CN112889074A - 解码方法、计算机程序产品和设备 - Google Patents

解码方法、计算机程序产品和设备 Download PDF

Info

Publication number
CN112889074A
CN112889074A CN201980069220.0A CN201980069220A CN112889074A CN 112889074 A CN112889074 A CN 112889074A CN 201980069220 A CN201980069220 A CN 201980069220A CN 112889074 A CN112889074 A CN 112889074A
Authority
CN
China
Prior art keywords
decoder
encoder
function
ann
lattice
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
CN201980069220.0A
Other languages
English (en)
Other versions
CN112889074B (zh
Inventor
V·科尔莱
L·布鲁内尔
P·西布拉特
J·布特罗斯
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN112889074A publication Critical patent/CN112889074A/zh
Application granted granted Critical
Publication of CN112889074B publication Critical patent/CN112889074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/09—Supervised learning
    • 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
    • H03M13/37—Decoding methods or techniques, not specific to the particular type of coding provided for in groups H03M13/03 - H03M13/35
    • H03M13/39—Sequence estimation, i.e. using statistical methods for the reconstruction of the original codes
    • H03M13/3944—Sequence estimation, i.e. using statistical methods for the reconstruction of the original codes for block codes, especially trellis or lattice decoding thereof
    • 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
    • G06N3/0499—Feedforward networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明涉及一种用于对通过无线通信介质从发射器接收的至少M0个符号
Figure DDA0003028948300000011
进行解码的方法，所接收的符号表示由发射器的编码器E编码的符号，所述方法包括：在解码器中输入M0个符号
Figure DDA0003028948300000012
所述解码器包括人工神经网络系统，其中，人工神经网络系统的至少激活函数是多级激活函数。

