CN110753937B - 数据传输网络配置 - Google Patents
数据传输网络配置 Download PDFInfo
- Publication number
- CN110753937B CN110753937B CN201880040359.8A CN201880040359A CN110753937B CN 110753937 B CN110753937 B CN 110753937B CN 201880040359 A CN201880040359 A CN 201880040359A CN 110753937 B CN110753937 B CN 110753937B
- Authority
- CN
- China
- Prior art keywords
- sequence
- receiver
- message
- neural network
- symbols
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000010801 machine learning Methods 0.000 claims abstract description 47
- 238000004891 communication Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 38
- 230000004044 response Effects 0.000 claims description 11
- 238000007493 shaping process Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 33
- 238000006243 chemical reaction Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 241000169170 Boreogadus saida Species 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000004193 electrokinetic chromatography Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural 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
- G06N3/04—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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0212—Channel estimation of impulse response
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03828—Arrangements for spectral shaping; Arrangements for providing signals with specified spectral properties
- H04L25/03834—Arrangements for spectral shaping; Arrangements for providing signals with specified spectral properties using pulse shaping
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mobile Radio Communication Systems (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
公开了一种用于配置数据传输网络的方法和设备。该方法由配置设备执行,用于配置数据传输网络,该方法包括:通过以下操作来训练数据传输网络的机器学习模型,其中,机器学习模型至少包括:包括发射机神经网络的发射机模型、信道模型、以及包括接收机神经网络的接收机模型:提供消息序列内的消息;使用发射机神经网络,针对消息序列中的每个消息生成发送符号组;将发送符号组连接在一起作为发送符号序列;使用信道模型模拟发送符号序列通过通信信道发送到接收机;使用接收机神经网络分析接收符号序列以生成解码消息;以及基于所述接收机神经网络的输出,更新机器学习模型。
Description
技术领域
本发明涉及电信领域。特别地,本发明涉及用于配置数据传输网络的方法和设备。
背景技术
在已知的传输网络中,发射机由执行明确定义且分离的功能的多个处理模块组成,这些功能诸如源和信道编码、调制、脉冲整形、数模转换(DAC)转换、在无线电/光学载体上混频、以及放大。同样地,接收机由相反顺序的类似的块组成,即,放大、下变频、模数转换(ADC)、匹配滤波、抽取、均衡、解调、信道和源解码。在这种传输网络中,每个功能模块被单独地设计和优化,因此可能无法获得最佳的端到端性能。
从高层级的角度来看,传输网络的发射机、信道和接收机中的每一个将输入向量转换成输出向量,并且因此,可被建模为神经网络。由于神经网络链又是一个甚至更大的神经网络,因此,已经提出将整个传输网络建模为神经网络自动编码器。这种网络可以采用受监督的方式从端到端进行训练,以实现更好的端到端性能。
虽然通信网络的端到端训练从理论的角度来看颇具吸引力,但是它遭受一个基本的实际问题即在学习过程中必须计算网络通信信道的梯度,即,如果略微改变输入,则将对输出产生什么影响。已知的解决方案包括针对随机信道模型对神经网络进行训练,可以针对该随机信道模型来计算梯度。然而,如果在实际硬件上使用所得到的学习型收发机并且通信在真实信道上发生,则由于在训练期间所使用的信道模型与真实信道之间的不匹配,性能通常不能令人满意。
发明内容
根据第一方面,提供了一种由配置设备执行的,用于配置数据传输网络的方法,其中,数据传输网络包括至少一个发射机、至少一个接收机以及在发射机与接收机之间的通信信道,该方法包括:通过以下操作来训练数据传输网络的机器学习模型,其中,机器学习模型至少包括:包括发射机神经网络的发射机模型、信道模型、以及包括接收机神经网络的接收机模型:提供消息序列内的消息;使用发射机神经网络,针对消息序列中的每个消息生成发送符号组;将发送符号组连接在一起作为发送符号序列;使用信道模型模拟发送符号序列通过通信信道发送到接收机;使用接收机神经网络分析接收符号序列以生成解码消息;以及基于接收机神经网络的输出,更新机器学习模型。
