CN113193925B - 一种通信系统的优化处理方法、装置及电子设备 - Google Patents

一种通信系统的优化处理方法、装置及电子设备 Download PDF

Info

Publication number
CN113193925B
CN113193925B CN202110175943.8A CN202110175943A CN113193925B CN 113193925 B CN113193925 B CN 113193925B CN 202110175943 A CN202110175943 A CN 202110175943A CN 113193925 B CN113193925 B CN 113193925B
Authority
CN
China
Prior art keywords
signal
classification result
receiver
transmitter
communication system
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.)
Active
Application number
CN202110175943.8A
Other languages
English (en)
Other versions
CN113193925A (zh
Inventor
于宏毅
司马凌寒
张剑
王超
张艳语
辛刚
朱兆瑞
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.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202110175943.8A priority Critical patent/CN113193925B/zh
Publication of CN113193925A publication Critical patent/CN113193925A/zh
Application granted granted Critical
Publication of CN113193925B publication Critical patent/CN113193925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/10—Monitoring; Testing of transmitters
    • H04B17/11—Monitoring; Testing of transmitters for calibration
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/20—Monitoring; Testing of receivers
    • H04B17/21—Monitoring; Testing of receivers for calibration; for correcting measurements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种通信系统的优化处理方法、装置及电子设备，方法包括：对消息集合中的消息进行抽样，以得到包含有多个目标消息的训练样本；利用发射机获得目标消息对应的发射信号和扰动信号；利用通信信道，获得发射信号对应的第一接收信号和扰动信号对应的第二接收信号；利用接收机，获得第一接收信号对应的第一分类结果和第二接收信号对应的第二分类结果；根据第一分类结果和目标消息，获得第一损失量，并根据第一损失量对接收机的接收参数进行优化处理；根据第二分类结果和目标消息，获得第二损失量，并根据第二损失量对发射机的发射参数进行优化处理。

Description

一种通信系统的优化处理方法、装置及电子设备
技术领域
本申请涉及通信技术领域，尤其涉及一种通信系统的优化处理方法、装置及电子设备。
背景技术
随着技术的发展，深度学习在图像识别、语音处理等领域的巨大成功，也吸引研究人员在通信领域使用深度学习进行发射机以及接收机的优化。
为了将深度学习直接部署在实际通信系统上实现在线学习，提出基于策略梯度法的迭代训练模式，并针对射频无线通信均值约束下设计策略函数。
但是，目前策略梯度法的迭代训练模式中，分别执行训练发射机和训练接收机的任务，也就是对发射机和接收机分步迭代优化。因此，目前对通信系统的优化方案可能会存在优化较慢的缺陷。
发明内容
有鉴于此，本申请提供一种通信系统的优化处理方法、装置及电子设备，用以解决现有技术中对通信系统中的发射机和接收机的优化较慢的技术问题。
本申请提供了一种通信系统的优化处理方法，所述方法包括：
对消息集合中的消息进行抽样，以得到训练样本，所述训练样本中包含有多个目标消息；
利用所述通信系统中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号；
利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号；
利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，所述第一分类结果包含所述第一接收信号对应于每个所述目标消息的概率值，所述第二分类结果包含所述第二接收信号对应于每个所述目标消息的概率值；
根据所述第一分类结果和所述目标消息，获得第一损失量，并根据所述第一损失量对所述接收机的接收参数进行优化处理；
根据所述第二分类结果和所述目标消息，获得第二损失量，并根据所述第二损失量对所述发射机的发射参数进行优化处理。
上述方法，优选的，利用所述通信信号中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号，包括：
将所述目标消息输入到所述通信系统中的发射机，以得到所述发射机输出的多个发射信号；每个所述发射信号分别对应于一个所述目标消息；
对所述发射信号利用策略函数进行扰动，以得到所述发射信号对应的扰动信号。
上述方法，优选的，所述策略函数中至少包含高斯噪声函数和线性整流函数。
上述方法，优选的，所述高斯噪声函数以所述发射信号为自变量，且所述线性整流函数以所述高斯噪声函数输出的中间变量为自变量。
上述方法，优选的，所述利用所述第一损失量对所述接收机的接收参数进行优化，包括：
对所述第一损失量进行梯度下降处理，以得到所述接收机的经过优化的接收参数。
上述方法，优选的，所述利用所述第二损失量对所述发射机的发射参数进行优化，包括：
对所述第二损失量进行梯度下降处理，以得到所述发射机的经过优化的发射参数。
上述方法，优选的，利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号，包括：
