CN111919220A - 自适应预编码模型训练方法、自适应预编码方法和基站 - Google Patents
自适应预编码模型训练方法、自适应预编码方法和基站 Download PDFInfo
- Publication number
- CN111919220A CN111919220A CN201980022378.2A CN201980022378A CN111919220A CN 111919220 A CN111919220 A CN 111919220A CN 201980022378 A CN201980022378 A CN 201980022378A CN 111919220 A CN111919220 A CN 111919220A
- Authority
- CN
- China
- Prior art keywords
- user
- bit error
- covariance matrix
- error rate
- color map
- 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.)
- Pending
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 108091026890 Coding region Proteins 0.000 claims description 46
- 238000010586 diagram Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 10
- 239000010410 layer Substances 0.000 description 52
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Detection And Prevention Of Errors In Transmission (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种自适应预编码模型训练方法、自适应预编码方法和基站。该自适应预编码模型训练方法包括：基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
Description
技术领域
本申请实施例属于通信技术领域，尤其涉及一种自适应预编码模型训练方法、自适应预编码方法和基站。
背景技术
在未来的5G甚至是6G时代，通信系统将会工作在毫米波频段(30～300GHz)，毫米波波段有着丰富的频谱资源，而且因为毫米波工作频率很高，波长很短，可以在基站上面布置更多的天线，利用超大规模阵列天线系统提高系统的增益，补偿传播损耗。
在未来的毫米波超大规模阵列天线系统中，已知信道状态信息，对发送信号进行预编码处理可以进一步提高系统的频谱效率。而且随着人工智能技术的发展，未来的通信系统将会更加智能化，根据历史大数据的训练，可以得到不同业务在不同信道下的历史编码信息，那么对于新产生的业务就可以使用卷积神经网络训练出来的预编码，可以大大提高用户的网络利用率。
技术问题
现有技术中，采用卷积神经网络训练都需要非常多的标注信息，并且所需要的训练时间可能要几天甚至几周的时间。另外，如果训练集合过少的话，还会造成过拟合的问题。
技术解决方案
本申请实施例一方面提供一种自适应预编码模型训练方法，其包括：
基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
在一个实施例中，所述基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图，包括：
对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图。
在一个实施例中，所述第一协方差矩阵包含所述接收信号的干扰加噪声的第二协方差矩阵和用户的编码序列；
所述对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图，包括：
设置每个用户的初始编码序列；
对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，直至各个用户的第一协方差矩阵的整体平方相关性收敛，得到各个用户的最优编码序列；
根据各个用户的最优编码序列，得到所述接收信号的信干噪比和误比特率的关系图。
在一个实施例中，所述第一协方差矩阵的整体平方相关性为：
其中，sl为用户l的预编码序列，Rl为第二协方差矩阵且
每个用户的初始编码序列为sl(0),l＝1,2,...,L；
所述对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，包括：
通过
对各个用户的初始编码序列sl(0)和第二协方差矩阵Rl进行迭代更新。
在一个实施例中，所述将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理，包括：
将所述关系图中的误比特率对应的坐标轴等分为预设个数的区间；
将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，将所述颜色图谱中的像素值转换为对应的误比特率值，得到经过关联处理的颜色图谱。
在一个实施例中，所述将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，包括：
将各个区域对应的误比特率的取值按照由大到小的顺序与颜色图谱中对应的像素值进行一一对应。
在一个实施例中，所述对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型，包括：
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱训练重新创建的全连接层，确定重新创建的全连接层的权重参数和偏移参数，得到自适应预编码模型。
本申请实施例第二方面提供一种自适应预编码方法，其包括：
获取用户的接收信号；
基于本申请实施例第一方面所述的自适应预编码模型，确定所述接收信号的预编码。
本申请实施例第三方面提供一种自适应预编码模型训练装置，其包括：
