CN112838908A

CN112838908A - 基于深度学习的通信方法、装置及系统

Info

Publication number: CN112838908A
Application number: CN201911158968.6A
Authority: CN
Inventors: 钱婧; 汪浩; 高飞飞; 叶宏远
Original assignee: Tsinghua University; Huawei Technologies Co Ltd
Current assignee: Tsinghua University; Huawei Technologies Co Ltd
Priority date: 2019-11-22
Filing date: 2019-11-22
Publication date: 2021-05-25
Anticipated expiration: 2039-11-22
Also published as: CN112838908B

Abstract

本申请实施例提供一种基于深度学习的通信方法、装置及系统，包括：接收来自第一无线通信设备的第一码字；其中，第一码字是第一无线通信设备根据估计的信道矩阵确定的；通过基于深度学习的去噪网络对第一码字去噪，并根据去噪后的第一码字确定信道矩阵对应的重构信道矩阵；根据重构信道矩阵向第一无线通信设备发送消息。上述方法中，通过对第一码字进行去噪处理，使得根据去噪后的第一码字确定的重构信道矩阵更加准确，更加接近于第一无线通信设备估计的信道矩阵，从而实现提高非理想信道中信号传输的鲁棒性。

Description

基于深度学习的通信方法、装置及系统

技术领域

本申请涉及通信技术领域，尤其涉及一种基于深度学习的通信方法、装置及系统。

背景技术

在多输入多输出(tultiple input tultiple output，MIMO)系统中，通信质量的保障来自于对信道状态信息(channel state information，CSI)的精确获取。在时分双工(time division duplex，TDD)系统中，其上下行信道具有互易性，基站可以利用估计得到的上行链路的CSI确定下行链路的CSI，从而根据上行链路的CSI实现下行链路传输的波束赋形。而对于频分双工(frequencydivision duplex，FDD)系统，由于上下行链路工作于不同的频率，因此上行链路的CSI不能用来确定下行链路的CSI，即基站不能直接估计得到下行链路的CSI。为此，需要终端设备将估计得到下行链路的CSI，反馈到基站。基站可以再根据终端设备反馈的CSI进行下行链路传输。

大规模MIMO系统的特点是天线数目多、频带宽度大，这带来了更高的传输速率和频谱效率。与此同时，针对于大规模MIMO系统，如何准确地传输或获取CSI需要进行研究。

发明内容

本申请实施例提供一种基于深度学习的通信方法、装置及系统，通过该方案，无线通信设备能够在非理想传输的信道条件下，准确地获取信道状态信息。

第一方面，提供一种基于深度学习的通信装置，包括：通信单元，用于接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；处理单元，用于通过基于深度学习的去噪网络对所述第一码字去噪，并根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；所述通信单元，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

通过上述方法，对接收到的第一码字进行去噪处理，使得根据去噪后的第一码字确定的重构信道矩阵更加接近于第一无线设备估计的信道矩阵，从而实现在非理想信道传输的情况下，准确的获取信道矩阵，提高传输鲁棒性。

一种可能的实施方式中，所述处理单元用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：在确定接收的所述第一码字的信号质量小于阈值时，通过基于深度学习的去噪网络对所述第一码字去噪。

通过上述方法，在确定第一码字的信号质量小于阈值时，可以确定信道质量较差，从而可以通过去噪网络降低信道中噪声的影响。

一种可能的实施方式中，所述处理单元，用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：所述处理单元，用于确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。

一种可能的实施方式中，所述通信单元，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息，具体包括：根据所述重构信道矩阵对发送波束进行波束赋形，并通过所述发送波束向所述第一无线通信设备发送消息。

一种可能的实施方式中，所述基于深度学习的去噪网络采用sigmoid激活函数，且满足KL散度稀疏约束。

通过使用KL散度稀疏约束，可以防止去噪网络在进行去噪时产生过拟合。

一种可能的实施方式中，所述第一码字为经过所述第一无线通信设备通过编码模块将所述信道矩阵编码后传输至所述通信装置的码字；所述处理单元具体用于：通过解码模块对去噪后的所述第一码字进行解码，获得所述信道矩阵对应的重构信道矩阵。

一种可能的实施方式中，所述处理单元还用于：对所述编码模块、所述解码模块以及所述去噪网络分别进行训练；将训练后的所述编码模块、训练后的所述解码模块以及训练后的所述去噪网络进行联合训练。

一种可能的实施方式中，还包括显示单元：所述显示单元用于在用户界面中显示信号增强模式；当选择开启信号增强模式时，所述处理单元采用所述去噪网络对接收到的来自终端设备的第一码字进行去噪处理。

第二方面，提供一种通信装置，包括：基带处理器，用于接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；神经网络处理器，用于通过基于深度学习的去噪网络对所述第一码字去噪；所述基带处理器，用于根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