Description

解码方法、计算机程序产品和设备
技术领域
本发明涉及在无线通信系统中对数据进行解码。
背景技术
本发明更准确地涉及用于对所接收的无线电信号进行解码的人工神经网络。
传统上，在无线通信系统中，发射器和接收器通过多个组件实现特定方案，从而能够处理发送数据的无线电信号。
在图2中，示出了无线通信系统中的发射器的方案(被称为发射器方案)和相应的接收器的方案(被称为接收器方案)的示例。无线电信号在这样的系统(发射器和接收器)中的编码/解码是至关重要的，必须在传输速率、导致解码误差的传输鲁棒性和接收器的复杂性之间进行权衡。
但是，近来人工神经网络(ANN)已用于代替接收器的组件，从而能够执行更高效的解码。
然而，高效且准确的ANN仍然很复杂，因此需要大量计算资源(CPU、GPU或专用硬件)，这在无线通信的情况下是很大的缺点。
本发明旨在改进这种情况。
发明内容
为此，本发明涉及一种用于对通过无线通信介质从发射器接收的至少M0个符号
Figure BDA0003028948280000011
进行解码的方法，所接收的符号表示由发射器的编码器E编码的符号，所述方法包括：
在解码器中输入M0个符号
Figure BDA0003028948280000012
，所述解码器包括人工神经网络系统，其中，至少人工神经网络系统的激活函数是多级激活函数。
发射器要发送到接收器的数据由发射器处理，该发射器将包括编码器E(例如：MIMO编码器、点阵编码器)的方案应用于所述数据，该方案还可以包括其它编码器和处理模块，诸如MCS模块和/或数模转换器和/或串并转换器等。在接收器侧，通过适于对由发射器的方案进行处理的无线电信号进行解码的接收器方案，对接收到的无线电信号进行解码。即，接收器方案可以包括与发射器方案的模块相对应的模块(例如，模数转换器、MIMO解码器...)。由编码器E输出并由遵循编码器E的发射器方案的模块处理的符号通过无线电通信信道(无线电信道)被发送到接收器。接收器将逆方案的模块应用于发射器方案的模块，并且获得M0个符号
Figure BDA0003028948280000021
。这些符号在接收器侧表示由编码器E输出的符号。这M0个符号被输入到人工神经网络解码器中，人工神经网络解码器对其进行解码并检索在编码器E中输入的符号。
人工神经网络解码器的激活函数中的至少一个是多级激活函数。多级激活函数是一种激活函数，其能够区分两个以上类别(至少三个)，因此可以考虑两个以上输出(或输出的级别)(至少3个)，即，至少三个输出(或输出的级别)。
新电信标准(例如LTE、NR)实现了编码器和解码器，它们处理并产生越来越多的符号(例如，256QAM、任何点阵编码器、特别是高频谱效率的基于点阵的编码器)。即，可以被那些解码器和编码器的输出和/或输入取的许多值或符号。因此，当用人工神经网络(ANN)解码器代替这种解码器时，ANN解码器将在其输出和/或输入上面临高复杂性。这种复杂性不仅会影响ANN系统的输入和输出，还会通过ANN系统的隐藏层传播。因此，作为隐藏层的神经元的输出层的神经元(也称为节点)可以解决多类别分类问题，即，根据两个以上类别对元素进行分类。在这种情况下，由于多级激活函数(MLAF)可以在唯一节点/神经元的输出端处进行多类别分类，因此可以将实现常规激活函数(最多2个级别的激活函数)的多个节点代替为实现MLAF的一个节点。因此，使用MLAF的ANN解码器将需要较少的神经元来对M0个符号进行解码。因此，通过使用更少的神经元，解码器的复杂性降低，并且需要更少的计算资源(CPU、GPU或专用硬件)来对M0个符号进行解码。
另外，当层和节点的数量是固定的时，在ANN系统的节点中实现MALF能够提高其准确性。
通过多级激活函数，可以理解激活函数能够考虑严格地两个以上级别的输出。即，激活函数能够区分严格在两个以上的组或类别中的输入值。因此，具有K个严格高于2的K个级别的多级激活函数输出K个不同组的值，每组值都易于被区分。有利地，这些组在f下的逆象(其中，f是MLAF)是不相交的。
有利地，可以利用呈现至少三个几乎恒定区域的函数来获得该区分特性。换句话说，如果|f(x2)-f(x1)|与|x2-x1|相比可忽略不计或至少低于ε|x2-x1|，且ε严格小于1，例如ε可以等于1/2、1/5、1/10或1/50，则两个输入x1和x2在同一组中。
有利地，可以利用以下函数来获得该区分特性：对于该函数，如果|f(x2)-f(x1)|与|f(x2)-f(x3)|相比可忽略不计或至少低于ε|f(x2)-f(x3)|，其中x2和x3位于两个不同的组中，并且ε严格小于1，例如ε可以等于1/2、1/5、1/10或1/50，则两个输入x1和x2在同一组中。
通过激活函数，可以理解在给定函数的输入的情况下定义节点(神经元)的输出的函数。激活函数共享特定特性。为了简单起见，当未被指定为MLAF时，激活函数是指常规激活函数，其是最多2级激活函数。常规激活函数是本领域技术人员已知的要在ANN系统中使用的激活函数。
通过符号可以理解，实数属于离散数字集合。技术人员将理解，复数符号可以被认为是两个实数符号，因此本发明可以在复数符号的环境中应用。
通过无线通信介质，可以理解无线通信系统。也就是说，能够使用无线技术(通常是无线电波)(但也可以用其它无线技术(诸如，光、磁场或电场或声音的使用))在发射器和接收器之间发送数据来实现的系统。
通过ANN解码器，可以理解解码器，即，包括至少一个ANN系统的接收器方案的模块。该ANN解码器可以包括多个ANN系统。例如，当ANN解码器代替MIMO解码器时，可以在ANN解码器中实现用于每个MIMO解码器的ANN系统。为了简单起见，以下仅描述具有唯一ANN系统的ANN解码器。因此，ANN系统的输入和输出与ANN解码器的输入和输出一致。
通过接收到的表示由发射器的编码器E编码的符号的符号，可以理解符号是由发射器根据发射器方案对编码器E输出的符号进行处理而得到，并且这些符号已经被接收器接收。这些接收到的符号可以在输入到ANN解码器中之前已经在接收器侧被处理。实际上，ANN解码器可能无法代替接收器方案的所有模块。例如，ANN解码器可以仅代替MIMO解码器(或多个MIMO解码器)，因此在将符号输入到ANN解码器中之前应用多个模块。
可以将解码器或更具体地说是人工神经网络系统定义为函数F，该函数F由N个函数集合
Figure BDA0003028948280000031
定义，其中，i从1到N，
Figure BDA0003028948280000041
其中
Figure BDA0003028948280000042
其中
Figure BDA0003028948280000046
分别是第(i-1)个集合的函数
Figure BDA0003028948280000043
的输出，每个
Figure BDA0003028948280000047
都是人工神经网络激活函数或恒等函数，
Figure BDA0003028948280000044
中的至少一个不是恒等函数，并且
Figure BDA0003028948280000045
是实数参数。
N个集合中的函数集合
Figure BDA0003028948280000048
的集合表示ANN系统/解码器的第i层。因此，ANN系统是N层ANN系统。每个函数
Figure BDA0003028948280000049
对应于第i层的节点。
参数
Figure BDA00030289482800000410
对于m从1到Mi和i从1到N是可能等于零的实数、正实数或负实数。
根据本发明的一个方面，在向量
Figure BDA00030289482800000411
的训练集合上训练人工神经网络系统，在将每个向量
Figure BDA00030289482800000412
应用于向量
Figure BDA00030289482800000413
时，将每个向量
Figure BDA00030289482800000414
与人工神经网络系统的输出进行比较，其中，
Figure BDA00030289482800000415
，向量
Figure BDA00030289482800000416
通过依次将表示编码器E的第一变换和至少表示以下项的第二变换分别应用至向量
Figure BDA00030289482800000417
得到：
-发射器的发射方案的一部分，所述发射方案的所述部分遵循编码器E，以及
-无线电通信信道。
通过训练ANN系统，可以理解应用监督学习方法。例如，可以使用T个向量
Figure BDA00030289482800000418
的训练集合(其中j从1到T)和向量
Figure BDA00030289482800000419
的对应集合实现反向传播方法，每个向量
Figure BDA00030289482800000420
可以通过应用至少表示从编码器E的输入到发送信号的发送的发射器方案、以及到向量
Figure BDA00030289482800000421
的训练集合的无线电通信信道的变换来获得。第二变换也可以表示从无线电信号的接收到ANN系统的输入在接收器侧应用的方案。
将ANN系统应用于向量
Figure BDA00030289482800000422
时的ANN系统的输出与向量
Figure BDA00030289482800000423
进行比较，这是ANN系统关于向量
Figure BDA00030289482800000424
(即，编码器E的输入，其产生向量
Figure BDA00030289482800000425
)的理想或至少合适的响应。ANN系统的参数被修改为减小ANN系统关于向量
Figure BDA00030289482800000426
的理想响应和实际响应之间的总体差距。
有利地，如先前针对每个向量
Figure BDA00030289482800000427
所描述的，可以获得多于一个向量
Figure BDA00030289482800000428
。实际上，存在许多可能的变换，它们表示发射器方案的部分、无线电通信信道和接收器方案的部分。例如，多种变换可以表示MIMO编码器、每个预编码矩阵中的一个。多种变换可以表示无线电通信信道、每个信道矩阵的一种变换、以及可以表示无线电通信信道的噪声向量。因此，每个向量
Figure BDA00030289482800000429
都可以与一组向量
Figure BDA00030289482800000430
相关联，T从1到S。两个
Figure BDA0003028948280000052
和
Figure BDA0003028948280000053
是通过应用于相同向量
Figure BDA0003028948280000054
的不同变换T和T'获得的，每一个表示发射器方案和接收器方案的相同组件。然而，每一个变换可以表示这些组件的不同配置和/或不同无线电通信信道。为了简单起见，在下文中，对于每个向量
Figure BDA0003028948280000055
，仅描述一个向量
Figure BDA0003028948280000056
。
从数学上讲，计算参数
Figure BDA0003028948280000057
(其中i从1到N)以使分别在解码器的输出
Figure BDA0003028948280000058
和向量训练集合的向量
Figure BDA0003028948280000059
(其中，
Figure BDA00030289482800000510
)之间的距离(也被称为成本函数)最小化。进行参数的优化是为了使所有训练集合上的距离
Figure BDA00030289482800000511
最小化。例如，通过使
Figure BDA00030289482800000512
或
Figure BDA00030289482800000513
最小化，其中aj为严格正实数。距离d可以是例如欧几里得距离、平方欧几里得距离或交叉熵。
在ANN系统代替接收器方案中的解码器的情况下，由于当实现至少一个MLAF时这些ANN系统的复杂度降低，因此对这种ANN系统的训练需要较少的计算资源(CPU、GPU或专用硬件)。