关系图确定模块，用于基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
关联处理模块，用于将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
训练模块，用于对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
本申请实施例第四方面提供一种自适应预编码装置，其包括：
信号获取模块，用于获取用户的接收信号；
预编码模块，用于基于本申请实施例第三方面所述的自适应预编码模型，确定所述接收信号的预编码。
本申请实施例第五方面提供一种基站，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
在一个实施例中，所述基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图，包括：
对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图。
在一个实施例中，所述第一协方差矩阵包含所述接收信号的干扰加噪声的第二协方差矩阵和用户的编码序列；
所述对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图，包括：
设置每个用户的初始编码序列；
对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，直至各个用户的第一协方差矩阵的整体平方相关性收敛，得到各个用户的最优编码序列；
根据各个用户的最优编码序列，得到所述接收信号的信干噪比和误比特率的关系图。
在一个实施例中，所述第一协方差矩阵的整体平方相关性为：
其中，sl为用户l的预编码序列，Rl为第二协方差矩阵且
每个用户的初始编码序列为sl(0),l＝1,2,...,L；
所述对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，包括：
通过
对各个用户的初始编码序列sl(0)和第二协方差矩阵Rl进行迭代更新。
在一个实施例中，所述将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理，包括：
将所述关系图中的误比特率对应的坐标轴等分为预设个数的区间；
将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，将所述颜色图谱中的像素值转换为对应的误比特率值，得到经过关联处理的颜色图谱。
在一个实施例中，所述将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，包括：
将各个区域对应的误比特率的取值按照由大到小的顺序与颜色图谱中对应的像素值进行一一对应。
在一个实施例中，所述基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型，包括：
基于经过所述关联处理的颜色图谱训练重新创建的全连接层，确定重新创建的全连接层的权重参数和偏移参数，得到自适应预编码模型。
本申请实施例第六方面提供一种基站，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
获取用户的接收信号；
基于本申请实施例一方面中所述的自适应预编码模型，确定所述接收信号的预编码。
本申请实施例第七方面提供一种计算机存储介质，所述计算机可读存储介质存储有计算机可读指令，其中，所述计算机可读指令被处理器执行时实现如下步骤：
基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
本申请实施例第八方面提供一种计算机存储介质，所述计算机可读存储介质存储有计算机可读指令，其中，所述计算机可读指令被处理器执行时实现如下步骤：
获取用户的接收信号；
基于本申请实施例第一方面所述的自适应预编码模型，确定所述接收信号的预编码。
本申请实施例第九方面提供了一种计算机程序产品，当计算机程序产品在基站上运行时，使得基站执行上述第一方面中任一项的方法。
有益效果
本申请实施例，只需要用户的接收信号的协方差信息即可确定接收信号的信干噪比和误比特率的关系图，然后将关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理，能够节约反馈量，大大节约网络延时，提高网络的决策质量，并且使用卷积神经网络迁移学习的方式，使得所需要的训练时间和训练样本要远远小于训练完整的卷积神经网络。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请一实施例提供的自适应预编码模型训练方法的流程示意图；
图2是本申请一实施例提供的自适应预编码模型训练方法的流程示意图；
图3是本申请一实施例提供的自适应预编码模型训练方法的流程示意图；
图4是本申请一实施例提供的信干噪比和误比特率的关系图；
图5是本申请一实施例提供的将信干噪比和误比特率的关系图的纵坐标等分为十等份后与颜色图谱对应的示意图；
图6是本申请一实施例提供的自适应预编码模型训练方法的流程示意图；
图7是本申请一实施例提供的自适应预编码方法的流程示意图
图8是本申请一实施例提供的自适应预编码模型训练装置的结构示意图；
图9是本申请一实施例提供的自适应预编码模型训练装置的结构示意图；
图10是本申请一实施例提供的自适应预编码装置的结构示意图；
图11是本申请一实施例提供的自适应预编码模型训练方法适用的基站的结构示意图；
图12是本申请一实施例提供的自适应预编码方法适用的基站的结构示意图。
本发明的实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例中将人工智能技术中的卷积神经网络算法应用于自适应预编码当中，将误比特率和信干噪比的关系曲线图中的误比特率取值与颜色图谱中的像素值相关联，一一对应，从而使得信干噪比和误比特率的关系图像中包含了用户信道的特征信息，然后采用卷积神经网络算法对特征信息进行训练。因为不管使用哪一种卷积神经网络来训练本申请实施例中的信干噪比和误比特率的关系图像，从中提取特征信息，都需要非常多的标注信息，并且所需要的训练时间可能要几天甚至几周的时间。另外，如果训练集合过少的话，还会造成过拟合的问题。对此，本申请实施例中采用迁移学习的方式来实现卷积神经网络的训练，所需要的训练时间和训练样本要远远小于训练完整的模型。在得到合适的自适应编码的卷积神经网络模型之后，对新产生的业务就可以使用模型训练出来的预编码。