第三方面，提供一种通信装置，包括：基带处理器，用于接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；

神经网络处理器，用于通过基于深度学习的去噪网络对所述第一码字去噪；根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；

基带处理器，用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

一种可能的实施方式中，所述神经网络处理器用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：在确定接收的所述第一码字的信号质量小于阈值时，通过基于深度学习的去噪网络对所述第一码字去噪。

一种可能的实施方式中，所述神经网络处理器，用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：所述神经网络处理器，用于确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。

一种可能的实施方式中，所述基带处理器，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息，具体包括：根据所述重构信道矩阵对发送波束进行波束赋形，并通过所述发送波束向所述第一无线通信设备发送消息。

第四方面，提供一种基于深度学习的通信方法，包括：接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；通过基于深度学习的去噪网络对所述第一码字去噪；根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

应理解，本申请实施例中的方法可以由无线通信设备执行，该无线通信设备可以是计算设备的整机，也可以是该设备中的部分器件，例如无线通信功能相关的芯片，如系统芯片、通信芯片或射频芯片。其中，系统芯片也称为片上系统(System-on-a-Chip，SoC)芯片。具体地，无线通信设备可以是诸如智能手机这样的终端，也可以是能够被设置在终端中的系统芯片或通信芯片。该无线通信设备还可以是诸如基站这样的接入网设备，也可以是能够被设置在接入网设备中的系统芯片或通信芯片。

示例性的，通信芯片可以包括射频处理芯片和基带处理芯片的一种或多种。基带处理芯片有时也称为调制解调器(modem)或基带处理器。在物理实现中，通信芯片可集成在SoC芯片内部，也可以不与SoC芯片集成。例如，基带处理芯片集成在SoC芯片中，射频处理芯片不与SoC芯片集成。

一种可能的实施方式中，所述通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：在确定接收的所述第一码字的信号质量小于阈值时，通过基于深度学习的去噪网络对所述第一码字去噪。

一种可能的实施方式中，所述通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。

一种可能的实施方式中，所述根据所述重构信道矩阵，向所述第一无线通信设备发送消息，具体包括：根据所述重构信道矩阵对发送波束进行波束赋形，并通过所述发送波束向所述第一无线通信设备发送消息。

第五方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序或指令，当计算机读取并执行所述计算机程序或指令时，使得第三方面所述的任一方法被实现。

第六方面，本申请提供一种包括指令的计算机程序产品，当计算机读取并执行所述计算机程序产品时，使得第三方面所述的任一方法被实现。

第七方面，本申请实施例提供了一种计算机程序，其包含指令，当所述程序被计算机所执行时，该指令使得计算机执行上述第三方面、第三方面的任意一种可能的设计。

第八方面，本申请提供一种系统，包括第一无线通信设备，以及上述第二方面提供的通信装置。

附图说明

图1为本申请实施例提供的一种FDD系统架构示意图；

图2为本申请实施例提供的一种D2D系统架构示意图；

图3为适用于本申请实施例的一种信道状态信息反馈示意图；

图4为本申请实施例提供的一种通信方法流程示意图；

图5为本申请实施例提供的一种信号状态变化示意图；

图6为本申请实施例提供的一种用户界面示意图；

图7为本申请实施例提供的一种用户界面示意图；

图8为本申请实施例提供的一种用户界面示意图；

图9为本申请实施例提供的一种基于深度学习的去噪网络结构示意图；

图10为本申请实施例提供的一种神经网络示意图；

图11为本申请实施例提供的一种信号状态变化示意图；

图12为本申请实施例提供的一种通信方法流程示意图；

图13为本申请实施例提供的一种通信装置结构示意图；

图14为本申请实施例提供的一种通信装置结构示意图。

具体实施方式

下面结合说明书附图对本申请实施例做详细描述。

本申请实施例可以应用于采用MIMO技术的FDD系统中。如图1所示，在FDD系统中，由于其上下行不具有互易性，网络设备不能直接估计出下行信道的信道状态信息，这些信息需要由终端设备上报给网络设备。

本申请实施例中，终端设备，可以为具有无线收发功能的设备或可设置于任一设备中的芯片，也可以称为用户设备(user equipment，UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置。本申请实施例中的终端设备可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端、增强现实(augmented reality，AR)终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等等。

网络设备，可以是指接入网设备，例如可以是LTE系统中的演进型基站(evolutional node B，eNB)，可以是全球移动通讯(global system of mobilecommunication，GSM)系统或码分多址(code division multiple access，CDMA)中的基站(base transceiver station，BTS)，也可以是宽带码分多址(wideband code divisionmultiple access，WCDMA)系统中的基站(nodeB，NB)，也可以是5G通信系统中的gNB等。

