CN111614439A - 一种信息传输方法、系统、装置及电子设备 - Google Patents

一种信息传输方法、系统、装置及电子设备 Download PDF

Info

Publication number
CN111614439A
CN111614439A CN202010430533.9A CN202010430533A CN111614439A CN 111614439 A CN111614439 A CN 111614439A CN 202010430533 A CN202010430533 A CN 202010430533A CN 111614439 A CN111614439 A CN 111614439A
Authority
CN
China
Prior art keywords
signal
ofdm
transmitted
information
noise ratio
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.)
Granted
Application number
CN202010430533.9A
Other languages
English (en)
Other versions
CN111614439B (zh
Inventor
田清华
忻向军
刘博�
邓博优
杨爱英
张琦
李良川
王拥军
王瑞春
胡鹏
田凤
王光全
杨雷静
高然
傅松年
景泽轩
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 CN202010430533.9A priority Critical patent/CN111614439B/zh
Publication of CN111614439A publication Critical patent/CN111614439A/zh
Application granted granted Critical
Publication of CN111614439B publication Critical patent/CN111614439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Optical Communication System (AREA)

Abstract

本发明实施例提供了一种信息传输方法、系统、装置及电子设备，包括：获取各OFDM子载波的信噪比信息，并且基于各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码，以及将极化码转换为待传输OFDM信号，以及传输待传输OFDM信号，由于通过预先训练完成的神经网络模型可以实时获取各OFDM子载波的信噪比信息，从而可以将各OFDM子载波传输的信噪比信息发送给发送端，使得发送端可以根据实时确定的各OFDM子载波传输的信噪比信息对待传输信息进行极化编码，可以更好根据极化信道的可靠性选择极化信道通信，提升在各OFDM子载波中传输极化码的性能。

