CN111327559B - 一种编码、解码方法及装置 - Google Patents

一种编码、解码方法及装置 Download PDF

Info

Publication number
CN111327559B
CN111327559B CN202010130160.3A CN202010130160A CN111327559B CN 111327559 B CN111327559 B CN 111327559B CN 202010130160 A CN202010130160 A CN 202010130160A CN 111327559 B CN111327559 B CN 111327559B
Authority
CN
China
Prior art keywords
sequence
neural network
deep neural
real
complex
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.)
Expired - Fee Related
Application number
CN202010130160.3A
Other languages
English (en)
Other versions
CN111327559A (zh
Inventor
陈远祥
韩颖
付佳
黄雍涛
李凯乐
余建国
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010130160.3A priority Critical patent/CN111327559B/zh
Publication of CN111327559A publication Critical patent/CN111327559A/zh
Application granted granted Critical
Publication of CN111327559B publication Critical patent/CN111327559B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00Modulated-carrier systems
    • H04L27/26Systems using multi-frequency codes
    • H04L27/2601Multicarrier modulation systems
    • H04L27/2626Arrangements specific to the transmitter only
    • H04L27/2627Modulators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/0001Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0009Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00Modulated-carrier systems
    • H04L27/26Systems using multi-frequency codes
    • H04L27/2601Multicarrier modulation systems
    • H04L27/2626Arrangements specific to the transmitter only
    • H04L27/2627Modulators
    • H04L27/2628Inverse Fourier transform modulators, e.g. inverse fast Fourier transform [IFFT] or inverse discrete Fourier transform [IDFT] modulators

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Error Detection And Correction (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明实施例提供了一种编码、解码方法及装置,该方法在对待编码比特序列进行编码时,首先是将待编码比特序列转换成第一复数序列,并提取第一复数序列的实部和虚部生成第一实数序列,以作为编码器的输入信息,得到对待编码序列进行编码的第二实数序列,进而利用第二实数序列生成第二复数序列,通过对第二复数序进行OFDM编码处理后,利用训练序列,生成OFDM帧。相对于现有技术,本实施例使用对编码‑解码深度神经网络进行训练得到的编码器,对待编码比特序列进行编码,可使得在保证不影响信息的传输速率的基础上,能够降低误码率。