本申请实施例还可以应用于FDD系统中的设备到设备(device to device，D2D)通信的场景。如图2所示，在D2D通信中，终端设备1和终端设备2之间需要进行信道状态信息的相互交换，每个终端设备从而可以根据全局的信道状态信息计算出波束赋形向量，再将波束赋形向量反馈给网络设备。

下面以网络设备与终端设备之间为例进行描述，终端设备与终端设备之间通信的场景可以参考下文中的描述，在此不再赘述。

如图3所示，为适用于本申请实施例的一种信道状态信息反馈示意图。图3中，网络设备将下行参考信号进行编码、调制之后，通过波束赋形技术形成特定方向的波束，发送给终端设备。终端设备对下行参考信号进行信道估计，获得信道状态信息，即信道矩阵H，该信道矩阵H是一个复数矩阵，包括实部和虚部。举例来说，信道矩阵H可以用于表示网络设备与终端设备之间的信道在空间域-延迟域上的信道系数。信道矩阵H的复杂度与网络设备包括的天线数量、终端设备包括的天线数量以及网络设备向终端设备发送信号所使用的子载波数有关。例如网络设备有32根发射天线，终端设备有1根接收天线，子载波数为32个，那么信道矩阵H可以为一个32×32的复数矩阵，具体表达式可以参考如下所示。

其中，h_ij表示第i个子载波在第j根天线的信道分量，其中，i取值范围为1≤i≤32，j取值范围为围为1≤j≤32。

再例如，网络设备有32根发射天线，终端设备有1根接收天线，子载波数为16个，那么信道矩阵H可以为一个16×32的复数矩阵，具体表达式可以参考如下所示。

其中，h_ij表示第i个子载波在第j根天线的信道分量，其中，i取值范围为1≤i≤16，j取值范围为围为1≤j≤32。

结合图3，如图4所示，为本申请实施例提供的一种通信方法流程示意图。该无线通信方法可以由终端设备执行，也可以是由应用在终端设备内的无线通信装置执行。

参见图4，该方法包括：

步骤401：终端设备根据网络设备发送的参考信号估计信道矩阵。

终端设备具体如何估计信道矩阵，本申请实施例对此并不限定，在此不再赘述。

终端设备需要将估计得到的信道矩阵H上报给网络设备，但是直接将信道矩阵H上报给网络设备需要较大的开销，为此，终端设备在上报之前，需要将信道矩阵H按一定的压缩率进行压缩编码。

步骤402：终端设备将所述信道矩阵编码为第二码字，并向网络设备发送所述第二码字。

结合图5，终端设备将信道矩阵H编码为第二码字S，其中第二码字S与信道矩阵H之间可以满足以下关系：

S＝f_en(H)···(1)

需要说明的是，具体采用哪种方法对信道矩阵H进行压缩编码，本申请实施例并不限定。例如，终端设备可以基于深度学习对信道矩阵H进行压缩编码。相应的，网络设备可以基于深度学习对接收到的码字进行解码。

步骤403：网络设备接收来自终端设备的第一码字。

终端设备上报的第二码字S经过信道传输过程中，可能受到噪声等影响，因此网络设备接收到的是第一码字

第二码字S与第一码字

之间可以满足以下关系：

其中，n表示零均值的高斯白噪声。

步骤404：网络设备通过基于深度学习的去噪网络对所述第一码字去噪，根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵。

为了获得准确的重构信道矩阵，网络设备通过基于深度学习的去噪网络对第一码字

进行去噪处理，获得第三码字

其中，第一码字

与第三码字

之间可以满足以下关系：

其中，

表示网络设备通过基于深度学习的去噪网络从第一码字

中提取出的噪声。

需要说明的是，本申请实施例中，可能存在多种去噪网络，不同去噪网络与对不同长度的码字进行去噪。为此，在一种可能的实施方式中，网络设备获取第一码字之后，可以确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。其中，第一码字的长度与网络设备的天线数量有关，在此不再赘述。

网络设备对第一码字去噪处理后，获得第三码字。网络设备可以对第三码字

解码获得信道矩阵H对应的重构信道矩阵

网络设备具体如何解码第三码字，本申请实施例对此并不限定，在此不再赘述。

步骤405：网络设备根据所述重构信道矩阵，向所述终端设备发送消息。

网络设备获得重构信道矩阵之后，可以根据所述重构信道矩阵对发送波束进行波束赋形。网络设备可以通过进行波束赋形后的发送波束向终端设备发送消息。或者，网络设备还可以根据所述重构信道矩阵对待发送消息进行预编码。

通过前面的描述可知，网络设备将获取到的第一码字通过去噪网络处理后，消除了由于量化、信道不理想、噪声等原因产生的误差，获得的重构信道矩阵与终端设备估计到的信道矩阵更加接近，因此根据重构信道矩阵与终端设备进行通信，能够提升传输的鲁棒性。