通过表示方案和/或无线电通信信道的变换，可以理解方案和/或无线电通信信道的数学表示。例如，无线电通信信道可以由信道矩阵和噪声向量表示。
通过发射/接收方案的部分，可以理解依次应用以产生/处理无线电信号的发射/接收方案的一个或多个组件(也称为模块)。
可以用例如可以在给定环境中在数学上表示或遇到的任何无线通信信道来概括无线电通信信道。因此，在基于其它无线技术的无线通信系统的情况下，将进行通信信道的其它表示。
根据本发明的一个方面，多级激活函数可以被定义为：
Figure BDA0003028948280000051
其中，每个fl为常规激活函数(当未指定它为MLAF时，将其称为激活函数，即，最多2个级别的激活函数)，
其中，τl是实数，并且如果l≠l′＝＞τl≠τl′，
其中，A和Bl是实数，
并且，K为大于或等于3的正整数。
当在ANN系统中实现多个MLAF时，此定义可以容易地生成适于ANN系统的每个节点或至少多个节点的MLAF。因此，取决于ANN系统执行的结构和计算(由ANN系统解决的问题而导致)，可以适配MLAF。另外，参数K，B1，...，BK-1，A，τ1，...，τK-1可以被预先设置为ANN系统的训练，或者可以将它们视为ANN系统的参数，对ANN系统的参数进行修改，以减小分别在ANN系统关于向量
Figure BDA0003028948280000061
的理想响应和实际响应之间的总体差距。每个MLAF都可以被不同地参数化。激活函数fl可以相同或不同。但是，所使用的激活函数fl是能够区分两组或两个类别中的输入值(即，最多两个级别的激活函数)的激活函数，例如逻辑函数、赫维赛德(Heaviside)阶跃函数、双曲线正切函数(TanH)、反正切函数、Softsign函数、整流线性单位函数(ReLu)、泄漏整流线性单位函数(Leaky ReLU)、参数整流线性单位函数(PReLU)、随机泄漏整流线性单位函数(RReLU)、指数线性单位函数(ELU)、缩放指数线性单位函数(SELU)、SoftPlus函数、S型加权线性单位函数(SiLU)、S型函数、Maxout函数。
K是区分的级别数量。因此，MLAF
Figure BDA0003028948280000064
是K级MLAF。
以下所有多级激活函数都可以被定义为具有可能不同参数的函数
Figure BDA0003028948280000065
根据本发明的一个方面，编码器E的输入端连接到调制编码器的输出端。
因此，ANN解码器输出由所使用的调制方案定义的符号序列。ANN解码器旨在检索编码器E、发射器的以下方案所应用于的并且由接收器接收并输入到ANN解码器中的符号。可以将发射器的模块应用于接收到的信号以获得在ANN解码器中输入的M0个符号。
调制解码器可以是调制和编码方案解码器。但是，由解码器应用的调制方案可以是任何种类的，例如，调制方案的符号可以是复数(QPSK、QAM)或实数(PAM)。可选地，可以在ANN解码器和调制解码器(也称为解调器)之间实现P/S模块。
根据本发明的一方面，函数
Figure BDA0003028948280000062
(m从1到MN)中的至少一个是多级激活函数。
在这种情况下，在ANN系统的输出层上的激活函数中的至少一个(即，函数
Figure BDA0003028948280000063
中的一个，其中，m从1到MN)是多级激活函数。ANN系统的输出对应于调制符号，然后调制符号被输入到调制解码器中。由于在调制方案中使用了多个符号(两个以上实数符号)(例如，除了在BPSK中)，在ANN系统的输出层上使用多级激活函数能够在输出层上使用较少的节点来输出调制方案的所有可能符号。实际上，通过使用MLAF(其输出可以采用K个不同的值(K大于2))能够在MLAF的输出处区分K个不同的符号。例如，如果调制方案包括K个符号，则在ANN系统的输出层上使用K级MLAF可以在唯一激活函数的输出处表示调制方案的所有不同符号。因此，它能够减少输出能够表示调制方案的所有符号的值所需的节点数量。
更具体地，当由调制编码器使用的调制方案的符号各自由P个坐标(q1；...；qP)定义时，有利的是在ANN系统的输出层上使用函数
Figure BDA0003028948280000071
中的至少P'个函数
Figure BDA0003028948280000072
，其中，m从1到MN，该至少P'个函数
Figure BDA0003028948280000073
分别输出P个坐标(q1；...；qP)中的P'个坐标的值，其中，每个
Figure BDA0003028948280000074
是Kk级激活函数，其中，Kk等于调制类型的符号的P'个坐标中的可以采用第k个坐标的值的数量。
通过调制类型，可以理解调制方案。
因此，等于调制方案的维度(即，例如，星座图的维度)的多个MLAF的输出可以使得能够表示调制方案的所有符号。
根据本发明的一个方面，所有函数
Figure BDA0003028948280000075
(m从1到MN)是多级激活函数。
如前所述，ANN系统的输出层的MLAF的类型可以为
Figure BDA0003028948280000076
。这些MLAF的参数可以是不同的。
根据本发明的一方面，编码器E包括点阵编码器，并且点阵编码器的输入是编码器E的输入。
因此，ANN解码器至少代替了点阵解码器。
通过点阵编码器，可以理解编码器，当在编码器的输入端输入整数的n元组
Figure BDA0003028948280000077
时，该编码器输出实数的n元组
Figure BDA0003028948280000078
，其中(e1，...，en)是
Figure BDA00030289482800000711
的基础，即，
Figure BDA0003028948280000079
并且(e1，...，en)是线性独立的。也就是说，对于每个整数的n元组
Figure BDA00030289482800000715
，编码器输出
Figure BDA00030289482800000710
中的唯一点或点阵的元素。
因此，ANN解码器输出整数的n元组
Figure BDA00030289482800000712
。
点阵编码器的输入端可以是输出整数的脉冲幅度调制(PAM)编码器。例如，4级PAM将在点阵编码器中输入0、1、2和3当中的整数。
根据本发明的一个方面，函数
Figure BDA00030289482800000713
(m从1到Mi和i从1到N-1)中的至少一个是多级激活函数。
如前所述，ANN系统的隐藏层的MLAF的类型可以为
Figure BDA00030289482800000714
。这些MLAF的参数可以是不同的。
这使得能够减少ANN解码器中所需的节点数量，从而降低了解码器的复杂性，因此需要较少的计算资源(CPU、GPU或专用硬件)来解码M0个符号。
根据本发明的一方面，编码器E包括MIMO编码器。
因此，ANN解码器可以例如通过为每个MIMO解码器实现一个ANN系统或为所有MIMO解码器实现一个ANN系统来代替至少一个或多个MIMO解码器。另外，使用ANN解码器来至少代替MIMO解码器和另一模块使得能够优化ANN解码器的使用。实际上，可以训练ANN系统来代替MIMO解码器和另一个模块(例如，点阵解码器)，而无需修改在ANN系统中使用仅代替点阵解码器的层数，或者至少将小于ANN系统仅代替MIMO解码器所需的层数的层数加到ANN系统。即使减少了层数，也可以增加每层节点的数量，或者可以降低ANN系统的准确性，因此在这种情况下，可以用MLAF代替节点组，从而减少或至少保持当ANN系统代替多于一个模块时ANN系统的复杂程度。
本发明的第二方面涉及一种计算机程序产品，该计算机程序产品包括当所述指令由处理器运行时执行上述方法的代码指令。
本发明的第三方面涉及一种用于通过无线通信介质从发射器接收M0个符号
Figure BDA0003028948280000081
的设备，所接收到的符号表示由发射器的编码器E编码的符号，该设备包括：
-接收模块；以及
-解码器，所述解码器包括人工神经网络系统，其中，至少所述人工神经网络系统的激活函数是多级激活函数。
在附图的各图中，通过示例而非限制方式示出了本发明，在附图中，相同的附图标记指代相同的元件。
附图说明
图1示出了根据本发明的发射器和接收器。
图2示出了经典MIMO发射器和经典MIMO接收器的框图。
图3示出了分别实现点阵编码器(Lattice encoder)和点阵解码器(Latticedecoder)的MIMO发射器和MIMO接收器的框图。
图4示出了二维点阵。
图5示出了ANN系统。
图6示出了实现根据本发明的ANN解码器的经典MIMO发射器和接收器的框图。
图7示出了根据本发明的实现点阵编码器的MIMO发射器和实现ANN-点阵解码器的MIMO接收器的框图。
图8示出了根据本发明的MLAF。
图9示出了表示根据本发明的无线电信号的解码的流程图。
具体实施方式
参照图1，示出了发射器1.1向接收器1.2发送无线电信号。接收器1.2在发射器1.1的小区覆盖范围内。该传输可以是基于OFDM的传输。在该示例中，接收器1.2是移动终端，而发射器1.1是固定站，在LTE的环境中，该固定站是基站。发射器1.1也可以是移动终端，而接收器1.2可以是固定站。发射器1.1和接收器1.2都可以是移动终端。
发射器1.1包括一个通信模块(COM_trans)1.3、一个处理模块(PROC_trans)1.4和存储单元(MEMO_trans)1.5。MEMO_trans 1.5包括检索计算机程序的非易失性单元、以及检索发射器方案(应用的调制方案等)的参数的易失性单元。PROC_trans1.4被配置为根据包括编码器E的发射器方案来处理要发送的数据。COM_trans 1.3被配置为向接收器1.2发送无线电信号。还可以通过COM_trans 1.3而不是通过PROC_trans 1.4实现要发送的数据的处理，在这种情况下，PROC_trans 1.4将COM_trans 1.3配置为执行此处理。实际上，该处理可以由专用于根据发射器方案处理数据的电子电路来执行，或者该处理可以由根据发射器方案来处理数据的处理器执行。本发明不限于这样的实现方式，而是包括根据发射器方案处理数据的电子和计算处理的任意组合。
接收器1.2包括一个通信模块(COM_recei)1.6、一个处理模块(PROC_recei)1.7和存储单元(MEMO_recei)1.8。MEMO_recei 1.8包括检索计算机程序的非易失性单元和检索接收器方案的参数(在训练过程中获得的ANN解码器的参数、所应用的解调方案等)的易失性单元。PROC_recei 1.7被配置为根据包括先前已被训练的ANN解码器的接收器方案来处理从发射器接收的无线电信号。COM_recei 1.6被配置为从发射器接收无线电信号。还可以通过COM_recei 1.6而不是通过PROC_recei 1.5来实现处理无线电信号以检索数据，在这种情况下，PROC_recei 1.5将COM_recei 1.6配置为执行该处理。实际上，该处理可以由专用于根据发射器方案来处理无线电信号的电子电路来执行，或者该处理可以由根据发射器方案处理无线电信号的处理器来执行。本发明不限于这样的实现，而是包括根据发射器方案来处理无线电信号的电子和计算处理的任意组合。当ANN解码器由电子电路实现时，该电子电路可以是可编程逻辑器件，其使得能够根据在ANN系统的训练期间定义的训练参数来适配ANN系统。
参照图2，示出了经典MIMO发射器和经典MIMO接收器的框图。
