CN110535486B - 基于超表面神经网络的射频信号直接处理式无线收发机 - Google Patents

基于超表面神经网络的射频信号直接处理式无线收发机 Download PDF

Info

Publication number
CN110535486B
CN110535486B CN201910724723.9A CN201910724723A CN110535486B CN 110535486 B CN110535486 B CN 110535486B CN 201910724723 A CN201910724723 A CN 201910724723A CN 110535486 B CN110535486 B CN 110535486B
Authority
CN
China
Prior art keywords
super
neural network
radio frequency
super surface
signal
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
Application number
CN201910724723.9A
Other languages
English (en)
Other versions
CN110535486A (zh
Inventor
金石
唐万恺
郭佳佳
张婧媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910724723.9A priority Critical patent/CN110535486B/zh
Publication of CN110535486A publication Critical patent/CN110535486A/zh
Application granted granted Critical
Publication of CN110535486B publication Critical patent/CN110535486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • H04B1/40—Circuits

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Transceivers (AREA)
  • Transmitters (AREA)

Abstract

本发明公开了一种基于超表面神经网络的射频信号直接处理式无线收发机，该无线收发机由超表面神经网络构成，融合了超表面技术和神经网络结构，实现射频信号的直接处理与收发。超表面神经网络由输入层、若干隐藏层和输出层组成，层与层之间的信息传输媒介为射频信号本身。每一层由二维平面结构的透射型可编程超表面构成，可编程超表面上的每个单元结构是一个超表面神经元，其权重为可编程透射系数，相邻层与层之间的各个超表面神经元以电磁波传播方式进行互连。针对具体收发任务，所有超表面神经元的权重参数可通过神经网络算法训练并通过外部信号配置。该发明可对射频信号进行直接处理与收发，处理速度为光速，并具有高灵活性和低功耗等优势。