需要说明的是，在本申请实施例中，通过去噪网络执行去噪处理的方法可以是网络设备执行，该网络设备可以是计算设备的整机，也可以是该网络设备中的部分器件，例如无线通信功能相关的芯片，如系统芯片、通信芯片、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或射频芯片。其中，系统芯片也称为片上系统(System-on-a-Chip，SoC)芯片。

示例性的，无线通信功能相关的芯片可以包括射频处理芯片和基带处理芯片的一种或多种。基带处理芯片有时也称为调制解调器(modem)或基带处理器。在物理实现中，通信芯片可集成在SoC芯片内部，也可以不与SoC芯片集成。例如，基带处理芯片集成在SoC芯片中，射频处理芯片不与SoC芯片集成。

本申请实施例中，网络设备也可以不采用去噪网络进行去噪处理。一种可能的实现方式中，当网络设备确定接收的所述第一码字的信号质量小于阈值时，采用所述去噪网络对接收到的来自终端设备的第一码字进行去噪处理。所述阈值的取值，可以根据实际情况设置，在此不再赘述。

上述方法中，当网络设备确定第一码字的信号质量小于阈值时，表明当前信道质量较差，从而可以采用去噪网络进行去噪，可以提高传输的可靠性以及鲁棒性。

另一种可能的实现方式中，当网络设备确定接收的所述第一码字的信号质量大于或等于所述阈值时，网络设备可以不采用所述去噪网络对接收到的来自终端设备的第一码字进行去噪处理，而是直接对第一码字进行解码，或者，利用其它去噪方式(例如，滤波器去噪)对接收到的来自终端的第一码字进行去噪处理后，再进行解码。

上述方法中，当网络设备确定第一码字的信号质量大于或等于阈值时，表明当前信道质量较佳，从而可以不采用基于深度学习的去噪网络进行去噪，可以降低网络设备的运算复杂度，提高运行效率。

可选的，在一个实施例中，网络设备没有采用去噪网络进行去噪处理时，若终端设备确定接收到的下行信号的信号质量小于阈值时，可以在终端设备的用户界面中显示提醒消息，所述提醒消息可以用于指示当前信号质量较差，需要切换到信号增强模式。当终端设备处于信号增强模式时，终端设备可以向网络设备发送去噪指示信息，用于指示网络设备采用去噪网络进行去噪处理。

举例来说，终端设备的用户界面中显示的提醒消息可以如图6所示。图6中，在用户界面的消息通知栏中显示提醒消息，提醒消息的内容可以为：您的手机信号状态较差，是否切换到信号增强模式。通过消息通知栏显示提醒消息，可以在用户无法即时读取通知的情况下不遗漏该条通知，在用户闲暇时期查询通知中心的通知时可以获知该提醒消息。

可选的，还可以在用户界面的通知横幅中显示提醒消息。如图7中，在用户界面的通知横幅中显示提醒消息。通过通知横幅的方式显示提醒消息，可以及时通知用户当前信号较差。

可选的，在另一种可能的实现方式中，网络设备的系统中存在是否开启信号增强模式的选项，用户可以根据实际情况选择是否开启开信号增强模式。当选择开启信号增强模式时，网络设备可以采用所述去噪网络对接收到的来自终端设备的第一码字进行去噪处理。

举例来说，网络设备的系统中信号增强模式的选项可以如图8所示。当用户将图8中信号增强模式对应的黑色按钮滑向右边时，表示开启信号增强模式；当用户将图8中信号增强模式对应的黑色按钮滑向左边时，表示关闭信号增强模式。

以上只是示例，还可能存在其他情况，在此不再逐一举例说明。

下面将进一步描述去噪网络的结构以及训练过程。

本申请实施例中，基于深度学习的去噪网络属于神经网络，神经网络是模仿动物神经网络行为特征，类似于大脑神经突触连接的结构进行数据处理。神经网络作为一种数学运算模型，由大量的节点(或称为神经元)之间相互连接构成。

如图9所示，为本申请实施例提供的一种基于深度学习的去噪网络结构示意图。图9所示的去噪网络包括全连接单元和跨层连接，其中全连接单元包括多个网络层，其中网络侧可以分为输入层、隐藏层、输出层。其中，输入层为全连接单元的第一层，输入数据通过输入层输入去噪网络，输入层为全连接单元的最后第一层可以对输入数据做归一化处理；输出层可以将全连接单元的计算结果进行输出。输入层和输出层之间的网络层可以称为隐藏层，隐藏层的数量可以包括一个或多个。

全连接单元可以从接收到的输入数据中提取噪声，例如输入层接收到的输入数据是第一码字

输出层输出的是从第一码字

中提取出的噪声

跨层连接是指将输入层的数据通过一个旁路直接连接到输出层，并使其与输出层的输出作差得到整个去噪网络的输出，即输出层的输出结果与跨层连接的输入之间的差值，就是对第一码字