将所述发射信号输入所述通信系统中的通信信道，以得到所述发射信号经过所述通信信道后所对应的第一接收信号；
将所述扰动信号输入所述通信信道，以得到所述扰动信号经过所述通信信道后所对应的第二接收信号。
上述方法，优选的，利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，包括：
将所述第一接收信号输入到所述通信系统中的接收机，以得到所述接收机针对所述第一接收信号输出的第一分类结果；
将所述第二接收信号输入到所述接收机，以得到所述接收机针对所述第二接收信号输出的第二分类结果。
本申请还提供了一种通信系统的优化处理装置，所述装置包括：
消息抽样单元，用于对消息集合中的消息进行抽样，以得到训练样本，所述训练样本中包含有多个目标消息；
发射处理单元，用于利用所述通信系统中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号；
信道处理单元，用于利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号；
接收处理单元，用于利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，所述第一分类结果包含所述第一接收信号对应于每个所述目标消息的概率值，所述第二分类结果包含所述第二接收信号对应于每个所述目标消息的概率值；
接收优化单元，用于根据所述第一分类结果和所述目标消息，获得第一损失量，并根据所述第一损失量对所述接收机的接收参数进行优化处理；
发射优化单元，用于根据所述第二分类结果和所述目标消息，获得第二损失量，并根据所述第二损失量对所述发射机的发射参数进行优化处理。
本申请还提供了一种电子设备，包括：
存储器，用于存储应用程序和所述应用程序运行所产生的数据；
处理器，用于执行所述应用程序，以实现：对消息集合中的消息进行抽样，以得到训练样本，所述训练样本中包含有多个目标消息；
利用所述通信系统中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号；
利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号；
利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，所述第一分类结果包含所述第一接收信号对应于每个所述目标消息的概率值，所述第二分类结果包含所述第二接收信号对应于每个所述目标消息的概率值；
根据所述第一分类结果和所述目标消息，获得第一损失量，并根据所述第一损失量对所述接收机的接收参数进行优化处理；
根据所述第二分类结果和所述目标消息，获得第二损失量，并根据所述第二损失量对所述发射机的发射参数进行优化处理。
从上述技术方案可以看出，本申请公开的一种通信系统的优化处理方法、装置及电子设备中，在对消息集合中的消息进行抽样进而得到包含多个目标消息的训练样本之后，利用通信系统中的发射机获得到目标消息对应的发射信号和发射信号对应的扰动信号，基于此，利用通信系统中的通信信道获得到发射信号对应的第一接收信号和扰动信号对应的第二接收信号，之后，再利用通信系统中的接收机获得第一接收信号对应的第一分类结果和第二接收信号对应的第二分类结果，其中的第一分类结果包含第一接收信号对应于每个目标消息的概率值，第二分类结果包含第二接收信号对应于每个所述目标消息的概率值，由此，就可以根据第一分类结果和目标消息，获得第一损失量并根据所述第一损失量对接收机的接收参数进行优化处理，同时还可以根据第二分类结果和目标消息，获得第二损失量并根据第二损失量对发射机的发射参数进行优化处理。可见，本申请中在获得发射信号的同时获得发射信号对应的扰动信号，进而在经过通信信道的传输以及接收机的分类之后，能够利用得到的分类结果和训练样本中的目标消息对接收机和发射机进行同步训练，从而同步实现接收参数和发射参数的优化，无需再分别对接收机和发射机进行迭代优化，由此，通过同步优化处理来提高优化效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一提供的一种通信系统的优化处理方法的实现流程图；
图2为本申请实施例二提供的一种通信系统的优化处理装置的结构示意图；
图3为本申请实施例三提供的一种电子设备的结构示意图；
图4-图13分别为本申请实施例适用于无线光通信系统并进行其中的发射机和接收机进行同步训练的示例图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参考图1，为本申请实施例一提供的一种通信系统的优化处理方法的实现流程图，该方法可以适用于与待优化的通信系统相连接且能够进行数据处理的电子设备，如计算机或服务器等。本实施例中的技术方案主要用于对通信系统中的发射机和接收机的参数进行优化并提高优化效率。
具体的，本实施例中的方法可以包含以下步骤：
步骤101：对消息集合中的消息进行抽样，以得到训练样本。
其中，训练样本中包含有多个目标消息，每个目标消息以m表示，训练样本以向量m表示。
例如，本实施例中对包含有多个消息的消息集合进行多次抽样，每次抽样得到一个目标消息，由此得到包含多个目标消息的训练样本。例如消息集合为{1，2，3，4}，每个m则等可能的取到这4个值。若每次要发射K比特的消息，则消息集合规模为2K，每个m等概的取得这2K个值。若重复该抽样W次则所有的m样本构成一批训练样本。
需要说明的是，消息集合中的消息可以为字符、文本、音频、视频等能够在通信系统中传输的消息。
步骤102：利用通信系统中的发射机，获得目标消息对应的发射信号和发射信号对应的扰动信号。
其中，发射机包含有一个或多个发射参数，其处理算法以表示，θT为发射参数，发射机基于这些发射参数对进入到发射机的目标消息进行处理，进而获得到相应的发射信号，并据此获得发射信号对应的扰动信号。多个发射信号以矩阵X表示，多个扰动信号以矩阵/>表示。多个发射信号和多个扰动信号组成新的发射信号的集合，可以以表示。
具体的，步骤102可以通过以下方式实现：
首先将目标消息输入到通信系统中的发射机，以得到发射机输出多个发射信号，每个发射信号分别对应于一个目标消息；例如，本实施例中按照一定的次序依次将训练样本中的多个目标消息输入到发射机中，由此发射机依次对这些目标消息进行处理，进而得到每个目标消息分别对应的一个发射信号；
之后，对发射信号利用策略函数进行扰动，以得到发射信号对应的扰动信号，每个扰动信号分别对应于一个发射信号；例如，本实施例中按照发射信号被发射机输出的次序利用策略函数进行扰动，进而得到每个发射信号分别对应的扰动信号；或者，本实施例中利用策略函数同时对每个发射信号进行扰动，以得到每个发射信号分别对应的扰动信号。
