CN112751651A - 一种Turbo码与神经网络相结合的信号传输方法 - Google Patents

Abstract

本发明涉及一种Turbo码与神经网络相结合的信号传输方法，包括：步骤(1)：将长度为n的消息M通过编码模块生成长度为l的编码序列X_l；步骤(2)：所述编码序列X_l经过信道发送至接收端，并输出接收序列Y_l；步骤(3)：通过分接器将所述接收序列Y_l进行分割生成R⁽⁰⁾,R⁽¹⁾,...,R⁽ⁿ⁾；步骤(4)：将R⁽⁰⁾,R⁽¹⁾,...,R⁽ⁿ⁾同时输入译码模块和神经网络模块，所述译码模块译码生成第一恢复消息M'，所述神经网络模块输出第二恢复消息M”，将所述第一恢复消息M'和第二恢复消息M”通过判决模块进行比较，择优输出。本发明通过使用神经网络配合传统的Turbo码系统，能够有效降低计算复杂度，提高传输效率。

Description

一种Turbo码与神经网络相结合的信号传输方法

技术领域

本发明涉及无线通信技术领域，特别是涉及一种Turbo码与神经网络相结合的信号传输方法。

背景技术

在信息论中，Turbo码是一类高性能前向纠错(FEC)的信道编码方式，于1991年左右开发，于1993年首次发布。它们是最早接近最大信道的实用代码。Turbo码用于3G/4G移动通信(例如UMTS和LTE中)和(深空)卫星通信中，以及其他应用中，设计人员寻求在带宽或等待时间受限的通信链路中实现可靠的信息传输。信道编码技术可改善数字信息在传输过程中噪声和干扰造成的误差，提高系统可靠性。因而高效的信道编译码技术成为移动通信系统中的关键技术之一。Turbo码在通信领域中应用十分广泛，在3G移动通信系统中，最早的Turbo码应用是由高通研发的CDMA2000 1x数字蜂窝技术。此外，WCDMA和CDMA2000方案都采用了Turbo编码技术。

人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

Turbo码技术虽然能够近达到理论Shannon极限，但代价是计算复杂度高。这对移动终端设备、小基站等设备的运算能力提出了很高的要求。Turbo码本身具有效率较低的缺点，已无法满足人们日益增加的通信带宽和流量需求，需要改善Turbo码在译码过程中的繁琐过程，以提高信息传输效率。

发明内容

本发明所要解决的技术问题是提供一种Turbo码与神经网络相结合的信号传输方法，通过使用神经网络配合传统的Turbo码系统，能够有效降低计算复杂度，提高传输效率。

本发明解决其技术问题所采用的技术方案是：提供一种Turbo码与神经网络相结合的信号传输方法，包括：

步骤(1)：将长度为n的消息M通过编码模块生成长度为l的编码序列X_l；

步骤(2)：所述编码序列X_l经过信道发送至接收端，并输出接收序列Y_l；

步骤(3)：通过分接器将所述接收序列Y_l进行分割生成R⁽⁰⁾,R⁽¹⁾,...,R⁽ⁿ⁾；

步骤(4)：将R⁽⁰⁾,R⁽¹⁾,...,R⁽ⁿ⁾同时输入译码模块和神经网络模块，所述译码模块译码生成第一恢复消息M'，所述神经网络模块输出第二恢复消息M”，将所述第一恢复消息M'和第二恢复消息M”通过判决模块进行比较，择优输出。

所述步骤(1)具体为：通过第一编码器将所述消息M进行编码生成N⁽¹⁾；将所述消息M经由交织器转为N，再通过其余编码器分别对所述N进行编码生成N⁽²⁾,N⁽³⁾,...,N⁽ⁿ⁾；最后将N⁽¹⁾,N⁽²⁾,N⁽³⁾,...,N⁽ⁿ⁾删余后与消息M一起接入复接器，合成编码序列X_l。