通过在发射器方案中处理数据来获得无线电信号。即，通过将调制编码方案(MCS)编码器2.1应用于表示要发送的数据的二进制序列，MCS编码器2.1输出从特定数字调制方案(例如，QAM)获取的符号序列，对于该特定数字调制方案，以下将每个符号视为两个实数符号。这些符号在图2中用字母(...CBAA...CBBA)表示。然后将串并模块(S/P)2.2应用于符号序列，以输出npsym个并行符号(在图2的示例中为4个并行符号)。然后，在nOFDM/Tx个OFDM编码器2.4中的每个中输入nsc个并行符号的MIMO发送单元2.3中(其中，nsc是用于承载符号的子载波的数量，也称为有用子载波，即，非空子载波)输入这npsym个并行符号(图2中的Z1或Z2)。根据配置MIMO发送单元2.3的预编码矩阵来获得由MIMO发送单元2.3输出的符号。更具体地，在nsc个MIMO编码器2.3.1中的每个中，通过npsymb/nsc个并行符号的组分别输入npsym个并行符号。根据预编码矩阵被参数化的每个MIMO编码器2.3.1输出分别在nOFDM/Tx个OFDM编码器2.4中的每个中在相同子载波上输入的nOFDM/Tx个符号。因此，每个OFDM编码器2.4从每个MIMO编码器2.3.1接收一个符号(即，从nsc个不同的MIMO编码器接收nsc个符号，每个子载波一个)，即，每个OFDM编码器2.4从MIMO发送单元2.3接收nsc个并行符号。
每个OFDM编码器2.4通过应用IFFT(快速傅里叶逆变换)模块和DAC(数字模拟转换器)来处理在其输入端处接收的nsc个并行符号。每个OFDM编码器2.4的输出在一个天线Tx2.5上被发射。
接收器1.2在其nOFDM/Rx个天线Rx 2.6的每一个上接收无线电信号。对接收到的每个信号应用OFDM解码器2.7。接收器1.2的每个OFDM解码器2.7输出在MIMO接收单元2.8中输入的nsc个并行符号。MIMO接收单元2.8根据已经对其进行配置的预编码矩阵，对分别由OFDM解码器2.7输出的nsc个符号的nOFDM/Rx个组进行解码。MIMO接收单元2.8输出被依次应用并串模块2.9和MCS解码器2.10(即，解调器和解码模块，或者简称为解调器)的npsym个符号。更具体地，每个OFDM解码器2.7在nsc个MIMO解码器2.8.1中分别输入nsc个并行符号，即，在每个MIMO解码器2.8.1中一个符号。MIMO接收单元2.8中的每个输入符号被输入到nsc个MIMO解码器2.8.1中的一个中。每个MIMO解码器2.8.1从每个OFDM解码器2.7接收来自相同子载波的符号，并且根据已经对其配置的预编码矩阵输出npsymb/nsc个符号。即，nsc个MIMO解码器2.8.1输出npsymb个并行符号。
如果无线电信道对无线电信号的影响不大，并且不同系统(发射器1.1和接收器1.2)的噪声受到限制，则在接收器1.2侧检索由发射器1.1发送的二进制序列。
每个OFDM解码器2.7应用于由其相应天线Rx 2.6ADC(模数转换器)和输出nsc个符号的FFT(快速傅立叶变换)模块接收的信号。
在实现这种方案的本发明的情况下，可以实现与正交频分复用(OFDM)方案不同的另一方案的天线端口。
参照图3，示出了分别实现点阵编码器和点阵解码器的经典MIMO发射器和MIMO接收器的框图。
在发射器方案中，通过处理数据，更具体地说处理二进制序列，来提供无线电信号。除了MCS编码器2.1被调制器3.1和点阵编码器3.2代替之外，该发射器方案与图2中描述的方案相同。调制器3.1输出可以与整数相关联的值(例如，脉冲幅度调制(PAM)调制器中的信号幅度的不同水平)。
调制器3.1的每个输出可以与多个整数相关联，该整数例如等于调制器3.1所使用的调制方案的星座图的尺寸。例如，对于PAM调制器3.1，星座图的尺寸等于1，因此每个符号由也称为级别的一个整数表示。
基于调制器3.1输出的整数的nLat元组
Figure BDA0003028948280000111
点阵编码器3.2输出实数的nLat元组
Figure BDA0003028948280000112
其中(e1，...，en)是点阵的基础(因此是
Figure BDA0003028948280000113
的基础)，即
Figure BDA0003028948280000114
和(e1，...，en)是线性独立的。这种变换
Figure BDA0003028948280000115
是由矩阵G表示的同构，矩阵G的行是基向量。
在图4的示例中，例示了二维点阵。该点阵的点(在图4中以点表示)被定义为(z1e1+z2e2)，且
Figure BDA0003028948280000116
由于Vector(e1)＝(1；0)和Vector(e2)＝(0.5；0.75)，点阵的点(z1e1+z2e2)等于
Figure BDA0003028948280000117
因此，对于调制器3.1输出的整数(1；6；2；3)的序列，点阵编码器3.2输出(4；4.5；3.5；2.25)，其中(4；4.5)和(3.5；2.25)是点阵P1和P2的两个点。
实数的nLat元组
Figure BDA0003028948280000121
被输入到串并模块(S/P)3.3中，该模块输出npsym个并行符号(在图3的示例中为4个并行符号)。从在S/P模块3.3中输入nLat个实数的序列到发射无线电信号，发射器方案与图2中描述的方案相同。就是说，在S/P模块3.3的输出端应用了MIMO发送单元3.4(如图2所示)，并且每个OFDM编码器3.5处理在其输入端处接收的nsc个并行符号。每个OFDM编码器3.5的输出在每个天线Tx 3.6上被发送。
接收器1.2在其nOFDM/Rx个天线Rx 3.7的每个上接收无线电信号。从天线Rx 3.7到P/S模块3.10的输出，接收器方案与图2中描述的方案相同。实际上，OFDM解码器3.8被应用于接收到的每个信号。接收器1.2的每个OFDM解码器3.8输出在MIMO接收单元3.9中输入的nsc个并行符号。MIMO接收单元3.9对分别由OFDM解码器3.8输出的nsc个符号的nOFDM/Rx个组进行解码。MIMO接收单元3.9输出应用了并串模块3.10的npsym个符号(如图2中所描述的)。
P/S模块3.10输出实数的序列。这些实数被输入到点阵解码器3.11中，以由nDim个实数(nDim＝nLat)的元组处理，其中，nDim是已配置了点阵解码器3.11的点阵的尺寸。在点阵解码器3.11中输入的实数的每个nDim元组表示
Figure BDA0003028948280000122
的点。在图4的示例中，
Figure BDA0003028948280000123
的点P’1(4.25；4.20)和P’2(3.70；2.20)表示实数的两个nDim元组。噪声和通道(canal)改变了点阵编码器3.2输出的符号。因此，实数的nDim元组不对应于点阵的点。点阵解码器3.2确定在解码器3.2中输入的
Figure BDA0003028948280000124
的点最接近点阵中的哪个点。为此，点阵解码器可以通过以下方式处理这些点中的每一个：
-计算
Figure BDA0003028948280000125
和
Figure BDA0003028948280000126
P″1是表示点阵的基本域的灰色平行四边形中的点，且
Figure BDA0003028948280000127
被定义为
Figure BDA0003028948280000128
其中
Figure BDA0003028948280000129
是向下取整函数；
-确定基本域中的最接近点P″1的点阵点C1；以及
-计算
Figure BDA00030289482800001210
为了确定在基本域中最接近点P″1的点阵点C1，点阵解码器3.11可以确定关于将基本域划分成不同区域(在图4的情况下，使用5个超平面获得的a、b、c、d)中的多个超平面的点P″1的位置，每个区域的点更接近基本域的点阵点中的一个。超平面是基本域的每个区段的线段平分线(line segmentbisector)。在图4中，P”1和P”2位于区域b中，因此两者都更靠近基本域的左上角处的点阵点。
因此，如果无线电信道对无线电信号的影响不大，并且不同系统(发射器1.1和接收器1.2)的噪声受到限制，则点阵解码器3.11检索正确的点阵点，从而检索正确的整数序列(z1，...，zn)(在图4的情况下为(1；6；2；3))。该整数序列通过解调器3.12被转换为二进制序列，该解调器使得能够在接收器1.2侧检索由发射器1.1发送的二进制序列。
点阵编码器3.2和点阵解码器3.11由它们的点阵定义。也就是说，对于每个点阵编码器/解码器，都有唯一的点阵表示。
在实现这种方案的本发明的情况下，可以实现与正交频分复用(OFDM)方案不同的另一方案的天线端口。
图5示出了ANN系统。ANN系统由层、输入层、一个或更多个隐藏层和一个输出层定义。除了输入层外，每个层都由被输入了上一层的加权值的节点组成。输入值被输入到输入层的节点中。
因此，如图5所示，将
Figure BDA0003028948280000131
值插入到输入层。ANN系统的第i层的第m个节点(即，节点(i；m))可以用
Figure BDA0003028948280000132
表示，其中，
Figure BDA0003028948280000133
是激活函数，并且
Figure BDA0003028948280000134
是前一层的每个节点输出的值
Figure BDA0003028948280000135
的加权和，
Figure BDA0003028948280000136
是权重。另外，将值
Figure BDA0003028948280000137
加到该和，该值被称为偏置或偏移。
因此，ANN系统可以由函数F表示，诸如
Figure BDA0003028948280000138
ANN解码器可以包括多个ANN系统。
参照图6，其示出了实现ANN解码器的经典MIMO发射器和接收器的框图。
发射器1.1的方案与图2中描述的方案相同。也就是说，发射器方案依次实现了MCS编码器6.1、S/P模块6.2、MIMO发送单元6.3、OFDM编码器6.4和发送天线Tx 6.5。
除了MIMO接收单元2.8被ANN解码器6.8代替以外，接收器1.2的方案与图2中描述的方案相同。即，接收器方案依次实现了接收天线Rx 6.6、OFDM解码器6.7、ANN解码器6.8、P/S模块6.9和MCS解码器6.10，除了MIMO接收单元2.8之外，所有元件都是相同的。
实际上，MIMO接收单元2.8由ANN解码器6.8(也就是说，由至少包括如图5所示的ANN系统的解码器代替)代替。该解码器可以是ANN系统，或者仅解码器的一部分可以是ANN系统，即，例如由判决反馈均衡器解码器添加预处理。解码器还可以包括多个ANN系统，例如对于MIMO接收单元2.8中的每个MIMO解码器一个ANN系统。为了简单起见，仅描述了完全代替解码器的ANN系统。
对于图2的MIMO发送单元2.8，ANN解码器6.8在其输入端接收由OFDM解码器6.7输出的nOFDM/Rx个符号的nsc个组。例如，ANN解码器6.8实现具有用于nOFDM/Rx×nsc个符号中的每个符号的节点的输入层，即，包含nOFDM/Rx×nsc个节点的输入层。ANN解码器6.8处理这些输入，并且输出层的每个节点输出一个值。输出层的npsym个节点的输出值表示npsym个并行符号。
可以在P维空间中表示在MCS解码器6.10中输入的调制方案的符号。P维空间可以是星座图，但是可以选择调制类型的符号的其它表示，例如，所有符号可以与一维空间中的值相关联。然而，调制方案的每个符号由P个坐标(q1；...；qP)定义。坐标是实数。因此，当考虑复数符号或更一般地复数值时，由于ANN系统实现了
Figure BDA0003028948280000141
到
Figure BDA0003028948280000142
函数的激活函数，因此它们中的每一个都可以在两个坐标上分解。
ANN解码器6.8可以被配置为使得函数
Figure BDA0003028948280000143
中的至少P′个函数
Figure BDA0003028948280000144
(即，输出层的P′个激活函数)可以是MLAF。P’个函数
Figure BDA0003028948280000145
分别输出P个坐标(q1；...；qP)中的P’个坐标的值。当P’＝P时，由
Figure BDA0003028948280000146