第一方面认识到用于配置数据传输网络的已有神经网络方法的问题在于它们在训练期间使用单个消息,这种训练不能准确地表示网络的实际操作,因此,导致低于预期的性能。特别地,第一方面认识到在训练期间使用单个消息不能优化用于在部署时发送的消息序列的模型。因此,提供了一种方法。该方法可以用于配置或优化数据传输网络。该方法可以由配置设备来执行。数据传输网络可以包括一个或多个发射机。数据传输网络可以包括一个或多个接收机。数据传输网络可以具有在每个发射机与每个接收机之间的通信信道。该方法可以包括训练数据传输网络的机器学习模型。机器学习模型可以包括一个或多个发射机模型。发射机模型可以包括发射机神经网络。机器学习模型可以包括信道模型。机器学习模型可以包括接收机模型。接收机模型可以包括接收器神经网络。训练可以包括提供消息序列,在消息序列内的是消息。训练可以包括针对消息序列中的每个消息生成发送符号组、集合或向量。发送符号组可以由发射机神经网络产生。训练可以包括将发送符号组连接或联结在一起以形成发送符号序列。训练可以包括使用通信信道模拟发送符号序列发送到接收机。该模拟可以由信道模型执行。训练可以包括分析由接收机在通信信道上接收的接收符号序列。该分析可以由接收机神经网络执行。接收机神经网络可以生成解码消息。训练可以包括基于接收机神经网络的输出来更新机器学习模型。通过这种方式,可以使用代表性的消息序列来训练机器学习模型,这在实际网络中部署时提高了性能。
在一个实施例中,接收机神经网络的输出包括与每个可能的消息的概率分布相对应的概率集合或向量。
在一个实施例中,解码消息对应于概率分布中具有最大概率的消息。
在一个实施例中,该方法包括对发送符号序列应用信道模型的符号间干扰函数,以生成消息间干扰符号作为接收符号序列。因此,发送符号序列可受到符号间干扰,这反映了在实际网络中的传输期间发生的符号间干扰。当被部署在经历这种干扰的网络中时,这有助于提高机器学习模型的性能。
在一个实施例中,符号间干扰函数从消息序列中的不同消息再现发送符号之间的干扰。因此,干扰可以在消息序列内的消息之间扩展。
在一个实施例中,应用包括对发送符号序列应用第一符号间干扰函数,以生成第一消息间干扰符号作为接收符号序列。因此,符号可经历第一类型的干扰。
在一个实施例中,第一符号间干扰函数包括脉冲整形或滤波函数。应当理解,脉冲整形可引起符号之间的干扰。
在一个实施例中,脉冲整形功能再现、模拟或建模由脉冲整形器引入的发送符号之间的干扰。
在一个实施例中,应用包括将对发送符号序列应用第二符号间干扰函数,以生成第二消息间干扰符号作为接收符号序列。因此,符号可经历第二类型的干扰,这可在没有第一类型的干扰存在的情况下发生。
在一个实施例中,第二符号间干扰函数包括信道脉冲响应的卷积。因此,可以对符号应用由信道脉冲响应引起的干扰。
在一个实施例中,信道脉冲函数再现在由信道引入的发送符号之间的干扰。
在一个实施例中,应用包括对发送符号序列应用第一符号间干扰函数以生成第一消息间干扰符号,并对第一消息间干扰符号应用第二符号间干扰函数以生成第二消息间干扰符号作为接收符号序列。因此,符号可受到这两个类型的干扰。
在一个实施例中,每个消息包括多个即‘M’个不同的消息中的一个。
在一个实施例中,每个消息是随机选择的。
在一个实施例中,每个发送符号集合包括具有‘n’个条目的向量。
在一个实施例中,消息序列包括多个即‘K’个连续的消息。
在一个实施例中,发送符号序列包括‘n’בK’个符号。
在一个实施例中,消息间干扰发送信号包括多于‘n’בK’个样本。
在一个实施例中,分析包括在接收符号序列内设置观察窗口,以及对接收符号序列中落入观察窗口内的部分进行分类。因此,可以提供观察或采样窗口,其观察到接收符号的多个样本,并且可以使用接收机神经网络对序列中落入观察窗口内的部分进行分类。
在一个实施例中,该方法包括调整观察窗口的位置以最大化解码消息的分类精度。因此,观察窗口的位置可以相对于接收符号进行移动或移位,以提高解码消息的分类精度。
在一个实施例中,该方法包括调整观察窗口的大小以最大化解码消息的分类精度。因此,可以改变落入观察窗口内的符号的样本的大小或数量,以提高解码消息的分类精度。
在一个实施例中,该方法包括:使用特征估计神经网络估计接收符号序列的特征;基于所述特征,对接收符号序列应用补偿函数以生成补偿的接收符号;以及使用接收机神经网络分析补偿的接收符号以生成解码消息。因此,可以使用神经网络来估计或确定接收符号的特征或特性。可以针对该特性对接收符号进行补偿,并且可以对应用了补偿的接收符号进行分析以生成解码消息。这有助于提高机器学习模型的性能。
在一个实施例中,该特性包括相位偏移和信道脉冲响应中的至少一个。
在一个实施例中,该方法包括应用相位偏移和信道脉冲响应中的至少一个,以最大化解码消息的分类精度。
在一个实施例中,该方法包括基于接收机神经网络的输出来更新特征估计神经网络。
在一个实施例中,机器学习模型包括特征估计神经网络。
在一个实施例中,机器学习模型的训练包括将机器学习模型训练为自动编码器。
在一个实施例中,训练机器学习模型包括通过应用随机梯度下降算法来确定发射机神经网络和接收机神经网络的权重,以最大化解码消息的分类精度。
在一个实施例中,该方法包括部署发射机中的发射机神经网络和接收机中的接收机神经网络中的至少一个。
在一个实施例中,该方法包括基于已训练的机器学习模型来配置发射机和接收机。
在一个实施例中,该方法包括:获得指定由发射机发送的一组消息和由接收机接收的对应的信号的训练数据;基于所获得的训练数据来训练接收机模型;以及基于已训练的接收机模型来配置接收机。
在一个实施例中,训练机器学习模型包括将机器学习模型训练为自动编码器。
在一个实施例中,该方法包括重复获得训练数据;训练接收机模型;以及配置接收机。
在一个实施例中,该方法包括从接收机获得训练数据。
在一个实施例中,训练数据已经由接收机通过以下操作确定:确定接收消息序列;以及通过对接收消息序列应用纠错码来确定发送消息序列。
在一个实施例中,训练机器学习模型包括通过应用随机梯度下降算法来确定发射机神经网络和接收机神经网络的权重。
在一个实施例中,发射机神经网络包括多个密集层,随后是归一化层,归一化层被配置用于应用以下中的一个:归一化到预定的范数,缩放到单位绝对值,滤波器的卷积。
在一个实施例中,发射机模型包括发射机神经网络和至少一个其它发射机处理模块,和/或接收机模型包括接收机神经网络和至少一个其它接收机处理模块。
根据第二方面,提供了一种计算机程序产品,该计算机程序产品当在计算机上执行时可操作以执行根据第一方面的方法。
根据第三方面,提供了一种源设备,其包括根据第一方面的方法配置的发射机。
根据第四方面,提供了一种目的地设备,其包括根据第一方面的方法配置的接收机。
根据第五方面,提供了一种用于数据传输网络的配置设备,其包括被配置用于执行根据第一方面的方法的装置。
根据第六方面,提供了一种数据传输网络,其包括:至少一个根据第三方面的源设备,至少一个根据第四方面的目的设备,以及根据第五方面的配置设备。
在所附的独立和从属权利要求中阐述了进一步的特定和优选方面。从属权利要求的特征可以适当地与独立权利要求的特征进行组合,并且可以采用与权利要求中明确阐述的那些不同的组合。
如果装置特征被描述为可操作以提供功能,则应当理解这包括提供该功能或者适于或被配置为提供该功能的装置特征。
附图说明
现在将参考附图进一步描述本发明的实施例,其中:
图1是根据一个实施例的数据传输网络的框图;
图2是根据一个实施例的数据传输网络的机器学习模型的框图;
图3示出根据一个实施例的提供给数据传输网络的机器学习模型的随机消息序列;
图4示出根据一个实施例的适配具有一个或多个无线电转换网络的数据传输网络的机器学习模型;
图5是根据一个实施例的用于使用机器学习模型来配置数据传输网络的方法的流程图;
图6是根据一个实施例的数据传输网络1的功能视图;
图7是根据一个实施例的配置设备的结构视图。
具体实施方式
