CN112910600A - 译码结果的确定方法、装置、存储介质及电子装置 - Google Patents
译码结果的确定方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN112910600A CN112910600A CN201911229147.7A CN201911229147A CN112910600A CN 112910600 A CN112910600 A CN 112910600A CN 201911229147 A CN201911229147 A CN 201911229147A CN 112910600 A CN112910600 A CN 112910600A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- probability information
- mimo system
- model
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ algorithms
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0052—Realisations of complexity reduction techniques, e.g. pipelining or use of look-up tables
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提供了一种译码结果的确定方法、装置、存储介质及电子装置,其中,该方法包括:对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据;使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息,其中,所述目标数据译码模型为使用多组数据对预定神经网络模型进行训练得到的,所述多组数据中的每组数据均包括:样本数据和样本bit概率信息;基于所述MIMO系统中星座点对应bit的概率信息确定译码结果。通过本发明,解决了相关技术中存在的MIMO系统星座点判决的计算量大以及复杂度高的问题。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种译码结果的确定方法、装置、存储介质及电子装置。
背景技术
多入多出(Multiple Input Multiple Output,简称为MIMO)技术是近年无线通信的热点技术,它在不增加信号发射功率和带宽的前提下,大幅度提高系统的信道容量和传输可靠性,成为第四代移动通信技术(the 4th Generation mobile communicationtechnology,简称为4G)、第五代移动通信技术(the 5th Generation mobilecommunication technology,简称为5G)移动通信的关键技术。MIMO技术的一个关键技术是信号检测和译码。MIMO系统接收信号检测和译码复杂度远远超出了单输入输出系统,MIMO系统每个天线既要接收本天线的信号,还要接收其他天线的信号,这些信号在时间和频段上均有重叠。这就要求译码系统具有很高的数据吞吐量,能在短时间内处理大容量,大带宽的数据,而且具有低延迟。这就导致MIMO接收信号检测和译码系统复杂度很高。MIMO信号检测和译码技术的核心就是星座点判决技术,可以认为MIMO译码过程就是星座点的判决过程。
MIMO系统的星座点判决之所以复杂,是因为接收到的信号是随机的,星座点判决就是对随机信号的分类。用现有译码方法对随机信号分类比较困难,算法复杂度高。迄今为止,业界已有的一些MIMO星座点判决算法,虽然它们的性能要优于等间距判决,但它们大都处于理论阶段,算法复杂,运算量随着天线数量和调制类型成指数增加,而且这些算法均为串行译码,很难有高的数据吞吐量。因此这些算法几乎无法实用。
针对相关技术中存在的MIMO系统星座点判决的计算量大以及复杂度高的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种译码结果的确定方法、装置、存储介质及电子装置,以至少解决相关技术中存在的MIMO系统星座点判决的计算量大以及复杂度高的问题。
根据本发明的一个实施例,提供了一种译码结果的确定方法,包括:对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据;使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息,其中,所述目标数据译码模型为使用多组数据对预定神经网络模型进行训练得到的,所述多组数据中的每组数据均包括:样本数据和样本bit概率信息;基于所述MIMO系统中星座点对应bit的概率信息确定译码结果。
根据本发明的另一个实施例,提供了一种译码结果的确定装置,包括:第一处理模块,用于对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据;第二处理模块,用于使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息,其中,所述目标数据译码模型为使用多组数据对预定神经网络模型进行训练得到的,所述多组数据中的每组数据均包括:样本数据和样本bit概率信息;确定模块,用于基于所述MIMO系统中星座点对应bit的概率信息确定译码结果。