获得的输出表示P维空间中的点，其中，P维空间表示调制类型的符号。但是，每个
Figure BDA0003028948280000147
是Kk级激活函数，其中Kk等于调制类型的符号的P’个坐标中的可以取第k个坐标的值的数量。当P’＝P时，由
Figure BDA0003028948280000148
输出的可能点的数量至少等于调制方案的符号数。
通常，P′小于P，在这种情况下，ANN系统的输出层多次输出P个坐标(q1；...；qP)，即，例如，输出符号的第一个P′个坐标，然后输出该符号的第二个P′个坐标，依此类推。
所选择的MLAF可以被定义为：
Figure BDA0003028948280000149
每个fl，k是激活函数(常规激活函数)，这些激活函数可以是相同的激活函数或不同的激活函数。在下文中，为了简化起见，对于从1到Kk-1的l和从1到P的k，Jl，k都将是相同的，这样的激活函数将被记为f。f例如可以是双曲正切(TanH)。
τl，k是不同的实数，也就是说，如果l≠l′＝＞τl，k≠τl′，k。τl，k之间的这种区别确保了激活函数具有多个级别。
Ak和Bl，k是实数。在图8中示出了具有5个级别的MLAF函数的示例，且fl，k是双曲正切函数。
至少对于从1到P′的一个k，Kk是大于或等于3的正整数。实际上，调制方案在P维空间中的大多数表示是以紧凑方式完成的，也就是说，所有Kk彼此相似或相等。例如，对于从1到P’的k和k’，Kk等于Kk’、Kk’+1或Kk’-1。另外，在新的通信标准中使用的调制方案中，符号的数量很重要，这涉及到Kk(k从1到P′)都大于3。例如，对于8个符号的QAM调制方案，至少一个激活函数可以是MLAF(严格超过2个级别)，对于16个符号的QAM调制类型，两个激活函数可以是MLAF，每个4个级别。
当考虑到由MCS解码器6.10使用的调制类型的每个符号的P′个坐标由P′函数
Figure BDA0003028948280000151
的可能输出之一表示时，调制方案的不同符号的所有P′个坐标仅能由P′个Kk级激活函数的输出值表示，而有必要使用至少
Figure BDA0003028948280000152
个经典激活函数。因此，实现经典激活函数将需要在输出层中添加大量的节点。
为了使ANN解码器6.8能够根据在ANN解码器6.8中输入的nOFDM/Rx×nsc个符号来输出表示正确符号的值，对ANN解码器6.8进行训练。因此，在接收器侧的处理之前，对ANN解码器6.8进行训练。训练旨在修改ANN系统的参数，即
Figure BDA0003028948280000153
m从1到Mi，i从1到N，使得当接收器1.2接收到由在发射器1.1的MIMO发送单元6.3中输入的特定符号产生的无线电信号时，由
Figure BDA0003028948280000154
获得的表示P维空间中的点的P′个坐标的输出尽可能接近特定符号。
训练是基于向量
Figure BDA0003028948280000155
的训练集合执行的，其中，j从1到T。在图6的情况下，每个向量
Figure BDA0003028948280000156
是MIMO发送单元6.3的输入。每个向量
Figure BDA0003028948280000157
至少与向量
Figure BDA0003028948280000158
相关联，该向量
Figure BDA0003028948280000159
通过将表示发射器方案的部分的依次变换(表示MIMO发送单元6.3、OFDM编码器6.4和发送天线Tx 6.5的变换)、(例如，由信道矩阵和噪声向量表示的)无线电通信信道以及接收器方案的部分(表示接收天线Rx 6.6和OFDM解码器6.7的转换)应用于向量
Figure BDA00030289482800001510
而获得。
每个向量
Figure BDA00030289482800001511
可以与多于一个向量
Figure BDA00030289482800001512
相关联，如先前所定义的那样。实际上，存在许多可能的表示发射器方案的部分的依次变换、无线电通信信道和接收器方案的部分。例如，多个变换可以表示MIMO发送单元6.3的每个MIMO编码器，每个可以配置MIMO编码器的预编码矩阵一个变换。多个变换可以表示无线电通信信道，可以表示无线电通信信道的每个噪声向量和信道矩阵一个变换。更一般地，多个变换可以表示发射器方案、接收器方案和无线电通信信道的每个组件。因此，每个向量
Figure BDA0003028948280000161
与一组向量
Figure BDA0003028948280000162
相关，T从1到S。两个
Figure BDA0003028948280000163
和
Figure BDA0003028948280000164
通过被应用于相同向量
Figure BDA0003028948280000165
的不同变换T和T′来获得，每一个表示发射器和接收器的相同组件。然而，每个变换可以表示这些组件的不同配置和/或不同的无线电通信信道。
ANN解码器6.8的训练包括：当向量
Figure BDA0003028948280000166
被输入时，分别将向量
Figure BDA0003028948280000167
与ANN解码器6.8的输出进行比较。如果如图5所示，用函数F表示ANN解码器6.8，则将
Figure BDA0003028948280000168
与
Figure BDA0003028948280000169
进行比较，其中
Figure BDA00030289482800001610
等于
Figure BDA00030289482800001611
可以通过距离d进行比较。即，针对每对(T；j)计算距离
Figure BDA00030289482800001612
计算参数
Figure BDA00030289482800001613
(m从1到Mi且i从1到N)以使向量
Figure BDA00030289482800001614
的整个训练集合上的距离最小化。
例如，可以计算参数
Figure BDA00030289482800001615
以使例如
Figure BDA00030289482800001616
或
Figure BDA00030289482800001617
最小化，其中，aj是加权因子。参数
Figure BDA00030289482800001618
影响由
Figure BDA00030289482800001619
获得的值。
参数
Figure BDA00030289482800001620
可以用随机梯度下降法计算，其中，梯度的值通过反向传播法获得。反向传播是一种用于高效计算成本函数相对于网络中使用的权重的梯度的算法。
为了简单起见，在上面的描述中，训练处理中未考虑S/P模块6.2，实际上，严格地讲，向量
Figure BDA00030289482800001621
不是MCS编码器6.1的输出，而是S/P模块6.2的输出。但是，因为S/P模块6.2仅将行向量
Figure BDA00030289482800001622
的训练集合更改为列向量
Figure BDA00030289482800001623
的集合，即向量
Figure BDA00030289482800001624
的转置，因此未考虑S/P模块6.2。
每个
Figure BDA00030289482800001625
的参数
Figure BDA00030289482800001626
可以被预先设置用于训练ANN解码器6.8，或者可以将它们视为ANN解码器6.8的参数，对其进行修改以减小ANN解码器6.8的理想响应和实际响应之间的总体差距。在那种情况下，参数为
Figure BDA00030289482800001627
(m从1到Mi并且i从1到N)和
Figure BDA00030289482800001628
(k从1到P)。
在图6的实施方式中，ANN解码器仅代替MIMO接收单元2.8。在此，技术人员将理解，ANN解码器可以代替在MCS解码器6.10上游确定的接收器方案的附加组件。例如，ANN解码器可以代替MIMO接收单元2.8和OFDM解码器2.7。
在此，技术人员将理解，可以实现除了在发射器1.1和接收器1.2中实现的方案以外的其它方案。图6中描述的实施方式可以与其它方案一起转换为存在调制器和解调器的条件。在那种情况下，ANN解码器可以代替输出被输入到调制器中的组件以及之前放置的任何组件。
在此，技术人员将理解，所实现的ANN系统可以不同于图5中描述的前馈神经网络，例如，所实现的ANN可以是递归神经网络。
在图6的实施方式中，仅描述了在输出层上设置MLAF。但是，ANN解码器输出的复杂性会通过ANN系统的隐藏层传播。因此，在隐藏层中设置MLAF会是有关系的。
参照图7，示出了根据本发明的实现点阵编码器的经典MIMO发射器和实现ANN-点阵解码器的MIMO接收器的框图。
发射器1.1的方案与图3中描述的方案相同。也就是说，发射器方案依次实现了调制器7.1、点阵编码器7.2、S/P模块7.3、MIMO发送单元7.4、OFDM编码器7.5和发送天线Tx7.6。
接收器1.2的方案与图3中描述的方案相同，除了用ANN-点阵解码器7.11代替点阵解码器3.11之外。也就是说，接收器方案依次实现了接收天线Rx 7.7、OFDM解码器7.8、MIMO接收单元7.9、P/S模块7.10、ANN-点阵解码器7.11和解调器7.12，除点阵解码器3.11以外，所有元件都是相同的。
实际上，点阵解码器3.11被ANN-点阵解码器7.11(也就是说，包括图5中所述的ANN系统的解码器)代替。该解码器可以是ANN系统，或者仅解码器的一部分可以是ANN系统。为了简单起见，仅描述了完全代替点阵解码器的ANN系统。
对于图3的点阵解码器3.11，ANN-点阵解码器7.11在其输入侧上接收由P/S模块7.10输出的nDim个实数的元组，其中，nDim是已配置了点阵编码器7.2的点阵的尺寸。nDim个实数的元组表示
Figure BDA0003028948280000171
的点。
ANN-点阵解码器7.11处理这些输入，并且输出层的每个节点输出一个值。这些输出值表示nDim整数的序列。例如，输出层的nDim个节点均输出一个整数。在那种情况下，这nDim个节点可以实现函数
Figure BDA0003028948280000172
中的nDim个MLAF
Figure BDA0003028948280000173
每个
Figure BDA0003028948280000181
输出与nDim个整数的序列的第k个元素相对应的值。另外，每个
Figure BDA0003028948280000182
可以是Kk级激活函数，其中，Kk等于由调制器3.1输出的nDim个整数的序列的第k个元素可以取的值的数量。
输出层上的节点数可以小于nDim。在那种情况下，如图6所示，ANN系统的输出层多次输出nDim个整数。为了简单起见，nDim被认为小于输出层上的节点数。
为了简单起见，nDim个MLAF都可以是K级激活函数，其中，K等于可以输出调制器7.1的最大整数。例如，对于8级PAM调制器7.1，nDim MLAF可以均是8级激活函数。因此，每个
Figure BDA0003028948280000183
可以输出的值的数量至少等于调制器7.12所使用的调制方案的符号的数量。
当考虑到整数序列的每个整数(整数是调制器7.12使用的调制方案的符号)由
Figure BDA0003028948280000184
之一的输出表示时，则由调制器7.1输出的nDim个整数的所有不同序列可以用
Figure BDA0003028948280000185
的输出值来表示。
为了使ANN-点阵解码器7.11能够根据所输入的nDim个实数的元组输出表示nDim个整数的正确序列的值，对ANN-点阵解码器7.11进行训练。即，在接收器侧的处理之前，对ANN-点阵解码器7.11进行训练。训练旨在修改ANN系统的参数，即，