在更详细地讨论实施例之前,首先将提供概述。实施例提供了一种使用消息序列来训练的机器学习模型。通常,具有多个随机选择消息的消息序列被生成并提供给机器学习模型。机器学习模型在其模型中使用这些消息序列。向模型提供消息序列有助于当在实际网络中部署时提高这些模型的性能。通常,这些模型会产生符号间干扰,并且该符号间干扰会在每个消息序列内的消息之间扩展,这在实际网络中经历这种消息间干扰时提高了模型的性能。通过使用消息序列,还可以识别接收符号的特征,诸如任何相位偏移或信道脉冲响应。进而,可以对这些进行补偿,以提高模型的性能。一旦已经训练好这些模型,就可以将它们部署在网络本身内。此后,周期性的重新训练可以发生,以优化在实际网络中已部署的模型。
图1一般地是的数据传输网络1的框图。数据传输网络1包括源设备2、目的地设备3、将源设备2连接到目的地设备3的通信信道4、以及配置设备5。数据传输网络1允许将数据从源设备2发送到目的地设备3。
源设备2包括数据源21和发射机22。数据源21被配置为提供由数据传输网络1使用的数据。数据源21例如可以包括以下中的至少一个:传感器,用户接口,本地存储器,网络接口等。由数据源21提供的数据可以包括以下中的至少一个:数字图像,视频和音频文件,来自传感器、雷达、望远镜、无线电接收机的数据等。发射机22被配置为处理由数据源21提供的数据,并且将处理后的数据输出到通信信道4以发送到目的地设备3。发射机22包括可由配置设备5根据下文参考图2至图6所描述的方法来配置的可配置部分。
源设备2可以呈现计算机的硬件结构并且例如可以是以下中的一个:用户设备(膝上型计算机,智能电话,可穿戴活动跟踪器等),网络设备(蜂窝无线电台站,路由器,云服务器等),监控设备(相机、物联网传感器等)。
目的地设备3包括接收机31和数据接收器32。接收机31处理通过通信信道4从源设备2接收的数据,以产生到数据接收器33的输出。接收机31包括可由配置设备5根据下文参考图2至图6所描述的方法来配置的可配置部分。
数据接收器3接收接收机31的输出并且例如可以包括以下中的一个:用户接口(显示器,音频扬声器等),本地存储器,网络接口等。
目的地设备3可以呈现计算机的硬件结构并且例如可以是以下中的一个:用户设备(膝上型计算机,智能电话等),网络设备(蜂窝无线电台站,路由器,云服务器等),监控设备(相机,物联网传感器等)。
通信信道4在源设备2的发射机22与目的地设备3的接收机31之间提供物理链路。通信信道4例如是无线电链路,同轴电缆,双绞线电缆,光纤等。在一些实施例中,通信信道4包括被并行使用的多个正交信道(在时间/频率/空间上)。
配置设备5被配置用于训练数据传输网络1的机器学习模型6,并且用于根据已训练的机器学习模型6来配置数据传输网络1。训练模型6和配置数据传输网络1例如可以发生在数据传输网络1的初始设置期间和/或在数据传输网络1已经被设置和运行之后。
图2是由配置设备5使用的数据传输网络1的机器学习模型6的框图。
从高层级的角度来看,图1的发射机22、通信信道4和接收机31中的每一个将输入向量转换成输出向量,并且因此,可以至少部分地被建模为神经网络。由于神经网络链又是一个甚至更大的神经网络,因此,配置设备5可以通过基于神经网络的机器学习模型6对整个数据传输网络1进行建模。例如,经由用于任何微分损失函数的随机梯度下降(SGD),机器学习模型6可以从端到端被训练为自动编码器。通过这样做,配置设备5相对于端到端度量联合地优化了所有单独的组件。这从根本上不同于传统的系统设计,其中,每个组件针对它自己的子任务单独地优化。
实际上,在数据传输网络1中,发射机22想要利用信道4的“n”个使用将由“s”表示的M个可能的消息中的一个传送到接收机31。为此,它对消息“s”应用变换“f(s)”以生成发送信号“x”,其是“n”维的向量。发射机22的硬件可对“x”应用某些约束,例如,“x”的平方范数必须小于“n”。系统1的通信速率是“R=k/n”比特/信道使用,其中,“k=log2(M)”。信道4通过条件概率密度函数“p(y|x)”来描述,其中,“y”表示接收信号。在接收到“y”时,接收机31应用变换“g(y)”以产生发送消息的估计。
从机器学习的角度来看,通信系统1可被视为自动编码器。自动编码器的目的是找到“s”的表示“x”,其相对于由信道引起的扰动是稳健的,以使得它可以基于“y”来重建“s”。
更具体地,机器学习模型6包括发射机模型7、信道模型8以及接收机模型9。
机器学习模型6的输入是输入向量s,其指定了由数据源21提供的消息。输入向量s被编码为“独热”向量,即,“M”维向量,它的第“s”个元素等于1,而所有其它的元素等于0。
发射机模型7将输入向量s转换成向量x:x=f(s)。
发射机模型7通常表示发射机22的编码和一些调制特征,并且包括神经网络(前馈网络),其包括多个密集层10,随后是归一化层11。多个密集层10例如包括整流线性单元(relu)激活。归一化层11用于以某一方式对向量x进行归一化,以使得它适用于例如遵守最大幅度、功率限制等而由发射机硬件进行发送。因此,归一化层11对它的输入应用已知的变换,诸如归一化到预定的范数,将元素缩放到具有单位绝对值,或者已知滤波器的卷积。该层没有可训练的参数,但用于满足硬件发射机22的硬件约束。
信道模型8通常表示发射机22的一些调制特征,信道4本身的特征以及接收机31的一些解调特征,并且例如基于概率密度函数p(y|x)来表示发送向量x与接收信号y之间的关系。在一些实施例中,信道模型8包括发射机22的脉冲整形,随机正则化层12的序列,例如,高斯噪声的添加,“L”个随机信道抽头的卷积,脉冲响应等。这些层12没有可训练的权重。信道模型8还可以包括以下中的至少一个:随机相位偏移、频率偏移、采样频率偏移、量化、以及剪切。信道模型8提供接收信号y作为向量x的函数。接收信号y例如可以是IQ样本。注意,在本文中可以使用任何其它随机变换以尽可能准确地表示被训练的系统的网络和信道。
接收机模型9通常表示接收机31的一些解调特征,并且将接收信号y转换成输出向量其是输入向量s的估计:/>接收机模型9包括具有多个密集层13,随后是具有softmax激活的层14的神经网络。多个密集层13例如包括整流线性单元(relu)激活。层14具有softmax激活,它的输出“ps”可被解释为在所有可能的消息上的概率分布,即,“ps”的元素为正并且总和是1。进而,解码消息对应于具有最高概率的“ps”的索引。
在一些实施例中,除了神经网络之外,发射机模型7还包括其它处理模块,诸如源编码、上采样和脉冲整形、数模转换、混频器和放大器等。
类似地,在一些实施例中,除了神经网络之外,接收机模型9还包括其它处理模块,诸如放大器和下变频、模数转换、滤波和抽取、源解码等。
例如,在发射机22处,神经网络生成复杂的调制符号,然后如在传统系统中一样进行上采样和滤波。接收机31可具有类似的选择。这对于诸如OFDM的多载波系统是有用的,其中,可以使用神经网络生成复杂符号,其借助于傅立叶逆变换(FFT)被映射到子载波。然后,在接收机31处,神经网络将在FFT(和循环前缀移除)之后开始。
重要的是即使只将发射机22和接收机31的子部分替换为神经网络层,系统1始终是从端到端优化的。这与子组件的单独学习/训练非常不同。
可以使用随机梯度下降来端到端地训练自动编码器。训练数据是“M”中所有可能的消息“s”的集合。适用的损失函数是分类交叉熵。