根据本发明的又一个实施例,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中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,利用深度学习的方式进行MIMO系统星座点判决,相对于传统的判决方法,在性能接近的前提下采用本发明中的方案可以大大简化计算量和复杂度,有效解决相关技术中存在的MIMO系统星座点判决的计算量大以及复杂度高的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种译码结果的确定方法的移动终端的硬件结构框图;
图2是根据本发明实施例的译码结果的确定方法的流程图;
图3是根据本发明实施例的训练预定神经网络的流程图;
图4是根据本发明实施例的训练预定神经网络的具体流程图;
图5是根据本发明实施例的译码结果的确定装置的结构框图;
图6是根据本发明实施例的获取译码结果的流程图;
图7是根据本发明实施例的基于深度学习的星座点判决装置结构框图;
图8是根据本发明实施例的判决单元的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
深度学习是近几年的研究热门,在人工智能中有广泛的应用。深度学习的推理过程可以认为是求解最大似然解的过程,通过训练对随机信号的判决有很高的准确率,其判决性能与最大似然估计(Maximum Likelihood Estimation,简称为MLE)相当,优于目前其他的MIMO星座点判决算法;同时深度学习模型的实现复杂度要比MLE小很多,MLE在16QAM以上的调制方式下几乎无法用硬件实现,将深度学习用于MIMO系统的星座点判决在获得与MLE一致的译码性能的同时可以大大降低计算复杂度。
下面结合实施例对本发明进行说明:
本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种译码结果的确定方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的译码结果的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种译码结果的确定方法,图2是根据本发明实施例的译码结果的确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据;
步骤S204,使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息,其中,所述目标数据译码模型为使用多组数据对预定神经网络模型进行训练得到的,所述多组数据中的每组数据均包括:样本数据和样本bit概率信息;
步骤S206,基于所述MIMO系统中星座点对应bit的概率信息确定译码结果。
在上述实施例中,利用深度学习的方式进行MIMO系统星座点判决,相对于传统的判决方法,在性能接近的前提下采用本发明中的方案可以大大简化计算量和复杂度,有效解决相关技术中存在的MIMO系统星座点判决的计算量大以及复杂度高的问题。
在一个可选的实施例中,所述样本数据为对样本待译码数据进行所述预处理后得到的数据,所述样本bit概率信息为利用最大似然估计MLE算法对所述样本数据进行处理后得到的信息。在本实施例中,实际上是利用MLE算法产生期望值。需要说明的是,传统的深度学习模型训练需要标定输入值的标签,即期望值。在MIMO星座点判决中,信道状态不同,判决的软信息是不同的,如果去标定期望值,不能即时反映信道状态的变化,深度学习模型(即,上述的目标数据译码模型)的输出值和期望值的差值不准确,训练出的模型也不是最优的;而且深度学习模型训练需要大量的输入数据,标定标签也是一项繁重的工作。在本发明实施例中是利用MLE算法产生期望值,一是因为产生期望值是通过MLE算法完成,里面包含了信道状态信息,这个信道状态信息和深度学习模型中的信道状态是一致的,这样深度学习模型的输出和期望值的比较更准确,训练更接近实际,二也可以免去标定标签的繁重工作,节省大量时间和成本。此外,训练完成的深度学习模型作为推理部分用专用集成电路(Application Specific Integrated Circuit,简称为ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称为FPGA)、图形处理单元(Graphics Processing Unit,简称为GPU)等技术实现做成一个装置,这个装置可以用于通讯领域的接收机对接收信号进行星座点判决。本发明实施例中提出的实现装置相比MLE,具有更少的硬件资源,更大的数据吞吐量,实现更灵活。
在一个可选的实施例中,对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据包括:确定信道矩阵H,其中,H为R×T的信道矩阵,R为所述MIMO系统的接收天线数,T为所述MIMO系统的发射天线数;对信道矩阵H进行奇异值分解(Singular Valuedecomposition,简称为SVD),以得到USV,其中,U为酉矩阵,S为对角矩阵,V为酉矩阵;将所述待译码数据与U的共轭转置矩阵UH进行矩阵乘法,以得到所述目标数据。下面对如何得到该目标数据进行具体说明:
由MIMO系统原理可得:
Y=HX+N
其中,X={x1,x2,...,xT}为发射端待发射的符号,T为发射天线数。Y={y1,y2,...,yR}为接收端接收到的符号,R为接收天线数。H为R×T的信道矩阵。N={n1,n2,...,nR}为噪声。对信道矩阵H进行SVD分解可以得到:
Y=USVX+N
其中,U为酉矩阵,S为对角矩阵,V为酉矩阵。X在发射前会做预处理,乘以V的共轭装置矩阵VH;然后对等式两边同乘以V的共轭转置矩阵UH,得到:
UHY=UHUSVVHX+UHN
UHY=SX+UHN
Z=SX+N′
其中,Z=UHY,N′=UHN,因为U为酉矩阵,所以N′的统计特性与N一致,依然为噪声。信道矩阵H被分解为对角矩阵S后,天线之间互无干扰,每个接收天线可以用同样的深度学习模型进行判决。
通过上述处理之后,得到的Z即为上述的目标数据。
在一个可选的实施例中,使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息之前,所述方法还包括:获取所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息;使用所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息对所述预定神经网络模型进行训练,以得到所述目标数据译码模型。
在一个可选的实施例中,使用所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息对所述预定神经网络模型进行训练,以得到所述目标数据译码模型包括:将所述样本数据输入所述预定神经网络模型中,以得到样本输出数据;在确定所述样本输出数据与所述样本bit概率信息之间的差值大于预定阈值时,利用所述预定神经网络模型的反向传播模型重复执行对所述预定神经网络模型中各层的权重值进行调整的处理,直到调整后的预定神经网络输出的数据与所述样本bit概率信息之间的差值小于或等于所述预定阈值为止;将最终调整后得到的预定神经网络模型确定为所述目标数据译码模型。本实施例中的训练预定神经网络的流程可以参见附图3,包括如下步骤:
S302,建立训练样本,即,建立上述的多组数据;
S304,产生深度神经网络模型,其中,该模型为初始模型,即,未经过训练的模型,对应于上述的预定神经网络模型;
S306,利用上述训练样本对深度神经网络模型进行训练;
S308,判断模型输出结果和期望值的差值是否小于ε(该ε对应于上述的预定阈值,该ε是一个很小的值,一般ε<0.01),在确定小于ε的话,转至S310,否则,转至S306;
S310,深度神经网络训练完成,即,得到上述的目标数据译码模型。
下面结合一个具体实施例对如何训练神经网络进行说明:
如图4所示,在进行神经网络模型训练时,具体包括如下步骤:
S402,建立训练样本,产生一组值Z=X+N,X为不同调制方式下的星座点(在本具体实施例中,X对应于前述描述中的SX),N为随机噪声(在本具体实施例中,N对应于前述描述中的N′)。将Z输入MLE算法进行星座点判决得到期望值X',MLE算法是传统进行MIMO星座点判决的最优算法,但是因为MLE算法要遍历所有可能的发射向量,所以其复杂度随着天线数量和调制阶数呈指数增加,无法用于通讯领域的接收机。但是因为其在MIMO星座点判决的最优性能,所以可以在深度学习模型训练中用于产生期望值X'。
S404,建立基于深度学习的译码模型,通过深度学习中的神经网络建立正向传播模型和反向传播模型。
S406,进行译码模型的训练,将上述步骤S402产生的Z输入步骤S404中建立的正向传播模型,产生输出结果。
S408,正向传播模型输出的结果与期望值X'进行比较,然后将比较的差值送入反向传播模型,通过反向传播模型调整正向传播模型的权重参数。
S410,当正向传播模型输出的结果与期望值的差值小于ε时,训练结束,得到深度神经网络模型。
在一个可选的实施例中,基于所述MIMO系统中星座点对应bit的概率信息确定译码结果包括以下之一:利用译码设备将所述MIMO系统中星座点对应bit的概率信息进行译码以得到所述译码结果;对所述MIMO系统中星座点对应bit的概率信息进行硬判决以得到所述译码结果。在本实施例中,可以利用附图4中得到的深度学习译码模型(深度神经网络模型可以作为该深度学习译码模型)进行译码。将MIMO接收机的接收信号作为译码模型的输入信号,输出为译码软信息,即每个星座点的概率值。将译码软信息输入到译码器中进行译码,或者直接对译码软信息进行硬判决以得到译码结果。
需要说明的是,上述MIMO译码方法的实现可以是利用硬件方式(例如,FPGA,ASIC等)来实现的。当然也可以用软件方式(例如,CPU,MCU等)来实现。无论采用哪种方式,都可以明显减低计算复杂度。其中,利用硬件方式实现上述方法时,在处理速度,实现复杂度,数据吞吐量上会具有更大的优势。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助硬件,或者借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种译码结果的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的译码结果的确定装置的结构框图,如图5所示,该装置包括:
第一处理模块52,用于对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据;第二处理模块54,用于使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息,其中,所述目标数据译码模型为使用多组数据对预定神经网络模型+进行训练得到的,所述多组数据中的每组数据均包括:样本数据和样本bit概率信息;确定模块56,用于基于所述MIMO系统中星座点对应bit的概率信息确定译码结果。
在一个可选的实施例中,所述样本数据为对样本待译码数据进行所述预处理后得到的数据,所述样本bit概率信息为利用最大似然估计MLE算法对所述样本数据进行处理后得到的信息。
在一个可选的实施例中,所述第一处理模块52用于通过如下方式实现对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据:确定信道矩阵H,其中,H为R×T的信道矩阵,R为所述MIMO系统的接收天线数,T为所述MIMO系统的发射天线数;对信道矩阵H进行SVD分解,以得到USV,其中,U为酉矩阵,S为对角矩阵,V为酉矩阵;将所述待译码数据与U的共轭转置矩阵UH进行矩阵乘法,以得到所述目标数据。
在一个可选的实施例中,所述装置还用于在使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息之前,获取所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息;使用所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息对所述预定神经网络模型进行训练,以得到所述目标数据译码模型。
在一个可选的实施例中,所述装置可以通过如下方式使用所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息对所述预定神经网络模型进行训练,以得到所述目标数据译码模型:将所述样本数据输入所述预定神经网络模型中,以得到样本输出数据;在确定所述样本输出数据与所述样本bit概率信息之间的差值大于预定阈值时,利用所述预定神经网络模型的反向传播模型重复执行对所述预定神经网络模型中各层的权重值进行调整的处理,直到调整后的预定神经网络输出的数据与所述样本bit概率信息之间的差值小于或等于所述预定阈值为止;将最终调整后得到的预定神经网络模型确定为所述目标数据译码模型。
在一个可选的实施例中,所述确定模块56可以通过如下方式之一实现基于所述MIMO系统中星座点对应bit的概率信息确定译码结果:利用译码设备将所述MIMO系统中星座点对应bit的概率信息进行译码以得到所述译码结果;对所述MIMO系统中星座点对应bit的概率信息进行硬判决以得到所述译码结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
下面结合具体实施例对本发明进行说明:
在本具体实施例中,包括如下步骤:
S11,建立训练样本集合,就是建立集合ZM=XJ+NM,其中M为样本数量,J为星座点数量,为了能训练出满足要求的模型,M的取值很大。发送端待发射的星座点XJ是从某种调制方式的星座点中选取,需要遍历该调制方式下所有的星座点。噪声NM是随机量,可以选取符合一定统计特性的噪声模型,比如高斯白噪声。
S12,建立深度神经网络模型,输入端口为1,输入为待译码符号z,输出端口为各bit的概率信息,作为软信息送给译码模块。根据不同的调制方式,输出端口数量不同,比如16QAM的调试方式下,有4个输出,分别代表每个bit的概率信息。
S13,进行模型训练,将训练样本集合ZM={z0,z1,…,zM}送给MLE算法单元,输出期望值X'M={x'0,x'1,…,x'M};同时将集合ZM输入步骤1建立的深度神经网络模型,模型会输出相对应的一系列符号{O1,o2,…,oM},求解{o1,o2,…,oM}和期望值{x'0,x'1,…,x'M}的差值,根据差值建立反向传播模型,通过反向传播模型来逐层修改权重值,当{o1,o2,…,oM}和期望值{x'0,x'1,…,x'M}的差值小于ε(ε是个很小的值,一般ε>0.01)时,训练结束,得到最优的权重参数,这些权重参数会存储到本专利提出的装置的存储单元。
经过上述步骤S11-S13,完成深度神经网络模型的训练,上述操作为本发明实施例中的训练部分。模型的训练可以由大型服务器等拥有强大运算能力的机器来完成。训练好的模型可以用FPGA、GPU、ASIC等实现,成为用于星座点判决的装置。具体实现方法如图6所示,包括如下步骤:
S21,对信道矩阵H做SVD分解,得到UH。
S22,用步骤S21产生UH与输入的待译码数据Y进行矩阵乘法,得到Z。
S23,将Z输入步骤S11-步骤S13训练完成的深度神经网络模型,该深度神经网络模型会输出各个bit的软信息。也可以对输出的各个bit的软信息进行硬判决直接输出译码结果。
上述步骤S21-S23为本发明实施例中的推理部分。推理部分可以用FPGA、GPU、ASIC等实现,用在通讯领域的接收机部分,对接收信号进行星座点判决。
利用上述的方法,本发明具体实施例中还提出了一种基于深度学习的星座点判决装置。
本发明具体实施例中提出的基于深度学习的星座点判决装置包括预处理单元,存储单元,判决单元,输出单元,控制单元,如图7所示。