Figure BDA0003028948280000186
m从1到Mi且i从1到N，使得当接收器1.2接收到由在发射器1.1的点阵编码器7.2中输入的nDim个整数的特定序列产生的无线电信号时，由
Figure BDA0003028948280000187
输出的值的序列尽可能接近该特定序列。
基于向量
Figure BDA0003028948280000188
的训练集合执行训练，其中j从1到T。在图7的情况下，每个向量
Figure BDA0003028948280000189
是点阵编码器7.2的输入。每个向量
Figure BDA00030289482800001810
至少与向量
Figure BDA00030289482800001811
相关联，该向量
Figure BDA00030289482800001812
是通过将表示发射器方案的部分的依次变换(表示点阵编码器7.2、S/P模块7.3、MIMO发送单元7.4、OFDM编码器7.5和发送天线Tx 7.6的变换)、(例如，由信道矩阵和噪声向量表示的)无线电通信信道、以及接收器方案的部分(表示接收天线Rx 7.7、OFDM编码器7.8、MIMO接收单元7.9和P/S模块7.10的变换)应用至向量
Figure BDA00030289482800001813
获得的。
每个向量
Figure BDA00030289482800001814
可以与多于一个向量
Figure BDA00030289482800001815
相关联，如先前所定义的。实际上，存在许多可能的表示发射器方案的的部分的依次变换、无线电通信信道、以及接收器方案的部分。例如，多个变换可以表示MIMO发送单元7.4的每个MIMO编码器，对于可以配置MIMO编码器的每个预编码矩阵一个变换。多个变换可以表示无线电通信信道，可以表示无线电通信信道的每个噪声向量和信道矩阵一个变换。更一般地，多个变换可以表示发射器方案、接收器方案和无线电通信信道的每个组件。因此，每个向量
Figure BDA0003028948280000191
与一组向量
Figure BDA0003028948280000192
相关，T从1到S。两个
Figure BDA0003028948280000193
和
Figure BDA0003028948280000194
通过应用于相同的向量
Figure BDA0003028948280000195
的不同变换T和T'而获得，每一个表示发射器和接收器的相同组件。然而，每个变换可以表示这些组件的不同配置和/或不同无线电通信信道。
对ANN-点阵解码器7.11的训练包括：当向量
Figure BDA0003028948280000196
被输入到ANN-点阵解码器7.11时，将向量
Figure BDA0003028948280000197
与ANN-点阵解码器7.11的输出分别进行比较。如果ANN-点阵解码器7.11由函数F表示，如图5所示，则将
Figure BDA0003028948280000198
与
Figure BDA0003028948280000199
进行比较，其中
Figure BDA00030289482800001910
等于
Figure BDA00030289482800001911
。可以通过距离d进行比较。即，针对每对
Figure BDA00030289482800001912
计算距离
Figure BDA00030289482800001913
。
参数
Figure BDA00030289482800001914
(m从1到Mi并且i从1到N)被计算以使向量
Figure BDA00030289482800001915
的整个训练集合上的距离最小化。
例如，可以计算参数
Figure BDA00030289482800001916
以使例如
Figure BDA00030289482800001917
或
Figure BDA00030289482800001918
最小化，其中，aj是加权因子。参数
Figure BDA00030289482800001919
影响
Figure BDA00030289482800001920
取的值。
参数
Figure BDA00030289482800001921
可以通过反向传播法来计算。
如在有关图3的描述中所解释的，点阵解码器3.11或ANN点阵解码器7.11接收实数的nDim元组，该实数表示
Figure BDA00030289482800001923
中的点P’(图4上的P’1或P’2)，其中，nDim是点阵的尺寸。通常，点P'不是点阵的点，因为噪声和通道已经改变了点阵编码器7.2输出的实数(表示点阵的点P(图4中的P1或P2))的nDim元组。因此，点阵解码器必须确定到点阵
Figure BDA00030289482800001924
的哪一个点，且
Figure BDA00030289482800001925
，点P’是最接近的。为此，点阵解码器可以确定关于多个超平面(超平面是基本域的每个区段的垂直平分线超平面)的点P’(或基本域P”中的点(图4中的P”1或P”2)的位置，该点P’的位置从通过向量
Figure BDA00030289482800001926
(其中t1，....，tn是整数)对P’的变换得到)，多个超平面将基本域(或者从基本域的通过向量
Figure BDA00030289482800001927
的变换得到的域)划分为不同区域(在图4的情况下用5个超平面获得的a、b、c、d)。实际上，区域中的一个区域的所有点都更接近基本域的点阵的唯一的点。因此，为了确定点是否在一个区域中，点阵解码器可以确定该点在界定该区域的每个超平面的哪一侧。例如，在图4的情况下，为了确定点是否在区域“a”中，点阵解码器可以确定该点是否在界定“a”区域的垂直超平面的左侧且在界定“a”区域的斜超平面的下方，需要这两个条件。为了确定点是否在区域“c”中，点阵解码器可以确定该点是否在界定“c”区域的垂直超平面的右侧且在界定“c”区域的两个斜超平面的下方，这三个条件现在是必需的。因此，即使在二维点阵中，确定点P的位置也是复杂的。当点阵的尺寸变大时，这种复杂性以非线性方式增长。然而，即使在确定该点在哪个区域的二维点阵中，划分基本域的每个超平面也需要至少一个节点。
在图4的点阵的情况下，需要五个激活函数，因此需要五个节点来确定点在基本域中的位置。可以减少该数量的节点。例如，通过用一个三级MLAF代替输出点相对于平行的两个超平面的位置的激活函数。更一般地，nDim维点阵的基本域的每个边与基本域的
Figure BDA0003028948280000205
个其它边平行。因此，在划分基本域时，使用基本域的
Figure BDA0003028948280000204
个平行边的垂直二等分超平面。对于它们中的一些，这些
Figure BDA0003028948280000203
个垂直二等分超平面可能是重合的(但至少有2个超平面不重合，并且大多数时候它们都不是重合的)，或者如果点阵基(Lattice basis)的向量(其具有与这些边相同的方向)与点阵基的所有其它向量正交，则它们中的所有都在一个超平面中重合。因此，例如，通过用一个
Figure BDA0003028948280000206
级MLAF代替相对于平行的
Figure BDA0003028948280000207
个超平面输出点的位置的激活函数，可以减少配置有非正交点阵的ANN点阵解码器的节点的数量。这些问题是多类别分类问题，其与ANN系统的结构和训练无关地发生。
因此，如果在隐藏层的节点中实现了MLAF，则这种复杂的计算(其需要具有实现常规激活函数的大量节点的ANN系统)可以由节点数量减少的ANN系统执行。
因此，在至少一个隐藏层或全部隐藏层上，用至少一个
Figure BDA0003028948280000208
级MLAF(或至少3级MLAF)实现ANN点阵解码器7.11。层的所有节点都可以用这种MLAF实现。
在图7中描述的实施方式中使用的MLAF可以被定义为：
Figure BDA0003028948280000201
每个fl是激活函数，这些激活函数可以是相同或不同的激活函数。例如，fl可以是双曲正切(TanH)函数。
τl是不同的实数，也就是说，如果l≠l′＝＞τl≠τl′。τl之间的这种区别确保了激活函数具有多个级别。
A和Bl是实数。
K是等于或大于
Figure BDA0003028948280000202
(或至少等于或大于3)的整数。
在ANN点阵解码器7.11中使用的每个MLAF的参数K，B1，...，BK-1，A，τ1，...，τK-1对于所有MLAF可以是相同的，或者对于每个MLAF可以是不同的，或者仅对于在ANN系统的输出层中实现的所有MLAF可以是相同的，并且对于在隐藏层中实现的所有MLAF可以是相同的。
这些参数可以被预先设置用于训练ANN点阵解码器7.11，或者它们可以被视为在训练ANN系统期间确定的ANN点阵解码器7.11的参数。在那种情况下，参数为
Figure BDA0003028948280000211
，m从1到Mi且i从1到N，在ANN点阵解码器7.11中使用的每个MLAF的参数相加。
在图7的实施方式中，ANN解码器仅代替点阵解码器3.11。在此，本领域技术人员将理解，ANN解码器可以代替在ANN-点阵解码器7.11的上游和下游设置的接收器方案的附加组件。例如，ANN解码器代替点阵解码器7.11，并且还可以代替P/S模块7.10和MIMO发送单元7.9，甚至是OFDM解码器7.8。
在此，技术人员将理解，可以实现除了在发射器1.1和接收器1.2中实现的方案以外的其它方案。图7中描述的实施方式可以与任何其它方案一起被转换为存在点阵编码器和点阵解码器的条件。在那种情况下，ANN解码器至少代替点阵解码器，并且还可以代替放置在该点阵解码器之前或之后的任何组件。例如，可以在调制器3.1和点阵编码器3.2之间将成型模块添加到图3中描述的方案，并且在解调器3.12和点阵解码器3.11之间将逆成型模块添加到图3中所描述的方案中。这样的成型模块修改在点阵编码器3.2中输入的整数序列，以确保根据由调制器3.1输出的可能整数序列，使由点阵编码器3.2输出的所有可能序列紧凑。即，根据调制器3.1的可能输出由点阵编码器3.2输出的可能点阵点在零附近的最小可能球体内，以减小平均发送功率。
在此，技术人员将理解，所实现的ANN系统可以不同于图5中描述的前馈神经网络，例如，所实现的ANN可以是递归神经网络。
参照图9，示出了表示根据本发明的无线电信号的解码的流程图。
如图6和图7所述，在步骤S11，在向量
Figure BDA0003028948280000212
的训练集合及其向量
Figure BDA0003028948280000213
的相应关联组上训练ANN解码器(在图6中描述的情况下，ANN解码器是ANN解码器6.8，并且在图7中描述的情况下，ANN解码器是ANN点阵解码器7.11)。可以进行训练以确定仅参数
Figure BDA0003028948280000214
(其中，m从1到Mi且i从1到N)、或者与定义在ANN系统中实现的每个MLAF的参数相加的那些参数。
所确定的参数可以保存在MEMO_recei 1.8中，并且可以被检索以配置ANN系统。
在步骤S12，由接收器1.2接收的无线电信号由在ANN解码器上游确定的组件处理，即，在图6的实施方式中由OFDM解码器6.7处理，并且在图7的实施方式中由OFDM解码器7.8、MIMO接收单元7.9和P/S模块7.10处理。
在步骤S13，由步骤S12执行的处理输出的符号被输入到ANN解码器，该ANN解码器对这些符号进行解码，以针对无线电信道不太影响无线电信号并且限制不同系统(发射器1.1和接收器1.2)的噪声的条件，检索由图6的实施方式中的MCS编码器6.1输出的调制符号和由图7的实施方式中的调制器7.1输出的整数序列。
在步骤S14中，根据安置在ANN解码器下游的接收器方案的组件来处理ANN解码器的输出，以检索表示所发送的数据的二进制序列。