如图3中所示,在实施例中,随机消息序列被提供给发射机模型7。通常,可以在随机消息序列St-k到St+l中提供任意数量的消息。然而,在该实施例中,提供了三个随机消息序列St-k到St+l。消息被连接在一起以形成消息序列。发射机模型7将消息序列中的每个消息转换成向量序列以用于发送。向量序列被提供给信道模型8,其中,它们相互干扰。也就是说,向量序列内的符号相互干扰,以使得来自序列中的一个消息的符号与来自序列中的另一个消息的符号相干扰。在该实施例中,向量序列通过由信道模型8提供的滤波功能经受脉冲整形。该脉冲整形导致符号间干扰,其导致消息间干扰。滤波的向量序列还通过由信道模型8提供的卷积经受信道脉冲响应。该信道脉冲响应导致符号间干扰,其导致消息间干扰。这导致了由信道模型8生成的消息间干扰。信道模型还增加了代表信道的噪声,并且将接收序列y提供给接收机模型9。
在该实施例中,每个消息由“n”个符号组成,而后续的消息由“m<=n”个符号分隔,即,相邻消息之间存在“n-m”个符号的重叠。这是例如脉冲整形被应用于发送信号或者信道具有存储器的情况。在这种情况下,甚至在所有相邻符号之间都存在干扰。现在,接收序列中包含关于“xt”的有用信息的“yt-r”部分也包含来自“xt-1”和“xt+1”的泄漏信号。它被馈送到接收机模型9中以恢复编码在“xt”中的消息“st”。
接收机模型9定义了大小为yt-r到yt+s的观察窗口,从其中恢复消息st。可以调整该观察窗口的大小以改善解码。同样地,可以调整该观察窗口的位置(它的中心或它的边缘)以改善解码。
如图4中所示,接收机模型可以与一个或多个无线电转换网络适配。这些网络接收序列yt-r到yt+s,并且神经网络20获得的一个或多个所估计的相位偏移和信道脉冲响应。校正逻辑22接收序列yt-r到yt+s,并对序列yt-r到yt+s应用一个或多个所估计的相位偏移和信道脉冲响应,然后,将已校正的序列提供给接收机模型的其余部分。在学习和微调过程中,还基于接收机模型的输出来更新无线电转换网络的权重。
在对随机信道模型进行训练之后,可以将发射机和接收机部署在实际硬件上。可以对接收机进行微调,以补偿模拟与实际信道/硬件之间的差异。微调需要对三个后续消息的序列执行。
由于该学习过程,自动编码器将学习设计消息表示“xt”,其不仅在信道损伤方面很稳健,而且在消息间干扰方面也很稳健。
图5是由配置设备5通过使用机器学习模型6而执行的用于配置数据传输网络1的方法的流程图。
首先,如上所述,配置装置5训练机器学习模型6(步骤S1)。机器学习模型6可被端到端地训练为自动编码器。训练数据是“M”中所有可能的消息“s”的序列的集合。训练机器学习模型6可以包括通过针对给定的微分损失函数应用随机梯度下降技术来确定权重。适用的损失函数是二进制交叉熵。
然后,配置设备5根据已训练的机器学习模型6配置发射机22和接收机31(步骤S2)。配置发射机22可以包括用它的已训练的权重在发射机22的可配置部分中部署发射机模型7的神经网络。这例如可以包括FPGA和/或计算机程序和处理器的使用。类似地,配置接收机31可以包括用它的已训练的权重在接收机31的可配置部分中部署接收机和应用模型9的神经网络。这例如可以包括FPGA和/或计算机程序和处理器的使用。
然后,发射机22向接收机31发送多个消息序列“s”。例如,发射机22根据随机数据生成多个消息序列s。接收机31存储对应的接收信号y。配置设备5获得表示所发送的消息序列s和对应的接收信号y的训练数据(步骤S3)。例如,从发射机22获得关于所发送的消息序列的信息,并且从接收机31获得关于对应的接收信号y的信息。在一些实施例中,诸如在下文中参考图6所描述的,若干技术被用于在接收机31处识别所发送的消息。因此,配置设备5可以从接收机31获得全部训练数据,并且在该步骤中不需要与发射机22进行通信。
然后,配置设备5根据所获得的训练数据来训练接收机模型9(步骤S4)。更具体地,接收机模型9基于接收信号y和对应的消息序列“s”来进行训练。训练接收机模型9可以包括通过针对给定的微分损失函数应用随机梯度下降技术来确定权重。适用的损失函数是二进制交叉熵。
然后,配置设备5根据已训练的接收机模型9来配置接收机22。如前所述,配置接收机31可以包括用它的已训练的权重在接收机31的可配置部分中部署接收机和应用模型9的神经网络。这例如可以包括FPGA和/或计算机程序和处理器的使用。
应当注意,在步骤S3至S5期间,发射机模型7的权重保持不变。
可以重复步骤S3至S5以考虑变化的信道条件(例如,由于温度变化,雾等)。
在网络1中,数据传输通过训练机器学习模型6而端到端地进行了优化。这提高了数据传输的效率。
在将机器学习模型6训练为自动编码器的初始训练期间(步骤S1)使用了信道模型8。这允许确定用于训练的信道模型8的梯度。然而,信道模型8可能不能完美地表示信道4,这影响了数据传输网络1的性能。
因此,配置设备5执行接收机微调过程(步骤S3至S5)。这通过考虑了真实信道4而提高了数据传输网络1的性能。重复接收机微调过程允许例如实时地考虑变化的信道条件。
此外,该概念对于物理层安全性也具有重要意义,因为窃听者很难从发送信号中提取有用的信息,因为它不对应于任何已知的调制/编码方案。
图6是在其中接收机31被配置用于在接收机微调过程中恢复标记的训练数据的实施例中的数据传输网络1的功能视图。
实际上,在基于步骤S1至S5而对数据传输网络1进行初始配置之后,由于在训练数据测量时针对精确的信道条件对接收机模型9进行了训练,因此,接收机31很容易受到随时间的信道变化的影响。为了确保接收机31可以处理随时间的信道变化,定期地执行微调过程是有帮助的。
因此,该实施例提出了一种实时地自适应地微调接收机模型9的方法,以使得它可以处理波动的信道条件(例如,无线回程信道中的雾)。因此,可以经由与数据传输并行的微调来补偿略微漂移的信道参数(例如,温度漂移)。配置设备5可以并行地执行接收机模型9的微调训练,而无需中断数据传输。每当新的权重可用于接收机模型9时,接收机31便可以用这些值来进行配置,因此,接收机31适用于当前的信道条件。
由于受监督的训练总是需要标记的训练数据集(即,必须在接收机侧知道原始发送的消息(比特或IQ样本),而由于噪声的存在通常不是这种情况),因此,本实施例提出了一种避免该问题并且在运行时直接从接收信号中获取标记的训练数据的方法。
因此,在该实施例中,发射机22包括纠错模块23、映射模块24和发送模块25,接收机31包括接收模块33、纠错模块34和恢复模块35。
数据源21向发射机22提供输入数据u。
纠错模块23通过应用纠错码(ECC)来根据输入数据确定N比特的码字CW。适用的ECC的示例包括LDPC、turbo码、极性码等。
映射模块24将码字CW映射到N/log2(M)个消息的序列,其中,M是可能的消息的数量。
连续的消息序列分别被编码为“独热”向量s,并由已经根据已训练的发射机模型7而配置的发送模块25进行处理,以确定发送信号x。
连续的接收信号y由已经根据已训练的接收模型9而配置的接收模块33进行处理,以确定标识了接收消息的相应的输出向量由于传输错误,在接收机31处的消息序列可能与在发射机22处的消息序列不同。
因此,纠错模块34通过解码由纠错模块23应用于接收消息序列的纠错码来确定输出数据
输入数据u和输出数据相同。因此,恢复模块35可以恢复与相应的接收信号y相关联的发送消息(由输入向量s指定)。
通过使用包括用于标记的训练的恢复的输入向量s和对应的接收信号y的训练数据,配置设备5确定更新的接收模型9(例如,包括新的权重),并且根据更新的接收模型9来配置接收机31。