其中,预处理单元(对应于上述的第一处理模块52)首先对信道矩阵H进行SVD分解,得到UH,然后用UH和输入的待译码数据Y进行矩阵乘法,得到Z:
其中,预处理单元主要完成矩阵运算,所以由存储器,乘法器和加法树构成。
存储单元主要存储训练模型得到的权重参数,因为深度神经网络的结构复杂,会产生庞大数据量的权重参数,因此存储单元需要由具有高速接口的大容量的存储器构成,如DDR SDRAM,SSD等。权重参数由软件或其他方式写入存储单元,本装置的判决单元会从存储单元中读取权重参数。
判决单元用于实现深度神经网络模型,本专利提出的判决单元可以实现不同层数不同结构的神经网络模型,非常灵活。判决单元由数据缓存模块、乘累加矩阵、激活单元构成,如图8所示。其中:
数据缓存模块用于存储输入数据和每层计算完的数据,每层计算完的数据放到缓存中后,可以作为下一层的输入数据,继续下一层的计算。这样就可以实现不同层数的深度神经网络模型。
乘累加矩阵是判决单元的核心,因为神经网络就是一个乘以权重参数并把不同分支相加或累加的过程。乘累加矩阵由乘法器和加法器构成,组成一个矩阵。无论模型一层需要多少乘加运算,都可以通过乘累加矩阵和数据缓存完成。
激活单元实现深度神经网络模型中的激活函数。
输出单元用于输出各个bit的软信息。也可以对判决单元输出的各个bit的软信息进行硬判决直接输出译码结果。
控制单元用于控制各个单元的工作,控制权重系数和数据流的乘累加,以及数据流的缓存和流向。
下面以4接收天线,64QAM调制方式的MIMO接收信号的星座点判决为例进一步说明本专利的方法和装置。
建立训练样本,64QAM调制方式下,星座点个数为64,即XJ集合的数量为64,XJ={x0,x1,…,x63}。噪声采用均值为E(xi),其中i=0,1,2,…,63,方差为σ2=0.1的高斯白噪声。M的取值为64x10000,也就是每个星座点产生10000个数据,即:
……
建立深度神经网络前向传播模型和反向传播模型,前向传播模型有1个输入端口,输入为训练样本集Z64x10000中的数据。对于64QAM,模型有6个输出端口,分别是星座点每个bit的概率信息。同时,建立MLE算法模型,输入也是训练样本集Z64x10000中的数据,输出也为星座点每个bit的概率信息。
进行模型训练,将训练样本集Z64x10000中的数据同时送给步骤2建立的深度神经网络模型和MLE模型。MLE模型输出期望值x'i,i=0,1,2,…,64×10000-1深度神经网络模型输出数据集oi,i=0,1,2…,64×10000-1,比较2个数据,将结果送给步骤2建立的反向传播模型,通过反向传播模型调整前向传播模型中的权重参数,直到期望值和前向传播模型的输出值的差值小于ε=0.005时,训练完成。保存训练好的权重参数。
因为是4天线的MIMO系统,所以信道矩阵H为4x4的矩阵,对H做SVD分解,得到UH也为4x4矩阵。
将UH与接收机接收到的待译码数据Y进行矩阵乘法,得到Z。因为Y为4x1矩阵,所以结果Z为4x1的矩阵。
Z有4个值,对应4个天线,这4个值分别输入训练完成的深度神经网络,然后会输出每个值对应的各个bit的概率信息。这个概率信息可以输出给译码模块进行译码,也可以对这个概率信息进行硬判决直接输出译码结果。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通过本发明实施例中的方法和装置可以大大简化传统MIMO系统星座点判决的计算量和复杂度。同时优化了深度神经网络模型的训练部分,使训练出的权重参数更准确,更接近真实情况,而且消除了标定标签的时间和人力成本。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种译码结果的确定方法,其特征在于,包括:
对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据;
使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息,其中,所述目标数据译码模型为使用多组数据对预定神经网络模型进行训练得到的,所述多组数据中的每组数据均包括:样本数据和样本bit概率信息;
基于所述MIMO系统中星座点对应bit的概率信息确定译码结果。
2.根据权利要求1所述的方法,其特征在于,所述样本数据为对样本待译码数据进行所述预处理后得到的数据,所述样本bit概率信息为利用最大似然估计MLE算法对所述样本数据进行处理后得到的信息。
3.根据权利要求1所述的方法,其特征在于,对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据包括:
确定信道矩阵H,其中,H为R×T的信道矩阵,R为所述MIMO系统的接收天线数,T为所述MIMO系统的发射天线数;
对所述信道矩阵H进行奇异值分解SVD,以得到USV,其中,U为酉矩阵,S为对角矩阵,V为酉矩阵;
将所述待译码数据与U的共轭转置矩阵UH进行矩阵乘法,以得到所述目标数据。
4.根据权利要求1所述的方法,其特征在于,使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息之前,所述方法还包括:
获取所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息;
使用所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息对所述预定神经网络模型进行训练,以得到所述目标数据译码模型。