Description

基于超表面神经网络的射频信号直接处理式无线收发机
技术领域
本发明涉及一种用于射频信号处理和收发的装置，具体地涉及一种基于超表面神经网络的射频信号直接处理式无线收发机。
背景技术
近年来无线技术的发展日新月异，随着5G无线通信逐步推进部署，新一代无线通信技术也正不断发展。在6G技术研究中，众多新兴技术，例如太赫兹通信、超级大规模输入输出通信和人工智能等，因其具有进一步提升传输速率和网络容量的潜力而受到广泛关注。
现在广泛应用的传统无线收发机架构的信息处理模块(基带模块)和射频收发模块是分离的，对于发射机而言，先进行基带数据生成，然后通过混频器将基带数据加载到射频载波信号上进行发送；对于接收机而言，先通过混频器将射频信号转换成基带信号，然后再进行基带数据处理。
传统无线收发机架构在未来超高带宽和超级大规模输入输出的无线应用中面临着许多挑战。随着超级大规模通道数和超高带宽引起的基带数据吞吐量急剧增加，传统无线收发机中的基带模块难以应对瞬时海量基带信号实时处理任务。此外，超级大规模通道数和超高带宽无线技术也会带来射频硬件成本和功耗的急剧增加。因此，探索将信息处理与射频收发融合，实现在射频信号上直接进行信息处理的超高速低功耗新型无线收发机架构具有深远意义和广阔前景。
发明内容
针对现有的传统无线收发机应用于超级大规模通道数和超高带宽无线通信时面临的基带实时处理压力大与功耗高等问题，本发明提供一种信息处理速度为光速且低功耗的基于超表面神经网络的射频信号直接处理式无线收发机。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种基于超表面神经网络的射频信号直接处理式无线收发机，该无线收发机包括超表面神经网络以及分类器，所述超表面神经网络是由若干二维平面结构的透射型可编程超表面构成的一种以射频电磁信号为信息载体的神经网络，所述超表面神经网络的非线性激活函数为电磁波传播函数，所述超表面神经网络由输入层、若干隐藏层和输出层组成，超表面神经网络中每一层的可编程超表面由若干超表面神经元构成，超表面神经元的权重为可编程透射系数，相邻层之间的各个超表面神经元以电磁波传递方式进行互连；
在接收机模式下，接收机由超表面神经网络以及分类器构成，超表面神经网络输入层的输入信号为接收到的待解调射频电磁信号，分类器输出解调符号；
在发射机模式下，发射机由超表面神经网络构成，超表面神经网络输入层的输入信号为包含了数字信息的射频电磁信号，其数字信息表征方式为输入射频电磁信号的强度空间分布或相位空间分布，超表面神经网络输出层将调制后的射频电磁信号发射到无线空间中。
作为本发明的进一步技术方案，每个所述超表面神经元由基材、设置在基材上的微结构以及设置在微结构上的可调元件构成；通过外部控制信号控制可调元件，实现对超表面神经元的权重的编程配置。
作为本发明的进一步技术方案，所述微结构为金属微结构或半导体微结构或石墨烯微结构或化合物微结构，所述可调元件为电容或电感或电阻或二极管或四者的任意组合，所述控制可调元件的外部控制信号为电压或电流或温度或光强，所述外部控制信号由超表面神经元权重参数控制器产生，所述超表面神经元权重参数控制器产生多路外部控制信号以实现对每一个超表面神经元的权重的独立编程配置，所述超表面神经元权重参数控制器产生的多路外部控制信号由若干已知解调/调制结果的射频电磁信号样本对超表面神经网络进行训练得到。
作为本发明的进一步技术方案，输入层的输入信号、隐藏层的中间信号以及输出层的输出信号均根据应用需求选择是否进行射频电磁信号功率放大。
作为本发明的进一步技术方案，在接收机工作前，根据若干已知解调结果的射频电磁信号作为样本构成的训练集，对超表面神经网络进行权重参数训练和配置，其中每一轮迭代训练选取一组样本分别进行前向传播和反向传播，直至训练集中的所有样本均参与训练或达到预定收敛条件。
作为本发明的进一步技术方案，所述分类器包括若干对输出层的输出射频电磁信号的强度空间分布或相位空间分布进行检测的检测器以及对各个检测器的结果进行联合判决的联合判决单元；
在前向传播中，使样本通过超表面神经网络逐层向后传播，直至到达联合判决单元；第l层的第i个超表面神经元
Figure BDA0002158508150000021
的权重
Figure BDA0002158508150000022
Figure BDA0002158508150000023
的输入为
Figure BDA0002158508150000024
Figure BDA0002158508150000025
的输出为
Figure BDA0002158508150000026
第j个检测器Sj的输出为
Figure BDA0002158508150000027
Figure BDA0002158508150000028
对J个检测器的输出进行指数函数归一化处理得到输出概率向量
Figure BDA0002158508150000029
联合判决输出的结果为
Figure BDA00021585081500000210
中最大概率值对应的信息解调符号，其中，M和N分别为每层的超表面神经元的行数和列数，其中，l＝1,2,…,L，L为超表面神经网络的层数，
Figure BDA0002158508150000031
和
Figure BDA0002158508150000032
分别为
Figure BDA0002158508150000033
的权重的幅度和相位，
Figure BDA0002158508150000034
表示接收到的第k路待解调射频电磁信号在
Figure BDA0002158508150000035
的数值，K为待解调射频电磁信号的路数，
Figure BDA0002158508150000036
表示第l-1层的第m个超表面神经元
Figure BDA0002158508150000037
的输出射频信号，
Figure BDA0002158508150000038
表示
Figure BDA0002158508150000039
和
Figure BDA00021585081500000310
之间的电磁波传播函数，
Figure BDA00021585081500000311
表示
Figure BDA00021585081500000312
在空间三维直角坐标系中的坐标位置，
Figure BDA00021585081500000313
表示
Figure BDA00021585081500000314
在空间三维直角坐标系中的坐标位置，
Figure BDA00021585081500000315
表示Sj与