Description

一种信息传输方法、系统、装置及电子设备
技术领域
本发明涉及通信技术领域，特别是涉及一种信息传输方法、系统、装置及电子设备。
背景技术
随着互联网技术的不断发展，提高数据的传输速率成为光纤通信技术的一大需求。OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用技术)是MCM(Multi Carrier Modulation，多载波调制)技术中的一种。因其具有实现复杂度低、抗多径衰弱性能强、频带利用率高等诸多优点，使其被广泛运用在光通信系统中。
另一方面，极化码作为目前已经被严格证明可以达到信道容量的信道编码方法也已经逐渐在通信领域被使用，因此，结合极化码与OFDM调制的方法也被提出用以提高光通信系统的数据传输速率并提升通信性能。
对于极化码编码而言，其需要通过“信道极化”与“信道分裂”将各极化信道逐渐被分为趋近于完美信道的可靠信道与趋近于完全噪声信道的不可靠信道。待传输信息可以不采用任何编码即可放置于可靠信道，而不可靠信道用于传输已知信息。因此极化码编码关键就是如何区分极化信道的可靠度。目前常用的区分各极化信道的可靠度的方法有巴氏参数法、密度进化法和高斯进化法等，然而这些方法都需要原始信道的信噪比信息。
现有技术中，在结合极化码与OFDM调制的方法中，对待传输信息进行极化编码是采用固定的信噪比信息对待传输信息进行极化编码。
发明人在实现本发明的过程中发现，现有技术至少存在如下问题：
对于各OFDM子载波而言，各OFDM子载波的信噪比信息都是不同的，现有技术中，采用固定的信噪比信息对待传输信息进行极化编码，导致极化信道的可靠度并不准确，从而降低了在各OFDM子载波中传输极化码的性能。
发明内容
本发明实施例的目的在于提供一种信息传输方法，以提升在各OFDM子载波中传输极化码的性能。具体技术方案如下：
本发明实施例提供一种信息传输方法，应用于发送端，包括：
获取预先训练完成的神经网络模型输出的各OFDM子载波的信噪比信息，所述神经网络模型为根据所述各OFDM子载波传输的信号样本和所述各OFDM子载波的信噪比信息样本预先训练完成的；
基于所述各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码；
将所述极化码转换为待传输OFDM信号；
传输所述待传输OFDM信号。
进一步的，所述将所述极化码转换为待传输OFDM信号，包括：
对所述极化码进行高阶映射，得到映射信息；
将所述映射信息转换为待传输OFDM信号。
进一步的，所述将所述映射信息转换为待传输OFDM信号，包括：
将所述映射信息转换到所述各OFDM子载波上，得到所述各OFDM子载波上的第一传输信号；
对所述各OFDM子载波上的第一传输信号进行IFFT变换，得到所述各OFDM子载波上的、正交的第二传输信号；
将所述各OFDM子载波上的第二传输信号转换为串行OFDM信号，作为待传输OFDM信号。
进一步的，所述神经网络模型的训练步骤包括：
将所述各OFDM子载波传输的信号样本输入所述神经网络模型，得到所述各OFDM子载波的预测信噪比信息；
基于所述各OFDM子载波的预测信噪比信息与所述各OFDM子载波的信噪比信息样本，计算所述深度神经网络模型的损失函数值；
根据所述损失函数值，判断所述神经网络模型是否收敛，当所述神经网络模型未收敛时，根据所述损失函数值调整所述神经网络模型参数，并进行下一次训练，当所述神经网络模型收敛时，得到训练完成的所述神经网络模型。
本发明实施例提供一种信号处理方法，应用于接收端，包括：
接收各OFDM子载波传输的OFDM信号；
将所述OFDM信号输入预先训练完成的神经网络模型，以得到所述各OFDM子载波的信噪比信息，所述神经网络模型为根据所述各OFDM子载波传输的信号样本和所述各OFDM子载波的信噪比信息样本预先训练完成的；
将所述信噪比信息发送至发送端。
进一步的，所述神经网络模型的训练步骤包括：
将所述各OFDM子载波传输的信号样本输入所述神经网络模型，得到所述各OFDM子载波的预测信噪比信息；
基于所述各OFDM子载波的预测信噪比信息与所述各OFDM子载波的信噪比信息样本，计算所述深度神经网络模型的损失函数值；
根据所述损失函数值，判断所述神经网络模型是否收敛，当所述神经网络模型未收敛时，根据所述损失函数值调整所述神经网络模型参数，并进行下一次训练，当所述神经网络模型收敛时，得到训练完成的所述神经网络模型。
本发明实施例提供一种信息传输系统，所述系统包括：发送端和接收端，所述发送端包括极化码编码模块、第一信息转换模块和信号发送模块，所述接收端包括信号接收模块、第二信息转换模块和神经网络模块，其中：
所述极化码编码模块，用于获取所述神经网络模块输出的各OFDM子载波的信噪比信息，并且基于所述各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码；
所述第一信息转换模块，用于将所述极化码转换为待传输OFDM信号；
所述信号发送模块，用于向所述信号接收模块发送所述待传输OFDM信号；
所述信号接收模块，用于接收所述待传输OFDM信号；
所述第二信息转换模块，用于将所接收的所述待传输OFDM信号转换为与所述待传输信息相匹配的接收信息；
所述神经网络模块，用于基于与所述待传输信息相匹配的接收信息，得到所述各OFDM子载波的信噪比信息，并将所得到的所述各OFDM子载波的信噪比信息发送至所述极化码编码模块。
进一步的，所述第一信息转换模块包括：高阶映射单元和OFDM信号转换单元，其中：
所述高阶映射单元，用于对所述极化码进行高阶映射，得到映射信息；
所述OFDM信号转换单元，用于将所述映射信息转换为待传输OFDM信号。
进一步的，所述OFDM信号转换单元包括载波转换子单元、IFFT变换子单元和串行转换子单元，用于其中：
所述载波转换子单元，用于将所述映射信息转换到所述各OFDM子载波上，得到所述各OFDM子载波上的第一传输信号；
所述IFFT变换子单元，用于对所述各OFDM子载波上的第一传输信号进行IFFT变换，得到所述各OFDM子载波上的、正交的第二传输信号；
所述串行转换子单元，用于将所述各OFDM子载波上的第二传输信号转换为串行OFDM信号，作为待传输OFDM信号。
本发明实施例还提供一种信息传输装置，应用于发送端，所述装置包括：