图1为本申请实施例提供的自适应预编码模型训练方法的流程示意图，参见图1，对本申请实施例的自适应预编码模型训练方法详述如下：
在步骤101中，基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图。
参见图2，为本申请实施例提供的自适应预编码模型训练方法的流程示意图，基于图1所示的自适应预编码模型训练方法，一些实施例中，步骤101中所述的基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图，可以包括：
在步骤1011中，对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图。
具体地，可以采用最小化整体平方相关性算法，最小化用户之间的干扰，得到信干噪比和误比特率的关系图。
在一些实施例中，所述第一协方差矩阵可以包含所述接收信号的干扰加噪声的第二协方差矩阵和用户的编码序列；所述对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图，可以包括以下步骤：
步骤A，设置每个用户的初始编码序列；
步骤B，对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，直至各个用户的第一协方差矩阵的整体平方相关性收敛，得到各个用户的最优编码序列；
步骤C，根据各个用户的最优编码序列，得到所述接收信号的信干噪比和误比特率的关系图。
示例性的，在下行多用户超大规模阵列天线系统中，假设基站完全已知信道状态信息，则用户l的接收信号可以表示为：
其中xl表示用户l的发射信号向量，n为零均值的白高斯噪声向量，假设E[nnH]＝I。对于用户l来说，发射信号xl可以由发射符号bl通过预编码序列sl相乘得到：
xl＝slbl (2)
其中||sl||2＝1。将式(2)代入式(1)，则式(1)可以重新表示为：
因此，用户l的接收信号可以表示为：
其中，等式右边第二项表示其他用户的干扰。令
那么用户l的干扰加噪声的协方差矩阵(为第二协方差矩阵)可以表示为：
接收机可以采用匹配滤波器或者MMSE滤波器，匹配滤波器可以表示为：
cl＝sl (6)
MMSE接收机可以表示为：
匹配滤波器和MMSE滤波器相比较，MMSE滤波器使得用户之间的序列有较低的互相关性，这样可以抑制用户之间的干扰，本申请实施例中以采用MMSE滤波器为例进行说明，但并不以此为限。
具体地，假设每个用户的发射信号xl的发射符号序列bl是独立同分布的，并且满足E[bbH]＝I。
整体平方相关性(TSC)定义为：
其中，Trace(x)表示矩阵的迹，Ry表示用户l的接收信号y的第一协方差矩阵，可以表示为：
多用户自适应预编码的核心就是在一定的约束条件下最小化TSC，该约束条件为：
从式(10)可以看出，当TSC达到最小值时，将会得到最优的编码序列。
通过以下过程求解式(10)所示的带约束条件的最小化问题：
将式(9)代入式(8)，可得所述第一协方差矩阵的整体平方相关性为：
其中，sl为用户l的预编码序列，Rl为第二协方差矩阵且
设置每个用户l的初始编码序列，其中，每个用户的初始编码序列可以为sl(0),l＝1,2,...,L；其中，初始编码序列sl(0)可以随机选择；
通过
对每个用户l＝1,2,...,L的编码序列sl和第二协方差矩阵Rl进行迭代更新，直到用户l的TSC收敛；重复上述过程，直到每个用户l都达到最佳平衡点。在这个平衡点上，任何进一步的更新都不会带来增益。
下面证明一下上述算法的收敛性。
为了保证算法收敛，需要满足下式：
ΔTSC＝TSC(n+1)-TSC(n)≤0 (14)
将式(11)代入式(14)可以得到：
将式(15)进一步简化，可以得到：
因为||sl||2＝1，所以根据柯西-施瓦兹不等式，可以得到：
同理，根据柯西-施瓦兹不等式还可以得到：
通过式(17)和式(18)可以得到：
所以式(16)得证，即上述算法是收敛的。
通过上述算法得到了用户l的最优的编码序列，得到信干噪比和误比特率的关系图。
在步骤102中，将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理。
其中，将关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应后，可以将颜色图谱中的部分像素值替换为误比特率的取值，从而使得经过所述关联处理后的颜色图谱中包含了误比特率的取值，即包含了用户信道的特征信息。
一些实施例中，参见图3，基于图1所示的自适应预编码模型训练方法，步骤102中所述的将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理，可以包括以下步骤：
在步骤1021中，将所述关系图中的误比特率对应的坐标轴等分为预设个数的区间。
图4为信干噪比和误比特率的关系图的一个示例图，参见图4，横坐标为信干噪比SINR，单位为dB，纵坐标为误比特率BER。在该关系图中，每个信干噪比的取值对应一个误比特率的取值，两种取值一一对应构成图4所示的关系图。
在一种可能的实现方式中，可以将纵坐标进行均匀取值分为预设个数的区间，例如可以分成十等份形成十个区间，或分成二十等份形成二十个区间，或分成三十等份形成三十个区间等，本申请实施例对此不予限定。其中，分成的等份数目越多，算法实施越复杂，训练的时间越久，具体等份数目可以根据实际的场景和需要进行设定。
在步骤1022中，将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，将所述颜色图谱中的像素值转换为对应的误比特率值，得到经过关联处理的颜色图谱。
示例性的，步骤1022中所述的将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，具体可以包括：