需要说明的是，策略函数中至少包含有多个部分。例如，策略函数中可以包含有高斯噪声函数和线性整流函数，高斯噪声函数可以通过随机数发生器实现，以发射机输出的发射信号X为自变量，其目的是将一个高斯噪声加在发射机的输出上，使得策略函数能够接近对发射信号的冲击分布；而线性整流函数以高斯噪声函数输出的中间变量a为自变量，例如，在发射机输出的发射信号被加入高斯噪声之后，所得到的加入高斯噪声的发射信号即为高斯噪声函数输出的中间变量，线性整流函数以该中间变量为自变量对其进行线性约束，其目的是实现对发射信号的峰值约束，即对加入高斯噪声的发射信号进行峰值约束，由此得到扰动信号
步骤103：利用通信系统中的通信信道，获得发射信号对应的第一接收信号和扰动信号对应的第二接收信号。
其中，通信信道为发射机和接收之间进行信号传输的信道，该通信信道的信道分布律可以以p(y|x)表示，基于该信道分布，发射信号在经过通信信道的传输后对应于第一接收信号，扰动信号在经过通信信道的传输后对应于第二接收信号。
具体的，步骤103中可以通过以下方式实现：
将发射信号输入通信系统的通信信道中，以得到发射信号经过通信信道后所对应的第一接收信号，例如，发射信号在经过信道分布律p(y|x)的处理后得到的第一接收信号可以以矩阵Y表示；
另外，将扰动信号也输入通信信道中，以得到扰动信号经过通信信道后所对应的第二接收信号，例如，扰动信号在经过信道分布律p(y|x)的处理后得到的第二接收信号可以以矩阵表示。
需要说明的是，本实施例中可以通过复用信道将发射信号和扰动信号同时输入到通信信道中，以提高效率。
步骤104：利用通信系统中的接收机，获得第一接收信号对应的第一分类结果和第二接收信号对应的第二分类结果。
其中，接收机中可以通过分类交叉熵来实现对第一接收信号和第二接收信号的分类任务，其处理算法以表示，θR为接收参数，接收机基于这些接收参数对进入到接收机的第一接收信号和第二接收信号分别进行处理，进而获得到相应的第一分类结果和第二分类结果，第一分类结果包含第一接收信号对应于每个目标消息的概率值，表征第一接收信号来自于相应目标消息的可能性的大小，第一分类结果以矩阵Q表示，第二分类结果包含第二接收信号对应于每个目标消息的概率值，表征第二接收信号来自于相应目标消息的可能性的大小，第二分类结果以矩阵/>表示。第一分类结果和第二分类结果组成集合，可以以/>表示。
具体的，步骤104可以通过以下方式实现：
将第一接收信号输入到通信系统的接收机中，以得到接收机针对第一接收信号进行处理所输出的多个第一分类结果，每个第一分类结果中包含多个分量，每个分量表征第一接收信号来自于相应目标消息的概率值；例如，本实施例中按照第一接收信号被通信信道输出的次序依次将这多个第一接收信号输入到接收机中，由此接收机依次对这些第一接收信号进行分类处理，进而得到每个第一接收信号对应的第一分类结果；
另外，将第二接收信号输入到接收机中，以得到接收机针对第二接收信号进行处理所输出的多个第二分类结果，每个第二分类结果中包含多个分量，每个分量表征第二接收信号来自于相应目标消息的概率值；例如，本实施例中按照第二接收信号被通信信道输出的次序依次将这多个第二接收信号输入到接收机中，由此接收机依次对这些第二接收信号进行分类处理，进而得到每个第二接收信号对应的第二分类结果。
步骤105：根据第一分类结果和目标消息，获得第一损失量，并根据第一损失量对接收机的接收参数进行优化处理。
其中，本实施例中可以指定测度l(q,m)＝-log(qm)作为分类交叉熵，即损失函数，由此，根据第一分类结果和目标消息，就可以得到相应的第一损失量，可以以l(Q，m)表示。
基于此，本实施例中可以对第一损失量进行梯度下降处理，以得到接收机的经过优化的接收参数。
例如，通过对第一损失量l进行随机梯度下降SGD(stochastic gradientdescent)处理，从而得到接收参数的更新量，如，以表示以参数θR为变量的梯度方向，的期望估计/>基于此，接收参数的更新量
步骤106：根据第二分类结果和目标消息，获得第二损失量，并根据第二损失量对发射机的发射参数进行优化处理。
其中，本实施例中可以指定测度l(q,m)＝-log(qm)作为分类交叉熵，即损失函数，由此，根据第二分类结果和目标消息，就可以得到相应的第二损失量，可以以表示。
基于此，本实施例中可以根据第二损失量、目标消息和第二接收信号获得将第二损失量反馈给发射机之后所得到的第二损失量，可以以l*表示，基于此，再将得到的新的第二损失量l*进行梯度下降处理，以得到发射机的经过优化的发射参数。
例如，通过对新的第二损失量l*进行随机梯度下降SGD处理，从而得到发射参数的更新量，如，以表示以参数θT为变量的梯度方向，/>的期望估计：
基于此，发射参数的更新量
从上述技术方案可以看出，本申请实施例一提供的一种通信系统的优化处理方法中，在对消息集合中的消息进行抽样进而得到包含多个目标消息的训练样本之后，利用通信系统中的发射机获得到目标消息对应的发射信号和发射信号对应的扰动信号，基于此，利用通信系统中的通信信道获得到发射信号对应的第一接收信号和扰动信号对应的第二接收信号，之后，再利用通信系统中的接收机获得第一接收信号对应的第一分类结果和第二接收信号对应的第二分类结果，其中的第一分类结果包含第一接收信号对应于每个目标消息的概率值，第二分类结果包含第二接收信号对应于每个所述目标消息的概率值，由此，就可以根据第一分类结果和目标消息，获得第一损失量并根据所述第一损失量对接收机的接收参数进行优化处理，同时还可以根据第二分类结果和目标消息，获得第二损失量并根据第二损失量对发射机的发射参数进行优化处理。可见，本实施例中在获得发射信号的同时获得发射信号对应的扰动信号，进而在经过通信信道的传输以及接收机的分类之后，能够利用得到的分类结果和训练样本中的目标消息对接收机和发射机进行同步训练，从而同步实现接收参数和发射参数的优化，无需再分别对接收机和发射机进行迭代优化，由此，通过同步优化处理来提高优化效率。
参考图2，为本申请实施例二提供的一种通信系统的优化处理装置的结构示意图，该装置可以配置在与待优化的通信系统相连接且能够进行数据处理的电子设备，如计算机或服务器等。本实施例中的技术方案主要用于对通信系统中的发射机和接收机的参数进行优化并提高优化效率。
具体的，本实施例中的装置可以包含以下单元：
消息抽样单元201，用于对消息集合中的消息进行抽样，以得到训练样本，所述训练样本中包含有多个目标消息；
发射处理单元202，用于利用所述通信系统中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号；
信道处理单元203，用于利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号；