Claims (13)

1.一种用于对通过无线通信介质从发射器接收的至少M0个符号
Figure FDA0003028948270000011
进行解码的方法，所接收的符号表示由所述发射器的编码器E编码的符号，所述方法包括以下步骤：
在解码器中输入所述M0个符号
Figure FDA0003028948270000012
所述解码器包括人工神经网络系统，其中，所述人工神经网络系统的至少激活函数是多级激活函数。
2.根据权利要求1所述的方法，其中，在向量
Figure FDA0003028948270000013
的训练集合上训练所述人工神经网络系统，在每个向量
Figure FDA0003028948270000014
被应用于向量
Figure FDA0003028948270000015
时，将每个向量
Figure FDA0003028948270000016
与所述人工神经网络系统的输出进行比较，其中，
Figure FDA0003028948270000017
所述向量
Figure FDA0003028948270000018
是通过依次将表示所述编码器E的第一变换和至少表示以下项的第二变换分别应用至所述向量
Figure FDA0003028948270000019
获得的：
-所述发射器的发射方案，所述发射方案遵循所述编码器E，以及
-无线电通信信道。
3.根据权利要求1或2所述的方法，其中，所述解码器被定义为函数F，所述函数F由函数
Figure FDA00030289482700000126
的N个集合定义，其中，i从1至N，
Figure FDA00030289482700000110
且
Figure FDA00030289482700000111
其中
Figure FDA00030289482700000112
分别是第(i-1)个集合的函数
Figure FDA00030289482700000113
的输出，每个
Figure FDA00030289482700000124
是人工神经网络激活函数或恒等函数，至少一个所述
Figure FDA00030289482700000125
不是恒等函数，并且
Figure FDA00030289482700000114
Figure FDA00030289482700000115
是实数参数。
4.根据权利要求3所述的方法，其中，所述参数
Figure FDA00030289482700000116
Figure FDA00030289482700000117
被计算为使所述解码器的各个输出
Figure FDA00030289482700000118
与向量的训练集合的向量
Figure FDA00030289482700000119
之间的距离最小化，其中
Figure FDA00030289482700000120
m从1至Mi并且i从1至N，
所述向量
Figure FDA00030289482700000121
是通过依次将表示所述编码器E的第一变换和至少表示以下项的第二变换分别应用至所述向量
Figure FDA00030289482700000122
获得的，其中
Figure FDA00030289482700000123
-所述发射器的发射方案，所述发射方案遵循所述编码器E，以及
-无线通信通道。
5.根据权利要求1至4中任一项所述的方法，其中，所述多级激活函数被定义为：
Figure FDA0003028948270000021
其中，每个fl是激活函数，
其中，τl是实数，并且如果l≠l′＝＞τl≠τl′，
其中，A和Bl是实数，
并且，K为大于或等于3的正整数。
6.根据权利要求1至5中任一项所述的方法，其中，所述编码器E的输入端连接至调制编码器的输出端。
7.根据权利要求6所述的方法，其中，所述函数
Figure FDA0003028948270000022
中的至少一个是多级激活函数，其中，m从1到MN。
8.根据权利要求7所述的方法，其中，由所述调制编码器使用的调制类型的符号各自由P个坐标(q1；...；qP)定义，其中，所述函数
Figure FDA0003028948270000023
中的至少P'个函数
Figure FDA0003028948270000024
分别输出P个坐标(q1；...；qP)中的P'个坐标的值，其中，m从1到MN，并且其中，对于从1到P'的每个k，
Figure FDA0003028948270000025
是Kk级多级激活函数，其中，Kk等于所述调制类型的符号的所述P'个坐标中的能够取第k坐标的值的数量。
9.根据权利要求1至8中任一项所述的方法，其中，所述编码器E包括点阵编码器，其中，所述点阵编码器的输入是所述编码器E的输入。
10.根据权利要求9所述的方法，其中，所述函数
Figure FDA0003028948270000026
中的至少一个是多级激活函数，其中，m从1到Mi并且i从1到N-1。
11.根据权利要求1至10中任一项所述的方法，其中，所述编码器E包括MIMO编码器。
12.一种计算机程序产品，所述计算机程序产品包括代码指令，当所述指令由处理器运行时执行根据权利要求1至11中任一项所述的方法。
13.一种用于通过无线通信介质从发射器接收M0个符号
Figure FDA0003028948270000027
的设备，所接收的符号表示由所述发射器的编码器E编码的符号，所述设备包括：
-接收模块；以及
-解码器，所述解码器包括人工神经网络系统，其中，所述人工神经网络系统的至少激活函数是多级激活函数。
CN201980069220.0A 2018-10-29 2019-08-26 解码方法、计算机程序产品和设备 Active CN112889074B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18306413.8 2018-10-29
EP18306413.8A EP3648012A1 (en) 2018-10-29 2018-10-29 Multilevel activation function for deep neural networks
PCT/JP2019/034317 WO2020090214A1 (en) 2018-10-29 2019-08-26 Method for decoding, computer program product, and device