Description

一种编码、解码方法及装置
技术领域
本发明涉及通信的技术领域,特别是涉及一种编码、解码方法及装置。
背景技术
相干光正交频分复用(OFDM,Orthogonal Frequency Division Multiplexing)技术依靠该技术高速的数据传输速率、高的频谱效率以及有效对抗频率选择性衰落的特性而成为一种富有前景的调制技术,且并受到广泛的关注。然而,OFDM也具有固有的缺陷,如较高的峰值平均功率比(PAPR,Peak to Average Power Ratio),对频率和相位噪声有较高的灵敏度,诸如上述缺陷都会造成相干光OFDM通信系统的误码率(BER,Bit Error Ratio)恶化。
针对上述存在的误码率恶化问题,现有技术提供的编码方法主要为前向纠错码,该编码方法是通过增加信息的冗余度以对抗信道传输中存在的损伤,进而达到能够提升相干光OFDM通信系统的可靠性和灵敏度。
但在相干光OFDM通信系统中,随着传输距离与传输速率的增加,增加信息的冗余度并不能足以对抗长传输距离和高传输速率所带来的损伤,因此,误码率仍会大幅增加。同时,该编码方法所增加的信息的冗余度也会显著降低信息的传输速率。
发明内容
本发明实施例的目的在于提供一种编码、解码方法及装置,以在保证不影响信息的传输速率的基础上,能够降低误码率。
具体技术方案如下:
第一方面,本发明实施例提供了一种编码方法,所述方法包括:
根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征虚数-实数I-Q星座映射的第一复数序列;
将所述第一复数序列的实部和虚部生成的第一实数序列输入到预设的编码器中,得到对所述待编码比特序列编码后的第二实数序列;其中,所述编码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对比特序列进行编码的编码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;
对所述第二实数序列进行拆分,并利用拆分后的实部和虚部,生成第二复数序列;
对所述第二复数序列进行相干光正交频分复用OFDM编码处理,得到第一时域OFDM信号;
将预设的训练序列放置在第二时域OFDM信号中首位信号的前位,生成OFDM帧,其中,所述第二时域OFDM信号为各个所述第一时域OFDM信号按照顺序依次首位连接生成的时域OFDM信号。
本发明实的一个实施例中,所述根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列,包括:
根据预设的调制等级和预设的子载波数,对待编码比特序列进行串并转换处理,得到并行序列;
对所述并行序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列。
本发明实的一个实施例中,所述对所述第二复数序列进行OFDM编码处理,得到第一时域OFDM信号,包括:
对所述第二复数序列进行归一化处理,得到处理后的第三复数序列;
对处理后的第三复数序列依次进行插入导频和保护间隔处理,得到第四复数序列;
对所述第四复数序列进行傅里叶逆变换,得到第一时域OFDM信号。
本发明实的一个实施例中,通过以下训练方式得到所述编码器:
根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本;
以所述复数序列的实部和虚部生成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列;
将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列;
根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,同时调整所述第一深度神经网络和所述第二神经网络的模型参数,得到对比特序列进行编码的编码器。
本发明实的一个实施例中,所述根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,分别调整所述第一深度神经网络和所述第二神经网络的模型参数,得到对比特序列进行编码的编码器,包括:
利用如下表达式所述的损失函数,同时调整第一深度神经网络和所述第二神经网络的模型参数,得到对比特序列进行编码的编码器;
所述表达式为:
Figure BDA0002395579450000031
Figure BDA0002395579450000032
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure BDA0002395579450000033
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure BDA0002395579450000034
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure BDA0002395579450000035
表示实数序列样本和解码序列之间的均方误差,
Figure BDA0002395579450000036
第二方面,本发明实施例还提供了一种解码方法,所述方法包括:
滤除权利要求1所获得的OFDM帧中的训练序列,得到第三时域OFDM信号;
对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列;其中,所述第四时域OFDM信号为对所述第三时域OFDM信号进行拆分获得的时域OFDM信号;
将所述第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到对所述OFDM帧进行解码后的第四实数序列;其中,所述解码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对权利要求1所得到的OFDM帧进行解码的解码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;
对所述第四实数序列进行拆分,并利用拆分后的实部和虚部,生成第六复数序列;
对所述第六复数序列进行星座解映射,得到比特序列。
本发明的一个实施例中,所述对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列,包括:
对所述训练序列进行信道估计,并对所述第三时域OFDM信号中各个第四时域OFDM信号进行信道均衡,得到均衡后的第五时域OFDM信号;
对所述第五时域OFDM信号进行傅里叶变换,得到第七复数序列;
滤除所述第七复数序列中的导频和保护间隔,得到第五复数序列。
本发明的一个实施例中,通过以下训练方式得到所述解码器:
根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本;
以所述复数序列的实部和虚部组成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列;
将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列;
根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,分别调整所述第一深度神经网络和所述第二神经网络的模型参数,得到对编码后的编码序列进行解码的解码器。
第三方面,本发明实施例提供了一种编码装置,所述装置包括:
第一复数序列得到模块,用于根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列;
第二实数序列得到模块,用于将所述第一复数序列的实部和虚部生成的第一实数序列输入到预设的编码器中,得到对所述待编码比特序列编码后的第二实数序列;其中,所述编码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对比特序列进行编码的编码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;
第二复数序列生成模块,用于对所述第二实数序列进行拆分,并利用拆分后的实部和虚部,生成第二复数序列;
第一信号得到模块,用于对所述第二复数序列进行OFDM编码处理,得到第一时域OFDM信号;
帧生成模块,用于将预设的训练序列放置在第二时域OFDM信号中首位信号的前位,生成OFDM帧,其中,所述第二时域OFDM信号为各个所述第一时域OFDM信号按照顺序依次首位连接生成的时域OFDM信号。
第四方面,本发明实施例提供一种解码装置,所述装置包括:
第三信号得到模块,用于滤除权利要求1所获得的OFDM帧中的训练序列,得到第三时域OFDM信号;
第五复数序列得到模块,用于对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列;其中,所述第四时域OFDM信号为对所述第三时域OFDM信号进行拆分获得的时域OFDM信号;
第三实数序列得到模块,用于将所述第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到对所述OFDM帧进行解码后的第四实数序列;其中,所述解码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对权利要求1所得到的OFDM帧进行解码的解码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;
第六复数序列生成模块,用于对所述第四实数序列进行拆分,并利用拆分后的实部和虚部,生成第六复数序列;
比特序列得到模块,用于对所述第六复数序列进行星座解映射,得到比特序列。
第五方面,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一实施例所述的编码方法。
第六方面,本发明实施例又提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的编码方法。
第七方面,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一实施例所述的解码方法。
第八方面,本发明实施例又提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的解码方法。