接收处理单元204，用于利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，所述第一分类结果包含所述第一接收信号对应于每个所述目标消息的概率值，所述第二分类结果包含所述第二接收信号对应于每个所述目标消息的概率值；
接收优化单元205，用于根据所述第一分类结果和所述目标消息，获得第一损失量，并根据所述第一损失量对所述接收机的接收参数进行优化处理；
发射优化单元206，用于根据所述第二分类结果和所述目标消息，获得第二损失量，并根据所述第二损失量对所述发射机的发射参数进行优化处理。
从上述技术方案可以看出，本申请实施例二提供的一种通信系统的优化处理装置中，在对消息集合中的消息进行抽样进而得到包含多个目标消息的训练样本之后，利用通信系统中的发射机获得到目标消息对应的发射信号和发射信号对应的扰动信号，基于此，利用通信系统中的通信信道获得到发射信号对应的第一接收信号和扰动信号对应的第二接收信号，之后，再利用通信系统中的接收机获得第一接收信号对应的第一分类结果和第二接收信号对应的第二分类结果，其中的第一分类结果包含第一接收信号对应于每个目标消息的概率值，第二分类结果包含第二接收信号对应于每个所述目标消息的概率值，由此，就可以根据第一分类结果和目标消息，获得第一损失量并根据所述第一损失量对接收机的接收参数进行优化处理，同时还可以根据第二分类结果和目标消息，获得第二损失量并根据第二损失量对发射机的发射参数进行优化处理。可见，本实施例中在获得发射信号的同时获得发射信号对应的扰动信号，进而在经过通信信道的传输以及接收机的分类之后，能够利用得到的分类结果和训练样本中的目标消息对接收机和发射机进行同步训练，从而同步实现接收参数和发射参数的优化，无需再分别对接收机和发射机进行迭代优化，由此，通过同步优化处理来提高优化效率。
在一种实现方式中，发射处理单元202具体用于：将所述目标消息输入到所述通信系统中的发射机，以得到所述发射机输出的多个发射信号；每个所述发射信号分别对应于一个所述目标消息；对所述发射信号利用策略函数进行扰动，以得到所述发射信号对应的扰动信号。
可选的，所述策略函数中至少包含高斯噪声函数和线性整流函数。具体的，所述高斯噪声函数以所述发射信号为自变量，且所述线性整流函数以所述高斯噪声函数输出的中间变量为自变量。
在一种实现方式中，接收优化单元205在利用所述第一损失量对所述接收机的接收参数进行优化时，具体用于：对所述第一损失量进行梯度下降处理，以得到所述接收机的经过优化的接收参数。
在一种实现方式中，接收优化单元206在利用所述第二损失量对所述发射机的发射参数进行优化时，具体用于：对所述第二损失量进行梯度下降处理，以得到所述发射机的经过优化的发射参数。
在一种实现方式中，信道处理单元203具体用于：将所述发射信号输入所述通信系统中的通信信道，以得到所述发射信号经过所述通信信道后所对应的第一接收信号；将所述扰动信号输入所述通信信道，以得到所述扰动信号经过所述通信信道后所对应的第二接收信号。
在一种实现方式中，接收处理单元204具体用于：将所述第一接收信号输入到所述通信系统中的接收机，以得到所述接收机针对所述第一接收信号输出的第一分类结果；将所述第二接收信号输入到所述接收机，以得到所述接收机针对所述第二接收信号输出的第二分类结果。
需要说明的是，本实施例中各单元的具体实现可以参考前文中的相应内容，此处不再详述。
参考图3，为本申请实施例三提供的一种电子设备的结构示意图，该电子设备可以为与待优化的通信系统相连接且能够进行数据处理的电子设备，如计算机或服务器等。本实施例中的技术方案主要用于对通信系统中的发射机和接收机的参数进行优化并提高优化效率。
具体的，本实施例中的电子设备可以包含以下结构：
存储器301，用于存储应用程序和所述应用程序运行所产生的数据；
处理器302，用于执行所述应用程序，以实现：对消息集合中的消息进行抽样，以得到训练样本，所述训练样本中包含有多个目标消息；
利用所述通信系统中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号；
利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号；
利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，所述第一分类结果包含所述第一接收信号对应于每个所述目标消息的概率值，所述第二分类结果包含所述第二接收信号对应于每个所述目标消息的概率值；
根据所述第一分类结果和所述目标消息，获得第一损失量，并根据所述第一损失量对所述接收机的接收参数进行优化处理；
根据所述第二分类结果和所述目标消息，获得第二损失量，并根据所述第二损失量对所述发射机的发射参数进行优化处理。
从上述技术方案可以看出，本申请实施例三的一种电子设备中，在对消息集合中的消息进行抽样进而得到包含多个目标消息的训练样本之后，利用通信系统中的发射机获得到目标消息对应的发射信号和发射信号对应的扰动信号，基于此，利用通信系统中的通信信道获得到发射信号对应的第一接收信号和扰动信号对应的第二接收信号，之后，再利用通信系统中的接收机获得第一接收信号对应的第一分类结果和第二接收信号对应的第二分类结果，其中的第一分类结果包含第一接收信号对应于每个目标消息的概率值，第二分类结果包含第二接收信号对应于每个所述目标消息的概率值，由此，就可以根据第一分类结果和目标消息，获得第一损失量并根据所述第一损失量对接收机的接收参数进行优化处理，同时还可以根据第二分类结果和目标消息，获得第二损失量并根据第二损失量对发射机的发射参数进行优化处理。可见，本实施例中在获得发射信号的同时获得发射信号对应的扰动信号，进而在经过通信信道的传输以及接收机的分类之后，能够利用得到的分类结果和训练样本中的目标消息对接收机和发射机进行同步训练，从而同步实现接收参数和发射参数的优化，无需再分别对接收机和发射机进行迭代优化，由此，通过同步优化处理来提高优化效率。
需要说明的是，本实施例中处理器的具体实现可以参考前文中的相应内容，此处不再详述。
以通信系统为无线光通信系统为例，无线光通信系统中包含有一堆由神经网络构成的收发机：发射机以及接收机，分别记为和/>其中，发射机完成将来自于消息集合/>的消息m映射至发射符号x，然后发射符号(发射信号)x经过特定的信道分布律p(y|x)得到接收信号y。接收机/>根据接收到的信号y判断来自于符号集/>中的哪个消息。这样的分类任务可通过计算分类交叉熵来完成。而神经训练的目的是通过设计的算法和训练数据将控制函数/>和/>映射结果的参数θT和θR从初始化值不断更新到最优值，该最优值使得分类交叉熵最小化。为完成分类交叉熵的计算接收机网络的输出激活函数规定为Softmax函数，而由于算法的普适性，网络的其他结构则不做特别的规定，可根据具体通信系统要求做调整。由于Softmax函数的使用，接收机映射额外满足/>q代表2K维的概率向量。相应地，指定测度/>作为类交叉熵，如下公式(1.1)