将各个区域对应的误比特率的取值按照由大到小的顺序与颜色图谱中对应的像素值进行一一对应。
其中，可以将每个区间的中点对应的误比特率的取值与所述颜色图谱中的一个像素值对应，也可以将每个区间的边界点对应的误比特率的取值与所述颜色图谱中的一个像素值对应，本申请实施例对此不予限定。
图5为将纵坐标等分为十等份后与颜色图谱对应的示意图，参见图5，误比特率的取值位于100至10-8之间，将100至10-8之间的纵坐标等分为10个区间，将每个区间对应的误比特率的取值颜色图谱中的像素值进行一一对应关联。在图5中，颜色图谱位于图5右侧，颜色图谱中按照波长短到长的顺序与关系图的纵坐标轴对应，例如图5中颜色图谱由上到下依次为红光、橙光、黄光、绿光、蓝光和紫光等。
其中，将10个区间中的下边界对应的误比特率的取值与颜色图谱中对应的像素值进行一一对应关联，将颜色图谱中的像素值替换为对应的误比特率的取值，从而使得颜色图谱中包含有用户信道的特征信息，从而可以采用卷积神经网络算法基于经过关联处理后的颜色图谱中的用户信道的特征信息进行训练，得到合适的人工智能模型。
在步骤103中，对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
需要说明的是，传统通信系统的目标就是基于信道矩阵，进行奇异值分解得到最优的预编码序列sl,l＝1,2,...,L。而为了得到准确的信道矩阵，通常采用的方法有迫零算法，最小均方误差算法以及最小化整体平方相关性算法。这些传统的算法，不管是TDD系统还是FDD系统，都是要先得到信道状态信息，然后再采用算法进行计算，再将得到的预编码序列结果分配给用户。
而随着近几年人工智能和大数据的快速发展，更多的人工智能技术将会应用于通信系统当中，未来的无线网络将具备自学习和自适应能力，从而能满足用户设备、无线条件和各种应用生成的流量特征所提出的需求。对过去的行为模式、输出成果以及统一网络或者其它网络上的类似实体的行为进行学习，网络的决策质量将会持续提高。这样就不用像传统的通信系统那样，要先得到用户的信道状态信息，再经过计算才能得到用户的预编码序列。采用人工智能和大数据技术，可以对小区的信道环境，用户的业务类型以及地理位置等多种信息和行为进行学习，提取用户信道的特征信息进行训练，得到合适的人工智能模型。然后对于新产生的业务就可以使用模型训练出来的预编码。
其中，卷积神经网络CNN一般由卷积层、池化层以及全连接层组成。一个经典的CNN结构是由一系列的过程组成的。最初的几个阶段是由卷积层和池化层组成的，卷积层的单元被组织在特征图中，在特征图中，每一个单元通过一组滤波器的权值被连接到上一层的特征图的一个局部块，然后这个局部加权和被传给一个非线性函数。在一个特征图中的全部单元使用相同的过滤器，不同层的特征图使用不同的过滤器。
经典的卷积神经网络包括LeNet、AlexNet、VGG以及残差网络ResNet和谷歌Inception等。但是不管使用哪一种卷积神经网络来训练本申请实施例中的信干噪比和误比特率的关系图像，从中提取用户信道的特征信息，都需要非常多的标注信息，并且所需要的训练时间可能要几天甚至几周的时间。另外，如果训练集合过少的话，还会造成过拟合的问题。基于此，本步骤中采用迁移学习的方式来实现卷积神经网络的训练。
具体地，采用经过预训练好的卷积神经网络，例如可以为使用ImageNet数据集预训练好的inception-v3模型，将其中的全连接层进行重新创建，而其他各层不动，再采用步骤102中得到的颜色图谱对重新创建的全连接层进行训练，得到本申请实施例中的自适应预编码模型。
可以理解的，在CNN最后一层全连接层之前的网络称为瓶颈层。因为将瓶颈层的输出再通过一个单层的全连接层神经网络可以很好的区分上千种类别的图像，所以可以认为图片通过瓶颈层输出的节点向量可以被作为任何图像的一个更具有表达能力的特征向量，该瓶颈层具有极高的泛化能力，可以直接利用这个预训练好的卷积神经网络对新的图像进行特征提取，然后将提取得到的特征向量作为输入来训练一个全新的单层全连接神经网络处理新的分类问题。
参见图6，一些实施例中，基于图1所示的自适应预编码模型训练方法，步骤103具体可以包括以下步骤：
在步骤1031中，对经过预训练的卷积神经网络中的最后的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱训练重新创建的全连接层，确定重新创建的全连接层的权重参数和偏移参数，得到自适应预编码模型。
本实施例中，将预训练好的卷积神经网络中的最后一层的全连接层替换为新的全连接层，然后采用步骤102中得到的颜色图谱对该新的全连接层进行训练，确定新的全连接层的权重参数和偏移参数，从而得到新的卷积神经网络，即本申请实施例中所述的自适应预编码模型。采用该自适应预编码模型就可以对新产生的业务进行训练得到预编码。
上述自适应预编码模型训练方法，只需要用户的接收信号的协方差信息即可确定接收信号的信干噪比和误比特率的关系图，然后将关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理，节约了反馈量，大大节约网络延时，提高网络的决策质量，并且使用卷积神经网络迁移学习的方式，使得所需要的训练时间和训练样本要远远小于训练完整的卷积神经网络。
对应于上文实施例所述的自适应预编码模型训练方法，本申请实施例还提供了一种自适应预编码方法。参见图7，本申请实施例的自适应预编码方法可以包括如下步骤：
在步骤201中，获取用户的接收信号。
在步骤202中，基于上述的自适应预编码模型，确定所述接收信号的预编码。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的自适应预编码模型训练方法，图8示出了本申请实施例提供的自适应预编码模型训练装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图8，本申请实施例中的自适应预编码模型训练装置可以包括关系图确定模块301、关联处理模块302和训练模块303。
具体地，关系图确定模块301用于基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
关联处理模块302用于将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