本发明实施例提供的一种编码、解码方法及装置,可以通过在对待编码比特序列进行编码时,首先是将待编码比特序列转换成第一复数序列,并提取第一复数序列的实部和虚部生成第一实数序列,以作为编码器的输入信息,得到对待编码序列进行编码的第二实数序列,进而利用第二实数序列生成第二复数序列,通过对第二复数序进行OFDM编码处理后,利用训练序列,生成OFDM帧。相对于现有技术,本实施例不再使用前向纠错技术,也就不必增加信息的冗余度,而是通过利用对编码-解码深度神经网络进行训练得到的编码器,对待编码比特序列星族映射后的复数序列进行编码,该编码器能够约束星座点在信道传输过程中产生的分散问题,进而能够提高对抗信道传输过程中所存在干扰的能力,以使在解码时的误码率低,可见,应用本实施例提供的技术方案,在保证不影响信息的传输速率的基础上,能够降低误码率。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种编码方法的流程示意图;
图2为本发明实施例提供的一种编码器的训练方式的流程示意图;
图3为本发明实施例提供的一种解码方法的流程示意图;
图4为本发明实施例提供的相干光OFDM实验系统的结构示意图;
图5为本发明实施例提供的深度神经网络结构及模型训练的结构示意图;
图6为应用本发明实施例的方案与传统方案进行对比的第一个仿真示意图;
图7为应用本发明实施例的方案与传统方案进行对比的第二个仿真示意图;
图8为应用本发明实施例的方案与传统方案进行对比的第三个仿真示意图;
图9为本发明实施例提供的编码装置的结构示意图;
图10为本发明实施例提供的解码装置的结构示意图;
图11为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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。
为了在保证不影响信息的传输速率的基础上,能够降低误码率,本发明实施例提供了一种编码、解码方法及装置。
本发明实施例所提供的编码方法可以应用于相干光OFDM通信系统。
参见图1,图1为本发明实施例提供的一种编码方法的流程示意图,该方法的具体处理流程包括:
S110,根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征虚数-实数I-Q星座映射的第一复数序列。
比特序列为二进制序列,也就是由0和1组成的序列。
OFDM技术是将信道分成N个子信道,每个子信道均包含一个子载波,不同的子载波之间相互正交。在实际应用时,是将一路高速输入的数据信号转换成N路并行的低速子数据流,调制到每一个子载波上进行传输。
基于上述对OFDM技术的描述,则本步骤是将一路高速输入的待编码比特序列转换成与子载波数相同路并行的低速子比特序列,以调制到每一个子载波上进行传输。可见,本步骤需要预先设定调制等级和子载波数以便对编码的比特序列进行传输。
本实施例中调整等级可以取4,子载波数可以取128。
星座映射处理是指将携带数字信息的比特序列映射成适于传输的符号序列。
本实施例中是通过对待编码比特序列进行星座映射处理,得到表征实数-虚数星座映射的复数序列。
S120,将所述第一复数序列的实部和虚部生成的第一实数序列输入到预设的编码器中,得到对所述待编码比特序列编码后的第二实数序列;其中,所述编码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对比特序列进行编码的编码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息。
第一复数序列包括了实部和虚部,而第一实数序列是由第一复数序列的实部和虚部按照预设规则生成的,该预设规则可以为实部和虚部依照实部在先,虚部在后的顺序拼接而成,例如,实部为a,虚部为b,则第一实数序列为ab,也可以是依照虚部在先,实部在后的顺序拼接而成,基于上述示例,第一实数序列为ba。
实数序列样本为根据上述调制等级和上述子载波数,对比特序列样本进行星座映射处理后的复数序列样本,且并对复数序列样本中实部和虚部按照上述预设规则生成的序列样本。
上述的编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,其中,第一深度神经网络的输入信息为实数序列样本,第一深度神经网络的输出信息为对比特序列样本进行编码的编码序列,也就是,对实数序列样本进行编码的编码序列。第二深度神经网络的输入信息为第一深度神经网络输出的编码序列,第二深度神经网络的输出信息为对编码序列进行解码的解码序列。
本实施例是以实数序列样本作为编码-解码深度神经网络的输入信息,以比特序列样本和比特序列样本对应的解码序列作为训练基准,同时对第一深度神经网络和第二深度神经网络进行训练,得到对比特序列进行编码的编码器以及对已经编码的编码序列进行解码的解码器。
S130,对所述第二实数序列进行拆分,并利用拆分后的实部和虚部,生成第二复数序列。
可以对第二实数序列按照与上述预设规则相反的规则进行拆分,例如,若上述预设规则为按照实部在先,虚部在后的顺序进行拼接,则与上述预设规则相反的规则为对实际序列按照顺序前位作为实部,顺序后位作为虚部进行分离得到实部和虚部的规则。
示例性的,第一实数序列为ab,则第二复数序列为a+bi;第一实数序列为ba,则第二复数序列为b+ai。
若上述预设规则为按照虚部在先,实部在后的顺序进行拼接,则与上述预设规则相反的规则为对实际序列按照顺序前位作为虚部,顺序后位作为实部进行分离得到实部和虚部的规则。
示例性的,第一实数序列为ab,则第二复数序列为ai+b;第一实数序列为ba,则第二复数序列为bi+a。
S140,对所述第二复数序列进行相干光正交频分复用OFDM编码处理,得到第一时域OFDM信号。
针对每一第二复数序列,对该第二复数序列进行OFDM编码处理,得到第一时域OFDM信号。
S150,将预设的训练序列放置在第二时域OFDM信号中首位信号的前位,生成OFDM帧,其中,所述第二时域OFDM信号为各个所述第一时域OFDM信号按照顺序依次首位连接生成的时域OFDM信号。
上述训练序列是一组事先确定的比特序列。
第二时域OFDM信号可以是各个第一时域OFDM信号按照时间先后顺序进行首位拼接得到的时域序列。
示例性的,若第一时域OFDM信号有3个,分别为efg,yuc和hic,则按照时间顺序拼接该3个第一时域OFDM信号,得到的第二时域OFDM信号为efgyuchic。
上述训练序列作为一个整体,放置在第二时域OFDM信号中时间最早的第一时域OFDM信号的前位。
基于上述示例,若训练序列为010011,则第二时域OFDM信号为010011efgyuchic。
由此可见,在本发明实施例的技术方案中,本实施例是在对待编码比特序列进行编码时,首先是将待编码比特序列转换成第一复数序列,并提取第一复数序列的实部和虚部生成第一实数序列,以作为编码器的输入信息,得到对待编码序列进行编码的第二实数序列,进而利用第二实数序列生成第二复数序列,通过对第二复数序进行OFDM编码处理后,利用训练序列,生成OFDM帧。相对于现有技术,本实施例不在使用前向纠错技术,也就不必增加信息的冗余度,而是通过利用对编码-解码深度神经网络进行训练得到的编码器对待编码比特序列星族映射后的复数序列进行编码,该编码器能够约束星座点在信道传输过程中产生的分散问题,进而能够提高对抗信道传输过程中存在的干扰的能力,以使在解码时的误码率低,可见,应用本实施例提供的技术方案,在保证不影响信息的传输速率的基础上,能够降低误码率。
本发明的一个实施例中,S110的具体实现方式可以包括如下步骤A~B:
步骤A,根据预设的调制等级和预设的子载波数,对待编码比特序列进行串并转换处理,得到并行序列。
串并转换是完成串行传输和并行传输这两种传输方式之间转换的技术。
其中,串行传输是将是将组成数据和字符的码元按时序逐位予以传输。
并行传输是将固定位数的数据和字符的码元同时传输到接收端。
在本实施例中,对待编码比特序列进行串并转换处理,以得到并行序列。
步骤B,对所述并行序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列。
针对每一并行序列,通过对该并行序列中的数字进行星座映射处理,得到与该并行序列对应的第一复数序列。
可见,在本实施例提供的技术方案中,通过根据预设的调制等级和预设的子载波数,对待编码比特序列进行串并转换处理,得到并行序列,再对得到的并行序列进行星座映射处理,得到第一复数序列。通过约束星座点在信道传输过程中产生的分散问题,进而能够进一步提高信息的传输速率。
本发明的一个实施例中,S140的具体实现方式可以包括步骤C~步骤E;
其中,步骤C,对所述第二复数序列进行归一化处理,得到处理后的第三复数序列。
本步骤是对第二复数序列进行归一化处理,可以使得不同调制方式,也就是,对所有映射方式,都能够取得相同的平均功率。
步骤D,对处理后的第三复数序列依次进行插入导频和保护间隔处理,得到第四复数序列。
上述插入导频是载波同步的一种方法,载波同步是指在接收机中产生一个与接收信号的载波属于同频同相的本地振荡,供给解调器作相干解调用,也可以理解为,在已调信号频谱中额外插入一个低功率的线谱,以便接收端作为载波同步信号加以恢复,其中,此线谱对应的正弦波就是导频信号。
本步骤插入导频可以按照如下原则进行插入导频,具体原则为:在已调信号频谱中的零点插入导频,且要求其附近的信号频繁分量尽量小。
为了避免多途径所造成的符号间干扰和信道间干扰,本步骤中插入保护间隔,也就是,在每个时域波形前增加一小段波形,这一小段波形就是上一时域波形末尾的一段。
步骤E,对所述第四复数序列进行傅里叶逆变换,得到第一时域OFDM信号。
本步骤的一种实现方式可以为对所述第四复数序列进行快速傅里叶逆变换,得到第一时域OFDM信号。
快速傅里叶逆变换就是利用计算机计算离散傅里叶逆变换,简称,IFFT,inverseFourier transform。
可见,在本发明实施例提供的技术方案中,通过对所述第二复数序列进行归一化处理,以取得相同的平均功率,再对归一处理后的第三复数序列依次进行插入导频和保护间隔,以使得到的第四复数序列既能使接收端作为载波同步信号加以恢复,又能避免第四复数序列中字符串扰,最后对第四复数序列进行傅里叶逆变换,得到第一时域OFDM信号。
本发明的一个实施例中,如图2所示,通过如下S121~S124的训练方式得到所述编码器:
S121,根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本。
本步骤中的调制等级与子载波数分别对应与S10中的调制等级和子载波数相同,也就是说,若本步骤的调制等级为4级时,则S10中的调制等级也别预先设定为4级,若本步骤的子载波数为128时,则S10中的子载波数也被事先设定为128。
S122,以所述复数序列的实部和虚部生成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列。
实数序列样本是由复数序列样本的实部和虚部按照上述预设规则生成的,且本步骤的预设规则与S120中的预设规则相同,也就是,当本步骤选取何种预设规则,则S120中的预设规则也必须是与本步骤的预设规则相同。
本步骤的第一深度神经网络的输入信息为使用复数序列的实部和虚部生成的实数序列样本。第一深度神经网络的输出信息为对所述比特序列样本进行编码后的编码序列。