l(q,m)＝-log(qm) (1.1)
其中，q等价于由于/>对于<q>m代表向量q的第m个维度，因此，最终收发优化问题(即，网络训练目标)转化为如下公式(1.2)：
其中，且优化问题的参数空间由构成。在深度学习领域，该优化可由梯度下降或其变体根据以参数Θ为变量的梯度方向/>以更新Θ来完成。基于此，设计对于(1.1)的优化算法相当于决定如何计算梯度/>并通过所获得的梯度更新θT和θR。此时，损失函数的梯度将表示为/>其中，如公式(1.3)：
本申请的发明人经过研究发现：梯度的两个部分，/>和/>分别可计算如下：
1、接收机梯度：梯度的第二部分，/>可由下列推导得到如公式(1.4)：
基于此，可以通过一批样本对上述期望进行估计，如公式(1.5)：
其中W表示一个批次中样本的数量。
2、发射机梯度：对于发射机梯度则通过如下公式(1.6)进行计算：
然而在信道分布未知或对其输入不可微分时，导数/>将无法进行计算。因而为解决这一问题，可采用策略梯度法，得到如下近似梯度，如公式(1.7)：
其中，是带参数σ条件概率密度函数，在强化学习领域该函数被称作策略函数；x被称为动作是根据策略函数随机产生的扰动信号，基于此，公式(1.6)的第一个等式根据链式法则如公式(1.8)：
而对数恒等式如公式(1.9)：
/>
当是迪利克雷函数时，有/>成立，而一个合理设计的策略函数将具备性质如公式(1.10)
并使得公式(1.11)：
本申请的发明人注意到：假设能够获得合理设计的策略函数使得真实的梯度能够被近似梯度所代替，而通过样本平均可进一步将公式定义的近似梯度简化为如下形式，如公式(1.12)：
其中，l*如下公式(1.13)：
因此，公式(1.11)提供了更新发射机网络参数的梯度信息。
基于以上算法，根据公式和公式所提供的梯度信息分别利用常规的神经网络优化器就可实现两个网络的优化。现有技术中具体的训练算法由一个主算法和两个子算法提供，主算法的训练流程如图4所示，其中，结合图5所示的通信系统的结构，目前基于子算法1对接收机进行迭代训练的过程如图6中所示，如下：
首先，对抽样得到的训练样本m∈MW，经过发射机处理后得到发射信号X；
之后，发射信号X在经过信道p(y|x)得到接收信号Y；
最后，接收信号在经过接收机后得到Q，根据公式(1.1)对(Q,mt)进行计算得到测度即损失量l(Q,mt)，再对(θR,l)经过梯度下降SGD(θR,l)后得到接收机/>参数更新量，实现接收机参数的一次优化。
基于此，在经过多次迭代后当满足停止条件的情况下，结束迭代优化。
结合图5所示的通信系统的结构，目前基于子算法2对发射机进行迭代训练的过程如图7中所示，如下：
首先，对抽样得到的训练样本m∈MW，经过发射机处理后得到发射信号X，根据策略函数/>获得到信号/>由此得到扰动信号/>
之后，扰动信号在经过信道p(y|x)得到接收信号/>
再然后，接收信号在经过接收机后得到/>根据公式(1.1)对/>进行计算得到测度即损失量/>再将/>反馈回发射机；
最后，根据公式(1.3)对进行计算得到测度即新的损失量l*，对(θT,l*)经过梯度下降SGD(θT,l*)后得到接收机/>参数更新量，实现接收机参数的一次优化。
基于此，在经过多次迭代后当满足停止条件的情况下，结束迭代优化。
而且，本申请的发明人还发现：在策略函数方面，上述算法并没有指明具体策略函数形式，这是因为策略函数合理设计才能保证上述算法获得有效的训练结果，更具体的说，策略函数的妥善设计是保证公式(1.12)所提供的近似梯度能够收敛真实梯度的必要条件。以下函数为目前可使用的策略函数如公式(1.14)：
该函数适用于系统符合均值约束的条件。然而峰值约束作为通信系统中的另一类重要约束，目前并没有相应的策略函数设计方案。直接采用(1.14)提供的方案不仅会破坏系统约束还会使训练无法收敛。
基于以上描述，本申请的发明人总结出目前对无线光通信系统中的发射机和接收机进行训练所存在的缺陷，如下：
1、训练模式：目前的策略梯度免模型法采用了迭代的训练模式，该模式迭代的执行训练发射机(上述子算法1)和训练接收机(上述子算法2)的任务。这种训练模式的本质原理是将优化问题分解为两个子优化问题迭代求解，即，迭代的优化发射机(上述子算法1)和接收机(上述子算法2)。因此与同时训练发射机和接收机的方法相比现有的迭代训练模式不可避免的减缓了收敛的速度。
2、策略梯度：一方面，为了正确的实现梯度策略法，策略函数需要根据具体的系统设置特殊设计。另一方面，在无线光通信领域，强度调制技术由于其较低的复杂度和代价成本而广泛的应用。然后由于广泛存在的器件非线性，峰值功率约束是系统设计时的重要考量但目前缺乏针对峰值约束设计的策略函数。
基于此，本申请的发明人提出一种基于策略梯度免模型学习的同步训练算法及强度调制峰值约束策略函数设计，包含有以下两个方向：
1、快速训练模式：针对上述第一点，本申请的发明人为所提出的基于策略梯度法的免模型学习方案设计了一种同步训练模式替代现有的迭代训练模式(算法1和算法2迭代执行，如上述主算法所示)。
2、峰值约束策略：针对上述第二点，本申请的发明人特别设计了满足峰值约束的策略函数
首先，以下对本申请的发明人提出的快速训练(同步更新)算法进行详细说明：
本申请的发明人通过引入复用技术(例如：时分复用)为训练提供两个独立通信链路并提出同步训练接收机和发射机网络的算法。如图8中同步训练算法的流程图所示，在发射端生成发射符号X的同时还要同时根据所采用的策略函数生成该发射符号的带噪版本即扰动信号然后通过复用技术提供的两条独立链路同时向接收机进行传输，并执行后续计算和训练。具体训练算法如图9所示。由于该算法同步的训练收发机两张网络(换言之同步的更新两个网络的参数)因此具有更快的收敛速率。
结合图8，对图9中的具体训练算法流程进行详细说明：
首先，对抽样得到的训练样本m∈MW，经过发射机处理后得到发射信号X，根据策略函数/>获得到扰动信号/>由此，发射信号X和扰动信号/>一起组成发射信号/>
之后，发射信号在经过信道p(y|x)得到接收信号/>
最后，接收信号在经过接收机/>后得到/>根据公式(1.1)对进行计算得到测度即损失量l(Q，m)和/>再对(θR,l)经过梯度下降SGD(θR,l)后得到接收机/>参数更新量，实现接收机参数的一次优化；另外，还将/>反馈回发射机；
最后，根据公式(1.3)对进行计算得到测度即新的损失量l*，对(θT,l*)经过梯度下降SGD(θT,l*)后得到接收机/>参数更新量，实现接收机参数的一次优化。
基于此，在经过多次迭代后当满足停止条件的情况下，结束迭代优化。