Figure BDA00021585081500000316
之间的电磁波传播函数，j＝1,2,…,J，
Figure BDA00021585081500000317
在反向传播中，使用梯度下降法更新
Figure BDA00021585081500000318
采用交叉熵函数作为损失函数
Figure BDA00021585081500000319
Figure BDA00021585081500000320
为理想概率向量，沿其负梯度方向更新
Figure BDA00021585081500000321
使其趋近最优解，
Figure BDA00021585081500000322
η1和η2为更新步长。
作为本发明的进一步技术方案，在发射机工作前，根据若干已知所对应输出层正确发射波形的包含了数字信息的射频电磁信号作为样本构成的训练集，对超表面神经网络进行权重参数训练和配置，其中每一轮迭代训练选取一组样本分别进行前向传播和反向传播，直至训练集中的所有样本均参与训练或达到预定收敛条件。
作为本发明的进一步技术方案，在前向传播中，使样本通过超表面神经网络逐层向后传播，直至到达输出层；第l层的第i个超表面神经元
Figure BDA00021585081500000323
的权重
Figure BDA00021585081500000324
Figure BDA00021585081500000325
的输入为
Figure BDA00021585081500000326
Figure BDA00021585081500000327
的输出为
Figure BDA00021585081500000328
得到输出层每个超表面神经元的射频信号输出值
Figure BDA00021585081500000329
其中，M和N分别为每层的超表面神经元的行数和列数，其中，l＝1,2,…,L，L为超表面神经网络的层数，
Figure BDA00021585081500000330
和
Figure BDA00021585081500000331
分别为
Figure BDA00021585081500000332
的权重的幅度和相位，
Figure BDA00021585081500000333
表示输入层第k路包含了数字信息的射频电磁信号在
Figure BDA00021585081500000334
的数值，K为包含了数字信息的射频电磁信号的路数，
Figure BDA00021585081500000335
表示第l-1层的第m个超表面神经元
Figure BDA00021585081500000336
的输出射频信号，
Figure BDA00021585081500000337
表示
Figure BDA00021585081500000338
和
Figure BDA00021585081500000339
之间的电磁波传播函数，
Figure BDA00021585081500000340
Figure BDA00021585081500000341
表示
Figure BDA00021585081500000342
在空间三维直角坐标系中的坐标位置，
Figure BDA00021585081500000343
表示
Figure BDA00021585081500000344
在空间三维直角坐标系中的坐标位置；
在反向传播中，使用梯度下降法更新
Figure BDA0002158508150000041
采用均方差函数作为损失函数
Figure BDA0002158508150000042
Figure BDA0002158508150000043
其中
Figure BDA0002158508150000044
为输出层每个超表面神经元的射频信号正确输出值，即输出层正确发射波形，沿其负梯度方向更新
Figure BDA0002158508150000045
使其趋近最优解，
Figure BDA0002158508150000046
η1和η2为更新步长。
作为本发明的进一步技术方案，所述超表面神经元的权重是连续可调或离散可调。
作为本发明的进一步技术方案，若所述超表面神经元的权重是离散可调，则使用神经网络训练的量化算法对权重进行训练，实现超表面神经元的权重离散化。
根据本发明的基于超表面神经网络的射频信号直接处理式无线收发机，由若干二维平面结构的透射型可编程超表面构成一种以射频电磁信号为信息载体的神经网络，该超表面神经网络输入层的输入信号、隐藏层的中间信号，输出层的输出信号均为射频信号。超表面神经网络每一层的可编程超表面由许多超表面神经元构成，相邻层与层之间的超表面神经元以电磁波传递方式进行互连，超表面神经元上设置有微结构和可调元件，当外部信号加载到可调元件上时，影响了微结构上的可调元件的电子特性(电容、电感、电阻、二极管或其组合)，从而导致了微结构的电磁响应变化，进而改变了超表面神经元的权重参数(透射系数)。通过外部产生多路控制信号，加载到每一个超表面神经元的可调元件上，实现对每一个超表面神经元权重参数的独立配置，进而可以实现对整个超表面神经网络的参数配置。在接收模式下，先根据具体接收目标对超表面神经网络进行参数训练和配置，在应用时，输入层为接收的待处理射频信号，分类器输出解调符号，所述分类器包括若干对输出层的输出射频电磁信号的强度空间分布或相位空间分布进行检测的检测器以及对各个检测器的结果进行联合判决的联合判决单元。在发射模式下，先根据具体发射目标对超表面神经网络进行参数训练和配置，在应用时向输入层输入以强度空间分布或相位空间分布形式包含了数字信息的射频信号，输出层发射经过神经网络调制后的射频信号到无线空间中。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1.在本发明中，信号以电磁波形式在超表面神经网络各层之间传输，无需将射频信号转换到基带，实现了在光速下对射频信号直接进行并行信号处理。而传统收发机因为将基带与射频分离，其基带处理单元面临实时数据处理速率和吞吐量受制于数字集成电路时钟频率的问题；
2.在本发明中，收发机的信号处理通过超表面神经网络完成，而组成超表面神经网络的可编程透射型超表面在完成参数训练和配置后，其工作模式是无源的，即以被动方式改变透射电磁波，是一种低功耗的高速信号处理实现方法。而传统收发机基带处理单元和射频模块在超级大规模通道和超高带宽无线应用下面临高功耗的问题；
3.本发明是一种具有通用硬件结构的软件定义无线收发平台，可通过更新各超表面神经元的权重参数，完成系统的重新配置，实现不同场景下的射频信号处理和收发任务，故具有高灵活性和可编程性的优势；