第一深度神经网络结构包括密集层、批量归一化层、激活函数和节点丢弃率Dropout。
其中,密集层所使用的激活函数为:y=Wmx+bm
Wm为第m个密集层的权重,bm第m个密集层的偏差,y为第m个密集层的输出,x为第m个密集层所输如的实数序列样本。
将密集层的输出结果输入到批量归一化层中,该批量归一化层对激活函数的输入作归一化处理,以便更有效地训练自动编码器网络。
将批量归一化处理后的结果输入到激活函数中,得到批量归一化处理后的结果输入的非线性表示。
Dropout能够增加网络的稀疏性,有效减小过拟合风险,且能够增加模型的泛化能力。
S123,将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列。
本步骤中第二深度神经网络的输入信息为S122得到的编码序列。第二深度神经网络的输出信息为对编码序列进行解码后的解码序列。
第二深度神经网络与第一深度神经网络结构相同,第二深度神经网络的结构也包括密集层、批量归一化层、激活函数和节点丢弃率Dropout。
S124,根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,同时调整所述第一深度神经网络和所述第二神经网络的模型参数,得到对比特序列进行编码的编码器。
每输入一个比特序列样本,输出一个与该比特序列样本对应的编码序列,与该比特序列样本对应的编码序列,利用预设的损失函数,同时调整第一深度神经网络的模型参数和第二神经网络的模型参数,最终,得到训练后的对比特序列进行编码的编码器,以及,对该编码器编码后的编码序列进行解码的解码器。
在本发明的一个实施例中,S124的具体实现方式可以包括如下步骤:
利用如下表达式所述的损失函数,同时调整第一深度神经网络和所述第二神经网络的模型参数,得到对比特序列进行编码的编码器;
所述表达式为:
Figure BDA0002395579450000121
Figure BDA0002395579450000122
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure BDA0002395579450000123
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure BDA0002395579450000124
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure BDA0002395579450000125
表示实数序列样本和解码序列之间的均方误差,
Figure BDA0002395579450000126
其中,在网络中,编码器和解码器各由Lf和Lg个子块组成。因此,编码器的输出可以用数学表示为:
Figure BDA0002395579450000127
解码器可以表示为:
Figure BDA0002395579450000128
其中,
Figure BDA0002395579450000129
Figure BDA00023955794500001210
分别是编码器f在第Lf层的权重和偏差,W1 f
Figure BDA00023955794500001211
分别是编码器f在第1层的权重和偏差,
Figure BDA00023955794500001212
Figure BDA00023955794500001213
分别是解码器g在第Lg层的权重和偏差,W1 g
Figure BDA00023955794500001214
分别是解码器g在第1层的权重和偏差,
Figure BDA00023955794500001215
是第1层的激活函数,
Figure BDA00023955794500001216
是解码器在第Lg层的的激活函数,
Figure BDA00023955794500001217
表示编码器在第Lf层的的激活函数,
Figure BDA00023955794500001218
表示编码器第Lf-1层的激活函数,
Figure BDA00023955794500001219
表示解码器第Lg-1层的激活函数,|·|bn是指批量归一化处理函数,r是编码器的输入,即实数序列样本,y是解码器的输入,Lf是编码器的层数,Lg是解码器的层数。
可见,在本发明的实施例中,可以利用如下表达式所述的损失函数,同时调整第一深度神经网络和所述第二神经网络的模型参数,得到对比特序列星座映射后的复数序列进行编码的编码器,可以用来补偿训练过程中星座点散开问题,进而提高编码器能抗干扰能力。
本实施例可以采用128个子载波和4等级的调制等级的相干光OFDM系统。在网络的训练阶段,随机生成10240000比特的二进制序列,分为100个批次的数据用于训练,批量大小设置为512,即为用于更新随机梯度下降(stochastic gradient descent,SGD)算法中单个步骤的训练样本的数量,权重参数λ设置为0.1,随训练的进行而不断减小。深度神经网络的训练参数设置如表所示。
表1深度神经网络参数设置
Figure BDA0002395579450000131
可见,在本发明实施例的技术方案中,可以通过将复数序列的实部和虚部生成的实数序列样本输入到第一深度神经网络中,得到对比特序列样本进行编码后的编码序列,将编码序列输入到第二深度神经网络中,得到对编码序列进行解码后的解码序列,进而根据编码序列、比特序列样本和解码序列,利用预设的损失函数,同时调整第一深度神经网络和第二神经网络的模型参数,得到对比特序列进行编码的编码器。本实施例根据训练过程中损失函数的设置,使得训练后的编码器能够约束星座点在信道传输过程中产生的分散问题,进而提高系统对抗传输过程中干的扰能力,因此,应用本实施例中的编码器进行编码后的编码序列,经过信道输出后,以使使用本实施例中的解码器对上述编码序列进行解码,在进行长距离、高速率信息传输后,能够进一步提高表征信号质量的Q值,能够进一步降低误码率。
参见图3,图3本发明实施例提供一种解码方法的流程示意图,该方法可以包括:
S160,滤除S110~S150所获得的OFDM帧中的训练序列,得到第三时域OFDM信号。
本步骤的OFDM帧就是按照权利要求1所述的方法获得的,但由于OFDM帧在信道传输的过程中,可能会产生噪音,因此,从OFDM帧中滤除OFDM帧中的训练序列后,得到的第三时域OFDM信号近似为第二时域OFDM信号,为了更加逼近第二时域OFDM信号,也可以对第三时域OFDM信号进行去燥处理。
S170,对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列。其中,所述第四时域OFDM信号为对所述第三时域OFDM信号进行拆分获得的时域OFDM信号。
由于第三时域OFDM信号近似于第二时域OFDM信号,为了使第四时域OFDM信号逼近于第一时域所OFDM信号,本步骤第四时域OFDM信号的获得可以根据权利要求1所述的第一时域所OFDM信号,对所述第三时域OFDM信号进行拆分获得。
基于上述描述,第三时域OFDM信号近似于第二时域OFDM信号,第四时域OFDM信号逼近于第一时域所OFDM信号,则通过对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到逼近于第二复数序列的第五复数序列。
S180,将所述第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到对所述OFDM帧进行解码后的第四实数序列;其中,所述解码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对S110~S150所述的OFDM帧进行解码的解码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息。
第三实数序列是由第五复数序列的实部和虚部按照预设规则生成的,该预设规则与S120中的预设规则相同。
另外,由于第五复数序列逼近第二复数序列,这样,由第五复数序列的实部和虚部按照预设规则生成的第三实数序列,与第二实数序列逼近。从而由解码器输出的第四实数序列,近似于第一实数序列。
S190,对所述第四实数序列进行拆分,并利用拆分后的实部和虚部,生成第六复数序列。
可以根据S120中的组成方法,对第四实数序列进行拆分,一种实现方式为,若S120中的预设规则为实部和虚部依照实部在先,虚部在后的顺序拼接而成,则可以提取S190中第四实数序列的前面部分作为实部,提取S190中第四实数序列的后面部分作为虚部,例如,第四实数序列为ef,则拆分后的实部为e,虚部为f,生成的第六复数序列为e+fi。
若S120中的预设规则为依照虚部在先,实部在后的顺序拼接而成,则可以提取S190中第四实数序列的前面部分作为虚部,提取S190中第四实数序列的后面部分作为实部,例如,第四实数序列为ef,则拆分后的虚部为e,实部为f,生成的第六复数序列为ei+f。
按照上述拆分规则,生成的第六复数序列更加接近于第一复数序列。
S200,对所述第六复数序列进行星座解映射,得到比特序列。
上述星座解映射是与星座映射呈一对互逆映射过程。也就是,针对一个比特序列M,通过对比特序列M进行星座映射处理,得到复数序列N,反过来,通过对复数序列N进行星座解映射,得到比特序列M。
基于上述分析,可知,本步骤对近似于第一复数序列的第六复数序列进行星座解映射,可以得到近似于待编码比特序列的比特序列。进而使得误码率降低。
由此可见,在本发明实施例的技术方案中,通过滤除S110~S150所获得的OFDM帧中的训练序列,进而对滤除后得到的第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列;将第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到第四实数序列;对基于第四实数序列生成的第六复数序列进行星座解映射,得到比特序列。相对于现有技术,本实施例所解码的编码器不在使用前向纠错技术,也就不必增加信息的冗余度,而是通过利用对编码-解码深度神经网络进行训练得到的编码器对待编码比特序列星族映射后的复数序列进行编码,该编码器能够约束星座点随在信道传输过程中产生的分散问题,且在解码过程中,由上述解码器得到的第六复数序列组成的星座点更加集中,因此,经过星座解映射判决的准确率大幅度提高,且误码率会显著降低。可见,应用本实施例提供的技术方案,在保证不影响信息的传输速率的基础上,能够降低误码率。
在本发明的一个实施例中,S170的具体实现方式包括步骤F~步骤H:
步骤F,对所述训练序列进行信道估计,并对所述第三时域OFDM信号中各个第四时域OFDM信号进行信道均衡,得到均衡后的第五时域OFDM信号。
信道均衡是指为了提高衰落信道中的信道系统的传输性能而采取的一种抗衰落措施,它主要是为了消除或者是减弱宽带通信时的多径时延带来的码间串扰问题。
