CN113114421A - 一种面向色噪声环境的深度学习迭代接收方法及系统 - Google Patents

Abstract

本发明公开了一种面向色噪声环境的深度学习迭代接收方法及系统，该方法包括：将接收符号经过BP译码器处理，得到传输符号估计值；从接收符号中减去传输符号估计值，得到噪声的估计值；将噪声估计值作为CNN的输入，经过训练后得到更准确的噪声估计值；将更准确的噪声估计值反馈至BP译码器，从接收符号减去估计噪声得到下一次迭代过程中BP译码器的输入信号以及残差噪声；构建具有非高斯噪声分布特性优化的损失函数，当损失函数收敛时CNN结束，BP译码器完成后续的译码工作。通过使用本发明，能够得到更准确的相关噪声估计，降低信道噪声对BP译码器的影响。本发明作为一种面向色噪声环境的深度学习迭代接收方法及系统，可广泛应用于无线通信领域。

Description

一种面向色噪声环境的深度学习迭代接收方法及系统

技术领域

本发明涉及无线通信技术领域，尤其涉及一种面向色噪声环境的深度学习迭代接收方法及系统。

背景技术

SαS分布是α稳定分布的特例，SαS分布表示对称α稳定(Symmetric α-Stable)分布，α稳定分布被广泛地用于描述非高斯分布噪声模型，在卫星通信系统的一些特殊场景下，系统会受到SαS相关噪声噪声的干扰，由于噪声相关性以及SαS分布的方差以及高阶累积量等趋于无穷大，导致基于高斯噪声假设的信道译码算法性能严重下降。从理论上讲，针对这一类非高斯相关噪声，译码器可以首先估计噪声分布，然后使用估计的联合分布来优化译码器。然而，该方法可能会因无法精确获得噪声样本的联合分布而无法实现。此外，当噪声相关性很强时，用联合噪声分布来优化译码器会非常复杂。深度学习技术的发展以及在通信领域的应用为解决该问题提供了新的研究思路。因此，一种BP与卷积神经网络联合迭代的算法(简称BP-CNN)实现在相关噪声下的有效信道译码，但当相关噪声满足SαS分布时该方法有一定的性能损失。因此，迫切需要在SαS相关噪声下，对BP-CNN结构进行优化，针对SαS分布特性对CNN模块中的损失函数进行精妙的设计，实现译码性能的有效提升。

发明内容

为了解决上述技术问题，本发明的目的是提供一种面向色噪声环境的深度学习迭代接收方法及系统，针对符合非高斯(SαS)分布的噪声具有的相关性和脉冲特性，通过改进和优化损失函数，实现对SαS相关噪声进行更为精确的估计。

本发明所采用的第一技术方案是：一种面向色噪声环境的深度学习迭代接收方法，包括以下步骤：

S1、获取接收符号y并将接收符号y经过BP译码器处理，得到传输符号估计值

S2、将接收符号y减去传输符号估计值

得到第一噪声估计值

S3、将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

S4、将第二噪声估计值

反馈至BP译码器，并从接收符号y减去传输符号估计值

中得到下一次迭代过程中BP译码器的输入信号

和残差噪声r；

S5、基于预定义的损失函数对残差噪声r进行概率密度函数估计，并检测估计的概率密度函数与高斯分布概率密度函数的相似度；

S6、返回步骤S1判断到损失函数收敛，CNN结束，输出最终噪声估计值，BP译码器完成后续的译码工作。

进一步，所述将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

这一步骤，其具体包括：

通过输入层对第一噪声估计值

进行卷积，得到第一层中k₁个特征映射值；

在第i(i>1)层中，将i-1层中的特征映射值与第i层的卷积核进行卷积操作得到第i层的特征映射值，得到第i层的特征映射值；

经过输出层输出第二噪声估计值

进一步，所述第i层的特征映射值的表达式如下：

c_i,j＝ReLU(h_i,j*c_i-1+b_i,j)

上式中，所述c_i,j表示第i层的第j个特征映射值，所述h_i,j表示第i层的第j个卷积核，所述b_i,j表示加性偏置参数，所述ReLU(·)表示RELU激活函数，符号*表示卷积操作。