图5的实施例允许获得用于接收机微调过程的训练数据,而无需配置设备5与发射机22之间的通信。获得训练数据不需要中断发射机22与发射机22之间的通信,并且不需要发送会导致速率损失的导频符号。
图7是配置设备5的结构视图,其示出了计算机的一般架构。配置设备5包括处理器51和存储器52。存储器52存储有计算机程序P,其在由处理器51执行时使得配置设备5执行以上参考图2至图6所描述的方法。
在一些实施例中,配置设备5与源设备2或目的地设备3并置或者是其一部分。
如上所述,端到端机器学习通信系统是用于通信系统设计的新范例。它们允许从头开始学习新的物理层收发机结构而无需诸如编码、调制、波形等的任何预先规定的结构。在机器学习方面,任何通信系统可被描述为自动编码器(因为输出应当与输入相同),并且因此可被表示和训练为深度神经网络。实施例提供了一种使得能够学习可发送和接收连续消息序列的端到端通信系统的方法。这与包括针对没有消息间干扰的随机信道模型而训练神经网络的已有系统不同。然而,在那些已有系统中,如果将所得到的通信系统用于发送连续消息序列,则性能会迅速下降。
在实施例中,我们呈现了包括通过单个深度神经网络(自动编码器)的发射机、信道以及接收机的端到端通信系统,其中,信道采用随机正则化层的形式,即,它执行数据的已知随机转换。神经网络使用随机梯度下降来训练,直到实现所期望的训练性能为止。在实施例中,发射机不仅生成单个消息“x_t”(如在已有方法中一样),而且生成至少两个消息,通常是三个消息,即,先前和后续的消息“x_{t-1}”和“x_{t+1}”。该消息序列通过可能具有存储器的信道,并且接收机查看该序列的“y_t”部分,其包含关于消息“x_t”的有用信息。基于此观察,接收机尝试对消息进行解码。
已有方法是基于对没有干扰(即,它们在时间上充分分离)的单个消息的训练。这导致显著的速率损失,这对于任何实际实施都是不可接受的。实施例使得对基于神经网络的通信系统的端到端训练在实际上可行,因为它允许可能有干扰的消息序列的连续发送。
在实施例中,接收机神经网络提供与在所有可能的消息上的概率分布相对应的向量(通常称为概率向量)以作为它的输出。进而,解码消息就是该向量中具有最大条目的元素的索引。然而,为了更新机器学习模型(例如,通过随机梯度下降),实施例使用整个输出向量来计算输出与独热编码输入(其也是概率向量,因为只有一个元素等于1,其它所有元素是0)之间的交叉熵,而不仅仅是索引。
在实施例中,接收符号序列的特征的估计通常由接收机内的附加神经网络(或神经网络层)来执行。它们的权重在同一端到端训练(或微调)过程期间更新,以同时改善估计以及分类性能。
本领域技术人员将容易认识到,各种上述方法的步骤可以由编程计算机来执行。在本文中,一些实施例还旨在涵盖程序存储设备,例如,数字数据存储介质,其是机器或计算机可读的并且编码有机器可执行或计算机可执行程序指令,其中,所述指令执行所述的上述方法的步骤中的一些或全部。程序存储设备例如可以是数字存储器,诸如磁盘和磁带的磁存储介质,硬盘驱动器,或光学可读数字数据存储介质。实施例还旨在涵盖被编程为执行所述的上述方法的步骤的计算机。
在附图中示出的各种元件的功能,包括被标记为“处理器”或“逻辑”的任何功能块,可以通过使用专用硬件以及能够与适当的软件相关联地执行软件的硬件来提供。当由处理器提供时,功能可以由单个专用处理器、单个共享处理器或多个单独的处理器提供,其中一些可以共享。此外,术语“处理器”或“控制器”或“逻辑”的明确使用不应被解释为专门指代能够执行软件的硬件,而是可以隐含地包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)、以及非易失性存储器。还可以包括其它常规和/或定制的硬件。类似地,在附图中示出的任何开关仅是概念上的。如从上下文中更具体地理解的,它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或者甚至手动地来实现,具体技术可由实现者来选择。
本领域技术人员应当理解,本文中的任何框图表示体现本发明原理的说明性电路的概念视图。类似地,应当理解,任何流程图、流程图表、状态转换图、伪代码等表示各种过程,这些过程可以基本上在计算机可读介质中表示并且因此由计算机或处理器来执行,无论这种计算机或处理器是否明确示出。
说明书和附图仅仅示出了本发明的原理。因此,应当理解,本领域技术人员将能够设计出虽然未在本文中明确描述或示出但体现本发明的原理并且包括在其精神和范围内的各种布置。此外,在本文中列举的所有示例主要旨在明确地仅用于教学目的,以帮助读者理解本发明的原理和发明人为进一步发展本领域所贡献的概念,并且应被解释为没有对在本文中具体描述的示例和条件进行限制。此外,在本文中描述本发明的原理、方面和实施例及其特定示例的所有陈述旨在涵盖其等同物。
Claims (14)
1.一种由配置设备执行的用于配置数据传输网络的方法,其中,所述数据传输网络包括至少一个发射机、至少一个接收机以及在所述发射机与所述接收机之间的通信信道,所述方法包括:
通过以下操作来训练所述数据传输网络的机器学习模型,其中,所述机器学习模型至少包括:包括发射机神经网络的发射机模型、信道模型、以及包括接收机神经网络的接收机模型:
提供连续消息序列内的消息;
使用所述发射机神经网络,针对所述连续消息序列中的每个消息生成发送符号组;
将所述发送符号组连接在一起作为发送符号序列;
使用所述信道模型模拟所述发送符号序列通过所述通信信道发送到所述接收机;
使用所述接收机神经网络分析接收符号序列以生成解码消息;以及
基于所述接收机神经网络的输出,更新所述机器学习模型,
所述方法进一步包括:
对所述发送符号序列应用所述信道模型的符号间干扰函数,以生成消息间干扰符号作为所述接收符号序列。
2.根据权利要求1所述的方法,其中,所述应用包括:对所述发送符号序列应用第一符号间干扰函数,以生成第一消息间干扰符号作为所述接收符号序列。
3.根据权利要求2所述的方法,其中,所述第一符号间干扰函数包括脉冲整形函数。
4.根据权利要求2所述的方法,其中,所述应用包括:对所述发送符号序列应用第二符号间干扰函数,以生成第二消息间干扰符号作为所述接收符号序列。
5.根据权利要求4所述的方法,其中,所述第二符号间干扰函数包括信道脉冲响应的卷积。
6.根据权利要求4所述的方法,其中,所述应用包括:对所述发送符号序列应用所述第一符号间干扰函数以生成第一消息间干扰符号,并对所述第一消息间干扰符号应用所述第二符号间干扰函数以生成第二消息间干扰符号作为所述接收符号序列。
7.根据权利要求1至3中任一项所述的方法,其中,所述分析包括:在所述接收符号序列内设置观察窗口,以及对所述接收符号序列中落入所述观察窗口内的部分进行分类。
8.根据权利要求7所述的方法,包括:
调整所述观察窗口的位置和大小中的至少一个,以最大化所述解码消息的分类精度。
9.根据权利要求1至3中任一项所述的方法,包括:
使用特征估计神经网络估计所述接收符号序列的特征;
基于所述特征,对所述接收符号序列应用补偿函数以生成补偿的接收符号;以及
使用所述接收机神经网络分析所述补偿的接收符号以生成所述解码消息。
10.一种计算机可读存储介质,在其上存储有计算机可执行程序指令,所述计算机可执行程序指令当在计算机上执行时,执行根据权利要求1至9中任一项所述的方法。
11.一种源设备,包括:根据权利要求1至9中任一项所述的方法配置的发射机。