由上述对信道均衡分析可知,对各个第四时域OFDM信号进行信道均衡,得到的第五时域OFDM信号,更加逼近第一时域OFDM信号。
步骤G,对所述第五时域OFDM信号进行傅里叶变换,得到第七复数序列。
由于第五时域OFDM信号与第一时域OFDM信号更加逼近,则通过对第五时域第五时域OFDM信号进行傅里叶变换得到的第七复数序列也更加逼近第四复数序列。
步骤H,滤除所述第七复数序列中的导频和保护间隔,得到第五复数序列。
基于第七复数序列也更加逼近第四复数序列,则通过滤除第七复数序列中的导频和保护间隔所得到第五复数序列,更加逼近第二复数序列。
可见,在本发明实施例提供的技术方案中,通过对第三时域OFDM信号中各个第四时域OFDM信号进行信道均衡得到的第五时域OFDM信号,更加逼近于第一时域OFDM信号,且又通过对第五时域OFDM信号进行傅里叶变换得到的第七复数序列,逼近于第四复数序列,进而使得滤除第七复数序列中的导频和保护间隔后得到的第五复数序列,更加逼近于第一复数序列,从而使得解码后所得的比特序列,更加逼近于待编码比特序列,进而能够降低误码率。
本发明的一个实施例中,可以通过以下步骤I~步骤L的训练方式得到所述解码器:
步骤I,根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本。
鉴于解码器的训练方式与编码器的训练方式均是通过同一个训练方式,同时获得的,因此,本实施例中不在对编码器的训练方式进行赘述。
步骤J,以所述复数序列的实部和虚部组成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列。
步骤K,将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列。
步骤L,根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,分别调整所述第一深度神经网络和所述第二神经网络的模型参数,得到对编码后的编码序列进行解码的解码器。
实现步骤L的具体实现方式可以包括如下步骤:
利用如下表达式所述的损失函数,分别调整第一深度神经网络和所述第二神经网络的模型参数,得到对编码后的编码序列进行解码的解码器;
所述表达式为:
Figure BDA0002395579450000161
Figure BDA0002395579450000171
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure BDA0002395579450000172
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure BDA0002395579450000173
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure BDA0002395579450000174
表示实数序列样本和解码序列之间的均方误差,
Figure BDA0002395579450000175
可见,在本发明的实施例中,可以利用如下表达式所述的损失函数,同时调整第一深度神经网络和所述第二神经网络的模型参数,得到对编码后的编码序列进行解码的解码器,可以用来补偿训练过程中的星座点散开问题,进而提高解码器能抗干扰能力。
可见,在本发明实施例的技术方案中,可以通过将复数序列的实部和虚部生成的实数序列样本输入到第一深度神经网络中,得到对比特序列样本进行编码后的编码序列,将编码序列输入到第二深度神经网络中,得到对编码序列进行解码后的解码序列,进而根据编码序列、比特序列样本和解码序列,利用预设的损失函数,同时调整第一深度神经网络和第二神经网络的模型参数,得到对编码后的编码序列进行解码的解码器。本实施例根据训练过程中损失函数的设置,使得训练后的编码器能够约束星座点在信道传输过程中产生的分散问题,进而提高系统对抗传输过程中干的扰能力,因此,应用本实施例中的编码器进行编码后的编码序列,经过信道输出后,再使用本实施例中的解码器对上述编码序列进行解码,在进行长距离,高速率信息传输后,能够进一步提高表征误码率高或低的Q值,鉴于高的Q值具有低的误码率,可见,应用本发明实施例提供的技术方案能够进一步降低误码率。
基于上述实施例,在实际应用时,可以按照如图4所示搭建测量误码率的实验系统。具有为:射频OFDM发射端离线产生的OFDM帧分为同相分量I和正交分量Q两路,经过数/模转换器转变为模拟信号,并将各自转换的模拟信号分别送入低通滤波器处理,两路模拟信号放大后的分量I和分量Q全部送入到I/Q调制器,以实现发射信号的I分量和Q分量对激光器输出的光信号的正交调制,正交调制后产生的光OFDM信号经过光纤传输后,首先与一个本振光信号进行相干耦合,然后由平衡检测器-I和平衡检测器-Q进行光电转换得到OFDM帧的两个正交的I分量和Q分量。分别将两个正交的I分量和Q分量在数/模转换器中进行模数转换,由示波器将转换后的数字信号存储以便射频OFDM接收端进行离线处理,离线处理的结果便是解码后得到的比特序列,根据OFDM发射端输入的比特序列,对该解码得到的比特序列进行误码检测,得到误码率。另外,光纤包括若干段,每段为80km标准单模光纤(SSMF,standard single mode fiber)和一个掺铒光纤放大器(EDFA,Erbium Doped FiberApplication Amplifier)。发射端和接收端的激光器线宽保持一致。
基于上述实验系统,本实施例使用光通信仿真设计软件VPI Design Suite 9.8联合Matlab与Python编辑器PyCharm来验证本实施例所提出的技术方案对于相干光OFDM系统的优化效果。相干光OFDM通信系统的优化设计如图5所示,编码器是由多个划分的子块1,……,子块Lf构成,编码器是将比特序列样本作为训练样本,并依次通过这些子块处理训练样本,以得到输入子块L中密集层的实数序列样本,编码器输出的编码序列通过广义信道作为解码器的输入信息,解码器将输入的编码序列输入到构成解码器的子块1,……,子块Lg中,输出解码后的解码序列,根据编码序列、解码序列和训练样本,利用上述表达式所述的损失函数,计算出实数序列样本与编码序列的均方根误差L1和实数序列样本和解码序列之间的均方误差L2,进而获得实数序列样本与解码序列的相似程度L,根据L值,调整子块Lf和子块Lg中的模型参数,进而得到最终的编码器和解码器。其中,子块Lf和子块Lg均是由密集层、批量归一化层、激活函数和Dropout构成的深度卷积神经网络。实验中参数设置如表2所示。
表2系统参数设置
Figure BDA0002395579450000181
图6比较了在传输速率为10Gbps时,传统方案与使用本实施例的自动编码器方案AE的Q值随传输距离变化的仿真结果。图6中可以看出,从背对背传输到560Km远距离传输,在相干光OFDM通信系统中使用本实施例的自动编码器方案AE使得Q值提升了大约15dB。
图7展示了本实施例所提出的自动编码器方案AE对传输速率的鲁棒性,在传输速率设置为20Gbps,传统相干光OFDM通信系统的Q值在传输160km后便低于20dB,而使用本实施例的AE仍可以提升系统性能。图8为本实施例的AE和传统方案的极限性能进行对比的示意图,如图8所示,当传速速率提高到30Gbps,传输距离到320km后,系统性能开始急剧恶化,即便如此,也要比传统方案性能有所提升。
与上述编码方法相对应,本发明实施例还提供了编码装置。
参见图9,图9为本发明实施例提供一种编码装置的结构示意图,所述装置可以包括:
第一复数序列得到模块901,用于根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列;
第二实数序列得到模块902,用于将所述第一复数序列的实部和虚部生成的第一实数序列输入到预设的编码器中,得到对所述待编码比特序列编码后的第二实数序列;其中,所述编码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对比特序列进行编码的编码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;
第二复数序列生成模块903,用于对所述第二实数序列进行拆分,并利用拆分后的实部和虚部,生成第二复数序列;
第一信号得到模块904,用于对所述第二复数序列进行相干光正交频分复用OFDM编码处理,得到第一时域OFDM信号;
帧生成模块905,用于将预设的训练序列放置在第二时域OFDM信号中首位信号的前位,生成OFDM帧,其中,所述第二时域OFDM信号为各个所述第一时域OFDM信号按照顺序依次首位连接生成的时域OFDM信号。
本发明的一个实施例中,第一复数序列得到模块901可以包括:
并行序列子模块,用于根据预设的调制等级和预设的子载波数,对待编码比特序列进行串并转换处理,得到并行序列;
第一复数序列得到子模块,用于对所述并行序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列。
本发明的一个实施例中,所述第一信号得到模块904可以包括:
第三复数序列得到子模块,用于对所述第二复数序列进行归一化处理,得到处理后的第三复数序列;
第四复数序列得到子模块,用于对处理后的第三复数序列依次进行插入导频和保护间隔处理,得到第四复数序列;
第一信号得到子模块,用于对所述第四复数序列进行傅里叶逆变换,得到第一时域OFDM信号。
本发明的一个实施例中,上述装置还可以包括:通过训练方式获得所述编码器的第一训练模块。
其中,所述第一训练模块可以包括:
第一复数序列样本得到子模块,用于根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本;
第一编码序列得到子模块,用于以所述复数序列的实部和虚部生成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列;
第一解码序列得到子模块,用于将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列;
编码器得到子模块,用于根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,同时调整所述第一深度神经网络和所述第二神经网络的模型参数,得到对比特序列进行编码的编码器。
本发明的一个实施例中,编码器得到子模块可以包括:
调整单元,用于利用如下表达式所述的损失函数,同时调整第一深度神经网络和所述第二神经网络的模型参数,得到对比特序列进行编码的编码器;
所述表达式为:
Figure BDA0002395579450000201
Figure BDA0002395579450000202
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure BDA0002395579450000203