进行去噪处理后的结果。

本申请实施例中，隐藏层由输入层和输出层之间众多节点连接组成的，用于对输入数据进行运算处理。每个隐藏层包括多个神经元，调整神经元的数量就可以调整神经网络的复杂度和表达能力。一般来说，神经网络越宽越深，其建模能力越强，但是训练这个神经网络所花的代价也越高。神经网络的训练过程，是根据训练样本的输入和输出，以迭代的方式对神经网络中的各个参数值进行调整直至收敛的过程，也被称为神经网络的学习过程。

举例来说，下面对神经网络的训练过程进行举例说明。参照图10，图10示出了一个比较简单的神经网络，该神经网络包括一个输入层、两个隐藏层和一个输出层。其中，输入层具有三个节点，分别为节点A0、节点A1和节点A2；第一个隐藏层包括两个节点，分别为节点B0和节点B1；第二个隐藏层包括2个节点，分别为节点C0和节点C1；输出层包括一个节点D0。

神经网络中不同层之间的节点连接的线段称为边，每条边具有相应的权重，权重表示的是相应的边连接的两个节点中靠近输入层的节点对远离输入层的节点的贡献大小。具体在图10中，W_0,0表示从输入层的节点A0到第一个隐藏层的节点B0的权重，U_0,0表示从第一个隐藏层的节点B0到第二个隐藏层的节点C0的权重，V_0,0表示从第二个隐藏层的节点C0到输出层的节点D0的权重。其中，神经网络中每条边的权重也可以称为神经网络的参数值。对图10中的神经网络进行训练的过程如下：

步骤1，从全体训练样本集中随机抽取一个训练样本，训练样本包含所有输入特征，输入特征可以在0或1内取值，也可以是浮点数；每个训练样本有一个期望输出值。

步骤2，对第一个隐藏层做正向计算。正向计算需要利用该隐藏层的所有入边的权重和低层节点的激活值。这里入边是指低层节点指向当前层的节点的边，相应地，出边则是指当前层的节点指向高层节点的边。这里将神经网络中的某一层作为基准，靠近输入层的层称为低层，远离输入层的层称为高层。

其中，每个节点的激活值是指该节点的输出值，这个值是根据激活函数确定的。

步骤3，类似地，对第二个隐藏层做正向计算。

步骤4，输出层仅包括一个节点D0，计算节点D0的激活值和残差值。残差值表示的是观测值和预测值之间的差值，根据训练样本的期望输出值和计算出的节点D0的激活值就可以计算出节点D0的残差值ED0。

步骤5，对第二个隐藏层做反向计算，根据输出层的残差值和第二个隐藏层的出边的权重计算该隐藏层每个节点的残差值，并且调整相应出边的权重。

具体地，计算节点C0的残差值时，输出层只有一个节点D0，因此将节点D0的残差值ED0与节点C0的出边的权重V_0,0相乘后代入残差计算函数，得到节点C0的残差值EC0。

类似地，计算节点C1的残差值EC1。

调整权重时，用当前权重减去中间参数作为更新的权重，该中间参数为预设步长乘以权重对应的边的高层节点的残差值再乘以该边的低层节点的激活值。具体按预设步长调整权重V_0,0时，将权重V_0,0减去中间参数，该中间参数为预设步长乘以节点D0的残差值再乘以节点C0的激活值ACTC0，即V_0,0＝V_0,0–L*ED0*ACTC0，其中L表示预设步长。类似地，调整权重V_1,0。

步骤6，类似地，对第一个隐藏层做反向计算，根据第二个隐藏层的各节点的残差值和第一个隐藏层的出边的权重计算该隐藏层每个节点的残差值，并且调整相应出边的权重。

具体地，计算节点B0的残差值时，将节点C0的残差值与节点B0对应节点C0的出边的权重相乘U_0,0，并将节点C1的残差值与节点B1对应节点C1的出边的权重U_0,1相乘，将两个乘积求和后，即EC0*U_0,0+EC1*U_0,1，代入残差计算函数得到节点B0的残差值EB0。类似地，可以计算出节点B1的残差值EB1。

步骤7，对输入层做反向计算，调整从输入层指向第一个隐藏层的边上的权重。

步骤8，回到步骤1训练下一个训练样本。

将所有训练样本按照上述步骤1～步骤8进行处理后，完成对图10所示的神经网络的训练。

前面描述的训练过程中，涉及到激活函数(activation function)。激活函数，就是在神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。本申请实施例中，去噪网络所使用的激活函数并不限定，例如可以为sigmoid函数。

进一步的，对去噪网络的隐藏层引入约束，本申请实施例中，去噪网络的隐藏层引入哪一种约束并不限定，例如可以引入KL散度(Kullback-Leiblerdivergence)稀疏约束等。通过使用KL散度稀疏约束，可以防止去噪网络在进行去噪时产生过拟合，提高传输的稳定性。

