CN113595693A - 一种基于改进有效信噪比的混合自动重传请求方法 - Google Patents
一种基于改进有效信噪比的混合自动重传请求方法 Download PDFInfo
- Publication number
- CN113595693A CN113595693A CN202110845958.0A CN202110845958A CN113595693A CN 113595693 A CN113595693 A CN 113595693A CN 202110845958 A CN202110845958 A CN 202110845958A CN 113595693 A CN113595693 A CN 113595693A
- Authority
- CN
- China
- Prior art keywords
- state
- probability
- esnr
- decoding
- hmm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 3
- 230000002542 deteriorative effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
- H04L1/1812—Hybrid protocols; Hybrid automatic repeat request [HARQ]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Detection And Prevention Of Errors In Transmission (AREA)
Abstract
本发明公开了一种基于改进有效信噪比的混合自动重传请求方法,包括:基于隐马尔可夫模型HMM和长短期记忆网络LSTM建立混合预测模型;通过历史信噪比SNR的变化数据训练混合预测模型,利用训练后的混合预测模型来获取下一个时刻信道的有效信噪比ESNR的变化趋势;根据所述有效信噪比ESNR的变化趋势调整汉明码的校验位并完成数据的传输过程;在所述传输过程中接收端进行译码并判断译码是否成功,若译码成功则继续传输,若译码失败则进行重传,继续判断译码是否成功,如果不成功且重传次数没有达到上限值,则继续重传该数据。该方法能够明显降低误码率,减少重传次数,提升系统的吞吐率。
Description
技术领域
本发明涉及卫星通信领域,具体涉及一种基于改进有效信噪比的混合自动重传请求方法。
背景技术
随着当今世界卫星通信的高速发展,在空间信息传输领域,对有效而可靠地传输数据的需求日益增加,如何在保证数据传输效益的条件下,最大限度地减小误码率,已成为越来越关心的问题。然而卫星通信却具有长时延,高误码,间断性的特点。为了改善卫星通信的缺陷,1982年,世界上几个主要空间机构共同成立了空间数据系统咨询委员会(Consultative Committee for Space Data Systems,CCSDS),并在常规在轨系统的基础上开发了高级在轨系统(Advanced Orbiting System,AOS),为了降低AOS系统在传输中高误码率所带来的影响,AOS引入差错控制技术来保证系统的数据传输,然而引入差错控制技术虽然能保证数据的传输,却牺牲了系统的时延和传输效率。
差错控制技术一般可以分为三类:前向纠错(Forward Error Correction,FEC),检错重传(Automatic Repeat reQuest,ARQ),混合自动重传请求(HybridAutomaticRepeat reQuest,HARQ)。HARQ是在ARQ的基础上结合了FEC,在译码过程中,如果码元的错误可以通过FEC的纠错来调整就不进行反馈,若超出FEC的纠错能力就向信源发送反馈信息进行重传。HARQ可以分为Ⅰ、Ⅱ、Ⅲ三种类型。Ⅰ型HARQ每次传输相同的数据,如果不能成功译码则将接收的数据丢弃,发送重传请求直至成功译码或重传次数达到上限;对于Ⅱ型HARQ系统,如果译码不成功则将接收数据保存至缓存器中,重新传输冗余数据,将其与缓存器中数据合并后译码;Ⅲ型HARQ系统与Ⅱ型HARQ类似,都为增量冗余方式,不同的是Ⅲ型HARQ系统具有自译码能力。上述三种传统的HARQ虽然降低了误码率,但同时也牺牲了信道编码的码率导致系统的传输效率也随之降低。近年来,为了改善传统HARQ的缺陷,国内外学者对HARQ进行了深入的研究,提出一种隐藏马尔可夫模型(Hidden Markov Model,HMM)对HARQ的信道进行建模,但其无法精确表示剧烈变化的信道特性。
发明内容
针对AOS系统中传统的混合自动重传请求方法在传输过程中难以同时兼顾数据传输的误码率和传输效益的问题,本发明提出一种基于改进有效信噪比的混合自动重传请求方法。