需要说明的是，对消息集合抽样W次后，W个m记为m，通过发射机网络一一对应地生成W个x并构成X，后面的符号表示方式按此逻辑保持一致，最终获得W个q构成的矩阵Q。一个批次的样本m计算Q的过程中发射机网络和接收机网络的参数是保持不变的，则利用公式(1.1)计算的损失函数可视为是对当前网络性能的一个评估。根据公式(1.1)前面的定义q满足即q是一个2K维的向量且满足所有分量的和为1，q的物理意义是接收机对发射消息的估计。以K＝2的情况为例，消息集合为{1,2,3,4}，相应的接收机输出为q＝[q1,q2,q3,q4]，q1是接收机认为发射消息是1的概率，q2是接收机认为发射消息是2的概率，q3是接收机认为发射消息是3的概率，q4是接收机认为发射消息是4的概率。成对的根据公式(1.1)计算损失值l，对于一个批次的l则构成向量l。
另外，需要说明的是，对于一批训练样本m，利用网络输出Q和公式(1.1)，最终生成的W个loss值l(用向量l表示l的总体)对当前接收机网络的参数做出评估。该评估值越小代表当前网络参数的性能越好，因此为了使评估值变小先对损失函数进行求导，再根据导数更新网络参数。由于loss值是一个随机变量，该随机性一是来自于消息m的随机性同时来源于接收信号的随机性。所以对网络的实际更新应该计算loss(损失值)的期望，即公式(1.3)所提供的，由该公式易知，损失值是网络参数θT和θR的函数，另该函数对其自变量求导就可得到梯度方向。即计算公式(1.4)和公式(1.6)所给出的导数和/>得到导数后：以及/>
此外，按照公式(1.3)计算时，需要计算期望值，然而在实际工程中，是通过随机变量的大量样本做平均得到对该期望的近似，即公式(1.4)所提供的就是通过一个批次消息m最终产生的损失值样本l计算出的。所以实际更新公式替换为/>
而且，基于计算梯度即计算公式(1.6)中本申请所考虑的在线训练的条件下，上面公式中的信道分布p(y|x)不可知，由于/>p(y|x)也可等效的写为/>
基于此，本申请中解决该问题的方案按照如下对进行等效变换：
其中，是冲击函数分布。
然而，这种恒等变换无法获得解决继续计算的需要，因此本申请的发明人考虑进一步找寻合适近似，将替换为函数/>这样将得到对/>的近似记为/>即：/>
此时，对上述近似求导可得公式(1.7)，上述期望可以进一步通过大量样本的平均值代替，即公式(1.12)。
所以，由于策略函数的引入，本申请中可以在不知道p(y|x)的情况下，获得发射机网络的参数更新量：
而对于发射机网络输出的向量x，作为发射信号，由于引入了策略函数，事实上在原来的向量x加上了随机扰动获得了新的向量也作为发射信号，也就是前文所说的扰动信号。这两种信号都通过后续模块计算出相应的损失值，这个计算过程是一样的，只是输入一个是x一个是/>因此为了区别相应的损失值本申请中分别记为l和/>其余的过程产生的中间值也用加波浪号和不加波浪号来区分。
需要强调的是，策略函数用来替换原来的冲击分布函数得到梯度近似。为了使得到的近似梯度尽量逼近真实的梯度，本申请的发明人需要使策略函数能够接近冲击分布。所以采用高斯分布，且方差由σ控制，即公式(1.15)。该函数中当σ→0逼近时逼近于冲击分布。同时考虑到峰值约束条件，该函数并不能直接作为策略函数因为策略函数的输入和输出都限制在有限空间中。所以进一步加入线性整流函数r(an)＝min(1,max(0,an))。
上述两个公式结合得到最终的策略函数，如公式(1.17)。
如图10所示，目前的训练方案按照两个正交梯度方向之字形前进，而本申请的发明人所提出的训练方案则按照斜边方向前进。如图11所示，为采用目前的训练方案和本申请训练方案在N为2且K为4时的收敛状态示意图以及采用目前的训练方案和本申请训练方案在N为7且K为4时的收敛状态示意图，可见，本申请的训练方案中的同步更新算法更具优越性，收敛速率更快。
其次，以下对本申请的发明人提出的峰值约束的策略函数设计进行详细说明：
如图12中所示的策略函数的实现框图所示，第一部分为一个随机数发生器，其目的是将一个高斯噪声加在发射机网络的输出上，如公式(1.15)
其中a代表由随机数发射器产生的中间变量。然后，第二部分r(a)将起到使a的每一维分量都限制在[0,1]的区间上的作用并最终产生动作向量r(a)的逐元素表达如公式(1.16)：
r(an)＝min(1,max(0,an)) (1.16)
该函数事实上是一种线性整流函数，其函数图如图13中所示。
因此，结合公式和可知最终策略函数的表达式如公式(1.17)所示：
其中，1≤n≤N且n为发射信号的次序标号，N为发射信号的总量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种通信系统的优化处理方法，其特征在于，所述方法包括：
对消息集合中的消息进行抽样，以得到训练样本，所述训练样本中包含有多个目标消息；
利用所述通信系统中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号；
利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号，所述通信信道为所述发射机和接收机之间进行信号传输的信道；
利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，所述第一分类结果包含所述第一接收信号对应于每个所述目标消息的概率值，所述第二分类结果包含所述第二接收信号对应于每个所述目标消息的概率值，其中，所述第一分类结果、所述第二分类结果以及所述目标消息用于对所述接收机和所述发射机进行同步训练；
根据所述第一分类结果和所述目标消息，获得第一损失量，并根据所述第一损失量对所述接收机的接收参数进行优化处理；
根据所述第二分类结果和所述目标消息，获得第二损失量，并根据所述第二损失量对所述发射机的发射参数进行优化处理。
2.根据权利要求1所述的方法，其特征在于，利用所述通信信号中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号，包括：
将所述目标消息输入到所述通信系统中的发射机，以得到所述发射机输出的多个发射信号；每个所述发射信号分别对应于一个所述目标消息；
对所述发射信号利用策略函数进行扰动，以得到所述发射信号对应的扰动信号。
3.根据权利要求2所述的方法，其特征在于，所述策略函数中至少包含高斯噪声函数和线性整流函数。
4.根据权利要求3所述的方法，其特征在于，所述高斯噪声函数以所述发射信号为自变量，且所述线性整流函数以所述高斯噪声函数输出的中间变量为自变量。
5.根据权利要求1所述的方法，其特征在于，所述利用所述第一损失量对所述接收机的接收参数进行优化，包括：
对所述第一损失量进行梯度下降处理，以得到所述接收机的经过优化的接收参数。
6.根据权利要求1所述的方法，其特征在于，所述利用所述第二损失量对所述发射机的发射参数进行优化，包括：
对所述第二损失量进行梯度下降处理，以得到所述发射机的经过优化的发射参数。