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure BDA0002395579450000204
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure BDA0002395579450000205
表示实数序列样本和解码序列之间的均方误差,
Figure BDA0002395579450000206
由此可见,在本发明实施例的技术方案中,本实施例是在对待编码比特序列进行编码时,首先是将待编码比特序列转换成第一复数序列,并提取第一复数序列的实部和虚部生成第一实数序列,以作为编码器的输入信息,得到对待编码序列进行编码的第二实数序列,进而利用第二实数序列生成第二复数序列,通过对第二复数序进行OFDM编码处理后,利用训练序列,生成OFDM帧。相对于现有技术,本实施例不再使用前向纠错技术,也就不必增加信息的冗余度,而是通过利用对编码-解码深度神经网络进行训练得到的编码器对待编码比特序列星族映射后的复数序列进行编码,该编码器能够约束星座点随在信道传输过程中产生的分散问题,进而能够提高对抗信道传输过程中存在的干扰的能力,以使在解码时的误码率低,可见,应用本实施例提供的技术方案,在保证不影响信息的传输速率的基础上,能够降低误码率。
与上述解码方法相对应,本发明实施例还提供了解码装置。
参见图10,图10为本发明实施例提供的一种解码装置,该装置可以包括:
第三信号得到模块1001,用于滤除S110~S150所获得的OFDM帧中的训练序列,得到第三时域OFDM信号;
第五复数序列得到模块1002,用于对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列;其中,所述第四时域OFDM信号为对所述第三时域OFDM信号进行拆分获得的时域OFDM信号;
第三实数序列得到模块1003,用于将所述第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到对所述OFDM帧进行解码后的第四实数序列;其中,所述解码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对S110~S150所述的OFDM帧进行解码的解码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;
第六复数序列生成模块1004,用于对所述第四实数序列进行拆分,并利用拆分后的实部和虚部,生成第六复数序列;
比特序列得到模块1005,用于对所述第六复数序列进行星座解映射,得到比特序列。
本发明的一个实施例中,所述第五复数序列得到模块1002可以包括:
第五时域OFDM信号得到子模块,用于对所述训练序列进行信道估计,并对所述第三时域OFDM信号中各个第四时域OFDM信号进行信道均衡,得到均衡后的第五时域OFDM信号;
第七复数序列得到子模块,用于对所述第五时域OFDM信号进行傅里叶变换,得到第七复数序列;
第五复数序列得到子模块,用于滤除所述第七复数序列中的导频和保护间隔,得到第五复数序列。
本发明的一个实施例中,上述装置还可以包括:通过训练方式获得所述解码器的第二训练模块。
其中,所述第二训练模块可以包括:
第二复数序列样本得到子模块,用于根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本;
第二编码序列得到子模块,用于以所述复数序列的实部和虚部组成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列;
第二解码序列得到子模块,用于将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列;
解码器得到子模块,用于根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,分别调整所述第一深度神经网络和所述第二神经网络的模型参数,得到对编码后的编码序列进行解码的解码器。
本发明的一个实施例中,解码器得到子模块可以包括:
解码器得到单元,用于利用如下表达式所述的损失函数,分别调整第一深度神经网络和所述第二神经网络的模型参数,得到对编码后的编码序列进行解码的解码器;
所述表达式为:
Figure BDA0002395579450000221
Figure BDA0002395579450000222
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure BDA0002395579450000223
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure BDA0002395579450000231
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure BDA0002395579450000232
表示实数序列样本和解码序列之间的均方误差,
Figure BDA0002395579450000233
由此可见,在本发明实施例的技术方案中,通过滤除S110~S150所获得的OFDM帧中的训练序列,进而对滤除后得到的第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列;将第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到第四实数序列;对基于第四实数序列生成的第六复数序列进行星座解映射,得到比特序列。相对于现有技术,本实施例所解码的编码器不在使用前向纠错技术,也就不必增加信息的冗余度,而是通过利用对编码-解码深度神经网络进行训练得到的编码器对待编码比特序列星族映射后的复数序列进行编码,该编码器能够约束星座点随在信道传输过程中产生的分散问题,且在解码过程中,由上述解码器得到的第六复数序列组成的星座点更加集中,因此,经过星座解映射判决的准确率大幅度提高,且误码率会显著降低。可见,应用本实施例提供的技术方案,在保证不影响信息的传输速率的基础上,能够降低误码率。
本发明实施例还提供了一种电子设备,如图11所示,电子设备包括处理器1101、通信接口1102、存储器1103和通信总线1104,其中,处理器1101,通信接口1102,存储器1103通过通信总线1104完成相互间的通信,
存储器1103,用于存放计算机程序;
处理器1101,用于执行存储器1103上所存放的程序时,实现本发明实施例提供的编码方法,或,解码方法。
具体的,上述一种编码方法,该方法包括:
根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列;
将第一复数序列的实部和虚部生成的第一实数序列输入到预设的编码器中,得到对待编码比特序列编码后的第二实数序列;其中,编码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对比特序列进行编码的编码器;编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,第一深度神经网络的输出信息为第二深度神经网络的输入信息;
对第二实数序列进行拆分,并利用拆分后的实部和虚部,生成第二复数序列;
对第二复数序列进行相干光正交频分复用OFDM编码处理,得到第一时域OFDM信号;
将预设的训练序列放置在第二时域OFDM信号中首位信号的前位,生成OFDM帧,其中,第二时域OFDM信号为各个第一时域OFDM信号按照顺序依次首位连接生成的时域OFDM信号。
由此可见,执行本实施例提供的电子设备,相对于现有技术,不再使用前向纠错技术,也就不必增加信息的冗余度,而是通过利用对编码-解码深度神经网络进行训练得到的编码器对待编码比特序列星族映射后的复数序列进行编码,该编码器能够约束星座点随在信道传输过程中产生的分散问题,进而能够提高对抗信道传输过程中存在的干扰的能力,以使在解码时的误码率低,可见,应用本实施例提供的技术方案,在保证不影响信息的传输速率的基础上,能够降低误码率。
上述的相关编码方法的实施方式与前述方法实施例部分提供的编码方式相同,这里不再赘述。
或,上述一种解码方法,该方法包括:
滤除上述S110~S150所获得的OFDM帧中的训练序列,得到第三时域OFDM信号;
对第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列;其中,第四时域OFDM信号为对第三时域OFDM信号进行拆分获得的时域OFDM信号;
将第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到对OFDM帧进行解码后的第四实数序列;其中,解码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对S110~S150所得到的OFDM帧进行解码的解码器;编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,第一深度神经网络的输出信息为第二深度神经网络的输入信息;
对第四实数序列进行拆分,并利用拆分后的实部和虚部,生成第六复数序列;
对第六复数序列进行星座解映射,得到比特序列。
由此可见,执行本实施例提供的电子设备,相对于现有技术,本实施例所解码的编码器不在使用前向纠错技术,也就不必增加信息的冗余度,而是通过利用对编码-解码深度神经网络进行训练得到的编码器对待编码比特序列星族映射后的复数序列进行编码,该编码器能够约束星座点随在信道传输过程中产生的分散问题,且在解码过程中,由上述解码器得到的第六复数序列组成的星座点更加集中,因此,经过星座解映射判决的准确率大幅度提高,且误码率会显著降低。可见,应用本实施例提供的技术方案,在保证不影响信息的传输速率的基础上,能够降低误码率。
上述的相关解码方法的实施方式与前述方法实施例部分提供的解码方式相同,这里不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的编码方法,或/和,解码方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的编码方法,或/和,解码方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字股票投资人线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、存储介质或计算机程序产品实施例而言,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的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。