4.在本发明中，无需传统收发机系统中的射频链路，在超级大规模通道和超高带宽无线应用下具有低成本的特征。
附图说明
图1是本发明射频信号直接处理式无线收发机的核心模块超表面神经网络的示意图；
图2是本发明基于超表面神经网络的射频信号直接处理式无线收发机的接收示意图；
图3是本发明基于超表面神经网络的射频信号直接处理式无线收发机的发射示意图；
图4是本发明中组成超表面神经网络的透射型可编程超表面结构示意图；
图5是本发明中一个实施例中超表面神经元的示意图；
图6是本发明中一个实施例中单个超表面神经元节点模型图；
图7是本发明中一个实施例中对待处理射频信号先进行放大再接收处理的示意图；
图8是本发明中一个实施例中对发射出的调制后射频信号进行放大发射的示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
可编程超表面由具有可编程电磁特性的二维人工亚波长单元结构排列组成，其电磁特性由构成材料的本征性质及其中的人工单元微结构和可调元件共同决定，可以广泛应用于从微波到可见光的电磁频段。可编程电磁特性使其在外部信号的控制下可动态改变单元的电磁参数。对于透射型可编程超表面，分布在它上面的每个单元结构可对穿透的透射电磁波的幅度和相位进行调控，即可对透射系数进行配置。另一方面，神经网络技术已在信号处理领域显示出巨大的能力和潜力，各类神经网络算法已逐步与无线应用相结合。如图1所示，本发明将可编程超表面与神经网络相融合，将组成超表面的单元结构作为超表面神经元，利用多个透射型可编程超表面来构建一种基于射频电磁信号的神经网络，即超表面神经网络，进行射频信号的直接处理与收发。
本发明构建一种基于超表面神经网络的射频信号直接处理式无线收发机。具体如下：
如图2所示，为本发明的基于超表面神经网络的射频信号直接处理式无线收发机的接收示意图，包括由透射型可编程超表面构成的超表面神经网络的输入层、隐藏层、输出层以及由信号检测器和联合判决单元构成的分类器。超表面神经网络各层之间的传递信号为射频电磁信号，每一层的透射型可编程超表面由许多超表面神经元构成，相邻层与层之间的超表面神经元以电磁波传播方式进行互连。所用透射型可编程超表面的结构示意图如图4所示，超表面单元结构(超表面神经元)在基材上排布，应当理解的是，这只是一个示意，超表面单元结构的形状、数量以及空间排布方式并不限于此。超表面神经元上设置有微结构和可调元件(图4未具体表现，图5为一个实施例)，当外部控制信号加载到可调元件上时，影响了微结构上的可调元件的电子特性(电容、电感、电阻、二极管或其组合)，从而导致了微结构的电磁响应变化，进而改变了超表面神经元的权重参数(即透射系数，电磁波透射时的幅度变化和相位变化)。通过如图4所示产生多路独立控制信号，加载到每一个超表面神经元的可调元件上，实现对每一个超表面神经元权重参数的独立配置，基于此原理，通过图2所示超表面神经元权重参数控制器产生整个超表面神经网络中每个超表面神经元所需的外部控制信号，从而可以实现对整个超表面神经网络的权重参数配置。所述超表面神经元的权重是连续可调或离散可调，若超表面神经元的权重是离散可调，则使用神经网络训练的量化算法对权重进行训练，实现超表面神经元的权重离散化。通过更新各超表面神经元的权重完成收发机系统的重新配置，实现不同的射频信号处理和收发任务，不需要改变硬件本身。
图5是本实施例中上述超表面神经元的示意图，其微结构为在基材上布置一圈环形金属和在中间布置一块方形金属。其可调元件为一个可变电容，将方形金属和环形金属通过可变电容连接，可变电容的电容值可通过外部控制信号改变。电容值的改变将导致微结构的电磁响应变化，进而改变超表面神经元的权重参数(即透射系数，电磁波透射时的幅度变化和相位变化)。所述金属微结构可通过蚀刻、电镀、光刻、电子刻或离子刻的方法附着在基材上，基材可以由聚四氟乙烯、陶瓷材料、半导体材料或化合物制得。图5是一个超表面神经元的实施例示意图，应当理解的是，超表面神经元的具体结构不限于此。在基材选定的情况下，可以通过设计微结构形状和可调元件在微结构中的位置，实现想要的超表面神经元结构和其权重参数与外部控制信号关系。至于如何得到微结构的形状和可调元件的排布，可通过计算机仿真模拟来辅助设计，这个方法在大量的超表面设计工作中已被实际应用。
在图2所示的基于超表面神经网络的射频信号直接处理式无线收发机的接收模式下，通过输入层接收待处理的射频信号，经过由输入层、隐藏层和输出层组成的超表面神经网络和分类器完成射频信号直接处理得到解调符号，分类器包括若干对输出层的输出射频电磁信号的强度空间分布或相位空间分布进行检测的检测器以及对各个检测器的结果进行联合判决的联合判决单元。需要先根据具体接收目标对超表面神经网络进行权重参数训练和配置，再进行上述射频信号接收与处理解调。在本接收实施例中，根据若干已知解调结果的射频电磁信号作为样本构成的训练集，对超表面神经网络进行权重参数训练的方法如下：
如图2所示，基于超表面神经网络的射频信号直接处理式无线收发机的接收模式下，接收K路待处理的射频信号，共有L层透射型可编程超表面，每层超表面含M×N个单元(即M×N个超表面神经元)，放置在输出层后的J个射频信号强度检测器。本实例的超表面神经网络训练过程包括以下步骤：
1.在前向传播中，输入一组已知正确解调结果的射频信号，使其通过超表面神经网络逐层向后传播，直至到达输出层后面的信号检测器。每一层超表面上的M×N个超表面神经元的透射系数可独立调控，为便于下文表述，令
Figure BDA0002158508150000071
表示第l层超表面上第i个超表面神经元。
1)超表面神经元
Figure BDA0002158508150000072
的权重参数(透射系数)可表示为：
Figure BDA0002158508150000073
其中，
Figure BDA0002158508150000074
和
Figure BDA0002158508150000075
分别为
Figure BDA0002158508150000076
的权重参数(透射系数)的幅度和相位。
Figure BDA0002158508150000077
可类比为传统神经网络的神经元权重，在每一轮迭代的反向传播中更新。
2)在超表面神经网络中，超表面神经元
Figure BDA0002158508150000078
的输入为前一层，即第l-1层透射型超表面上各超表面神经元输出电磁波的叠加，即以电磁波传播方式完成神经网络的连接。超表面神经元
Figure BDA0002158508150000079
的输入可表示为：
Figure BDA00021585081500000710