获取模块，用于获取预先训练完成的神经网络模型输出的各OFDM子载波的信噪比信息，所述神经网络模型为根据所述各OFDM子载波传输的信号样本和所述各OFDM子载波的信噪比信息样本预先训练完成的；
编码模块，用于基于所述各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码；
转换模块，用于将所述极化码转换为待传输OFDM信号；
传输模块，用于传输所述待传输OFDM信号。
进一步的，所述转换模块，包括：
高阶映射子模块，用于对所述极化码进行高阶映射，得到映射信息；
信号转换子模块，用于将所述映射信息转换为待传输OFDM信号。
进一步的，所述信号转换子模块，具体用于将所述映射信息转换到所述各OFDM子载波上，得到所述各OFDM子载波上的第一传输信号，并且对所述各OFDM子载波上的第一传输信号进行IFFT，得到所述各OFDM子载波上的、正交的传输信号，作为第二传输信号，以及将所述各OFDM子载波上的第二传输信号转换为串行OFDM信号，作为待传输OFDM信号。
进一步的，所述装置还包括：
模型训练模块，用于将所述各OFDM子载波传输的信号样本输入所述神经网络模型，得到所述各OFDM子载波的预测信噪比信息，并且基于所述各OFDM子载波的预测信噪比信息与所述各OFDM子载波的信噪比信息样本，计算所述深度神经网络模型的损失函数值，以及根据所述损失函数值，判断所述神经网络模型是否收敛，当所述神经网络模型未收敛时，根据所述损失函数值调整所述神经网络模型参数，并进行下一次训练，当所述神经网络模型收敛时，得到训练完成的所述神经网络模型。
本发明实施例还提供一种信息传输装置，应用于接收端，所述装置包括：
信号接收模块，用于接收各OFDM子载波传输的OFDM信号；
信息获取模块，用于将所述OFDM信号输入预先训练完成的神经网络模型，以得到所述各OFDM子载波的信噪比信息，所述神经网络模型为根据所述各OFDM子载波传输的信号样本和所述各OFDM子载波的信噪比信息样本预先训练完成的；
信息发送模块，用于将所述信噪比信息发送至发送端。
本发明实施例还提供一种电子设备，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，实现上述任一信息传输或信号处理方法的步骤。
本发明实施还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信息传输或信号处理方法的步骤。
本发明实施例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任一信息传输或信号处理方法。
本发明实施例提供的一种信息传输方法、系统、装置及电子设备，可以通过预先训练完成的神经网络模型实时获取各OFDM子载波的信噪比信息，进而依据实时获取到的信噪比信息对待传输信息进行极化编码，相比于采用固定的信噪比信息对待传输信息进行极化编码，可以更好地根据极化信道的可靠度选择极化信道通信，从而提升了在各OFDM子载波中传输极化码的性能。
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。
图1为本发明一个实施例提供的信息传输方法的流程图；
图2为本发明一个实施例提供的神经网络模型训练方法的流程图；
图3为本发明一个实施例提供的OFDM信号转换方法的流程图；
图4为本发明一个实施例提供的串行OFDM信号转换示意图；
图5为本发明一个实施例提供的信号处理方法的流程图；
图6为本发明一个实施例提供的信息传输系统的示意图；
图7为本发明一个实施例提供的信息传输装置的结构示意图；
图8为本发明一个实施例提供的信号转换装置的结构示意图；
图9为本发明一个实施例提供的神经网络模型训练装置的结构示意图；
图10为本发明一个实施例提供的信号处理装置的结构示意图；
图11为本发明一个实施例提供的电子设备的结构示意图。
具体实施方式
为了给出提升在各OFDM子载波中传输极化码的性能的实现方案，本发明实施例提供了一种信息传输方法、系统、装置及电子设备，以下结合说明书附图对本发明的实施例进行说明。并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
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。
在本发明的一个实施例中，提供一种信息传输方法，如图1所示，该方法包括以下步骤：
S101：获取预先训练完成的神经网络模型输出的各OFDM子载波的信噪比信息，神经网络模型为根据各OFDM子载波传输的信号样本和各OFDM子载波的信噪比信息样本预先训练完成的。
S102：基于各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码。
S103：将极化码转换为待传输OFDM信号。
S104：传输待传输OFDM信号。
本发明实施例提供的上述信息传输方法中，由于可以通过预先训练完成的神经网络模型实时获取各OFDM子载波的信噪比信息，进而依据实时获取到的信噪比信息对待传输信息进行极化编码，相比于采用固定的信噪比信息对待传输信息进行极化编码，可以更好地根据极化信道的可靠度选择极化信道通信，从而提升了在各OFDM子载波中传输极化码的性能。
在本发明的一个实施例中，针对上述步骤S101，上述神经网络模型是预先训练完成的，如图2所示，为本发明的一个实施例提供的神经网络模型训练方法，包括：
S201：将各OFDM子载波传输的信号样本输入神经网络模型，得到各OFDM子载波的预测信噪比信息。
本步骤中，针对每一个OFDM子载波传输的信号样本，其对应有预先确定的信噪比信息样本，作为该信号样本的训练标签。
在一个实施例中信号样本可以由OFDM信号的实部序列和虚部序列组成，通过多个信号样本构建训练样本集，简单而言，构建由OFDM信号的实部序列和虚部序列组成的数据集，作为对神经网络模型进行训练的样本。
可选的，上述神经网络可以为DNN(Deep Neural Networks，深度神经网络)、CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)、LSTM(Long Short Term，长短期记忆网络)，以及上述各神经网络的变种或组合网络。