训练模块303用于对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
在一些实施例中，关系图确定模块301具体可以用于：
对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图。
在一些实施例中，所述第一协方差矩阵包含所述接收信号的干扰加噪声的第二协方差矩阵和用户的编码序列；
关系图确定模块301具体可以用于：
设置每个用户的初始编码序列；
对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，直至各个用户的第一协方差矩阵的整体平方相关性收敛，得到各个用户的最优编码序列；
根据各个用户的最优编码序列，得到所述接收信号的信干噪比和误比特率的关系图。
在一些实施例中，所述第一协方差矩阵的整体平方相关性为：
其中，sl为用户l的预编码序列，Rl为第二协方差矩阵且
每个用户的初始编码序列为sl(0),l＝1,2,...,L；
所述对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，可以包括：
通过
对各个用户的初始编码序列sl(0)和第二协方差矩阵Rl进行迭代更新。
在一些实施例中，参见图9，基于图8所示的自适应预编码模型训练装置，关联处理模块302具体可以包括等分单元3021和对应单元3022。
具体地，等分单元3021用于将所述关系图中的误比特率对应的坐标轴等分为预设个数的区间；
对应关联单元3022用于将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应关联，将所述颜色图谱中的像素值转换为对应的误比特率值，得到经过关联处理的颜色图谱。
在一些实施例中，对应单元3022具体可以用于：
将各个区域对应的误比特率的取值按照由大到小的顺序与颜色图谱中对应的像素值进行一一对应。
在一些实施例中，训练模块303具体可以用于：
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱训练重新创建的全连接层，确定重新创建的全连接层的权重参数和偏移参数，得到自适应预编码模型。
对应于上文实施例所述的自适应预编码方法，图10示出了本申请实施例提供的自适应预编码装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图10，本申请实施例中的自适应预编码装置可以包括信号获取模块401和预编码模块402。
具体地，信号获取模块401，用于获取用户的接收信号；
预编码模块402，用于基于上述的自适应预编码模型，确定所述接收信号的预编码。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
相应地，本申请还提供了一种基站，所述基站包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
在一些实施例中，所述基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图，包括：
对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图。
在一些实施例中，所述第一协方差矩阵包含所述接收信号的干扰加噪声的第二协方差矩阵和用户的编码序列；
所述对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图，包括：
设置每个用户的初始编码序列；
对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，直至各个用户的第一协方差矩阵的整体平方相关性收敛，得到各个用户的最优编码序列；
根据各个用户的最优编码序列，得到所述接收信号的信干噪比和误比特率的关系图。
在一些实施例中，所述第一协方差矩阵的整体平方相关性为：
其中，sl为用户l的预编码序列，Rl为第二协方差矩阵且
每个用户的初始编码序列为sl(0),l＝1,2,...,L；
所述对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，包括：
通过
对各个用户的初始编码序列sl(0)和第二协方差矩阵Rl进行迭代更新。
在一些实施例中，所述将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理，包括：
将所述关系图中的误比特率对应的坐标轴等分为预设个数的区间；
将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，将所述颜色图谱中的像素值转换为对应的误比特率值，得到经过关联处理的颜色图谱。
在一些实施例中，所述将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，包括：
将各个区域对应的误比特率的取值按照由大到小的顺序与颜色图谱中对应的像素值进行一一对应。
在一些实施例中，所述基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型，包括：
基于经过所述关联处理的颜色图谱训练重新创建的全连接层，确定重新创建的全连接层的权重参数和偏移参数，得到自适应预编码模型。
如图11所示，图11是根据一示例性实施例示出的基站的一结构示意图。参照图11，基站500包括处理组件502、无线发射/接收组件504、天线组件506、以及无线接口特有的信号处理部分，处理组件502可进一步包括一个或多个处理器。基站500还包括存储组件，存储组件中存储有可在所述处理器上运行的计算机可读指令。
处理组件502中的其中一个处理器执行上述计算机可读指令时实现上述任一所述的自适应预编码模型训练方法。
相应地，本申请还提供了一种基站，所述基站包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
获取用户的接收信号；
基于上述自适应预编码模型训练方法中的自适应预编码模型，确定所述接收信号的预编码。