Figure BDA00021585081500000711
其中，
Figure BDA00021585081500000712
表示接收到的第k路待解调射频信号在输入层超表面神经元
Figure BDA00021585081500000713
的数值(复数，表示电磁波幅度和相位信息)。可见，输入层超表面神经元
Figure BDA00021585081500000714
的输入为所有接收到的射频信号的叠加。
Figure BDA00021585081500000715
表示第l-1层上单元
Figure BDA00021585081500000716
的输出射频信号，
Figure BDA00021585081500000717
表示相邻两层超表面上的超表面神经元
Figure BDA00021585081500000718
和
Figure BDA00021585081500000719
之间的电磁波传播函数，图6为上述本实施例中单个超表面神经元节点模型。根据电磁学理论，在本实施例中，电磁波传播函数写为如下形式：
Figure BDA0002158508150000081
其中，
Figure BDA0002158508150000082
Figure BDA0002158508150000083
表示超表面神经元
Figure BDA0002158508150000084
在空间三维直角坐标系中的位置，
Figure BDA0002158508150000085
表示超表面神经元
Figure BDA0002158508150000086
在空间三维直角坐标系中的位置。
3)超表面神经元
Figure BDA0002158508150000087
的输出为输入电磁波与其权重参数(透射系数)的乘积，可表示为如下形式：
Figure BDA0002158508150000088
4)放置在输出层后的第j个射频信号强度检测器Sj的接收信号为输出层可编程超表面(即第L层)的所有超表面神经元输出射频信号在其检测位置处的叠加，接收射频信号功率值可表示为：
Figure BDA0002158508150000089
其中，
Figure BDA00021585081500000810
表示射频信号强度检测器Sj与输出层可编程超表面的超表面神经元
Figure BDA00021585081500000811
之间的电磁波传播函数：
Figure BDA00021585081500000812
其中，
Figure BDA00021585081500000813
Figure BDA00021585081500000814
表示超表面神经元
Figure BDA00021585081500000815
在空间三维直角坐标系中的位置，(xj,yj,zj)表示检测器Sj在空间三维直角坐标系中的位置。
由于信息解调处理可看作多分类问题，故对J个射频信号强度检测器检测出的射频信号功率值进行联合判决得到信号解调结果，本实施例将J个功率值由归一化指数函数处理后输出概率向量
Figure BDA00021585081500000816
其中
Figure BDA00021585081500000817
概率值最大的
Figure BDA00021585081500000818
所对应的检测器输出其对应的信息解调符号。例如共有四个检测器，第一个检测器对应的解调符号为‘00’，第二个检测器对应的解调符号为‘01’，第三个检测器对应的解调符号为‘10’，第四个检测器对应的解调符号为‘11’。若
Figure BDA0002158508150000091
最大，则信号解调结果为‘10’。应当理解的是，这只是一个信息处理方法的实施例，具体的输出层信息处理结果映射方式并不限于此，并且本实施例只利用了检测器检测到的射频信号强度空间分布信息，也可以结合射频信号强度空间和相位空间分布信息进行联合判决处理。
2.在反向传播中，使用梯度下降法更新各层超表面神经元的权重参数
Figure BDA0002158508150000092
由于信号解调可看作多分类问题，故此处可用交叉熵函数作为损失函数
Figure BDA0002158508150000093
Figure BDA0002158508150000094
其中，qw＝(q1,q2,…,qJ)为理想概率向量，正确解调对应的元素为1，其余为0。为了使损失函数最小，沿其负梯度方向更新超表面神经元权重参数值使其趋近最优解:
Figure BDA0002158508150000095
Figure BDA0002158508150000096
其中，η1和η2为更新步长。本实施例采用随机梯度下降法，每次迭代中选取一组样本参与参数更新。应当理解的是，这只是反向传播的实施例，损失函数的形式包含但不限于交叉熵函数、均方误差函数等。
3.所有超表面神经元权重参数值的每一轮迭代训练分别进行前向传播和反向传播过程，直至所有数据参与训练或算法已趋于收敛。完成训练过程后，图2所示的超表面神经元权重参数控制器根据训练结果生成控制信号，完成对各层超表面所有超表面神经元的权重参数(透射系数)的配置，实现基于超表面神经网络的射频信号直接处理式无线收发机的射频信号接收与处理。
上述为接收实施例，下面描述发射实施例。如图3所示，基于超表面神经网络的射频信号直接处理式无线收发机的发射示意图与图2所示接收示意图主要原理一致，基于超表面神经网络进行射频信号直接处理和发射。主要区别在于：a.发射模式无需分类器；b.输入层输入信号为以强度空间分布或相位空间分布形式来包含数字信息的射频电磁信号；c.超表面神经网络实现信息调制功能；d.输出层输出信号为调制后的射频信号。所用透射型可编程超表面结构示意图见图4，超表面单元结构的形状、数量以及空间排布方式并不限于图4所示。超表面神经元一个实施例示意图见图5，超表面神经元的具体结构不限于图5所示。单个超表面神经元节点一个实施例模型见图6。
在图3所示的基于超表面神经网络的射频信号直接处理式无线收发机的发射模式下，通过输入层输入待发射的信息，信息以入射射频信号的强度与相位空间分布形式表征，经过由输入层、隐藏层和输出层组成的超表面神经网络完成射频信号直接处理调制后，通过输出层发射出调制后的射频信号。需要先根据具体发射目标对超表面神经网络进行权重参数训练和配置，再进行上述射频信号处理调制和发射。在本发射实施例中，根据若干已知所对应输出层正确发射波形的包含了数字信息的射频电磁信号作为样本构成的训练集，对超表面神经网络进行权重参数训练的方法如下：