在一个实施例中，将样本集中的每个神经网络模型输入到需要训练的神经网络模型中，并将神经网络模型输出结果作为预测信噪比信息。
S202：基于各OFDM子载波的预测信噪比信息与各OFDM子载波的信噪比信息样本，计算深度神经网络模型的损失函数值。
本步骤中，针对每一个OFDM子载波传输的信号样本，通过该信号样本的训练标签和神经网络模型输出的预测信噪比信息，可以计算该神经网络模型的损失函数值。
S203：根据损失函数值，判断神经网络模型是否收敛，当神经网络模型未收敛时，根据损失函数值调整神经网络模型参数，并进行下一次训练，当神经网络模型收敛时，得到训练完成的神经网络模型。
本步骤中，可以将计算得到的损失函数值与预设的理想数值进行对比，判断神经网络模型是否收敛，当损失函数值大于理想数值时，神经网络模型未收敛，需要进行下一次训练，当损失函数值不大于理想数值时，神经网络模型训练完成。可选的，理想数值可以为根据实际需求和经验确定。
本发明实施例提供的上述神经网络模型训练方法中，可以训练出依据各OFDM子载波输出的OFDM信号预测各OFDM子载波的信噪比信息的神经网络模型，进一步的，将该神经网络模型应用在极化码传输的过程中，可以更好地根据极化信道的可靠度选择极化信道通信，从而提升了在各OFDM子载波中传输极化码的性能。
针对上述步骤S102，可以基于每个子载波的信噪比信息，按照现有的极化码编码规则，对待传输信息进行编码。
在本发明一个实施例中，上述步骤S103可以按照本发明实施例提供的如图3所示的OFDM信号转换方法实现，包括：
S301：对极化码进行高阶映射，得到映射信息。
本步骤中，可以将编码后得到的极化码进行高阶映射，以将极化码调制到星座图上，得到信息序列，作为映射信息。
S302：将映射信息转换为待传输OFDM信号。
本步骤中，可以将映射信息转换到各OFDM子载波上，得到各OFDM子载波上的传输信号，作为第一传输信号，并且对各OFDM子载波上的第一传输信号进行IFFT变换，得到各OFDM子载波上的、正交的传输信号，作为第二传输信号，以及将各OFDM子载波上的第二传输信号转换为串行OFDM信号，作为待传输OFDM信号。
可选的，还可以在串行OFDM信号上添加循环前缀与循环后缀，并添加窗函数。以及其他为了在接收端对信号进行恢复及相关处理所需要的额外处理如导频，训练序列等。
示例性的，如图4所示，为信号转换示意图，图中单个信息单元长度为N，可以依次取信息单元的第一位构成与各OFDM子载波中可用子载波数相同长度的信息单元，信息单元的余位也如此处理，从而可以保证每一个信息单元的全部信息在一个OFDM子载波上。图中，转换前A1-DN表示串行的极化码序列，转换后，图中A1-AN、B1-BN、C1-CN、D1-DN分别在不同的子载波上，传统串并转换方式中，一个信息单元被分散在多个OFDM子载波上进行传输，而本发明实施例提供的如图4所示的信号转换方法种转换方式可以保证一个信息单元在同一个OFDM子载波上进行传输。
对应的，在本发明的另一个实施例中，提供一种信号处理方法，应用于接收端，如图5所示，该方法包括以下步骤：
S501：接收各OFDM子载波传输的OFDM信号。
S502：将OFDM信号输入预先训练完成的神经网络模型，以得到各OFDM子载波的信噪比信息，神经网络模型为根据各OFDM子载波传输的信号样本和各OFDM子载波的信噪比信息样本预先训练完成的。
S503：将信噪比信息发送至发送端。
本发明实施例提供的上述如图5所示的信号处理方法中，由于通过神经网络模型可以实时确定各OFDM子载波传输的信噪比信息，从而可以将各OFDM子载波传输的信噪比信息发送给发送端，使得发送端可以根据实时确定的各OFDM子载波传输的信噪比信息对待传输信息进行极化编码，可以更好根据极化信道的可靠性选择极化信道通信，提升在各OFDM子载波中传输极化码的性能。
对应的，在本发明的另一个实施例中，提供一种信号处理系统，如图6所示，该系统包括：发送端601和接收端602，发送端601包括极化码编码模块6011、第一信息转换模块6012和信号发送模块6013，接收端602包括信号接收模块6021、第二信息转换模块6022和神经网络模块6023，其中：
极化码编码模块6011，用于获取神经网络模块6023输出的各OFDM子载波的信噪比信息，并且基于各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码；
第一信息转换模块6012，用于将极化码转换为待传输OFDM信号；
信号发送模块6013，用于向信号接收模块6021发送待传输OFDM信号；
信号接收模块6021，用于接收待传输OFDM信号；
第二信息转换模块6022，用于将所接收的待传输OFDM信号转换为与待传输信息相匹配的接收信息；
神经网络模块6023，用于基于待传输OFDM信号，得到各OFDM子载波的信噪比信息，并将所得到的各OFDM子载波的信噪比信息发送至极化码编码模块6011。
本发明实施例提供的上述如图6所示的信号处理系统中，由于可以通过神经网络模型可以实时确定各OFDM子载波传输的信噪比信息，从而可以将各OFDM子载波传输的信噪比信息发送给发送端，使得发送端可以根据实时确定的各OFDM子载波传输的信噪比信息对待传输信息进行极化编码，可以更好根据极化信道的可靠性选择极化信道通信，提升在各OFDM子载波中传输极化码的性能。
为使更清楚的阐述本发明的技术方案，下面结合示例对本发明的技术方案进行简单介绍。
在一个示例中，选用码长N＝1024，码率R＝0.5的极化编码方式。极化信道可靠性估计采用高斯近似法。经过16QAM调制后，每个待传输信息符号将包含256个复数形式的信息位。将每个待传输信息符号放置于一个OFDM可用子载波上以供处理并传输。OFDM共400个可用子载波，IFFT及FFT(Fast Fourier Transform，快速傅立叶变换)点数为512点。串并转换后的信号经IFFT处理后，添加128位循环前缀与20位循环后缀，共计660个子载波。增加窗函数以减小时域截断带来的频谱泄露。经过并串转换单元变为串行的OFDM信号后，在光发射单元将电信号加载到光载波上传输。光纤传输长度为100Km。
在本一个实例中采用LSTM网络用于获取每个子载波的信噪比信息。