本申请实施例中，可以采用基于深度学习的编解码网络对信道矩阵H进行压缩编码，并可以基于深度学习的编解码网络对接收到的码字进行解码，获得重构信道矩阵。为了提高去噪网络训练的准确性，可以将去噪网络与编解码网络进行联合训练，从而在提高去噪网络性能的同时，降低训练难度和时间。

本申请实施例中，联合训练包括两个阶段。第一阶段，编解码网络以及去噪网络分别单独进行训练。第二阶段，将分别完成训练的编解码网络和去噪网络连接，进行联合训练，下面分别进行描述。

第一阶段，编解码网络以及去噪网络分别单独进行训练：

基于深度学习的编解码网络可以包括编码模块以及解码模块两个部分。编码模块用于编码，解码模块用于解码。假设编码模块输入的是信道矩阵H，输出的则是对信道矩阵H进行压缩编码后的码字S。相应的，解码模块输入的是码字S，输出的是重构信道矩阵

在对编解码网络进行训练时，可以选取一个损失函数，使得解码模块的输出尽可能与编码模块输入接近，例如可以将重构信道矩阵

与信道矩阵H之间的均方误差函数作为编解码网络的损失函数。该损失函数可以满足以下公式：

其中，N表示训练的样本总数。当然，也可以选取其它形式的损失函数，本申请实施例对此并不限定。

在训练编解码网络的过程中，可以采用优化器对对训练过程进行优化，例如可以采用自适应矩估计(adaptive moment estimation，Adam)优化器进行优化。

同样的，假设去噪网络输入的是码字S，输出的则是对码字S进行去噪后的码字

在对去噪网络进行训练时，可以将不包括噪声的码字S与去噪后的码字

之间的均方误差函数作为去噪网络的损失函数。该损失函数可以满足以下公式：

其中，M表示训练的样本总数。公式(5)所示的损失函数只是示例，也可以选取其它形式的损失函数，本申请实施例对此并不限定。

同样的，在训练去噪网络的过程中，可以采用优化器对对训练过程进行优化，例如可以采用Adam优化器进行优化。

第二阶段，将第一阶段训练的编解码网络和去噪网络进行联合训练。

具体的，可以将编解码网络和去噪网络作为一个整体进行训练。此时如图11所示，该网络包括编码模块、加噪声模块、去噪网络以及解码模块。其中，加噪声模块用于对编码模块的输出添加噪声，例如添加高斯白噪声或其它类型的噪声，加噪声模块没有需要训练的参数。

编解码网络和去噪网络构成一个整体时，输入为信道矩阵H，输出为解码模块输出的重构信道矩阵

为此，可以选取一个损失函数，使得去噪网络的输出尽可能与编解码网络的输入接近，例如可以将重构信道矩阵

与信道矩阵H之间的均方误差函数作为该网络的损失函数。

在训练过程中，可以采用交替训练的方式对该网络进行训练，每次训练的具体操作为：首先保持去噪网络中的权重和偏置等参数不变，根据输入的样本训练整个网络；然后保持编解码网络中的权重和偏置等参数不变，根据输入的样本训练整个网络。下一次训练重复上述操作，直至所有样本训练完成。

通过上面的训练过程可知，相比于直接将编解码网络和去噪网络作为一个整体进行训练，将预先训练后的编解码网络和预先训练后去噪网络进行交替联合训练，可以降低训练的复杂度，同时可以降低训练所需的时间。

经过训练后，可以获得编解码网络中每一层的权重以及偏置等参数，以及可以获得去噪网络中每一层的权重以及偏置等参数。

终端设备只需要存储编码模块中每一层的权重以及偏置等参数，终端设备可以加载编码模块中每一层的权重以及偏置，就可以实现重建编解码网络中的编码模块，从而可以通过编码模块对信道矩阵H进行编码。

相应的，网络设备只需要存储解码模块中每一层的权重以及偏置等参数，网络设备可以加载解码模块中每一层的权重以及偏置，就可以实现重建编解码网络中的解码模块，从而可以实现解码。同样的道理，网络设备只需要去噪网络中每一层的权重以及偏置等参数，网络设备可以加载去噪网络中每一层的权重以及偏置，就可以实现重建去噪网络，从而可以实现对接收到的码字进行去噪处理。

需要说明的是，本申请实施例中，可以通过离线方式训练去噪网络。通过离线方式训练去噪网络时，可以将训练后获得的去噪网络中每一层的权重以及偏置，存储在非易失型存储器中。当然，也不排除实时训练去噪网络的可能性。