如图3所示，基于超表面神经网络的射频信号直接处理式无线收发机的发射模式下，输入层射频信号有K路，每路有2种信号强度状态，即输入共有2K种数字信息。应当理解的是，这只是一个实施例示意，输入层数字信息的表现方法并不限于此。共有L层透射型可编程超表面，每层超表面含M×N个单元(即M×N个超表面神经元)。本实例的超表面神经网络训练过程包括以下步骤：
1.在前向传播中，向输入层输入一组已知所对应输出层正确发射波形的包含了数字信息的信源射频电磁信号，使其通过超表面神经网络逐层向后传播，直至到达输出层。每一层超表面上的M×N个超表面神经元的透射系数可独立调控，为便于下文表述，令
Figure BDA0002158508150000101
表示第l层超表面上第i个超表面神经元。
1)超表面神经元
Figure BDA0002158508150000102
的权重参数(透射系数)可表示为：
Figure BDA0002158508150000103
其中，
Figure BDA0002158508150000104
和
Figure BDA0002158508150000105
分别为
Figure BDA0002158508150000106
的权重参数(透射系数)的幅度和相位。
Figure BDA0002158508150000107
可类比为传统神经网络的神经元权重，在每一轮迭代的反向传播中更新。
2)在超表面神经网络中，超表面神经元
Figure BDA0002158508150000108
的输入为前一层，即第l-1层透射型超表面上各超表面神经元输出电磁波的叠加，即以电磁波传播方式完成神经网络的连接。超表面神经元
Figure BDA0002158508150000109
的输入可表示为：
Figure BDA00021585081500001010
Figure BDA00021585081500001011
其中，
Figure BDA00021585081500001012
表示输入层第k路包含了数字信息的信源射频电磁信号在输入层超表面神经元
Figure BDA0002158508150000111
的数值(复数，表示电磁波幅度和相位信息)。
Figure BDA0002158508150000112
表示第l-1层上单元
Figure BDA0002158508150000113
的输出射频信号，
Figure BDA0002158508150000114
表示相邻两层超表面上的超表面神经元
Figure BDA0002158508150000115
和
Figure BDA0002158508150000116
之间的电磁波传播函数，图6为上述本实施例中单个超表面神经元节点模型。根据电磁学理论，在本实施例中，电磁波传播函数写为如下形式：
Figure BDA0002158508150000117
其中，
Figure BDA0002158508150000118
Figure BDA0002158508150000119
表示超表面神经元
Figure BDA00021585081500001110
在空间三维直角坐标系中的位置，
Figure BDA00021585081500001111
表示超表面神经元
Figure BDA00021585081500001112
在空间三维直角坐标系中的位置。
3)超表面神经元
Figure BDA00021585081500001113
的输出为输入电磁波与其权重参数(透射系数)的乘积，可表示为如下形式：
Figure BDA00021585081500001114
4)由步骤3得到输出层每个超表面神经元的射频信号输出值
Figure BDA00021585081500001115
2.在反向传播中，使用梯度下降法更新各层超表面神经元的权重参数
Figure BDA00021585081500001116
可采用均方差函数作为损失函数
Figure BDA00021585081500001117
其中
Figure BDA00021585081500001118
为输出层每个超表面神经元的射频信号正确输出值，即输出层正确发射波形，沿其负梯度方向更新超表面神经元权重参数值使其趋近最优解:
Figure BDA00021585081500001119
Figure BDA00021585081500001120
其中，η1和η2为更新步长。本实施例采用随机梯度下降法，每次迭代中选取一组样本参与参数更新。应当理解的是，这只是反向传播的实施例，损失函数的形式包含但不限于交叉熵函数、均方误差函数等。
3.所有超表面神经元权重参数值的每一轮迭代训练分别进行前向传播和反向传播过程，直至所有数据参与训练或算法已趋于收敛。完成训练过程后，图3所示的超表面神经元权重参数控制器根据训练结果生成控制信号，完成对各层超表面所有超表面神经元的权重参数(透射系数)的配置，实现基于超表面神经网络的射频信号直接处理式无线收发机的射频信号处理与发射。
为了提高本发明的基于超表面神经网络的射频信号直接处理式无线接收机的接收灵敏度和发射机的发射功率，可根据实际需求，通过射频信号放大装置对其输入层的输入电磁射频信号、隐藏层的中间电磁射频信号，输出层的输出电磁射频信号进行功率放大，放大方法包括但不限于使用天线阵、低噪声放大器和功率放大器组成的常规射频信号放大转发装置。如图7所示是一个实施例中将待处理射频信号先进行放大再接收处理的示意图，在输入层前放置了由二维天线阵列、低噪声放大器和功率放大器组成的射频信号放大装置，将接收到的待处理的射频信号先进行了放大，再送入后续的超表面神经网络进行处理，可提高其接收灵敏度。应当理解的是，这只是一个示意，射频信号放大装置的实现形式并不限于此。射频信号放大装置的数量和位置也不限于此，可以根据实际接收需求放置在图7所示的任意层与层之间。如图8所示是一个实施例中对发射出的调制后射频信号进行放大发射的示意图，在输出层后放置了由二维天线阵列、低噪声放大器和功率放大器组成的射频信号放大装置，将超表面神经网络输出层发射出的调制后的射频信号进行了放大与发射，可提高其发射功率。应当理解的是，这只是一个示意，射频信号放大装置的实现形式并不限于此。射频信号放大装置的数量和位置也不限于此，可以根据实际发射需求放置在图8所示的任意层与层之间。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式。上述的具体实施方式是示意性的，不是限制性的。实施例仅为说明本发明的技术思想，不以此限定本发明的保护范围。本领域的普通技术人员在本发明的启示下，在不脱离本发明技术方案基础和权利要求所保护范围内，还可以做出很多实施形式，这些均属于本发明的保护之内。因此，本发明的保护范围以权利要求书的保护范围为准。