7.根据权利要求1所述的方法，其特征在于，利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号，包括：
将所述发射信号输入所述通信系统中的通信信道，以得到所述发射信号经过所述通信信道后所对应的第一接收信号；
将所述扰动信号输入所述通信信道，以得到所述扰动信号经过所述通信信道后所对应的第二接收信号。
8.根据权利要求1所述的方法，其特征在于，利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，包括：
将所述第一接收信号输入到所述通信系统中的接收机，以得到所述接收机针对所述第一接收信号输出的第一分类结果；
将所述第二接收信号输入到所述接收机，以得到所述接收机针对所述第二接收信号输出的第二分类结果。
9.一种通信系统的优化处理装置，其特征在于，所述装置包括：
消息抽样单元，用于对消息集合中的消息进行抽样，以得到训练样本，所述训练样本中包含有多个目标消息；
发射处理单元，用于利用所述通信系统中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号；
信道处理单元，用于利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号，所述通信信道为所述发射机和接收机之间进行信号传输的信道；
接收处理单元，用于利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，所述第一分类结果包含所述第一接收信号对应于每个所述目标消息的概率值，所述第二分类结果包含所述第二接收信号对应于每个所述目标消息的概率值，其中，所述第一分类结果、所述第二分类结果以及所述目标消息用于对所述接收机和所述发射机进行同步训练；
接收优化单元，用于根据所述第一分类结果和所述目标消息，获得第一损失量，并根据所述第一损失量对所述接收机的接收参数进行优化处理；
发射优化单元，用于根据所述第二分类结果和所述目标消息，获得第二损失量，并根据所述第二损失量对所述发射机的发射参数进行优化处理。
10.一种电子设备，其特征在于，包括：
存储器，用于存储应用程序和所述应用程序运行所产生的数据；
处理器，用于执行所述应用程序，以实现：对消息集合中的消息进行抽样，以得到训练样本，所述训练样本中包含有多个目标消息；
利用通信系统中的发射机，获得所述目标消息对应的发射信号和所述发射信号对应的扰动信号；
利用所述通信系统中的通信信道，获得所述发射信号对应的第一接收信号和所述扰动信号对应的第二接收信号，所述通信信道为所述发射机和接收机之间进行信号传输的信道；
利用所述通信系统中的接收机，获得所述第一接收信号对应的第一分类结果和所述第二接收信号对应的第二分类结果，所述第一分类结果包含所述第一接收信号对应于每个所述目标消息的概率值，所述第二分类结果包含所述第二接收信号对应于每个所述目标消息的概率值，其中，所述第一分类结果、所述第二分类结果以及所述目标消息用于对所述接收机和所述发射机进行同步训练；
根据所述第一分类结果和所述目标消息，获得第一损失量，并根据所述第一损失量对所述接收机的接收参数进行优化处理；
根据所述第二分类结果和所述目标消息，获得第二损失量，并根据所述第二损失量对所述发射机的发射参数进行优化处理。
CN202110175943.8A 2021-02-09 2021-02-09 一种通信系统的优化处理方法、装置及电子设备 Active CN113193925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110175943.8A CN113193925B (zh) 2021-02-09 2021-02-09 一种通信系统的优化处理方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110175943.8A CN113193925B (zh) 2021-02-09 2021-02-09 一种通信系统的优化处理方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113193925A CN113193925A (zh) 2021-07-30
CN113193925B true CN113193925B (zh) 2023-08-11

Family

ID=76972883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110175943.8A Active CN113193925B (zh) 2021-02-09 2021-02-09 一种通信系统的优化处理方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113193925B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103460609A (zh) * 2011-02-08 2013-12-18 伊卡诺斯通讯公司 用于在同步多用户多载波通信中改进频谱效率和剖析串话噪声的系统和方法
CN107248965A (zh) * 2017-05-26 2017-10-13 华中科技大学 一种数据处理方法及通信设备
CN110753937A (zh) * 2017-06-19 2020-02-04 诺基亚技术有限公司 数据传输网络配置
WO2020064093A1 (en) * 2018-09-25 2020-04-02 Nokia Technologies Oy End-to-end learning in communication systems
CN111049615A (zh) * 2018-10-15 2020-04-21 华为技术有限公司 处理信号的方法和装置
WO2020104045A1 (en) * 2018-11-23 2020-05-28 Nokia Technologies Oy End-to-end learning in communication systems
CN111542111A (zh) * 2019-02-06 2020-08-14 诺基亚技术有限公司 用于提供定时同步的方法和装置
WO2020239232A1 (en) * 2019-05-30 2020-12-03 Nokia Technologies Oy Learning in communication systems
CN112236782A (zh) * 2018-04-03 2021-01-15 诺基亚技术有限公司 通信系统中的端到端学习

