CN111711455B - 一种基于神经网络的极化码bp译码方法 - Google Patents

一种基于神经网络的极化码bp译码方法 Download PDF

Info

Publication number
CN111711455B
CN111711455B CN202010460627.0A CN202010460627A CN111711455B CN 111711455 B CN111711455 B CN 111711455B CN 202010460627 A CN202010460627 A CN 202010460627A CN 111711455 B CN111711455 B CN 111711455B
Authority
CN
China
Prior art keywords
decoding
noise
vector
llr
iteration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010460627.0A
Other languages
English (en)
Other versions
CN111711455A (zh
Inventor
刘芳芳
曾志民
张瑞颐
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 CN202010460627.0A priority Critical patent/CN111711455B/zh
Publication of CN111711455A publication Critical patent/CN111711455A/zh
Application granted granted Critical
Publication of CN111711455B publication Critical patent/CN111711455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
    • H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
    • H03M13/13—Linear codes

Landscapes

  • Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Error Detection And Correction (AREA)

Abstract

本发明公开了一种基于神经网络的极化码BP译码方法，属于无线通信技术领域。在非理想的信道环境下，将深度学习技术引入现有的极化码BP译码中进行优化设计，充分利用Transformer模型的并行计算和全局特征提取能力，对BP译码得到的粗估计噪声执行进一步的准确估计，然后将更新的LLR值反馈给连接的BP译码继续迭代，从而减少了噪声相关性对BP译码性能的影响，达到了提升BP译码可靠性的目的；同时，本发明所提方法可以在实现类似译码性能的同时，降低译码的复杂度。