Claims (6)

1.基于超表面神经网络的射频信号直接处理式无线收发机，其特征在于，该无线收发机包括超表面神经网络以及分类器，所述超表面神经网络是由若干二维平面结构的透射型可编程超表面构成的一种以射频电磁信号为信息载体的神经网络，所述超表面神经网络的非线性激活函数为电磁波传播函数，所述超表面神经网络由输入层、若干隐藏层和输出层组成，超表面神经网络中每一层的可编程超表面由若干超表面神经元构成，超表面神经元的权重为可编程透射系数，相邻层之间的各个超表面神经元以电磁波传递方式进行互连；
每个所述超表面神经元由基材、设置在基材上的微结构以及设置在微结构上的可调元件构成；通过外部控制信号控制可调元件，实现对超表面神经元的权重的编程配置；
所述微结构为金属微结构或半导体微结构或石墨烯微结构或化合物微结构，所述可调元件为电容或电感或电阻或二极管或四者的任意组合，所述控制可调元件的外部控制信号为电压或电流或温度或光强，所述外部控制信号由超表面神经元权重参数控制器产生，所述超表面神经元权重参数控制器产生多路外部控制信号以实现对每一个超表面神经元的权重的独立编程配置，所述超表面神经元权重参数控制器产生的多路外部控制信号由若干已知解调/调制结果的射频电磁信号样本对超表面神经网络进行训练得到；
在接收机模式下，接收机由超表面神经网络以及分类器构成，超表面神经网络输入层的输入信号为接收到的待解调射频电磁信号，分类器输出解调符号；所述分类器包括若干对超表面神经网络输出层的输出射频电磁信号的强度空间分布或相位空间分布进行检测的检测器以及对各个检测器的结果进行联合判决的联合判决单元；
在发射机模式下，发射机由超表面神经网络构成，超表面神经网络输入层的输入信号为包含了数字信息的射频电磁信号，其数字信息表征方式为输入射频电磁信号的强度空间分布或相位空间分布，超表面神经网络输出层将调制后的射频电磁信号发射到无线空间中。
2.如权利要求1所述的基于超表面神经网络的射频信号直接处理式无线收发机，其特征在于，输入层的输入信号、隐藏层的中间信号以及输出层的输出信号均根据应用需求选择是否进行射频电磁信号功率放大。
3.如权利要求1所述的基于超表面神经网络的射频信号直接处理式无线收发机，其特征在于，在接收机工作前，根据若干已知解调结果的射频电磁信号作为样本构成的训练集，对超表面神经网络进行权重参数训练和配置，其中每一轮迭代训练选取一组样本分别进行前向传播和反向传播，直至训练集中的所有样本均参与训练或达到预定收敛条件。
4.如权利要求1所述的基于超表面神经网络的射频信号直接处理式无线收发机，其特征在于，在发射机工作前，根据若干已知所对应输出层正确发射波形的包含了数字信息的射频电磁信号作为样本构成的训练集，对超表面神经网络进行权重参数训练和配置，其中每一轮迭代训练选取一组样本分别进行前向传播和反向传播，直至训练集中的所有样本均参与训练或达到预定收敛条件。
5.如权利要求1所述的基于超表面神经网络的射频信号直接处理式无线收发机，其特征在于，所述超表面神经元的权重是连续可调或离散可调。
6.如权利要求5所述的基于超表面神经网络的射频信号直接处理式无线收发机，其特征在于，若所述超表面神经元的权重是离散可调，则使用神经网络训练的量化算法对权重进行训练，实现超表面神经元的权重离散化。
CN201910724723.9A 2019-08-07 2019-08-07 基于超表面神经网络的射频信号直接处理式无线收发机 Active CN110535486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910724723.9A CN110535486B (zh) 2019-08-07 2019-08-07 基于超表面神经网络的射频信号直接处理式无线收发机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910724723.9A CN110535486B (zh) 2019-08-07 2019-08-07 基于超表面神经网络的射频信号直接处理式无线收发机