Claims (7)

1.一种编码方法,其特征在于,所述方法包括:
根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征虚数-实数I-Q星座映射的第一复数序列;
将所述第一复数序列的实部和虚部生成的第一实数序列输入到预设的编码器中,得到对所述待编码比特序列编码后的第二实数序列;其中,所述编码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对比特序列进行编码的编码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;所述编码器通过以下训练方式得到:
根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本;
以所述复数序列的实部和虚部生成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列;
将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列;
根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,同时调整所述第一深度神经网络和所述第二深度神经网络的模型参数,得到对比特序列进行编码的编码器,所述得到对比特序列进行编码的编码器包括:
利用如下表达式所述的损失函数,同时调整第一深度神经网络和所述第二深度神经网络的模型参数,得到对比特序列进行编码的编码器;
所述表达式为:
Figure FDA0002785681990000011
Figure FDA0002785681990000012
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure FDA0002785681990000013
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure FDA0002785681990000014
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure FDA0002785681990000015
表示实数序列样本和解码序列之间的均方误差,
Figure FDA0002785681990000021
对所述第二实数序列进行拆分,并利用拆分后的实部和虚部,生成第二复数序列;
对所述第二复数序列进行相干光正交频分复用OFDM编码处理,得到第一时域OFDM信号;
将预设的训练序列放置在第二时域OFDM信号中首位信号的前位,生成OFDM帧,其中,所述第二时域OFDM信号为各个所述第一时域OFDM信号按照顺序依次首位连接生成的时域OFDM信号。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列,包括:
根据预设的调制等级和预设的子载波数,对待编码比特序列进行串并转换处理,得到并行序列;
对所述并行序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列。
3.根据权利要求1所述的方法,其特征在于,所述对所述第二复数序列进行OFDM编码处理,得到第一时域OFDM信号,包括:
对所述第二复数序列进行归一化处理,得到处理后的第三复数序列;
对处理后的第三复数序列依次进行插入导频和保护间隔处理,得到第四复数序列;
对所述第四复数序列进行傅里叶逆变换,得到第一时域OFDM信号。
4.一种解码方法,其特征在于,所述方法包括:
滤除权利要求1所获得的OFDM帧中的训练序列,得到第三时域OFDM信号;
对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列;其中,所述第四时域OFDM信号为对所述第三时域OFDM信号进行拆分获得的时域OFDM信号;
将所述第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到对所述OFDM帧进行解码后的第四实数序列;其中,所述解码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对权利要求1所得到的OFDM帧进行解码的解码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;所述解码器通过以下训练方式得到:
根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本;
以所述复数序列的实部和虚部组成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列;
将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列;
根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,分别调整所述第一深度神经网络和所述第二深度神经网络的模型参数,得到对编码后的编码序列进行解码的解码器,所述得到对编码后的编码序列进行解码的解码器包括:
利用如下表达式所述的损失函数,同时调整第一深度神经网络和所述第二深度神经网络的模型参数,得到对比特序列进行编码的编码器;
所述表达式为:
Figure FDA0002785681990000031
Figure FDA0002785681990000032
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure FDA0002785681990000033
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure FDA0002785681990000034
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure FDA0002785681990000035
表示实数序列样本和解码序列之间的均方误差,
Figure FDA0002785681990000036
对所述第四实数序列进行拆分,并利用拆分后的实部和虚部,生成第六复数序列;
对所述第六复数序列进行星座解映射,得到比特序列。
5.根据权利要求4所述的方法,其特征在于,所述对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列,包括:
对所述训练序列进行信道估计,并对所述第三时域OFDM信号中各个第四时域OFDM信号进行信道均衡,得到均衡后的第五时域OFDM信号;
对所述第五时域OFDM信号进行傅里叶变换,得到第七复数序列;
滤除所述第七复数序列中的导频和保护间隔,得到第五复数序列。
6.一种编码装置,其特征在于,所述装置包括:
第一复数序列得到模块,用于根据预设的调制等级和预设的子载波数,对待编码比特序列进行星座映射处理,得到表征I-Q星座映射的第一复数序列;
第二实数序列得到模块,用于将所述第一复数序列的实部和虚部生成的第一实数序列输入到预设的编码器中,得到对所述待编码比特序列编码后的第二实数序列;其中,所述编码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对比特序列进行编码的编码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;
第一训练模块可以包括:
第一复数序列样本得到子模块,用于根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本;
第一编码序列得到子模块,用于以所述复数序列的实部和虚部生成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列;
第一解码序列得到子模块,用于将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列;
编码器得到子模块,用于根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,同时调整所述第一深度神经网络和所述第二深度神经网络的模型参数,得到对比特序列进行编码的编码器;
编码器得到子模块可以包括:
调整单元,用于利用如下表达式所述的损失函数,同时调整第一深度神经网络和所述第二深度神经网络的模型参数,得到对比特序列进行编码的编码器;
所述表达式为:
Figure FDA0002785681990000051
Figure FDA0002785681990000052
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure FDA0002785681990000053
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure FDA0002785681990000054
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure FDA0002785681990000055
表示实数序列样本和解码序列之间的均方误差,
Figure FDA0002785681990000056
第二复数序列生成模块,用于对所述第二实数序列进行拆分,并利用拆分后的实部和虚部,生成第二复数序列;
第一信号得到模块,用于对所述第二复数序列进行OFDM编码处理,得到第一时域OFDM信号;
帧生成模块,用于将预设的训练序列放置在第二时域OFDM信号中首位信号的前位,生成OFDM帧,其中,所述第二时域OFDM信号为各个所述第一时域OFDM信号按照顺序依次首位连接生成的时域OFDM信号。
7.一种解码装置,其特征在于,所述装置包括:
第二训练模块可以包括:
第二复数序列样本得到子模块,用于根据所述调制等级和所述子载波数,对比特序列样本进行星座映射处理,得到表征I-Q星座映射的复数序列样本;
第二编码序列得到子模块,用于以所述复数序列的实部和虚部组成的实数序列样本作为预设的第一深度神经网络的输入信息,输入到所述第一深度神经网络中,得到对所述比特序列样本进行编码后的编码序列;
第二解码序列得到子模块,用于将所述编码序列作为预设的第二深度神经网络的输入信息,输入到所述第二深度神经网络中,得到对所述编码序列进行解码后的解码序列;
解码器得到子模块,用于根据所述编码序列、所述比特序列样本和所述解码序列,利用预设的损失函数,分别调整所述第一深度神经网络和所述第二深度神经网络的模型参数,得到对编码后的编码序列进行解码的解码器;
解码器得到子模块可以包括:
解码器得到单元,用于利用如下表达式所述的损失函数,分别调整第一深度神经网络和所述第二深度神经网络的模型参数,得到对编码后的编码序列进行解码的解码器;
所述表达式为:
Figure FDA0002785681990000061
Figure FDA0002785681990000062
表示实数序列样本与解码序列的相似程度,r表示实数序列样本,s为编码序列,
Figure FDA0002785681990000063
为解码序列,L1(r,s)表示实数序列样本与编码序列的均方根误差,
Figure FDA0002785681990000064
i表示编码器的输入节点序号,n表示编码器的输入节点总数,λ为超参数,
Figure FDA0002785681990000065
表示实数序列样本和解码序列之间的均方误差,
Figure FDA0002785681990000066
第三信号得到模块,用于滤除权利要求1所获得的OFDM帧中的训练序列,得到第三时域OFDM信号;
第五复数序列得到模块,用于对所述第三时域OFDM信号中各个第四时域OFDM信号进行处理,得到第五复数序列;其中,所述第四时域OFDM信号为对所述第三时域OFDM信号进行拆分获得的时域OFDM信号;
第三实数序列得到模块,用于将所述第五复数序列的实部和虚部生成的第三实数序列输入到预设的解码器,得到对所述OFDM帧进行解码后的第四实数序列;其中,所述解码器为预先采用实数序列样本对预设的编码-解码深度神经网络进行训练,得到的、用于对权利要求1所得到的OFDM帧进行解码的解码器;所述编码-解码深度神经网络包括第一深度神经网络和第二深度神经网络,所述第一深度神经网络的输出信息为所述第二深度神经网络的输入信息;
第六复数序列生成模块,用于对所述第四实数序列进行拆分,并利用拆分后的实部和虚部,生成第六复数序列;
比特序列得到模块,用于对所述第六复数序列进行星座解映射,得到比特序列。
CN202010130160.3A 2020-02-28 2020-02-28 一种编码、解码方法及装置 Expired - Fee Related CN111327559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010130160.3A CN111327559B (zh) 2020-02-28 2020-02-28 一种编码、解码方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010130160.3A CN111327559B (zh) 2020-02-28 2020-02-28 一种编码、解码方法及装置