进一步，所述预定义的损失函数为针对非高斯噪声分布特性优化的损失函数，表达式如下：

上式中，所述Loss_modified表示损失函数，所述N表示，所述f_α,β,γ,μ(·)表示对称α稳定分布的概率密度函数簇，所述n表示服从高斯分布的噪声向量，所述λ表示用以平衡式中前后两个部分的比例因子，所述KL[f_α,β,γ,μ(r),f_α,β,γ,μ(n)]表示残差噪声分布与高斯分布之间的差异，所述r(i)表示残差噪声r的第i个分量，所述α表示特征参数，所述β表示对称参数，所述γ表示分散系数，所述μ表示位置参数。

进一步，所述KL[f_α,β,γ,μ(r),f_α,β,γ,μ(n)]的表达式具体为：

上式中，所述n(i)表示n的第i个元素。

进一步，残差噪声r的概率密度函数表达式如下：

上式中，所述v(i)表示向量v的第i(1≤i≤N)个元素。

本发明所采用的第二技术方案是：一种面向色噪声环境的深度学习迭代接收系统，包括：

接收模块，用于获取接收符号y并将接收符号y经过BP译码器处理，得到传输符号估计值

第一噪声估计值计算模块，用于将接收符号y减去传输符号估计值

得到第一噪声估计值

第二噪声估计值计算模块，用于将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

迭代参数计算模块，用于将第二噪声估计值

反馈至BP译码器，并从接收符号y减去传输符号估计值

中得到下一次迭代过程中BP译码器的输入信号

和残差噪声r；

概率密度函数估计模块，用于基于预定义的损失函数对残差噪声r进行概率密度函数估计，并检测估计的概率密度函数与高斯分布概率密度函数的相似度；

迭代模块，用于迭代计算直至判断到损失函数收敛，输出最终噪声估计值。

本发明方法及系统的有益效果是：本发明基于BP-CNN迭代译码方法，根据SαS分布相关噪声对CNN模块的损失函数进行优化，能更准确地得到相关噪声的估计，更大程度降低信道噪声对BP译码器的影响。

附图说明

图1是本发明一种面向色噪声环境的深度学习迭代接收方法的步骤流程图；

图2是本发明具体实施例SαS分布相关噪声干扰下的发射机模型；

图3是本发明具体实施例优化BP-CNN迭代接收方法迭代译码结构的示意图；

图4是本发明具体实施例SαS分布相关噪声干扰下的接收机模型；

图5是本发明本发明的优化损失函数的Modified BP-CNN相较于采用传统损失函数的BP-CNN的BER性能增益示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

SαS分布相关噪声干扰下的发射机框图如图2所示,一个原始信息比特数据块x的长度为K，经过低密度奇偶校验(Low Density Parity Check Code，LDPC)编码器后得到长度为N的二进制码字u。然后，通过正交相移键控(Quadrature Phase Shift Keying，QPSK)将码字u映射为符号向量s。最后，接收端收到符号向量s叠加非高斯相关噪声干扰的信号y。其中非高斯相关噪声记为w，且满足复SαS分布。故接收端信号y表示为：

y＝s+w

SαS分布相关噪声干扰下的发射机框图如图4所示，接收符号y经过BP译码器进行处理，得到传输符号的估计值

其中BP译码器包含了解调和译码两个过程。然后，从接收符号y中减去传输符号的估计值

得到噪声的估计输出

随后，将噪声估计值

作为CNN的输入进行训练。

本发明实施例描述了一种面向色噪声环境的深度学习迭代接收方法，基于置信传播(BP)算法和卷积神经网络(CNN)联合迭代译码结构的优化BP-CNN迭代接收方法(Modified BP-CNN)，参照图1和图3，该方法包括以下步骤：

S1、获取接收符号y并将接收符号y经过BP译码器处理，得到传输符号估计值

S2、将接收符号y减去传输符号估计值

得到第一噪声估计值

S3、将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

S4、将第二噪声估计值

反馈至BP译码器，并从接收符号y减去传输符号估计值

中得到下一次迭代过程中BP译码器的输入信号

和残差噪声r；

S5、基于预定义的损失函数对残差噪声r进行概率密度函数(PDF)估计，并检测估计的概率密度函数与高斯分布概率密度函数的相似度；

S6、返回步骤S1判断到损失函数收敛，CNN结束，输出最终噪声估计值，BP译码器完成后续的译码工作。

进一步作为本方法的优选实施例，所述将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

这一步骤，其具体包括：

通过输入层对第一噪声估计值

进行卷积，得到第一层中k₁个特征映射值；

在第i(i>1)层中，将i-1层中的特征映射值与第i层的卷积核进行卷积操作得到第i层的特征映射值，得到第i层的特征映射值；

经过输出层输出第二噪声估计值

进一步作为本方法的优选实施例，所述第i层的特征映射值的表达式如下：

c_i，j＝ReLU(h_i，j*c_i-1+b_i，j)