Description

一种基于神经网络的极化码BP译码方法
技术领域
本发明属于无线通信技术领域，涉及一种基于神经网络的极化码BP译码方法。
背景技术
随着无线流量的爆炸式增长，5G正面临着日益多样化的需求驱动，超可靠低时延通信(URLLC)作为5G三大应用场景之一，对时延和可靠性有着严格的要求。极化码是URLLC信道编码方案的合适选择，其误码率性能在很大程度上取决于所使用的译码算法，因此极化码译码方法在URLLC场景中受到关注。
BP译码算法是一种常用的极化码译码算法，现有的研究主要在理想的AWGN信道下进行性能评估。但是，在实际的通信系统中，这种理想假设并不总是准确的，信道会出现噪声相关性，使得其处于一种非理想的信道环境当中，影响接收到的信号。因此，在非理想的信道条件下，BP译码在处理信道噪声中的相关性时会遇到困难，当迭代次数相近时，算法的译码性能下降，即可靠性降低，并且随着噪声相关性的增强，性能下降幅度增大，不利于URLLC的高可靠性实现。因此，如何采取优化方法抑制噪声相关性的影响，提升非理想信道环境下BP译码的可靠性成为重要的问题。
本发明针对上述问题，考虑URLLC场景中时延与可靠性的权衡，将传统的极化译码结构与深度学习技术相结合，在BP译码算法的基础上，使用深度学习作为细化技术，将神经网络引入现有的BP译码算法中进行优化设计，利用Transformer模型的并行计算和全局特征提取能力，有效降低了噪声相关性对BP译码性能的影响，实现了非理想信道环境下BP译码的性能提升，特别是在强相关条件下，性能增益更为显著。
发明内容
本发明提供了一种基于神经网络的极化码BP译码方法，目的是降低非理想信道环境中噪声相关性的影响，在总迭代次数相近的情况下，实现BP译码的性能提升。
为了达到上述技术效果，本发明实施了一种基于神经网络化码BP译码方法，具体步骤如下：
步骤一：设计Transformer噪声估计模型及相关噪声模型，建立基于神经网络的极化码BP译码系统模型；
步骤二：设计数据生成步骤，生成各个Transformer模型的训练数据和验证数据；获得噪声样本数据后，设计损失函数，对每个Transformer模型进行训练，训练其输出尽可能接近真实信道噪声的噪声估计；
步骤三：对接收到的向量进行初始BP译码
步骤四：使用训练好的Transformer模型执行相关噪声估计
步骤五：更新LLR值，继续执行BP译码
步骤六：判断是否达到设置的循环终止条件，若达到迭代次数，方法结束，若未达到迭代次数，则返回步骤四，并重复执行步骤四到步骤六，直到达到迭代次数，然后将最后一次迭代的BP译码输出作为最终的译码结果，方法结束。
本发明的优点：
1、本发明设计了更加简洁、有针对性的Transformer噪声估计模型，去掉了scale和mask层，也将多层残差结构摒弃，更加适合URLLC场景。
2、本发明利用Transformer模型提取噪声的全局特征，执行更准确的信道噪声估计，减少BP译码的估计误差，有效解决了噪声相关性对BP译码算法性能的影响，提升了非理想信道环境下的BP译码性能，特别是在强相关模型中，性能增益更为显著。
3、本发明利用Transformer模型的并行计算和全局特征提取能力，在非理想的信道环境下，能够以更少的迭代次数实现类似的BP译码性能。
附图说明
图1是本发明中设计的Transformer噪声估计模型；
图2是本发明中基于神经网络的极化码BP译码方法系统模型；
图3是具有不同相关系数ρ的BP译码性能；
图4是强相关噪声下本发明所提方法(BP20-Transformer-BP20)与BP译码(BP40)的BLER性能对比；
图5是中度相关噪声下本发明所提方法(BP20-Transformer-BP20)与BP译码(BP40)的BLER性能对比；
图6是中度相关噪声下本发明所提方法(BP10-Transformer-BP10)与BP译码(BP40)的BLER性能对比；
具体实施方式
本发明提出了一种基于神经网络的极化码BP译码方法，下面将结合附图对本发明作进一步的详细说明。
步骤一：本发明的Transformer噪声估计模型如图1所示。假设输入数据为
Figure GDA0002634123380000032
维度大小为N×1。在本发明中，Transformer模型的使用方法与自然语言处理里序列建模的方法类似，但稍有不同的是，本发明网络中噪声向量的维度是1-D，与词嵌入技术中使用的高维向量并不一致，考虑到Transformer模型中并不存在任何的递归或者卷积结构，序列之间的位置信息需要通过位置编码额外加入，位置编码(PE)的维度大小与输入数据一致，均为N×1，所以将两者直接相加。对于位置编码的选择，由于该正弦函数可以简单易用地表示相对位置的信息，因此本发明选用正弦函数来表征位置信息，表示如下：
PEpos＝sin pos+1·2π/N (1)
其中pos是位置的索引数值，整个位置编码振幅大小在-1到1之间。
如图1最左侧所示，输入数据
Figure GDA0002634123380000031