所述步骤(1)中的编码模块包括至少两个编码器。

所述步骤(2)中的信道包括5G信道、LTE信道、3G信道、WiFi信道、WiMax信道、蓝牙信道和ZigBee信道。

所述步骤(4)中的神经网络模块还包括：将R⁽⁰⁾,R⁽¹⁾,...,R⁽ⁿ⁾作为输入层的输入变量，并将所述消息M作为输出层的输出变量，通过学习所述译码模块的译码过程来对所述神经网络模块进行训练。

所述步骤(4)中的神经网络模块使用梯度下降法或随机梯度下降法进行训练；所述梯度下降法的损失函数公式为：

其中，M为消息，M^*为最终还原的恢复消息，n为消息M的长度，|| ||为求模符号。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过使用神经网络配合传统的Turbo码系统，能够有效降低计算复杂度，改善通信的质量，提高传输效率，降低误码率，同时降低对通信系统的硬件配置要求；本发明适用于5G、4G LTE、WCDMA、CDMA20001x、WiFi、WiMax、蓝牙、ZigBee等通信技术中，应用范围较广；本发明能够有效提高数据传输的效率和正确率，同时节省大量的有效带宽。

附图说明

图1是本发明实施方式的Turbo码信号传输方法示意图；

图2是本发明实施方式的Turbo码与神经网络相结合的信号传输方法示意图；

图3是本发明实施方式的编码模块结构示意图；

图4是本发明实施方式的分接过程示意图；

图5是本发明实施方式的译码模块结构示意图；

图6是本发明实施方式的神经网络结构示意图；

图7是本发明实施方式的译码示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种Turbo码与神经网络相结合的信号传输方法，传统的Turbo码信号传输方法如图1所示，将发送端的消息通过编码模块生成编码序列，然后通过信道发送至接收端，接收端将到的接收序列通过译码模块生成恢复消息。

如图2所示，本实施方式在传统的Turbo码信号传输引入神经网络以改善通信质量，提高Turbo码信号传输效率，具体包括以下步骤：

本实施方式适用于2个编码器，同时也适用于2个以上的编码器，为方便起见，本实施方式将编码模块中的编码器设置为2个，分别为第一编码器和第二编码器，以下进行详细描述：

步骤(1)：将长度为n的未经处理的消息M通过编码模块生成长度为l的编码序列X_l，未经处理的消息M的公式为：

所述步骤(1)具体为：如图3所示，通过第一编码器将未经处理的消息M进行编码生成N⁽¹⁾且

将未经处理的消息M经由交织器转为N，再通过第二编码器对所述N进行编码生成N⁽²⁾且

最后将生成的N⁽¹⁾和N⁽²⁾通过删余后与未经处理的消息M(此处将M标记为N⁽⁰⁾且

一起接入复接器，合成编码序列X_l，公式为：

基于此种情况，则l＝3n。

步骤(2)：所述编码序列X_l经过有线或无线信道发送至接收端，接收端收到接收序列Y_l。

所述步骤(2)中的信道可以为5G信道、LTE信道、3G信道、WiFi信道、WiMax信道、蓝牙信道或ZigBee信道。

步骤(3)：通过分接器将所述接收序列Y_l进行分割生成R⁽⁰⁾,R⁽¹⁾,R⁽²⁾，并且R⁽⁰⁾对应N⁽⁰⁾，R⁽¹⁾对应N⁽¹⁾，R⁽²⁾对应N⁽²⁾，详见图4。

步骤(4)：如图7所示，将R⁽⁰⁾,R⁽¹⁾,R⁽²⁾同时输入译码模块和神经网络模块，所述译码模块译码生成第一恢复消息M'(见图5)；所述神经网络模块输出第二恢复消息M”；将所述第一恢复消息M'和第二恢复消息M”通过判决模块进行比较，择优输出。