12.一种目的地设备,包括:根据权利要求1至9中任一项所述的方法配置的接收机。
13.一种用于数据传输网络的配置设备,包括:被配置用于执行根据权利要求1至9中任一项所述的方法的装置。
14.一种数据传输网络,包括:至少一个根据权利要求11所述的源设备,至少一个根据权利要求12所述的目的地设备,以及根据权利要求13所述的配置设备。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17176534.0A EP3418948B1 (en) | 2017-06-19 | 2017-06-19 | Data transmission network configuration |
EP17176534.0 | 2017-06-19 | ||
PCT/EP2018/062479 WO2018233932A1 (en) | 2017-06-19 | 2018-05-15 | CONFIGURATION OF DATA TRANSMISSION NETWORK |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110753937A CN110753937A (zh) | 2020-02-04 |
CN110753937B true CN110753937B (zh) | 2023-10-27 |
Family
ID=59091364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880040359.8A Active CN110753937B (zh) | 2017-06-19 | 2018-05-15 | 数据传输网络配置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11575547B2 (zh) |
EP (1) | EP3418948B1 (zh) |
CN (1) | CN110753937B (zh) |
WO (1) | WO2018233932A1 (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10908995B2 (en) * | 2017-09-29 | 2021-02-02 | Nvidia Corporation | Securing against errors in an error correcting code (ECC) implemented in an automotive system |
WO2020012471A2 (en) * | 2018-07-09 | 2020-01-16 | Saferide Technologies Ltd. | Optimizing size of protocol communication in a vehicle internal networks |
CN112740631A (zh) | 2018-07-20 | 2021-04-30 | 诺基亚技术有限公司 | 通过接收算法中的参数的更新来在通信系统中学习 |
EP3637324A1 (en) | 2018-10-08 | 2020-04-15 | Nokia Solutions and Networks Oy | Geometric constellation shaping for optical data transport |
CN109889462B (zh) * | 2019-01-21 | 2021-05-28 | 东南大学 | 一种适用于高速可见光通信的神经网络辅助的迭代接收方法 |
US20200257985A1 (en) * | 2019-02-08 | 2020-08-13 | DeepSig Inc. | Adversarially generated communications |
CN110247719A (zh) * | 2019-06-17 | 2019-09-17 | 华北电力大学 | 基于机器学习的5g时变信道回放与仿真方法 |
FI20195547A1 (en) | 2019-06-20 | 2020-12-21 | Nokia Technologies Oy | Systems and apparatus for adaptive modulation category |
JP7341315B2 (ja) * | 2019-08-14 | 2023-09-08 | グーグル エルエルシー | ディープニューラルネットワークに関する基地局とユーザ機器とのメッセージング |
EP3808024B1 (en) | 2019-09-04 | 2022-03-16 | Google LLC | Neural network formation configuration feedback for wireless communications |
US11886991B2 (en) | 2019-11-27 | 2024-01-30 | Google Llc | Machine-learning architectures for broadcast and multicast communications |
US11689940B2 (en) | 2019-12-13 | 2023-06-27 | Google Llc | Machine-learning architectures for simultaneous connection to multiple carriers |
WO2021151477A1 (en) * | 2020-01-29 | 2021-08-05 | Nokia Technologies Oy | A receiver for a communication system |
JP2021121068A (ja) * | 2020-01-30 | 2021-08-19 | キオクシア株式会社 | 学習装置 |
JP7420210B2 (ja) | 2020-02-17 | 2024-01-23 | 日本電気株式会社 | 通信システム、送信装置、受信装置、行列生成装置、通信方法、送信方法、受信方法、行列生成方法、及び、記録媒体 |
EP3913816A1 (en) * | 2020-05-19 | 2021-11-24 | Nokia Technologies Oy | Method and apparatus for optimization of signal shaping for a multi-user multiple input multiple output (mu-mimo) communication system |
EP4173244A4 (en) * | 2020-06-25 | 2023-07-26 | Telefonaktiebolaget LM Ericsson (publ) | CONTEXT-SENSITIVE DATA RECEIVER FOR COMMUNICATION SIGNALS BASED ON MACHINE LEARNING |