首先介绍网络参数及结构。网络样本数(BATCH_SIZE)大小为64；时间步为40；输入特征维数为2；学习率为0.001；采用Batch_Normalization(归一化)优化方法对训练数据进行优化；采用Adam(亚当)优化算法更新网络权重；损失函数为MSE(均方误差)。网络共有六层，其中LSTM包含一个维度为128的RNN隐藏层，LSTM后连接两个维度分别为128与64的线性隐藏层及一个输出维度为1的输出层。目前网络的测试MSE约为0.23。
其次介绍网络的训练部分，在实验室环境下，如上重复进行大量光纤通信系统的实际实验。实验中待传序列随机生成，每组待传序列改变光纤上的噪声大小进行多次实验，尽量保证数据的多样性。每一组试验中将得到经过FFT变换的各OFDM子载波实部与虚部序列，即各OFDM子载波未经星座解调的复数序列。将此未经星座解调的复数序列与发送端此子载波经过星座调制的复数序列进行计算获得此子载波的信噪比信息。对于每一个子载波，将子载波实部与虚部序列从第一位开始依次以40步长为单位截断作为LSTM网络的训练输入数据，此子载波的信噪比值作为LSTM网络的训练标签，打包为一组训练数据。重复此过程获得LSTM网络的训练集以进行网络的训练。
基于同一发明构思，根据本发明实施例提供的信息传输方法，本发明实施例还提供了一种信息传输装置，应用于发送端，如图7所示，该装置包括：
获取模块701，用于获取预先训练完成的神经网络模型输出的各OFDM子载波的信噪比信息，神经网络模型为根据各OFDM子载波传输的信号样本和各OFDM子载波的信噪比信息样本预先训练完成的；
编码模块702，用于基于各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码；
转换模块703，用于将极化码转换为待传输OFDM信号；
传输模块704，用于传输待传输OFDM信号。
本发明实施例提供的上述如图7所示的信号传输装置中，由于通过神经网络模型可以实时确定各OFDM子载波传输的信噪比信息，从而可以将各OFDM子载波传输的信噪比信息发送给发送端，使得发送端可以根据实时确定的各OFDM子载波传输的信噪比信息对待传输信息进行极化编码，可以更好根据极化信道的可靠性选择极化信道通信，提升在各OFDM子载波中传输极化码的性能。
在本发明一个实施例中，在上述信号传输装置的基础上，如图8所示，还提供一种信号转换装置，以实现上述转换模块703，包括：
高阶映射子模块801，用于对所述极化码进行高阶映射，得到映射信息；
信号转换子模块802，用于将所述映射信息转换为待传输OFDM信号。
进一步的，信号转换子模块802，具体用于将映射信息转换到各OFDM子载波上，得到各OFDM子载波上的第一传输信号，并且对各OFDM子载波上的第一传输信号进行IFFT变换，得到各OFDM子载波上的、正交的第二传输信号，以及将各OFDM子载波上的第二传输信号转换为串行OFDM信号，作为待传输OFDM信号。
本发明实施例提供的上述如图8所示的信号传输装置中，由于通过神经网络模型可以实时确定各OFDM子载波传输的信噪比信息，从而可以将各OFDM子载波传输的信噪比信息发送给发送端，使得发送端可以根据实时确定的各OFDM子载波传输的信噪比信息对待传输信息进行极化编码，可以更好根据极化信道的可靠性选择极化信道通信，提升在各OFDM子载波中传输极化码的性能。
基于同一发明构思，根据本发明实施例提供的神经网络模型训练方法，在本发明一个实施例中，如图9所示，还提供一种神经网络模型训练装置，包括：
样本输入模块901，用于将各OFDM子载波传输的信号样本输入神经网络模型，得到各OFDM子载波的预测信噪比信息；
损失函数值计算模块902，用于基于各OFDM子载波的预测信噪比信息与各OFDM子载波的信噪比信息样本，计算深度神经网络模型的损失函数值；
收敛判断模块903，用于根据损失函数值，判断神经网络模型是否收敛，当神经网络模型未收敛时，根据损失函数值调整神经网络模型参数，并进行下一次训练，当神经网络模型收敛时，得到训练完成的神经网络模型。
本发明实施例提供的上述如图9所示的信号传输装置中，由于通过神经网络模型可以实时确定各OFDM子载波传输的信噪比信息，从而可以将各OFDM子载波传输的信噪比信息发送给发送端，使得发送端可以根据实时确定的各OFDM子载波传输的信噪比信息对待传输信息进行极化编码，可以更好根据极化信道的可靠性选择极化信道通信，提升在各OFDM子载波中传输极化码的性能。
基于同一发明构思，根据本发明实施例提供的信号处理方法，本发明实施例还提供了一种信号处理装置，应用于接收端，如图10所示，该装置包括：
信号接收模块1001，用于接收各OFDM子载波传输的OFDM信号；
信息输入模块1002，用于将OFDM信号输入预先训练完成的神经网络模型，以得到各OFDM子载波的信噪比信息，神经网络模型为根据各OFDM子载波传输的信号样本和各OFDM子载波的信噪比信息样本预先训练完成的；
信息发送模块1003，用于将信噪比信息发送至发送端。
本发明实施例还提供了一种电子设备，如图11所示，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，用于实现上述信息传输或信号处理方法。
本发明实施例提供的上述如图11所示的电子设备中，由于通过神经网络模型可以实时确定各OFDM子载波传输的信噪比信息，从而可以将各OFDM子载波传输的信噪比信息发送给发送端，使得发送端可以根据实时确定的各OFDM子载波传输的信噪比信息对待传输信息进行极化编码，可以更好根据极化信道的可靠性选择极化信道通信，提升在各OFDM子载波中传输极化码的性能。
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内存储有计算机程序，计算机程序被处理器执行时实现上述任一信息传输或信号处理方法的步骤。
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信息传输或信号处理方法。
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、数字用户线(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，对于系统、装置、电子设备、计算机可读存储介质、计算机程序产品而言，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 (10)