与位置编码PE进行相加融合，得到融合后的向量V，接着按照图中所示，将V向量复制成相同的三份，另外两份分别为Q向量和K向量。Q向量和K向量的转置经过矩阵乘操作之后，通过softmax函数进行归一化，得到输入序列每个位置的归一化重要性分数α，公式如下：
α＝softmax(QKT) (2)
其中
Figure GDA0002634123380000041
上述公式是自注意力机制的标准操作，可以通过自对齐的方式找到全局相关的序列索引的重要性分数，再通过对应位相乘的方式，获得对齐后的融合向量m，对齐向量中每个元素的获取方法如下：
mi＝αi·Vi (4)其中i的范围是0到N-1。对齐向量m经过线性全连接层，得到最终的信道噪声估计
Figure GDA0002634123380000042
转换公式如下所示：
Figure GDA0002634123380000043
其中，权重矩阵w的维度大小是N×N，偏差矩阵b的大小为N×1，w和b都是模型待学习的矩阵。
总结来说，相比自然语言任务中的Transformer模型，本发明设计的Transformer模型去掉了scale和mask层，也将多层残差结构摒弃。这么设计的原因一方面是出于任务的特殊性采取的定制操作，浅层特征对于噪声估计任务更加重要，1-D维度也与高维文本表示有较大区别，不需要scale操作加快神经网络收敛速度；另一方面是考虑到URLLC用例的时延需求，出于速度和计算资源的考虑，多层结构对于推断来说增加了更多的计算时间，并且在实际信道要求下，多层结构也会增加更多的资源消耗。此外，本发明Transformer模型采用了点积式自注意力机制，由于该机制操作对象在理论上是拥有相似复杂度的，可以利用高度优化的矩阵相乘操作，所以Transformer比其他序列建模的方法要更加迅速，并且节省空间，适用于URLLC场景。
接着采用一个简单的相关模型，单边噪声相关模型，来构造相关噪声模型，从数学上分析噪声相关效应。相关噪声建模为：
n＝Θ1/2nw (6)
其中nw是一个独立同分布向量，为标准高斯随机变量，表示白噪声；Θ是一个N×N的厄密矩阵，它的项对应于分数采样分支上噪声样本间的相关性，Θ1/2表示Θ的平方根。使用指数协方差模型定义信道相关性矩阵Θ的分量，该模型表示如下，其中θij是Θ的第(i,j)个元素，
Figure GDA0002634123380000051
是|ρ|≤1的相关系数，
Figure GDA0002634123380000056
表示复平面，(·)*表示复共轭。
Figure GDA0002634123380000053
最后建立了如图2所示的基于神经网络的极化码BP译码方法系统模型。在发送端，构建二进制源块uN，再通过线性信道编码器编码成长度为N的二进制码字xN，然后通过BPSK调制将码字xN映射到符号向量sN，并添加相关噪声。在接收端，接收到的向量yN可以写为
yN＝sN+nN (8)
将设计的Transformer模型和BP译码连接在一起，就形成了Transformer-BP单元，根据需要可以将多个Transformer-BP单元连接在初始BP译码之后。
步骤二：设计数据生成步骤，噪声样本数据的生成工作共分为total_batches批次，每批次在给定的信噪比集合上，对其中每个信噪比执行相同的步骤，生成nTB(nTB≥1)个Transformer模型的训练数据和验证数据，其中nTB表示初始BP译码后连接的Transformer-BP单元数量。给定各个BP译码的迭代次数，生成数据的步骤描述如下：
(1)随机生成大小为K均匀分布的batch_size二进制信息向量，依次执行信道编码、BPSK映射和模拟信道干扰，并将真实的相关噪声n保存至real_noise文件，作为数据的标签。
(2)由式(9)计算LLR值进行初始BP译码，其中si和yi分别表示第i个BPSK符号及其对应的接收符号，并将译码输出的码字
Figure GDA0002634123380000054
作为下一步骤的输入向量。
Figure GDA0002634123380000055
(3)本步骤共进行nTB轮迭代：
每轮迭代过程中，首先根据式(10)对输入的码字向量
Figure GDA0002634123380000061
进行处理，得到粗估计的相关噪声
Figure GDA0002634123380000062
然后将其保存至对应网络模型的est_noise文件中，作为数据的特征。若迭代次数小于nTB，估计服从高斯分布的残留噪声的功率，利用式(11)来更新LLR值并输入本单元的BP译码，然后将译码输出的码字向量作为下一轮迭代的输入向量。若迭代次数等于nTB，即译码过程已经进行到最后一个Transformer-BP单元，就结束迭代过程。
Figure GDA0002634123380000063
Figure GDA0002634123380000064
通过上述数据生成步骤，生成各个Transformer模型的训练数据和验证数据。
获得噪声样本数据后，设计损失函数对每个Transformer模型进行训练；在本发明建立的系统模型中，Transformer用于估计信道噪声，其输出将影响本次迭代中BP译码的性能。为了方便后续的BP译码，本发明训练网络时采用抑制残留噪声功率，同时形成其分布的策略，将正态性检验引入到损失函数中，这样就可以测量残留噪声样本服从高斯分布的可能性，损失函数定义为：