Publications (2)

Publication Number Publication Date
CN112889074A true CN112889074A (zh) 2021-06-01
CN112889074B CN112889074B (zh) 2024-07-02

Family

ID=64267747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980069220.0A Active CN112889074B (zh) 2018-10-29 2019-08-26 解码方法、计算机程序产品和设备

Country Status (5)

Country Link
US (1) US20220036195A1 (zh)
EP (1) EP3648012A1 (zh)
JP (1) JP7146095B2 (zh)
CN (1) CN112889074B (zh)
WO (1) WO2020090214A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627598A (zh) * 2021-08-16 2021-11-09 重庆大学 一种用于加速推荐的孪生自编码器神经网络算法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11625610B2 (en) * 2019-03-12 2023-04-11 Samsung Electronics Co., Ltd Multiple-input multiple-output (MIMO) detector selection using neural network
US11604976B2 (en) * 2020-04-29 2023-03-14 International Business Machines Corporation Crossbar arrays for computations in memory-augmented neural networks
CN113364535B (zh) * 2021-05-28 2023-03-28 西安交通大学 数学形式多输入多输出检测方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2063103A1 (en) * 1992-03-16 1993-09-17 Ynjiun P. Wang Systems for encoding and decoding data in machine readable graphic form
US20040220891A1 (en) * 2003-02-28 2004-11-04 Samsung Electronics Co., Ltd. Neural networks decoder
WO2011012158A1 (en) * 2009-07-28 2011-02-03 Ecole Polytechnique Federale De Lausanne Encoding and decoding of information
US20130064320A1 (en) * 2011-09-12 2013-03-14 Daniel Nathan Nissani (Nissensohn) Lattice coded mimo transmission method and apparatus
CN107609638A (zh) * 2017-10-12 2018-01-19 湖北工业大学 一种基于线性解码器和插值采样优化卷积神经网络的方法
CN107766893A (zh) * 2017-11-03 2018-03-06 电子科技大学 基于标签多级编码神经网络的目标识别方法
WO2018102717A1 (en) * 2016-12-02 2018-06-07 Google Llc Determining structure and motion in images using neural networks

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7023936B2 (en) * 2001-10-29 2006-04-04 Intel Corporation Method and apparatus for decoding lattice codes and multilevel coset codes
US8116399B2 (en) * 2008-01-31 2012-02-14 Hui Long Fund Limited Liability Company Multiple-input multiple-output signal detectors based on relaxed lattice reduction
WO2009113105A2 (en) * 2008-02-29 2009-09-17 Indian Institute Of Science A method to detect data transmitted by multiple antennas
US8040981B2 (en) * 2008-07-10 2011-10-18 Xilinx, Inc. Symbol detection in a MIMO communication system
KR101753618B1 (ko) * 2011-02-11 2017-07-04 삼성전자주식회사 릴레이 노드를 이용한 멀티 노드 간 양방향 통신 방법 및 장치
US9184876B2 (en) * 2014-02-19 2015-11-10 Mitsubishi Electric Research Laboratories, Inc. Method and apparatus for detecting symbols received wirelessly using probabilistic data association with uncertainty
US9749089B2 (en) * 2015-11-04 2017-08-29 Mitsubishi Electric Research Laboratories, Inc. Fast log-likelihood ratio (LLR) computation for decoding high-order and high-dimensional modulation schemes

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2063103A1 (en) * 1992-03-16 1993-09-17 Ynjiun P. Wang Systems for encoding and decoding data in machine readable graphic form
US20040220891A1 (en) * 2003-02-28 2004-11-04 Samsung Electronics Co., Ltd. Neural networks decoder
WO2011012158A1 (en) * 2009-07-28 2011-02-03 Ecole Polytechnique Federale De Lausanne Encoding and decoding of information
US20130064320A1 (en) * 2011-09-12 2013-03-14 Daniel Nathan Nissani (Nissensohn) Lattice coded mimo transmission method and apparatus
WO2018102717A1 (en) * 2016-12-02 2018-06-07 Google Llc Determining structure and motion in images using neural networks
CN107609638A (zh) * 2017-10-12 2018-01-19 湖北工业大学 一种基于线性解码器和插值采样优化卷积神经网络的方法
CN107766893A (zh) * 2017-11-03 2018-03-06 电子科技大学 基于标签多级编码神经网络的目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Multilevel MIMO Detection with Deep Learning", 《2018 52ND ASILOMAR CONFERENCE ON SIGNALS, SYSTEMS, AND COMPUTERS》, pages 1805 - 1809 *
BOURAS D P ET AL: "Neural-net based receiver structures for single- and multi-amplitude signals in interference channels", 《NEURAL NETWORKS FOR SIGNAL PROCESSING Y1994 IV. PROCEEDINGS 0F THE 19 94 IEEE WORKSHOP ERMIONI, GREECE 6-8 SEPT. 1, NEW YORK, NY, USA, IEEE》, pages 535 - 544 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627598A (zh) * 2021-08-16 2021-11-09 重庆大学 一种用于加速推荐的孪生自编码器神经网络算法及系统
CN113627598B (zh) * 2021-08-16 2022-06-07 重庆大学 一种用于加速推荐的孪生自编码器神经网络算法及系统

Also Published As

Publication number Publication date
US20220036195A1 (en) 2022-02-03
CN112889074B (zh) 2024-07-02
JP7146095B2 (ja) 2022-10-03
JP2021536078A (ja) 2021-12-23
EP3648012A1 (en) 2020-05-06
WO2020090214A1 (en) 2020-05-07

Similar Documents

Publication Publication Date Title
CN112889074B (zh) 解码方法、计算机程序产品和设备
Stark et al. Joint learning of geometric and probabilistic constellation shaping
CN108462517B (zh) 一种基于机器学习的mimo链路自适应传输方法
Ali et al. Unsupervised feature learning and automatic modulation classification using deep learning model
CN111566673B (zh) 通信系统中的端到端学习
KR100916870B1 (ko) 교차-안테나 회전 및 반전에 의한 ｓｔｂｃｍｉｍｏ―ｏｆｄｍ 피크-대-평균 전력비 감소
EP2076975B1 (en) Method and apparatus for beamforming by antenna puncturing
US5774500A (en) Multi-channel trellis shaper
Elwekeil et al. Deep convolutional neural networks for link adaptations in MIMO-OFDM wireless systems
Haneche et al. New mobile communication system design for Rayleigh environments based on compressed sensing‐source coding
CN104202285A (zh) 一种用于无线通信系统的低papr序列设计方法
Wei et al. SCMA decoding via deep learning
CN106063212B (zh) 用于在无线通信系统中生成非高斯干扰信道的方法和设备
Ji et al. ConvAE: A new channel autoencoder based on convolutional layers and residual connections
CN111327381A (zh) 基于深度学习的无线通信物理层收发端的联合优化方法
He et al. Robust BICM design for the LDPC coded DCO-OFDM: A deep learning approach
CN107222446B (zh) 一种大规模mimo-ofdm的峰均功率比降低系统及其方法
Liu et al. A joint demodulation and estimation algorithm for plasma sheath channel: Extract principal curves with deep learning
Xu et al. Detect to learn: Structure learning with attention and decision feedback for MIMO-OFDM receive processing
An et al. Blind high-order modulation recognition for beyond 5G OSTBC-OFDM systems via projected constellation vector learning network
Cammerer et al. A neural receiver for 5G NR multi-user MIMO
Liu et al. OFDM-based digital semantic communication with importance awareness
GB2602252A (en) Deep learning multi-user communication
US9794103B2 (en) Method and apparatus for multiple antenna communications, and related systems and computer program
Kim et al. PAPR reduction of OFDM signals using genetic algorithm PTS technique

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