5.根据权利要求4所述的方法,其特征在于,使用所述多组数据中的每组数据中的所述样本数据和所述样本bit概率信息对所述预定神经网络模型进行训练,以得到所述目标数据译码模型包括:
将所述样本数据输入所述预定神经网络模型中,以得到样本输出数据;
在确定所述样本输出数据与所述样本bit概率信息之间的差值大于预定阈值时,利用所述预定神经网络模型的反向传播模型重复执行对所述预定神经网络模型中各层的权重值进行调整的处理,直到调整后的预定神经网络输出的数据与所述样本bit概率信息之间的差值小于或等于所述预定阈值为止;
将最终调整后得到的预定神经网络模型确定为所述目标数据译码模型。
6.根据权利要求1所述的方法,其特征在于,基于所述MIMO系统中星座点对应bit的概率信息确定译码结果包括以下之一:
利用译码设备将所述MIMO系统中星座点对应bit的概率信息进行译码以得到所述译码结果;
对所述MIMO系统中星座点对应bit的概率信息进行硬判决以得到所述译码结果。
7.一种译码结果的确定装置,其特征在于,包括:
第一处理模块,用于对多入多出MIMO系统接收的待译码数据进行预处理,得到目标数据;
第二处理模块,用于使用目标数据译码模型对所述目标数据进行处理,得到所述MIMO系统中星座点对应bit的概率信息,其中,所述目标数据译码模型为使用多组数据对预定神经网络模型进行训练得到的,所述多组数据中的每组数据均包括:样本数据和样本bit概率信息;
确定模块,用于基于所述MIMO系统中星座点对应bit的概率信息确定译码结果。
8.根据权利要求7所述的装置,其特征在于,所述样本数据为对样本待译码数据进行所述预处理后得到的数据,所述样本bit概率信息为利用最大似然估计MLE算法对所述样本数据进行处理后得到的信息。
9.一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有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229147.7A CN112910600A (zh) | 2019-12-04 | 2019-12-04 | 译码结果的确定方法、装置、存储介质及电子装置 |
PCT/CN2020/125569 WO2021109768A1 (zh) | 2019-12-04 | 2020-10-30 | 译码结果的确定方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229147.7A CN112910600A (zh) | 2019-12-04 | 2019-12-04 | 译码结果的确定方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112910600A true CN112910600A (zh) | 2021-06-04 |
Family
ID=76111109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911229147.7A Pending CN112910600A (zh) | 2019-12-04 | 2019-12-04 | 译码结果的确定方法、装置、存储介质及电子装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112910600A (zh) |
WO (1) | WO2021109768A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103378921A (zh) * | 2012-04-17 | 2013-10-30 | 华为技术有限公司 | 信号解调方法和装置 |
CN104753645A (zh) * | 2013-12-26 | 2015-07-01 | 重庆重邮信科通信技术有限公司 | 基于信道编码的多天线译码方法和系统 |
CN106888040A (zh) * | 2015-12-11 | 2017-06-23 | 北京信威通信技术股份有限公司 | 信号接收方法和装置 |
CN108228700A (zh) * | 2017-09-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像描述模型的训练方法、装置、电子设备及存储介质 |
CN109921882A (zh) * | 2019-02-20 | 2019-06-21 | 深圳市宝链人工智能科技有限公司 | 一种基于深度学习的mimo解码方法、装置及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107124378B (zh) * | 2017-04-01 | 2020-03-31 | 中山大学 | 基于正交映射与概率神经网络的可见光信道联合均衡方法 |
WO2019100332A1 (en) * | 2017-11-24 | 2019-05-31 | Nokia Shanghai Bell Co., Ltd. | Method and apparatus for signal detection in a wireless communication system |