Figure GDA0002634123380000065
其中第一项用来测量残留噪声的功率，第二项使用更适合小样本检验的改进Jarque-Bera正态性检验，对样本偏度S和样本峰度K进行适当标准化，以确定一个数据集中由高斯分布建模的数量。偏度
Figure GDA0002634123380000066
是
Figure GDA0002634123380000067
的估计量，峰度
Figure GDA0002634123380000068
是
Figure GDA0002634123380000069
的估计量，λ2，λ3和λ4分别是理论第二、第三和第四中心距，估计如下式所示，其中ri表示残留噪声向量中的第i个元素，
Figure GDA00026341233800000611
表示样本均值。
Figure GDA00026341233800000610
同时
Figure GDA0002634123380000071
Figure GDA0002634123380000072
式(12)中的系数μ是一个重要的比例因子，用于平衡残留噪声功率及其分布之间的权衡。
步骤三：对接收到的向量yN进行初始BP译码。首先由式(9)计算传输符号的初始LLR值。然后根据预先设置的迭代次数进行迭代BP译码，迭代完成后输出估计的码字向量
Figure GDA0002634123380000073
然后对
Figure GDA0002634123380000074
进行BPSK调制获得估计的发射信号
Figure GDA0002634123380000075
再从接收的符号yN中减去它，就得到粗估计的相关噪声向量
Figure GDA0002634123380000076
处理过程如式(10)所示.
由于BP译码中存在译码错误，估计的码字
Figure GDA0002634123380000077
与发送端实际发送的码字xN并不完全相同，使得
Figure GDA0002634123380000078
与真实的相关噪声nN之间存在误差，噪声估计的误差向量
Figure GDA0002634123380000079
可以写成
Figure GDA00026341233800000710
步骤四：将步骤三获得的
Figure GDA00026341233800000711
输入训练好的Transformer模型，执行相关噪声估计，Transformer模型输出精细估计的噪声向量
Figure GDA00026341233800000712
并将其从接收向量yN中减去，如下式所示
Figure GDA00026341233800000713
其中
Figure GDA00026341233800000714
表示接收信号中残留的噪声，一个准确的噪声估计将导致非常低的残留噪声功率，对BP译码的干扰很小。
步骤五：更新LLR值，考虑到信道编码主要针对AWGN信道进行了优化，并且残留噪声不一定遵循高斯分布，于是采取降低残留噪声功率，同时使残余噪声尽可能地遵循高斯分布的策略。通过该策略，假设残留噪声遵循高斯分布，则LLR可以由式(11)进行计算，其中
Figure GDA00026341233800000715
表示
Figure GDA00026341233800000716
的第i个元素，
Figure GDA00026341233800000717
是残留噪声的功率。然后将更新的LLR值反馈给BP译码，继续执行BP译码。
步骤六：判断是否达到设置的循环终止条件i＝nTB，若达到迭代次数nTB，方法结束，若未达到迭代次数nTB，则返回步骤四，并重复执行步骤四到步骤六，直到达到迭代次数，然后将最后一次迭代的BP译码输出作为最终的译码结果，方法结束。
图3表示了具有不同相关系数ρ的标准BP译码的性能，已知噪声相关性随着ρ值的增大而增大，当ρ＝0时，实验在没有任何相关性存在的AWGN信道下进行。由图可知，随着相关系数ρ逐渐增大，BP译码性能下降，特别是在相对较强的相关模型下(ρ等于0.6和0.8)表现得更为明显。
图4表示了强相关噪声下(ρ＝0.8)本发明的方法与标准BP译码的BLER性能对比，可以看出本发明所提方法能够有效降低噪声相关性对BP译码性能的影响，与标准BP译码算法相比，提出的方法的译码性能获得了明显提升。
图5表示了中度相关噪声下(ρ＝0.4)本发明的方法与标准BP译码的BLER性能对比，由图可知，本发明所提方法的译码性能也获得了提升，但是由于相关性减弱，Transformer模型发挥的作用变小，相较于强相关条件性能增益降低。
图6表示了在具有适度相关噪声(ρ＝0.4)的非理想信道环境下，本发明所提出的方法能够以更少的总迭代次数实现与标准BP译码类似的译码性能。
综上所述，通过实施本发明所提出的一种基于神经网络的极化码BP译码方法，能够在迭代次数相近的情况下，能够有效地提高译码性能，特别是在强相关模型中，性能增益更为显著。同时，在保证类似译码性能的条件下，降低了算法的复杂度。