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10177896B2 (en) * 2013-05-13 2019-01-08 Amir Keyvan Khandani Methods for training of full-duplex wireless systems

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103460609A (zh) * 2011-02-08 2013-12-18 伊卡诺斯通讯公司 用于在同步多用户多载波通信中改进频谱效率和剖析串话噪声的系统和方法
CN107248965A (zh) * 2017-05-26 2017-10-13 华中科技大学 一种数据处理方法及通信设备
CN110753937A (zh) * 2017-06-19 2020-02-04 诺基亚技术有限公司 数据传输网络配置
CN112236782A (zh) * 2018-04-03 2021-01-15 诺基亚技术有限公司 通信系统中的端到端学习
WO2020064093A1 (en) * 2018-09-25 2020-04-02 Nokia Technologies Oy End-to-end learning in communication systems
CN111049615A (zh) * 2018-10-15 2020-04-21 华为技术有限公司 处理信号的方法和装置
WO2020104045A1 (en) * 2018-11-23 2020-05-28 Nokia Technologies Oy End-to-end learning in communication systems
CN111542111A (zh) * 2019-02-06 2020-08-14 诺基亚技术有限公司 用于提供定时同步的方法和装置
WO2020239232A1 (en) * 2019-05-30 2020-12-03 Nokia Technologies Oy Learning in communication systems

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨宁.基于深度学习的无线资源管理与安全研究.《中国优秀博士学位论文全文数据库》.2021,第1-132页. *

Also Published As

Publication number Publication date
CN113193925A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Zhang et al. Automatic modulation classification using CNN-LSTM based dual-stream structure
O’Shea et al. Approximating the void: Learning stochastic channel models from observation with variational generative adversarial networks
Ozpoyraz et al. Deep learning-aided 6G wireless networks: A comprehensive survey of revolutionary PHY architectures
US11082264B2 (en) Learning in communication systems
Yang et al. Deep learning aided method for automatic modulation recognition
CN113139662A (zh) 联邦学习的全局及局部梯度处理方法、装置、设备和介质
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
CN112115821B (zh) 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN109150775B (zh) 自适应噪声环境动态变化的鲁棒性在线信道状态估计方法
CN112836822B (zh) 基于宽度学习的联邦学习策略优化方法和装置
Ghasemzadeh et al. GS-QRNN: A high-efficiency automatic modulation classifier for cognitive radio IoT
US11184783B1 (en) Real-time channel-resilient optimization of radio fingerprinting
Ma et al. Automatic modulation classification in impulsive noise: Hyperbolic-tangent cyclic spectrum and multibranch attention shuffle network
CN116841732A (zh) 一种基于单比特量化的联邦学习资源优化设计方法
Smith et al. A communication channel density estimating generative adversarial network
CN114826832B (zh) 信道估计方法、神经网络的训练方法及装置、设备
Kazemi et al. Capacity bounds and detection schemes for data over voice
CN113193925B (zh) 一种通信系统的优化处理方法、装置及电子设备
Liu et al. OFDM-based digital semantic communication with importance awareness
CN110046670B (zh) 特征向量降维方法和装置
CN116680608A (zh) 一种基于复数图卷积神经网络的信号调制识别方法
JP7455240B2 (ja) ディリクレ過程を使用して通信チャネルの容量を最適化する方法、システム、及びコンピュータープログラム
CN113242201B (zh) 基于生成分类网络的无线信号增强解调方法及系统
CN112232120B (zh) 一种基于软件无线电的雷达辐射源信号分类系统及方法
Ponnaluru et al. A software‐defined radio testbed for deep learning‐based automatic modulation classification

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
GR01 Patent grant