1.一种信息传输方法，其特征在于，应用于发送端，包括：
获取预先训练完成的神经网络模型输出的各OFDM子载波的信噪比信息，所述神经网络模型为根据所述各OFDM子载波传输的信号样本和所述各OFDM子载波的信噪比信息样本预先训练完成的；
基于所述各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码；
将所述极化码转换为待传输OFDM信号；
传输所述待传输OFDM信号。
2.根据权利要求1所述的方法，其特征在于，所述将所述极化码转换为待传输OFDM信号，包括：
对所述极化码进行高阶映射，得到映射信息；
将所述映射信息转换为待传输OFDM信号。
3.根据权利要求2所述的方法，其特征在于，所述将所述映射信息转换为待传输OFDM信号，包括：
将所述映射信息转换到所述各OFDM子载波上，得到所述各OFDM子载波上的第一传输信号；
对所述各OFDM子载波上的第一传输信号进行IFFT变换，得到所述各OFDM子载波上的、正交的第二传输信号；
将所述各OFDM子载波上的第二传输信号转换为串行OFDM信号，作为待传输OFDM信号。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述神经网络模型的训练步骤包括：
将所述各OFDM子载波传输的信号样本输入所述神经网络模型，得到所述各OFDM子载波的预测信噪比信息；
基于所述各OFDM子载波的预测信噪比信息与所述各OFDM子载波的信噪比信息样本，计算所述深度神经网络模型的损失函数值；
根据所述损失函数值，判断所述神经网络模型是否收敛，当所述神经网络模型未收敛时，根据所述损失函数值调整所述神经网络模型参数，并进行下一次训练，当所述神经网络模型收敛时，得到训练完成的所述神经网络模型。
5.一种信号处理方法，其特征在于，应用于接收端，包括：
接收各OFDM子载波传输的OFDM信号；
将所述OFDM信号输入预先训练完成的神经网络模型，以得到所述各OFDM子载波的信噪比信息，所述神经网络模型为根据所述各OFDM子载波传输的信号样本和所述各OFDM子载波的信噪比信息样本预先训练完成的；
将所述信噪比信息发送至发送端。
6.一种信息传输系统，其特征在于，所述系统包括：发送端和接收端，所述发送端包括极化码编码模块、第一信息转换模块和信号发送模块，所述接收端包括信号接收模块、第二信息转换模块和神经网络模块，其中：
所述极化码编码模块，用于获取所述神经网络模块输出的各OFDM子载波的信噪比信息，并且基于所述各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码；
所述第一信息转换模块，用于将所述极化码转换为待传输OFDM信号；
所述信号发送模块，用于向所述信号接收模块发送所述待传输OFDM信号；
所述信号接收模块，用于接收所述待传输OFDM信号；
所述第二信息转换模块，用于将所接收的所述待传输OFDM信号转换为与所述待传输信息相匹配的接收信息；
所述神经网络模块，用于基于所接收的OFDM信号，预测所述各OFDM子载波的信噪比信息，并将所预测的所述各OFDM子载波的信噪比信息发送至所述极化码编码模块。
7.根据权利要求6所述的系统，其特征在于，所述第一信息转换模块包括：高阶映射单元和OFDM信号转换单元，其中：
所述高阶映射单元，用于对所述极化码进行高阶映射，得到映射信息；
所述OFDM信号转换单元，用于将所述映射信息转换为待传输OFDM信号。
8.一种信息传输装置，其特征在于，应用于发送端，包括：
获取模块，用于获取预先训练完成的神经网络模型输出的各OFDM子载波的信噪比信息，所述神经网络模型为根据所述各OFDM子载波传输的信号样本和所述各OFDM子载波的信噪比信息样本预先训练完成的；
编码模块，用于基于所述各OFDM子载波的信噪比信息，按照极化码编码规则，对待传输信息进行编码，得到极化码；
转换模块，用于将所述极化码转换为待传输OFDM信号；
传输模块，用于传输所述待传输OFDM信号。
9.一种信号处理装置，其特征在于，应用于接收端，包括：
信号接收模块，用于接收各OFDM子载波传输的OFDM信号；
信号输入模块，用于将所述OFDM信号输入预先训练完成的神经网络模型，以得到所述各OFDM子载波的信噪比信息，所述神经网络模型为根据所述各OFDM子载波传输的信号样本和所述各OFDM子载波的信噪比信息样本预先训练完成的；
信息发送模块，用于将所述信噪比信息发送至发送端。
10.一种电子设备，其特征在于，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，实现权利要求1-4或5任一所述的方法步骤。
CN202010430533.9A 2020-05-20 2020-05-20 一种信息传输方法、系统、装置及电子设备 Active CN111614439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010430533.9A CN111614439B (zh) 2020-05-20 2020-05-20 一种信息传输方法、系统、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010430533.9A CN111614439B (zh) 2020-05-20 2020-05-20 一种信息传输方法、系统、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111614439A true CN111614439A (zh) 2020-09-01
CN111614439B CN111614439B (zh) 2021-04-20

