.根据权利要求5所述的方法，其特征在于，所述步骤3，包括：

步骤b5，对于训练完之后的所有KNN分类器，获取具有最大加权投票值

的类别，即所述强分类器的输出结果

在将所述输出结果

转化为二进制比特数后，得到所述测试解调结果

7.一种基于深度学习的无线通信解调器的解调方法，其特征在于，包括：

采用基于DBN和SVM级联的解调器对无线通信系统进行解调，

或者采用基于AdaBoost的解调器对所述无线通信系统进行解调；

获取实际解调结果；

所述无线通信系统包括发送机和接收机；

在所述发送机处，根据以下公式计算发送信号x(t)：

x(t)＝V_mcos(2πf_ct+θ_m),m＝1,...,M,1≤t≤T, (1)

其中，t是时间，单位为秒，V_m、f_c和θ_m分别是m-QAM调制信号的幅度、载波频率和相位，T是信号周期；

在所述接收机处，根据以下公式计算接收信号y(t)：

y(t)＝g(t)x(t)+n_r(t) (2)

其中，t是时间，单位为秒，g(t)是发送天线和接收天线之间的多径信道，x(t)是发送信号，n_r(t)是接收的噪声。

Images