Claims (1)

1.一种基于神经网络的极化码BP译码方法，具体步骤如下：
步骤一：对接收到的向量进行初始BP译码
在发送端，构建二进制源块uN，再通过线性信道编码器编码成长度为N的二进制码字xN，然后通过BPSK调制将码字xN映射到符号向量sN，并添加相关噪声；在接收端，接收到的向量yN可以写为
yN＝sN+nN (1)
在信道噪声服从功率为σ2/2的高斯分布的情况下，由以下公式计算传输符号的初始对数似然比(LLR)，其中si、yi和LLRi分别表示第i个BPSK符号及其对应的接收符号和LLR值
Figure FDA0003522772120000011
然后根据预先设置的迭代次数进行迭代BP译码，迭代完成后输出估计的码字向量
Figure FDA0003522772120000012
然后对
Figure FDA0003522772120000013
进行BPSK调制获得估计的发射信号
Figure FDA0003522772120000014
再从接收的符号yN中减去它，就得到粗估计的相关噪声向量
Figure FDA0003522772120000015
处理过程如下所示
Figure FDA0003522772120000016
由于BP译码中存在译码错误，估计的码字
Figure FDA0003522772120000017
与发送端实际发送的码字xN并不完全相同，使得
Figure FDA0003522772120000018
与真实的相关噪声nN之间存在误差，噪声估计的误差向量
Figure FDA0003522772120000019
可以写成
Figure FDA00035227721200000110
步骤二：使用训练好的Transformer模型执行相关噪声估计
将步骤一获得的
Figure FDA00035227721200000111
输入训练好的Transformer模型，执行相关噪声估计，Transformer模型输出精细估计的噪声向量
Figure FDA00035227721200000112
并将其从接收向量yN中减去，如下式所示
Figure FDA00035227721200000113
其中
Figure FDA00035227721200000114
表示接收信号中残留的噪声，一个准确的噪声估计将导致非常低的残留噪声功率，对BP译码的干扰很小；
步骤三：更新LLR值，继续执行BP译码
考虑到信道编码主要针对AWGN信道进行了优化，并且残留噪声不一定遵循高斯分布，于是采取降低残留噪声功率，同时使残余噪声尽可能地遵循高斯分布的策略；通过该策略，假设残留噪声遵循高斯分布，则LLR可以由下式进行计算，其中
Figure FDA0003522772120000021
和LLRi表示
Figure FDA0003522772120000022
的第i个元素及其对应的对数似然比值，
Figure FDA0003522772120000023
是残留噪声的功率；
Figure FDA0003522772120000024
然后将更新的LLR值反馈给BP译码，继续执行BP译码；
步骤四：判断是否达到设置的循环终止条件，若达到迭代次数，方法结束，若未达到迭代次数，则返回步骤四，并重复执行步骤二到步骤四，直到达到迭代次数，然后将最后一次迭代的BP译码输出作为最终的译码结果，方法结束。
CN202010460627.0A 2020-05-26 2020-05-26 一种基于神经网络的极化码bp译码方法 Active CN111711455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010460627.0A CN111711455B (zh) 2020-05-26 2020-05-26 一种基于神经网络的极化码bp译码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010460627.0A CN111711455B (zh) 2020-05-26 2020-05-26 一种基于神经网络的极化码bp译码方法

Publications (2)

Publication Number Publication Date
CN111711455A CN111711455A (zh) 2020-09-25
CN111711455B true CN111711455B (zh) 2022-04-12

Family

ID=72538651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010460627.0A Active CN111711455B (zh) 2020-05-26 2020-05-26 一种基于神经网络的极化码bp译码方法

Country Status (1)