Family

ID=72205648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010430533.9A Active CN111614439B (zh) 2020-05-20 2020-05-20 一种信息传输方法、系统、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111614439B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022083619A1 (zh) * 2020-10-23 2022-04-28 维沃移动通信有限公司 通信信息的发送、接收方法及通信设备
CN115412432A (zh) * 2022-07-15 2022-11-29 浙江大华技术股份有限公司 一种调整以太网信噪比的系统、方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105811998A (zh) * 2016-03-04 2016-07-27 深圳大学 一种基于密度演进的极化码构造方法及极化码编译码系统
CN107994973A (zh) * 2017-12-04 2018-05-04 电子科技大学 一种自适应调制与编码方法
CN110086737A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于图神经网络的通信信号调制方式的识别方法
US20190349002A1 (en) * 2017-01-25 2019-11-14 Huawei Technologies Co., Ltd. Encoding And Decoding Method And Terminal
CN110912629A (zh) * 2019-10-22 2020-03-24 南京海骅信息技术有限公司 信噪比预测方法、装置及卫星通信链路自适应调节方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105811998A (zh) * 2016-03-04 2016-07-27 深圳大学 一种基于密度演进的极化码构造方法及极化码编译码系统
US20190349002A1 (en) * 2017-01-25 2019-11-14 Huawei Technologies Co., Ltd. Encoding And Decoding Method And Terminal
CN107994973A (zh) * 2017-12-04 2018-05-04 电子科技大学 一种自适应调制与编码方法
CN110086737A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于图神经网络的通信信号调制方式的识别方法
CN110912629A (zh) * 2019-10-22 2020-03-24 南京海骅信息技术有限公司 信噪比预测方法、装置及卫星通信链路自适应调节方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022083619A1 (zh) * 2020-10-23 2022-04-28 维沃移动通信有限公司 通信信息的发送、接收方法及通信设备
CN114501353A (zh) * 2020-10-23 2022-05-13 维沃移动通信有限公司 通信信息的发送、接收方法及通信设备
CN114501353B (zh) * 2020-10-23 2024-01-05 维沃移动通信有限公司 通信信息的发送、接收方法及通信设备
EP4220486A4 (en) * 2020-10-23 2024-04-17 Vivo Mobile Communication Co Ltd METHOD FOR SENDING COMMUNICATION INFORMATION, METHOD FOR RECEIVING COMMUNICATION INFORMATION, AND COMMUNICATION DEVICE
CN115412432A (zh) * 2022-07-15 2022-11-29 浙江大华技术股份有限公司 一种调整以太网信噪比的系统、方法及装置
CN115412432B (zh) * 2022-07-15 2023-08-22 浙江大华技术股份有限公司 一种调整以太网信噪比的系统、方法及装置