US11832259B2 (en) | 2020-06-26 | 2023-11-28 | Huawei Technologies Canada Co., Ltd. | Deep-learning for distributed channel feedback and precoding |
US20230246887A1 (en) * | 2020-06-29 | 2023-08-03 | Nokia Technologies Oy | Training in Communication Systems |
US11663472B2 (en) | 2020-06-29 | 2023-05-30 | Google Llc | Deep neural network processing for a user equipment-coordination set |
JP2023537320A (ja) * | 2020-07-31 | 2023-08-31 | グーグル エルエルシー | セルラーネットワークにおけるニューラルネットワークベースの送信フィードバック |
WO2022037785A1 (en) * | 2020-08-20 | 2022-02-24 | Nokia Technologies Oy | Neural-network-based receivers |
CN114337911A (zh) * | 2020-09-30 | 2022-04-12 | 华为技术有限公司 | 一种基于神经网络的通信方法以及相关装置 |
WO2022073167A1 (en) * | 2020-10-08 | 2022-04-14 | Qualcomm Incorporated | Signaling configuration for communicating parameters of a neural network configuration |
US11580396B2 (en) * | 2020-10-13 | 2023-02-14 | Aira Technologies, Inc. | Systems and methods for artificial intelligence discovered codes |
EP3993275A1 (en) * | 2020-11-02 | 2022-05-04 | Vestel Elektronik Sanayi ve Ticaret A.S. | Multiple radio frequency impairment estimation |
WO2022104493A1 (en) * | 2020-11-17 | 2022-05-27 | Qualcomm Incorporated | Signaling design for component-wise neural network communications |
US11088784B1 (en) | 2020-12-24 | 2021-08-10 | Aira Technologies, Inc. | Systems and methods for utilizing dynamic codes with neural networks |
US11368250B1 (en) | 2020-12-28 | 2022-06-21 | Aira Technologies, Inc. | Adaptive payload extraction and retransmission in wireless data communications with error aggregations |
US11575469B2 (en) | 2020-12-28 | 2023-02-07 | Aira Technologies, Inc. | Multi-bit feedback protocol systems and methods |
US11477308B2 (en) | 2020-12-28 | 2022-10-18 | Aira Technologies, Inc. | Adaptive payload extraction in wireless communications involving multi-access address packets |
US11483109B2 (en) | 2020-12-28 | 2022-10-25 | Aira Technologies, Inc. | Systems and methods for multi-device communication |
CN113193925B (zh) * | 2021-02-09 | 2023-08-11 | 中国人民解放军战略支援部队信息工程大学 | 一种通信系统的优化处理方法、装置及电子设备 |
US11489624B2 (en) | 2021-03-09 | 2022-11-01 | Aira Technologies, Inc. | Error correction in network packets using lookup tables |
US11489623B2 (en) | 2021-03-15 | 2022-11-01 | Aira Technologies, Inc. | Error correction in network packets |
US11496242B2 (en) | 2021-03-15 | 2022-11-08 | Aira Technologies, Inc. | Fast cyclic redundancy check: utilizing linearity of cyclic redundancy check for accelerating correction of corrupted network packets |
CN117099330A (zh) * | 2021-04-15 | 2023-11-21 | Oppo广东移动通信有限公司 | 数据增强的方法、接收机及存储介质 |
CN113286309B (zh) * | 2021-05-18 | 2023-02-07 | 合肥工业大学 | 基于csi的异构通信方法及系统 |
CN114726394B (zh) * | 2022-03-01 | 2022-09-02 | 深圳前海梵天通信技术有限公司 | 一种智能通信系统的训练方法及智能通信系统 |
CN114710235B (zh) * | 2022-03-01 | 2022-11-04 | 丝路梵天(甘肃)通信技术有限公司 | 一种通信质量增强系统及通信系统 |
CN114765568B (zh) * | 2022-04-01 | 2022-11-18 | 北京科技大学 | 一种面向语义通信系统的多址接入方法及装置 |
CN115277073B (zh) * | 2022-06-20 | 2024-02-06 | 北京邮电大学 | 信道传输的方法、装置、电子设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512722A (zh) * | 2015-11-26 | 2016-04-20 | 中国石油大学(华东) | 一种基于bp神经网络的卡尔曼增益修正方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6339612B1 (en) * | 1998-02-09 | 2002-01-15 | Motorola, Inc. | Method and apparatus for joint detection of data in a direct sequence spread spectrum communications system |