上式中，所述c_i，j表示第i层的第j个特征映射值，所述h_i，j表示第i层的第j个卷积核，所述b_i，j表示加性偏置参数，所述ReLU(·)表示RELU激活函数，符号*表示卷积操作。

符号*表示卷积操作且定义为：

输出层为最后一层。最后一层的输出

即为对信道噪声w最终的估计值，且CNN输出的

与CNN输入层的信号

具有相同的维度，

可写为

CNN的结构是由它在每一层中的层数、卷积核尺寸以及特征映射值的数量决定的。为了描述方便，我们把网络的结构表示为

{L；f₁，f₂，..，f_L；k₁，k₂，..，k_L}

进一步作为本方法的优选实施例，所述预定义的损失函数为针对SαS噪声分布特性优化的损失函数，表达式如下：

上式中，所述Loss_modified表示损失函数，所述N表示，所述f_{α，β，γ，μ}(·)表示对称α稳定分布的概率密度函数簇，所述n表示服从高斯分布的噪声向量，所述λ表示用以平衡式中前后两个部分的比例因子，所述KL[f_{α，β，γ，μ}(r)，f_{α，β，γ，μ}(n)]表示残差噪声分布与高斯分布之间的差异，所述r(i)表示残差噪声r的第i个分量；

所述α表示特征参数，控制着分布拖尾的厚度，进而决定着该分布具有的脉冲特性的程度；

所述β表示对称参数，控制着分布的斜度，当β＝0时，α稳定分布具有沿轴对称的特性，此时称之为SαS分布；

所述γ表示分散系数，度量样本的分散程度；

所述μ表示位置参数，在SαS分布中，当0＜α≤1，此时μ代表中值，当1＜α≤2，此时μ代表均值。

进一步作为本方法优选实施例，所述KL[f_{α，β，γ，μ}(r)，f_{α，β，γ，μ}(n)]的表达式具体为：

上式中，所述n(i)表示n的第i个元素。

进一步作为本方法优选实施例，残差噪声r的概率密度函数表达式如下：

上式中，所述v(i)表示向量v的第i(1≤i≤N)个元素。

对上式进行离散化和归一化处理后，得到有限长高斯混合逼近SαS的概率密度函数数学模型，如下所示：

其中，

v(i)是向量v的第i(1≤i≤N)个元素。

当α＝2时，α稳定分布对应高斯分布，构造服从高斯分布的噪声n，其概率密度函数表达式可以写为：

由于复SαS分布的性质以及CNN中缺乏对复数的有效处理，在这种情况下，可对复数信号的实部与虚部分别进行以上处理和训练，最后将两部分写回重构成复数形式。

在仿真中，采用QPSK和(576，144)LDPC码；设置α＝1.8产生噪声采样序列；设置比例因子λ＝0.1，CNN参数设置如下：CNN的结构为{4；9，3，3，15；64，32，16，1}；Mini-batch大小为500，训练数据集大小为2000000，验证数据集大小为200000，产生数据的信噪比设置为{0，0.5，1，1.5，2，2.5，3.5}dB，初始化方法为Xavier initialization，优化方法为Adamoptimization。

如图5所示，采用(576，144)LDPC码时，本发明的优化损失函数的Modified BP-CNN相较于采用传统损失函数的BP-CNN在SαS噪声干扰下具有更好的BER性能。在10^-5BER时，Modified BP-CN分别优于采用Loss_classical和Loss_cenhanced的BP-CNN 0.4dB和0.3dB。这是因为在训练前经过BP译码器得到的残差噪声本身也是一个服从SαS的相关噪声，采用Modified BP-CNN时，在训练过程中需要不断地估计残差噪声的PDF并利用KL散度检测其PDF与高斯分布的差异，相较于BP-CNN而言这一过程除了将噪声的相关性作为训练的特征外，将SαS也作为特征代入到CNN的训练过程之中。