如图12所示，图12是根据一示例性实施例示出的基站的一结构示意图。参照图12，基站600包括处理组件602、无线发射/接收组件604、天线组件606、以及无线接口特有的信号处理部分，处理组件602可进一步包括一个或多个处理器。基站500还包括存储组件，存储组件中存储有可在所述处理器上运行的计算机可读指令。
处理组件602中的其中一个处理器执行上述计算机可读指令时实现上述任一所述的自适应预编码方法。
本申请实施例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存储有计算机可读指令，所述计算机可读指令被处理器执行时可实现上述自适应预编码模型训练方法各个实施例中的步骤，或实现上述自适应预编码方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在基站上运行时，使得基站执行时实现可实现上述自适应预编码模型训练方法各个实施例中的步骤，或实现上述自适应预编码方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (20)
1.一种自适应预编码模型训练方法，其中，所述自适应预编码模型训练方法包括：
基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
2.如权利要求1所述的自适应预编码模型训练方法，其中，所述基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图，包括：
对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图。
3.如权利要求2所述的自适应预编码模型训练方法，其中，所述第一协方差矩阵包含所述接收信号的干扰加噪声的第二协方差矩阵和用户的编码序列；
所述对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图，包括：
设置每个用户的初始编码序列；
对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，直至各个用户的第一协方差矩阵的整体平方相关性收敛，得到各个用户的最优编码序列；
根据各个用户的最优编码序列，得到所述接收信号的信干噪比和误比特率的关系图。
4.如权利要求3所述的自适应预编码模型训练方法，其中，所述第一协方差矩阵的整体平方相关性为：
其中，sl为用户l的预编码序列，Rl为第二协方差矩阵且
每个用户的初始编码序列为sl(0),l＝1,2,...,L；
所述对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，包括：
通过
对各个用户的初始编码序列sl(0)和第二协方差矩阵Rl进行迭代更新。
5.如权利要求1所述的自适应预编码模型训练方法，其中，所述将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理，包括：
将所述关系图中的误比特率对应的坐标轴等分为预设个数的区间；
将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，将所述颜色图谱中的像素值转换为对应的误比特率值，得到经过关联处理的颜色图谱。
6.如权利要求5所述的自适应预编码模型训练方法，其中，所述将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，包括：
将各个区域对应的误比特率的取值按照由大到小的顺序与颜色图谱中对应的像素值进行一一对应。
7.如权利要求1所述的自适应预编码模型训练方法，其中，所述对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型，包括：
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱训练重新创建的全连接层，确定重新创建的全连接层的权重参数和偏移参数，得到自适应预编码模型。
8.一种自适应预编码方法，其中，所述自适应预编码方法包括：
获取用户的接收信号；
基于权利要求1中所述的自适应预编码模型，确定所述接收信号的预编码。
9.一种自适应预编码模型训练装置，其中，所述自适应预编码模型训练装置包括：
关系图确定模块，用于基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
关联处理模块，用于将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
训练模块，用于对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
10.一种自适应预编码装置，其中，所述自适应预编码装置包括：
信号获取模块，用于获取用户的接收信号；
预编码模块，用于基于权利要求1中所述的自适应预编码模型，确定所述接收信号的预编码。
11.一种基站，其中，所述基站包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
12.如权利要求11所述的基站，其中，所述基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图，包括：
对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图。
13.如权利要求11所述的基站，其中，所述第一协方差矩阵包含所述接收信号的干扰加噪声的第二协方差矩阵和用户的编码序列；
所述对所述第一协方差矩阵的整体平方相关性进行最小化处理，得到所述接收信号的信干噪比和误比特率的关系图，包括：
设置每个用户的初始编码序列；
对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，直至各个用户的第一协方差矩阵的整体平方相关性收敛，得到各个用户的最优编码序列；
根据各个用户的最优编码序列，得到所述接收信号的信干噪比和误比特率的关系图。
14.如权利要求11所述的基站，其中，所述第一协方差矩阵的整体平方相关性为：
其中，sl为用户l的预编码序列，Rl为第二协方差矩阵且
每个用户的初始编码序列为sl(0),l＝1,2,...,L；