Publications (2)

Publication Number Publication Date
CN111327559A CN111327559A (zh) 2020-06-23
CN111327559B true CN111327559B (zh) 2021-01-08

Family

ID=71171331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010130160.3A Expired - Fee Related CN111327559B (zh) 2020-02-28 2020-02-28 一种编码、解码方法及装置

Country Status (1)

Country Link
CN (1) CN111327559B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989887A (zh) * 2009-07-31 2011-03-23 清华大学 一种编码调制方法、解调解码方法及系统
CN109525369A (zh) * 2018-11-28 2019-03-26 电子科技大学 一种基于循环神经网络的信道编码类型盲识别方法
CN109547381A (zh) * 2019-01-17 2019-03-29 山东建筑大学 一种基于自编码器的dco-ofdm系统papr抑制方法及系统
CN109600335A (zh) * 2019-01-17 2019-04-09 山东建筑大学 基于神经网络的aco-ofdm系统综合papr抑制方法及系统
CN109886406A (zh) * 2019-02-25 2019-06-14 东南大学 一种基于深度压缩的复数卷积神经网络压缩方法
CN110266620A (zh) * 2019-07-08 2019-09-20 电子科技大学 基于卷积神经网络的3d mimo-ofdm系统信道估计方法
CN110418220A (zh) * 2019-07-22 2019-11-05 北京邮电大学 一种广义频分复用系统、光纤信号的生成方法及装置
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109347555A (zh) * 2018-09-19 2019-02-15 北京邮电大学 一种基于径向基函数神经网络的可见光通信均衡方法
CN109274625B (zh) * 2018-11-12 2020-06-19 北京邮电大学 一种信息调制方式确定方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989887A (zh) * 2009-07-31 2011-03-23 清华大学 一种编码调制方法、解调解码方法及系统
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN109525369A (zh) * 2018-11-28 2019-03-26 电子科技大学 一种基于循环神经网络的信道编码类型盲识别方法
CN109547381A (zh) * 2019-01-17 2019-03-29 山东建筑大学 一种基于自编码器的dco-ofdm系统papr抑制方法及系统
CN109600335A (zh) * 2019-01-17 2019-04-09 山东建筑大学 基于神经网络的aco-ofdm系统综合papr抑制方法及系统
CN109886406A (zh) * 2019-02-25 2019-06-14 东南大学 一种基于深度压缩的复数卷积神经网络压缩方法
CN110266620A (zh) * 2019-07-08 2019-09-20 电子科技大学 基于卷积神经网络的3d mimo-ofdm系统信道估计方法
CN110418220A (zh) * 2019-07-22 2019-11-05 北京邮电大学 一种广义频分复用系统、光纤信号的生成方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Optical Performance Monitoring of 56Gbps Optical PAM4 Signal Using Artificial Neural Networks";YuanXiang Chen;《IEEE》;20171231;全文 *
"一种新的量子无线通信的层次结构和信道编码";郭莉森,余建国等;《光通信研究》;20150127;全文 *
"基于自零差检测的高速模式复用无源光网络";陈远祥等;《光通信研究》;20170925;全文 *
"复数神经网络及其在说话人识别中的应用";郑丽霞;《https://xueshu.baidu.com/usercenter/paper/show?paperid=f0f4b446e26d13c5e6e1c95899da8460&site=xueshu_se》;20110731;全文 *
"星地一体化双向中继系统网络编码协议研究";陈佳音;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170228;全文 *

Also Published As

Publication number Publication date
CN111327559A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
CN111771344B (zh) 光学通信中的维度变换
US10236991B2 (en) Probabilistically shaped orthogonal frequency division multiplexing
JP5154431B2 (ja) Ofdm−cdmaシステムにおけるフレキシブル復調を実行する方法および装置
US20100322327A1 (en) Method of estimating and removing noise in OFDM systems
Zhou et al. FOFDM based on discrete cosine transform for intensity-modulated and direct-detected systems
US9912431B2 (en) Optical communication that achieves baud rate greater than sample rate
Zhao et al. Transmission of 4-ASK optical fast OFDM with chromatic dispersion compensation
Miao et al. A model-driven deep learning method for LED nonlinearity mitigation in OFDM-based optical communications
Haneche et al. New mobile communication system design for Rayleigh environments based on compressed sensing‐source coding
CN115174330B (zh) 一种多载波接入网失真信号的补偿方法及非线性均衡器
Bruno et al. Real-time 20.37 Gb/s optical OFDM receiver for PON IM/DD systems
Adiono et al. Design of an OFDM System for VLC with a Viterbi Decoder
Schaedler et al. Neural network-based soft-demapping for nonlinear channels
Song et al. Subcarrier pairwise coding for short-haul L/E-ACO-OFDM
Alves et al. Extension of the exhaustive Gaussian approach for BER estimation in experimental direct‐detection OFDM setups
CN111614439B (zh) 一种信息传输方法、系统、装置及电子设备
CN111327559B (zh) 一种编码、解码方法及装置
Chen et al. TDHQ enabling fine-granularity adaptive loading for SSB-DMT systems
US7376196B2 (en) Receiving apparatus in communication system
Savaux Peak to average power ratio reduction techniques based on chirp selection for single and multi‐user orthogonal chirp division multiplexing system
Safari et al. On the equalization of an OFDM-based radio-over-fiber system using neural networks
Yu et al. Dispersion tolerant 66.7-Gb/s SEFDM IM/DD transmission over 77-km SSMF
Qiu et al. Improved interference cancelation channel estimation method in OFDM/OQAM system
Cai et al. Experimental demonstration of 16QAM/QPSK OFDM-NOMA VLC with LDPC codes and analog pre-equalization
CN111147157A (zh) 一种用于水声信道上正交信号分复用的软干扰消除Turbo均衡方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210108

CF01 Termination of patent right due to non-payment of annual fee