结合前面的描述，如图12所示，本申请实施例还提供一种基于深度学习的通信方法。应理解，图12所示的方法可以由第二无线通信设备执行，该第二无线通信设备可以是计算设备的整机，也可以是该设备中的部分器件，例如无线通信功能相关的芯片，如系统芯片、通信芯片或射频芯片。其中，系统芯片也称为SoC芯片。具体地，该第二无线通信设备可以是诸如基站这样的接入网设备，也可以是能够被设置在接入网设备中的系统芯片或通信芯片。第二无线通信设备还可以是诸如智能手机这样的终端，也可以是能够被设置在终端中的系统芯片或通信芯片。

步骤1201：第二无线通信设备接收来自第一无线通信设备的第一码字。

其中，第一码字根据所述第一无线通信设备估计的信道矩阵确定。

需要说明的是，第二无线通信设备在接收第一码字之前，可以向第一无线通信设备发送参考信号，第一无线通信设备从而可以根据所述参考信号估计信道矩阵。

关于第一码字以及信道矩阵的具体内容，可以参考前面图4的流程中的描述，在此不再赘述。

步骤1202：第二无线通信设备通过基于深度学习的去噪网络对所述第一码字去噪。

举例来说，第二无线通信设备可以在确定接收的第一码字的信号质量小于阈值时，通过基于深度学习的去噪网络对所述第一码字去噪。

可选的，第二无线通信设备在确定接收的第一码字的信号质量大于或等于阈值时，可以不通过基于深度学习的去噪网络对所述第一码字去噪。

步骤1203：第二无线通信设备根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵，根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

第二无线通信设备具体如何根据重构信道矩阵向第一无线通信设备发送消息，本申请实施例对此并不限定。例如，第二无线通信设备可以根据所述重构信道矩阵对发送波束进行波束赋形，从而可以通过波束赋形后的发送波束向第一无线通信设备发送消息。

本申请实施例中，基于深度学习的去噪网络的具体结构以及训练方法，可以参考前面的描述，在此不再赘述。

上述本申请提供的实施例中，分别从各个设备之间交互的角度对本申请实施例提供的方法进行了介绍。为了实现上述本申请实施例提供的方法中的各功能，终端设备与网络设备可以包括硬件结构和/或软件模块，以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行，取决于技术方案的特定应用和设计约束条件。

本申请实施例中对模块的划分是示意性的，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。另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

与上述构思相同，如图13所示，本申请实施例还提供一种装置1300用于实现上述方法中网络设备的功能。例如，该装置可以为软件模块或者芯片系统。本申请实施例中，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。该装置1300可以包括：处理单元1301和通信单元1302。

本申请实施例中，通信单元也可以称为收发单元，可以包括发送单元和/或接收单元，分别用于执行上文方法实施例中网络设备发送和接收的步骤。

以下，结合图13详细说明本申请实施例提供的通信装置。应理解，装置实施例的描述与方法实施例的描述相互对应，因此，未详细描述的内容可以参见上文方法实施例，为了简洁，这里不再赘述。

在一种可能的设计中，该装置1300可实现对应于上文方法实施例中的网络设备执行的步骤或者流程，下面分别进行描述。

通信单元1302，用于接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；

处理单元1301，用于通过基于深度学习的去噪网络对所述第一码字去噪，并根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；

所述通信单元1302，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

一种可能的实施方式中，所述处理单元1301用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

在确定接收的所述第一码字的信号质量小于阈值时，通过基于深度学习的去噪网络对所述第一码字去噪。

一种可能的实施方式中，所述处理单元1301，用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

所述处理单元1301，用于确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。

一种可能的实施方式中，所述通信单元1302，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息，具体包括：

根据所述重构信道矩阵对发送波束进行波束赋形，并通过所述发送波束向所述第一无线通信设备发送消息。

一种可能的实施方式中，所述第一码字为经过所述第一无线通信设备通过编码模块将所述信道矩阵编码后传输至所述通信装置的码字；

所述处理单元1301具体用于：

通过解码模块对去噪后的所述第一码字进行解码，获得所述信道矩阵对应的重构信道矩阵。

一种可能的实施方式中，所述处理单元1301还用于：

对所述编码模块、所述解码模块以及所述去噪网络分别进行训练；

将训练后的所述编码模块、训练后的所述解码模块以及训练后的所述去噪网络进行联合训练。

一种可能的实施方式中，还包括显示单元1303：所述显示单元1303用于在用户界面中显示信号增强模式；当选择开启信号增强模式时，所述处理单元1301采用所述去噪网络对接收到的来自终端设备的第一码字进行去噪处理。

如图14所示为本申请实施例提供的装置1400，图14所示的装置可以为图13所示的装置的一种硬件电路的实现方式。为了便于说明，图14仅示出了该通信装置的主要部件。

图14所示的装置1400包括通信接口1410，基带处理器1420，存储器1430，通信线路1440，神经网络处理器1450，以及显示器1460。其中，基带处理器1420和神经网络处理器1450可以集成在一个SOC中。