Also Published As

Publication number Publication date
CN111614439B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
US11005697B2 (en) Orthogonal frequency-division multiplexing equalization using deep neural network
US11716131B2 (en) Single input single output (SISO) physical layer key exchange
WO2010029771A1 (ja) 無線通信システム、無線通信方法及び通信装置
CN111614439B (zh) 一种信息传输方法、系统、装置及电子设备
CN111565061B (zh) 一种基于深度神经网络的mimo-scma下行链路通信方法
CN113971430A (zh) 信号检测及模型训练方法、装置、设备及存储介质
CN112636855A (zh) 一种ofdm信号检测方法
CN115276912B (zh) 基于高斯近似改进极化码的译码级联迭代水声通信系统
CN113726710B (zh) Ofdm信号的发送方法、接收方法、装置、存储介质及电子设备
CN115314163A (zh) 基于蒙特卡罗极化码的译码级联迭代的水声通信系统
Hu et al. On the mutual information and Huffman coding for OFDM-IM
CN109981503B (zh) 一种分层k-best球形译码方法及装置
Dogukan et al. Orthogonal frequency division multiplexing with power distribution index modulation
CN111769975A (zh) Mimo系统信号检测方法及系统
US20220311486A1 (en) Wireless mimo transceiver system in high speed mobility and method thereof
Liu et al. Regeneration scanning method for M‐WFRFT communication signals
Jose Low complexity detector for amplitude phase shift keying‐based differential spatial modulation
Park et al. ETRFI Based Iterative Channel Estimation Scheme and Its Optimal Number of Iterations to Enhance PER performance in WAVE Communication Systems.
Islam et al. Impact of Source Coding on Downstream AI Applications
CN111327559A (zh) 一种编码、解码方法及装置
Hamidane et al. An efficient RNQ channel estimation algorithm for AMC communication techniques
KR101356691B1 (ko) 직교 주파수 분할 다중 접속 기반 통신 시스템에서 고속피드백 정보 송수신 장치 및 방법
Song et al. Efficient and secure communication scheme for OFDM system based on physical layer non‐reconciled keys
Xie et al. Enhanced diversity scheme for orthogonal frequency division multiplexing systems over doubly selective fading channels
Rao Performance Analysis of Hybrid Index and Number Modulation Schemes over Fading Channels

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
CB03 Change of inventor or designer information

Inventor after: Tian Qinghua

Inventor after: Hu Peng

Inventor after: Tian Feng

Inventor after: Wang Guangquan

Inventor after: Yang Leijing

Inventor after: Gao Ran

Inventor after: Fu Songnian

Inventor after: Jing Zexuan

Inventor after: Encourage the army

Inventor after: Liu Bo

Inventor after: Deng Boyou

Inventor after: Yang Aiying

Inventor after: Zhang Qi

Inventor after: Li Liangchuan

Inventor after: Wang Yongjun

Inventor after: Wang Ruichun

Inventor before: Tian Qinghua

Inventor before: Hu Peng

Inventor before: Tian Feng

Inventor before: Wang Guangquan

Inventor before: Yang Leijing

Inventor before: Gao Ran

Inventor before: Fu Songnian

Inventor before: Jing Zexuan

Inventor before: Encourage the army

Inventor before: Liu Bo

Inventor before: Deng Boyou

Inventor before: Yang Aiying

Inventor before: Zhang Qi

Inventor before: Li Liangchuan

Inventor before: Wang Yongjun

Inventor before: Wang Ruichun

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Tian Qinghua

Inventor after: Tian Feng

Inventor after: Wang Guangquan

Inventor after: Yang Leijing

Inventor after: Gao Ran

Inventor after: Fu Songnian

Inventor after: Jing Zexuan

Inventor after: Encourage the army

Inventor after: Liu Bo

Inventor after: Deng Boyou

Inventor after: Yang Aiying

Inventor after: Zhang Qi

Inventor after: Wang Yongjun

Inventor after: Wang Ruichun

Inventor after: Hu Peng

Inventor before: Tian Qinghua

Inventor before: Hu Peng

Inventor before: Tian Feng

Inventor before: Wang Guangquan

Inventor before: Yang Leijing

Inventor before: Gao Ran

Inventor before: Fu Songnian

Inventor before: Jing Zexuan

Inventor before: Encourage the army

Inventor before: Liu Bo

Inventor before: Deng Boyou

Inventor before: Yang Aiying

Inventor before: Zhang Qi

Inventor before: Li Liangchuan

Inventor before: Wang Yongjun

Inventor before: Wang Ruichun

CB03 Change of inventor or designer information