所述对各个用户的初始编码序列和第二协方差矩阵进行迭代更新，包括：
通过
对各个用户的初始编码序列sl(0)和第二协方差矩阵Rl进行迭代更新。
15.如权利要求11所述的基站，其中，所述将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理，包括：
将所述关系图中的误比特率对应的坐标轴等分为预设个数的区间；
将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，将所述颜色图谱中的像素值转换为对应的误比特率值，得到经过关联处理的颜色图谱。
16.如权利要求11所述的基站，其中，所述将每个区间对应的误比特率的取值与所述颜色图谱中的一个像素值对应，包括：
将各个区域对应的误比特率的取值按照由大到小的顺序与颜色图谱中对应的像素值进行一一对应。
17.如权利要求11所述的基站，其中，所述基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型，包括：
基于经过所述关联处理的颜色图谱训练重新创建的全连接层，确定重新创建的全连接层的权重参数和偏移参数，得到自适应预编码模型。
18.一种基站，其中，所述基站包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
获取用户的接收信号；
基于权利要求1中所述的自适应预编码模型，确定所述接收信号的预编码。
19.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其中，所述计算机可读指令被处理器执行时实现如下步骤：
基于用户的接收信号的第一协方差矩阵，确定所述接收信号的信干噪比和误比特率的关系图；
将所述关系图中的误比特率的取值与颜色图谱中的像素值进行一一对应的关联处理；其中，经过所述关联处理后的颜色图谱中包含用户信道的特征信息；
对经过预训练的卷积神经网络中的全连接层进行重新创建，并基于经过所述关联处理的颜色图谱对重新创建的全连接层进行训练，得到自适应预编码模型。
20.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其中，所述计算机可读指令被处理器执行时实现如下步骤：
获取用户的接收信号；
基于权利要求1中所述的自适应预编码模型，确定所述接收信号的预编码。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/118116 WO2021092807A1 (zh) | 2019-11-13 | 2019-11-13 | 自适应预编码模型训练方法、自适应预编码方法和基站 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111919220A true CN111919220A (zh) | 2020-11-10 |
Family
ID=73238098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980022378.2A Pending CN111919220A (zh) | 2019-11-13 | 2019-11-13 | 自适应预编码模型训练方法、自适应预编码方法和基站 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111919220A (zh) |
| WO (1) | WO2021092807A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116095328A (zh) * | 2021-11-02 | 2023-05-09 | 深圳市中兴微电子技术有限公司 | 视频编码方法、模型训练方法、设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1889428A (zh) * | 2006-08-01 | 2007-01-03 | 西南交通大学 | 网络环境下生物特征数据的安全隐匿传输方法 |
| US20070116118A1 (en) * | 2005-11-21 | 2007-05-24 | Physical Optics Corporation | System and method for maximizing video RF wireless transmission performance |
| US20170244513A1 (en) * | 2014-10-29 | 2017-08-24 | Nec Corporation | Communication system and method, base station, and user terminal |
| 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 |
| US20190274108A1 (en) * | 2018-03-02 | 2019-09-05 | DeepSig Inc. | Learning communication systems using channel approximation |
| WO2019211792A1 (en) * | 2018-05-02 | 2019-11-07 | Jerusalem College Of Technology | Machine learning methods for sir prediction in cellular networks |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8306089B2 (en) * | 2009-03-10 | 2012-11-06 | Qualcomm Incorporated | Precoding technique for multiuser MIMO based on eigenmode selection and MMSE |
| CN102684837B (zh) * | 2012-05-16 | 2014-09-03 | 西安交通大学 | 协作多点联合传输中协方差矩阵的动态更新方法 |