Publications (2)

Publication Number Publication Date
CN110535486A CN110535486A (zh) 2019-12-03
CN110535486B true CN110535486B (zh) 2021-03-02

Family

ID=68661416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910724723.9A Active CN110535486B (zh) 2019-08-07 2019-08-07 基于超表面神经网络的射频信号直接处理式无线收发机

Country Status (1)

Country Link
CN (1) CN110535486B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611892B (zh) * 2020-05-14 2024-03-19 龙立强人工智能科技(苏州)有限公司 应用神经网络的综合性智能深度学习方法
CN111697343A (zh) * 2020-06-19 2020-09-22 成都信息工程大学 用于人工神经网络拟合算法的高增益电磁超表面单元
CN113973041B (zh) * 2020-07-24 2023-01-06 华为技术有限公司 一种太赫兹信号解调方法、装置和电子设备
CN112214719A (zh) * 2020-10-27 2021-01-12 南开大学 一种利用级联深度神经网络的介质超表面逆向设计算法
CN113204506B (zh) * 2021-04-09 2022-06-14 华中科技大学 一种基于时分复用的智能超表面控制方法、装置及系统
CN113822424B (zh) * 2021-07-27 2023-10-20 湖南大学 一种基于超构表面的全光衍射神经网络系统
CN113965281B (zh) * 2021-10-08 2023-09-22 上海科技大学 一种基于端到端学习的空中计算系统设计方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001184328A (ja) * 1999-12-24 2001-07-06 Nagoya Industrial Science Research Inst ニューラルネットワーク演算装置及び方法
CN102238705B (zh) * 2011-07-04 2013-11-27 南京邮电大学 一种基于人工神经网络的无线传感器网络拓扑控制方法
US9793951B2 (en) * 2015-07-15 2017-10-17 At&T Intellectual Property I, L.P. Method and apparatus for launching a wave mode that mitigates interference
CN106228197A (zh) * 2016-08-15 2016-12-14 南京信息工程大学 一种基于自适应极限学习机的卫星图像云量识别方法
CN109344916B (zh) * 2018-11-08 2021-09-28 北京大学 一种现场可编程深度学习的微波成像与目标识别方法
CN109697302A (zh) * 2018-11-16 2019-04-30 天津大学 基于op-elm的射频功率放大器的行为建模方法
CN110083934B (zh) * 2019-04-26 2023-04-28 中国人民解放军空军工程大学 一种基于支持向量机算法的电磁超表面设计方法

Also Published As

Publication number Publication date
CN110535486A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110535486B (zh) 基于超表面神经网络的射频信号直接处理式无线收发机
Hu et al. Reconfigurable intelligent surface based RF sensing: Design, optimization, and implementation
CN110365612B (zh) 一种基于近似消息传递算法的深度学习波束域信道估计方法
Huang et al. Deep learning for UL/DL channel calibration in generic massive MIMO systems
Satyanarayana et al. Deep learning aided fingerprint-based beam alignment for mmWave vehicular communication
Suresh et al. A sequential learning algorithm for complex-valued self-regulating resource allocation network-CSRAN
Wei et al. An AMP-based network with deep residual learning for mmWave beamspace channel estimation
KR102154481B1 (ko) 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN107332598A (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
Annepu et al. Review on unmanned aerial vehicle assisted sensor node localization in wireless networks: soft computing approaches
Almagboul et al. An efficient hybrid beamforming design for massive MIMO receive systems via SINR maximization based on an improved bat algorithm
CN112448742A (zh) 一种非均匀量化下基于卷积神经网络的混合预编码方法
Doan et al. MoDANet: Multi-task deep network for joint automatic modulation classification and direction of arrival estimation
Sarker et al. Applications of Machine Learning and Deep Learning in Antenna Design, Optimization and Selection: A Review
Ravikumar Developing novel channel estimation and hybrid precoding in millimeter-wave communication system using heuristic-based deep learning
Sanchez et al. AirNN: Over-the-air computation for neural networks via reconfigurable intelligent surfaces
Bayraktar et al. A real-valued parallel clonal selection algorithm and its application to the design optimization of multi-layered frequency selective surfaces
Khalili et al. On single-user interactive beam alignment in next generation systems: A deep learning viewpoint
Bendjillali et al. Deep learning-powered beamforming for 5G massive MIMO Systems
Parmar et al. Dual-stream CNN-BiLSTM model with attention layer for automatic modulation classification
Thuc et al. A metaheuristics-based hyperparameter optimization approach to beamforming design
An et al. Two-dimensional direction-of-arrival estimation using stacked intelligent metasurfaces
Yang et al. Dynamic neural network for MIMO detection
Jiang et al. Active sensing for two-sided beam alignment and reflection design using ping-pong pilots

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