一种面向色噪声环境的深度学习迭代接收系统，包括：

接收模块，用于获取接收符号y并将接收符号y经过BP译码器处理，得到传输符号估计值

第一噪声估计值计算模块，用于将接收符号y减去传输符号估计值

得到第一噪声估计值

第二噪声估计值计算模块，用于将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

迭代参数计算模块，用于将第二噪声估计值

反馈至BP译码器，并从接收符号y减去传输符号估计值

中得到下一次迭代过程中BP译码器的输入信号

和残差噪声r；

概率密度函数估计模块，用于基于预定义的损失函数对残差噪声r进行概率密度函数估计，并检测估计的概率密度函数与高斯分布概率密度函数的相似度；

迭代模块，用于迭代计算直至判断到损失函数收敛，输出最终噪声估计值。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种面向色噪声环境的深度学习迭代接收方法，其特征在于，包括以下步骤：

S1、获取接收符号y并将接收符号y经过BP译码器处理，得到传输符号估计值

S2、将接收符号y减去传输符号估计值

得到第一噪声估计值

S3、将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

S4、将第二噪声估计值

反馈至BP译码器，并从接收符号y减去传输符号估计值

中得到下一次迭代过程中BP译码器的输入信号

和残差噪声r；

S5、基于预定义的损失函数对残差噪声r进行概率密度函数估计，并检测估计的概率密度函数与高斯分布概率密度函数的相似度；

S6、返回步骤S1判断到损失函数收敛，输出最终噪声估计值。

2.根据权利要求1所述一种面向色噪声环境的深度学习迭代接收方法，其特征在于，所述将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

这一步骤，其具体包括：

通过输入层对第一噪声估计值

进行卷积，得到第一层中k₁个特征映射值；

在第i(i>1)层中，将i-1层中的特征映射值与第i层的卷积核进行卷积操作得到第i层的特征映射值，得到第i层的特征映射值；

经过输出层输出第二噪声估计值

3.根据权利要求2所述一种面向色噪声环境的深度学习迭代接收方法，其特征在于，所述第i层的特征映射值的表达式如下：

c_i,j＝ReLU(h_i,j*c_i-1+b_i,j)

上式中，所述c_i,j表示第i层的第j个特征映射值，所述h_i,j表示第i层的第j个卷积核，所述b_i,j表示加性偏置参数，所述ReLU(·)表示RELU激活函数，符号*表示卷积操作。

4.根据权利要求3所述一种面向色噪声环境的深度学习迭代接收方法，其特征在于，所述预定义的损失函数表达式如下：

上式中，所述Loss_modified表示损失函数，所述N表示，所述f_α,β,γ,μ(·)表示对称α稳定分布的概率密度函数簇，所述n表示服从高斯分布的噪声向量，所述λ表示用以平衡式中前后两个部分的比例因子，所述KL[f_α,β,γ,μ(r),f_α,β,γ,μ(n)]表示残差噪声分布与高斯分布之间的差异，所述r(i)表示残差噪声r的第i个分量，所述α表示特征参数，所述β表示对称参数，所述γ表示分散系数，所述μ表示位置参数。

5.根据权利要求4所述一种面向色噪声环境的深度学习迭代接收方法，其特征在于，所述KL[f_α,β,γ,μ(r),f_α,β,γ,μ(n)]的表达式具体为：

上式中，所述n(i)表示n的第i个元素。

6.根据权利要求5所述一种面向色噪声环境的深度学习迭代接收方法，其特征在于，残差噪声r的概率密度函数表达式如下：

上式中，所述v(i)表示向量v的第i(1≤i≤N)个元素。

7.一种面向色噪声环境的深度学习迭代接收系统，其特征在于，包括：

接收模块，用于获取接收符号y并将接收符号y经过BP译码器处理，得到传输符号估计值

第一噪声估计值计算模块，用于将接收符号y减去传输符号估计值

得到第一噪声估计值

第二噪声估计值计算模块，用于将第一噪声估计值

作为预构建的卷积神经网络的输入，经过训练后得到第二噪声估计值

迭代参数计算模块，用于将第二噪声估计值

反馈至BP译码器，并从接收符号y减去传输符号估计值

中得到下一次迭代过程中BP译码器的输入信号

和残差噪声r；

概率密度函数估计模块，用于基于预定义的损失函数对残差噪声r进行概率密度函数估计，并检测估计的概率密度函数与高斯分布概率密度函数的相似度；

迭代模块，用于迭代计算直至判断到损失函数收敛，输出最终噪声估计值。

Images