| CN109450501A (zh) * | 2018-12-14 | 2019-03-08 | 东南大学 | 一种宽带大规模mimo系统混合预编码设计方法 |
-
2019
- 2019-11-13 WO PCT/CN2019/118116 patent/WO2021092807A1/zh active Application Filing
- 2019-11-13 CN CN201980022378.2A patent/CN111919220A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070116118A1 (en) * | 2005-11-21 | 2007-05-24 | Physical Optics Corporation | System and method for maximizing video RF wireless transmission performance |
| CN1889428A (zh) * | 2006-08-01 | 2007-01-03 | 西南交通大学 | 网络环境下生物特征数据的安全隐匿传输方法 |
| US20170244513A1 (en) * | 2014-10-29 | 2017-08-24 | Nec Corporation | Communication system and method, base station, and user terminal |
| US20190274108A1 (en) * | 2018-03-02 | 2019-09-05 | DeepSig Inc. | Learning communication systems using channel approximation |
| WO2019211792A1 (en) * | 2018-05-02 | 2019-11-07 | Jerusalem College Of Technology | Machine learning methods for sir prediction in cellular networks |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021092807A1 (zh) | 2021-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zappone et al. | Online energy-efficient power control in wireless networks by deep neural networks | |
| CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
| CN112153616B (zh) | 一种基于深度学习的毫米波通信系统中的功率控制方法 | |
| CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
| CN110233653A (zh) | 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统 | |
| CN112836822B (zh) | 基于宽度学习的联邦学习策略优化方法和装置 | |
| CN113162666B (zh) | 一种面向智慧钢铁的大规模mimo混合预编码方法及装置 | |
| CN111224905B (zh) | 一种大规模物联网中基于卷积残差网络的多用户检测方法 | |
| CN112217545B (zh) | 一种大规模mimo系统检测模型构建方法 | |
| CN111787624B (zh) | 一种基于深度学习的可变维度资源分配方法 | |
| CN114124623A (zh) | 一种无线通信信道估计方法和装置 | |
| CN114844545A (zh) | 基于sub6GHz信道以及部分毫米波导频的通信波束选择方法 | |
| CN113381790A (zh) | 一种基于ai的环境知识辅助的无线信道反馈方法 | |
| He et al. | Joint user scheduling and beamforming design for multiuser MISO downlink systems | |
| CN111832637A (zh) | 基于交替方向乘子法admm的分布式深度学习分类方法 | |
| CN111919220A (zh) | 自适应预编码模型训练方法、自适应预编码方法和基站 | |
| CN109818891B (zh) | 一种格基约减辅助的低复杂度贪心球形译码检测方法 | |
| Liu et al. | Flexible beamforming of dynamic MIMO networks through fully convolutional model | |
| Chowdhury et al. | Deep Graph Unfolding for Beamforming in MU-MIMO Interference Networks | |
| CN113411112B (zh) | 一种分布式鲁棒多小区协作波束成形admm网络的构建方法 | |
| TW202201935A (zh) | 用於無線通道估計和追蹤的神經網路增強 | |
| CN113644946A (zh) | 一种面向用户为中心网络的深度学习动态波束赋形方法 | |
| Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO systems | |
| Prabakaran et al. | An improved deep learning framework for enhancing mimo-Noma system performance | |
| CN112511204B (zh) | 一种基于信道相关消除的混合预编码算法 |
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 |