进一步地，Turbo码技术虽然能够近达到理论Shannon极限，但代价是计算复杂度高，这对移动终端设备、小基站等设备的运算能力提出了很高的要求，故本实施方式引入了神经网络模块。神经网络模块包括输入层、隐藏层和输出层，所述隐藏层可以有多层，而输入层的神经单元数量也可以根据实际的编码器数量和数据结构进行调整。神经网络模块通过学习特定信道对于接收信息的影响来辅助译码，并提高信息传输效率，降低误码率。该神经网络模块将R⁽⁰⁾,R⁽¹⁾,R⁽²⁾作为输入层输入变量，将未经处理的消息M作为输出层输出变量进行训练，以此掌握实际信道的特点，详见图6。

在实行神经网络模块训练时，R⁽⁰⁾,R⁽¹⁾,R⁽²⁾将同时输入译码模块和神经网络模块，神经网络模块通过学习译码模块的译码过程，从而输出其相应的神经网络译码结果，通过多次训练优化直到神经网络模块掌握实际信道特点后，则训练完成。

所述步骤(4)中的神经网络模块使用梯度下降法或随机梯度下降法进行训练；所述梯度下降法的损失函数定义为未经处理的消息M与译码器最终还原的恢复消息差M^*的平方和的均值，公式为：

其中，M为消息，M^*为最终还原的恢复消息，根据实际情况，M^*的结果可能是第一恢复消息M'，也可能是第二恢复消息M”；n为消息M的长度，|| ||为求模符号。

由此可见，通过使用神经网络配合传统的Turbo码系统，能够有效降低计算复杂度，改善通信的质量，提高传输效率，降低误码率，同时降低对通信系统的硬件配置要求；本发明能够应用在5G、LTE、WCDMA、CDMA20001x、WiFi、WiMax、蓝牙、ZigBee等通信技术中。

Claims (6)

1.一种Turbo码与神经网络相结合的信号传输方法，其特征在于，包括：

步骤(1)：将长度为n的消息M通过编码模块生成长度为l的编码序列X_l；

步骤(2)：所述编码序列X_l经过信道发送至接收端，并输出接收序列Y_l；

步骤(3)：通过分接器将所述接收序列Y_l进行分割生成R⁽⁰⁾,R⁽¹⁾,...,R⁽ⁿ⁾；

步骤(4)：将R⁽⁰⁾,R⁽¹⁾,...,R⁽ⁿ⁾同时输入译码模块和神经网络模块，所述译码模块译码生成第一恢复消息M'，所述神经网络模块输出第二恢复消息M”，将所述第一恢复消息M'和第二恢复消息M”通过判决模块进行比较，择优输出。

2.根据权利要求1所述的Turbo码与神经网络相结合的信号传输方法，其特征在于，所述步骤(1)具体为：通过第一编码器将所述消息M进行编码生成N⁽¹⁾；将所述消息M经由交织器转为N，再通过其余编码器分别对所述N进行编码生成N⁽²⁾,N⁽³⁾,...,N⁽ⁿ⁾；最后将N⁽¹⁾,N⁽²⁾,N⁽³⁾,...,N⁽ⁿ⁾删余后与消息M一起接入复接器，合成编码序列X_l。

3.根据权利要求1所述的Turbo码与神经网络相结合的信号传输方法，其特征在于，所述步骤(1)中的编码模块包括至少两个编码器。

4.根据权利要求1所述的Turbo码与神经网络相结合的信号传输方法，其特征在于，所述步骤(2)中的信道包括5G信道、LTE信道、3G信道、WiFi信道、WiMax信道、蓝牙信道和ZigBee信道。

5.根据权利要求1所述的Turbo码与神经网络相结合的信号传输方法，其特征在于，所述步骤(4)中的神经网络模块还包括：将R⁽⁰⁾,R⁽¹⁾,...,R⁽ⁿ⁾作为输入层的输入变量，并将所述消息M作为输出层的输出变量，通过学习所述译码模块的译码过程来对所述神经网络模块进行训练。

6.根据权利要求1所述的Turbo码与神经网络相结合的信号传输方法，其特征在于，所述步骤(4)中的神经网络模块使用梯度下降法或随机梯度下降法进行训练；所述梯度下降法的损失函数公式为：

其中，M为消息，M^*为最终还原的恢复消息，n为消息M的长度，|| ||为求模符号。

Images