Country Link
CN (1) CN111711455B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112332863B (zh) * 2020-10-27 2023-09-05 东方红卫星移动通信有限公司 低轨卫星低信噪比场景下的极化码译码算法、接收端和系统
CN113114421A (zh) * 2021-04-09 2021-07-13 中山大学 一种面向色噪声环境的深度学习迭代接收方法及系统
CN114222291B (zh) * 2021-12-01 2024-01-30 重庆邮电大学 无线体域网数据加密方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109586730A (zh) * 2018-12-06 2019-04-05 电子科技大学 一种基于智能后处理的极化码bp译码算法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10461779B2 (en) * 2015-08-12 2019-10-29 Telefonaktiebolaget Lm Ericsson (Publ) Rate-compatible polar codes
KR101699749B1 (ko) * 2015-10-06 2017-01-25 조선대학교산학협력단 짧은 길이의 극 부호를 위한 향상된 bp 복호 방법 및 그 장치
CN105634507B (zh) * 2015-12-30 2019-05-17 东南大学 极化码置信传播译码器的流水线系统
US10090860B2 (en) * 2016-01-22 2018-10-02 Toshiba Memory Corporation Memory system using integrated parallel interleaved concatenation
CN109257148B (zh) * 2018-11-26 2020-05-22 北京理工大学 一种基于高斯近似阈值判断的极化码bp译码方法
CN109885673A (zh) * 2019-02-13 2019-06-14 北京航空航天大学 一种基于预训练语言模型的自动文本摘要方法
CN110635809B (zh) * 2019-09-19 2022-12-13 东南大学 一种基于公式语言的并行极化码bp译码器的设计方法
CN111106839A (zh) * 2019-12-19 2020-05-05 北京邮电大学 一种基于神经网络的极化码译码方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109586730A (zh) * 2018-12-06 2019-04-05 电子科技大学 一种基于智能后处理的极化码bp译码算法

Also Published As

Publication number Publication date
CN111711455A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN111711455B (zh) 一种基于神经网络的极化码bp译码方法
CN110474716B (zh) 基于降噪自编码器的scma编解码器模型的建立方法
KR100795562B1 (ko) 분할 검출 방식을 적용한 송신신호 검출 방법 및 그 장치
CN113381828B (zh) 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法
CN109728824B (zh) 一种基于深度学习的ldpc码迭代译码方法
CN112115821B (zh) 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN114338301B (zh) 一种基于压缩感知的ris辅助毫米波系统的信道估计方法
CN113205140B (zh) 基于生成式对抗网络的半监督式特定辐射源个体识别方法
CN111711584B (zh) 基于成比例归一化最小均方误差的稀疏水声信道估计方法
CN113162665B (zh) 一种基于深度学习信道预测的预编码方法
CN115309869A (zh) 一种一对多的多用户语义通信模型及通信方法
CN110995277A (zh) 一种多层神经网络辅助的罚对偶分解信道译码方法
CN114499601A (zh) 一种基于深度学习的大规模mimo信号检测方法
CN107222246B (zh) 一种近似mmse性能的高效大规模mimo检测方法及系统
CN111555994B (zh) 一种基于最大箕舌线准则算法的簇稀疏信道估计方法
CN113852434B (zh) 一种LSTM与ResNets辅助的深度学习端到端智能通信方法与系统
CN112115637B (zh) Noma系统模型构建、优化方法、电子设备、存储介质
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
CN107888537B (zh) 一种在大规模天线系统中改善系统复杂度的信号检测方法
CN111769975A (zh) Mimo系统信号检测方法及系统
CN105553899A (zh) 基于线性方程组求近似解的信号检测方法及装置
CN114157544B (zh) 基于卷积神经网络的帧同步方法、设备及介质
Li et al. Notice of Violation of IEEE Publication Principles: Channel Decoding Based on Complex-valued Convolutional Neural Networks
CN111193534B (zh) 一种大规模mimo系统中的低复杂度信号检测方法
Xia et al. Performance Analysis of Normality Test Loss for Intelligent RSCNN Denoiser Design With Application to Channel Decoding

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