存储器1430和基带处理器1420等耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接，可以是电性，机械或其它的形式，用于装置、单元或模块之间的信息交互。基带处理器1420可能和存储器1430协同操作。基带处理器1420可能执行存储器1430中存储的程序指令。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

装置1400中的通信接口1410，用于通过传输介质和其它设备进行通信，从而用于装置1400中的装置可以和其它设备进行通信。在本申请实施例中，通信接口可以是收发器、电路、总线、模块或其它类型的通信接口。在本申请实施例中，通信接口为收发器时，收发器可以包括独立的接收器、独立的发射器；也可以集成收发功能的收发器、或者是接口电路。

装置1400还可以包括通信线路1440。其中，通信接口1410、基带处理器1420以及存储器1430可以通过通信线路1440相互连接；通信线路1440可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture，简称EISA)总线等。所述通信线路1440可以分为地址总线、数据总线、控制总线等。为便于表示，图14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。

基带处理器1420，用于接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；

神经网络处理器1450，用于通过基于深度学习的去噪网络对所述第一码字去噪；

神经网络处理器1450或者基带处理器1420，用于根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；

基带处理器1420，用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

一种可能的实施方式中，所述神经网络处理器1450用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

一种可能的实施方式中，所述神经网络处理器1450，用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

用于确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。

一种可能的实施方式中，所述基带处理器1420，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息，具体包括：

一种可能的实施方式中，所述显示器1460用于在用户界面中显示信号增强模式；当选择开启信号增强模式时，所述神经网络处理器1450采用所述去噪网络对接收到的来自终端设备的第一码字进行去噪处理。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims

1.一种通信装置，其特征在于，包括：

通信单元，用于接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；

处理单元，用于通过基于深度学习的去噪网络对所述第一码字去噪，并根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；

所述通信单元，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

2.根据权利要求1所述的通信装置，其特征在于，所述处理单元用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

3.根据权利要求1所述的通信装置，其特征在于，所述处理单元，用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

所述处理单元，用于确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。

4.根据权利要求1至3任一所述的通信装置，其特征在于，所述通信单元，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息，具体包括：

5.根据权利要求1至4任一所述的通信装置，其特征在于，所述基于深度学习的去噪网络采用sigmoid激活函数，且满足KL散度稀疏约束。

6.根据权利要求1至5任一所述的通信装置，其特征在于，所述第一码字为经过所述第一无线通信设备通过编码模块将所述信道矩阵编码后传输至所述通信装置的码字；

所述处理单元具体用于：

7.根据权利要求6所述的通信装置，其特征在于，所述处理单元还用于：

8.一种通信装置，其特征在于，包括：

基带处理器，用于接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；

神经网络处理器，用于通过基于深度学习的去噪网络对所述第一码字去噪；

所述基带处理器，用于根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

9.根据权利要求8所述的通信装置，其特征在于，所述神经网络处理器用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

10.根据权利要求8所述的通信装置，其特征在于，所述神经网络处理器，用于通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

所述神经网络处理器，用于确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。

11.根据权利要求8至10任一所述的通信装置，其特征在于，所述基带处理器，还用于根据所述重构信道矩阵，向所述第一无线通信设备发送消息，具体包括：

12.一种基于深度学习的通信方法，其特征在于，包括：

接收来自第一无线通信设备的第一码字，所述第一码字根据所述第一无线通信设备估计的信道矩阵确定；

通过基于深度学习的去噪网络对所述第一码字去噪；

根据去噪后的所述第一码字确定所述信道矩阵对应的重构信道矩阵；

根据所述重构信道矩阵，向所述第一无线通信设备发送消息。

13.根据权利要求12所述的方法，其特征在于，所述通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

14.根据权利要求12所述的方法，其特征在于，所述通过基于深度学习的去噪网络对所述第一码字去噪，具体包括：

确定与所述第一码字的长度对应的基于深度学习的去噪网络，并通过对应于所述第一码字的长度的基于深度学习的去噪网络对所述第一码字去噪。

15.根据权利要求12至14任一所述的方法，其特征在于，所述根据所述重构信道矩阵，向所述第一无线通信设备发送消息，具体包括：

16.一种计算机可读存储介质，其特征在于：

所述计算机可读存储介质中存储了程序代码，所述程序代码被无线通信设备或无线通信设备中的处理器执行时，以实现如权利要求12至15任一所述的方法。

17.一种计算机程序产品，其特征在于：

所述计算机程序产品包含的程序代码被无线通信设备中的处理器执行时，以实现如权利要求12至15任一所述的方法。

18.一种芯片，其特征在于，包括处理器，所述处理器与存储器耦合，用于执行所述存储器中存储的计算机程序或指令，当所述处理器执行所述计算机程序或指令时，如权利要求12至15任一所述的方法被执行。

19.一种通信系统，其特征在于，包括：第一无线网络设备，以及包含如权利要求1至11任一所述的通信装置。