US20150249554A1 (en) * | 2013-06-21 | 2015-09-03 | Dhadesugoor Vaman | Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels |
WO2014205441A2 (en) * | 2013-06-21 | 2014-12-24 | Digital Compression Technology, Llc | Use of neural network based matched filter for fast response time in high-speed communications channels |
-
2017
- 2017-06-19 EP EP17176534.0A patent/EP3418948B1/en active Active
-
2018
- 2018-05-15 US US16/623,072 patent/US11575547B2/en active Active
- 2018-05-15 CN CN201880040359.8A patent/CN110753937B/zh active Active
- 2018-05-15 WO PCT/EP2018/062479 patent/WO2018233932A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512722A (zh) * | 2015-11-26 | 2016-04-20 | 中国石油大学(华东) | 一种基于bp神经网络的卡尔曼增益修正方法 |
Non-Patent Citations (1)
Title |
---|
Tim O'Shea等.An Introduction to Deep Learning for the Physical Layer.《ARXIV.ORG》.2017,摘要,第1-3小节,图1和2. * |
Also Published As
Publication number | Publication date |
---|---|
EP3418948A1 (en) | 2018-12-26 |
WO2018233932A1 (en) | 2018-12-27 |
EP3418948B1 (en) | 2020-06-03 |
US20200177418A1 (en) | 2020-06-04 |
CN110753937A (zh) | 2020-02-04 |
US11575547B2 (en) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110753937B (zh) | 数据传输网络配置 | |
O’Shea et al. | Approximating the void: Learning stochastic channel models from observation with variational generative adversarial networks | |
EP3418821B1 (en) | Method and device for configuring a data transmission system | |
US10944440B2 (en) | System and method of processing a radio frequency signal with a neural network | |
EP3555817B1 (en) | Adaptive channel coding using machine-learned models | |
CN104769875B (zh) | 采用正交频分复用的高频谱效率传输 | |
CN111566673B (zh) | 通信系统中的端到端学习 | |
CN113169752B (zh) | 通信系统中的学习 | |
JP7307199B2 (ja) | 通信システムにおける学習 | |
GB2607111A (en) | Communication system for conveying data from an information source across a communication channel | |
WO2006059767A1 (ja) | 混合信号をブラインド分離する方法及び装置並びに混合信号の送信方法及び装置 | |
CN114337911A (zh) | 一种基于神经网络的通信方法以及相关装置 | |
WO2023024850A1 (en) | Methods and systems for source coding using a neural network | |
CN115943395A (zh) | 用于无导频ofdm通信的无线电接收器、发射器和系统 | |
US11722240B2 (en) | Rate adaptation | |
KR20220145389A (ko) | 잡음이 있는 과부하된 무선 통신 시스템에서의 이산 디지털 신호의 복구 방법 | |
EP3800813B1 (fr) | Procédé et un dispositif de prédiction des performances d'un récepteur dans un système de communication | |
EP3393083B1 (en) | Method and device for configuring a data transmission and processing system | |
WO2010146774A1 (ja) | 無線通信装置、無線通信システムおよび通信方法 | |
Mathews et al. | A Non-Linear Improved CNN Equalizer with Batch Gradient Decent in 5G Wireless Optical Communication | |
KR101483568B1 (ko) | 다중 입력 다중 출력 시스템을 위한 낮은 복잡도의 비용함수 계산방법 | |
EP4348840A1 (en) | Radio transmitter | |
Hassas Irani | Deep Learning-based End-to-End Physical Layer Design of Wireless Communications | |
CN117914445A (zh) | 基于语义重要性的语义通信方法及系统 | |
KR20210133687A (ko) | MIMO-Auto Encoder 기반의 데이터 전송 장치 |
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 |