CN109391315B (zh) * | 2018-09-13 | 2021-07-20 | 东南大学 | 一种数据模型双驱动的mimo接收机 |
CN109714086B (zh) * | 2019-01-23 | 2021-09-14 | 上海大学 | 基于深度学习的优化mimo检测方法 |
CN110430150B (zh) * | 2019-08-09 | 2021-04-13 | 电子科技大学 | 一种基于神经网络的蜂窝移动通信系统接收机设计方法 |
-
2019
- 2019-12-04 CN CN201911229147.7A patent/CN112910600A/zh active Pending
-
2020
- 2020-10-30 WO PCT/CN2020/125569 patent/WO2021109768A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103378921A (zh) * | 2012-04-17 | 2013-10-30 | 华为技术有限公司 | 信号解调方法和装置 |
CN104753645A (zh) * | 2013-12-26 | 2015-07-01 | 重庆重邮信科通信技术有限公司 | 基于信道编码的多天线译码方法和系统 |
CN106888040A (zh) * | 2015-12-11 | 2017-06-23 | 北京信威通信技术股份有限公司 | 信号接收方法和装置 |
CN108228700A (zh) * | 2017-09-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像描述模型的训练方法、装置、电子设备及存储介质 |
CN109921882A (zh) * | 2019-02-20 | 2019-06-21 | 深圳市宝链人工智能科技有限公司 | 一种基于深度学习的mimo解码方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021109768A1 (zh) | 2021-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109921882B (zh) | 一种基于深度学习的mimo解码方法、装置及存储介质 | |
CN113382445B (zh) | 提高swipt系统安全速率的方法、装置、终端及存储介质 | |
Yu et al. | Role of deep learning in wireless communications | |
CN112633507A (zh) | 一种将复向量编码到量子线路的方法及装置 | |
CN114915523B (zh) | 基于模型驱动的智能超表面信道估计方法及系统 | |
CN115941001B (zh) | 基于mimo系统的信息传输收发装置、系统、方法和存储介质 | |
CN114051225A (zh) | 一种基于ris辅助d2d保密通信的资源分配方法及装置 | |
CN116841732A (zh) | 一种基于单比特量化的联邦学习资源优化设计方法 | |
CN113890795B (zh) | 大规模mimo信道估计模型的构建方法、装置及介质 | |
Alapuranen et al. | Complex artificial neural network with applications to wireless communications | |
CN102487309B (zh) | 一种mimo系统下的信号检测方法和装置 | |
CN102291215B (zh) | Mimo系统的信号检测方法 | |
CN112836569B (zh) | 基于序列卷积网络的水声通信信号识别方法、系统及设备 | |
CN112910600A (zh) | 译码结果的确定方法、装置、存储介质及电子装置 | |
CN111405571A (zh) | 卫星无人机混合网络的频谱共享方法 | |
CN115568025A (zh) | 一种面向边缘学习的多用户调度方法、系统及存储介质 | |
CN113422627B (zh) | 一种基于自适应梯度反向传播的混合预编码方法及装置 | |
CN101252419A (zh) | 多天线传输系统中利用信道统计信息的容量评估方法 | |
CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
CN116150612A (zh) | 模型训练的方法和通信装置 | |
CN101924601A (zh) | 一种实现mimo信号检测的方法和装置 | |
Xu et al. | Performance evaluation of autoencoder for coding and modulation in wireless communications | |
CN114915321B (zh) | 一种mimo系统中信号的动态检测方法及装置 | |
CN113242072B (zh) | 一种基于卷积神经网络的混合波束形成方法 | |
CN113193925B (zh) | 一种通信系统的优化处理方法、装置及电子设备 |
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 |