为实现上述目的,本申请的技术方案为:一种基于改进有效信噪比的混合自动重传请求方法,包括:
基于隐马尔可夫模型HMM和长短期记忆网络LSTM建立混合预测模型;
通过历史信噪比SNR的变化数据训练混合预测模型,利用训练后的混合预测模型来获取下一个时刻信道的有效信噪比ESNR的变化趋势;
根据所述有效信噪比ESNR的变化趋势调整汉明码的校验位并完成数据的传输过程;
在所述传输过程中接收端进行译码并判断译码是否成功,若译码成功则继续传输,若译码失败则进行重传,继续判断译码是否成功,如果不成功且重传次数没有达到上限值,则继续重传该数据;如果监督码元的数量超过其上限值或低于其下限值,则以监督码元的上限值或下限值为准。
进一步的,使用隐马尔可夫模型HMM将AOS通信链路状态划分为不同的状态序列集,具体为:
1)隐含状态S,其状态集合表示为S={S1,S2,…,SN},t时刻的状态为qt;两种状态的HMM模型示意如图2所示:
2)观测序列O,其测序列集合表示为O={O1,O2,…,OM},观测序列是指AOS信道的有效信噪比ESNR;
3)状态转移矩阵A,A={aij}N*N,其中aij=p{qt+1=Sj|qt=Si},1≤i,j≤N,即表示从状态A转移到状态B的概率;
4)观测序列分布矩阵B={bjk}N*M,其中bjk={Ok|qt=Sj},1≤j≤N,1≤k≤M,即表示状态Sj的情况下产生序列Ok的概率;
5)初始状态分布D,D={Di},其中,Di={q1=Si},1≤i≤N,即表示信道的初始状态为Si;
因此,一个完整的HMM模型可以由隐含状态,观测序列,初始状态决定。可以使用λ=(A,B,D)来表示完整的隐马尔可夫模型HMM,如图3所示:HMM的状态S除了能从一个状态转移到其他状态,也有可能从自身转移到自身。例如:某一时刻的状态为S2,可能下一时刻的状态是S5或者是S2。具体如图4所示:其中,αt(i)是HMM预测过程中前向变量,Sj表示HMM的隐含状态,aij表示从状态i转移到状态j的转移向量。如图2所示,将原HMM的训练序列状态作为LSTM的输入层,则可以将原先由HMM通过迭代计算来完成的预测过程交由LSTM来完成,以改善HMM长时依赖的缺陷。
相比于传统信噪比,有效信噪比更真实地反映了为达到目标误码率AOS信道所需的实际能耗情况。有效信噪比,即接收端输入处的单位比特能量(考虑校验位与重传的开销)和噪声功率谱密度的比值;令L表示ARQ系统成功接收一个码字所需传输次数,则E[L]为成功接收一个码字所需平均传输次数,定义为发送端发送码字的总次数与接收端接收码字的总次数的比值,设一个码字被接收端成功接收的概率为P;当不设定重传次数的上限时,成功接收一个码字所需平均传输次数为:
由式(1)可知,平均传输次数E[L]与接收概率P成反比,当重传次数的上限为M时:
从式(2)中看出,成功接收一个码字所需的平均传输次数与重传次数的上限M无关,仅与接收概率P有关,而瑞利衰落信道下的信噪比为:
式中n为比特码字的数量,k是比特信息数量。
进一步的,长短期记忆网络LSTM采用了LSTM层替代传统的隐藏层,并且拥有三个门:输入门、遗忘门和输出门,这使得LSTM可以更好的地处理长时依赖的问题,LSTM的结构图如图5所示,从左到右依次为LSTM的遗忘门,输入门,输出门。
1)计算遗忘门的输出值:
ft=σ(wf[ht-1,xt]+bf) (5)
2)计算输入门的值:
it=σ(wi[ht-1,xt]+bi) (6)
c′t=σ(wc[ht-1,xt]+bc) (7)
3)计算输出门的值:
ot=σ(wo[ht-1,xt]+bo) (9)
其中wf,wi,wc,wo分别是遗忘门、输入门、细胞状态和输出门的权重矩阵,bf,bi,bc,bo分别为遗忘门、输入门、细胞状态和输出门的偏置项;c′t为记忆单元的输入状态,ht为t时刻的隐藏层输出,σ为sigmoid函数,xt为t时刻的输入,tanh为双曲正切函数,表示矩阵元素相乘。
采用六种状态的隐马尔可夫模型HMM,并根据信道的信噪比SNR进行划分,将隐含状态S与SNR对应关系,具体如表1所示:
表1隐含状态与SNR对应关系表
进一步的,在混合预测模型中,可以直接将ESNR与观测符号联系起来,减少冗余的预测步骤。首先初始化样本得到最初的初始化状态S1,假设固定的状态序列为:Q=q1q2…qt;则观测序列O的概率通过所有状态联合概率求和获取,如下式所示:
对于上述公式,初始时刻的状态为q1,概率为πq1,并且以概率bq1(o1)产生观测符号O1,到下一时刻时,状态q1以aq1q2的概率转换为q2,并且状态q2产生观测符号O2的概率为bq2(o2),依此类推,直至最后一刻qt为止;
定义前向变量如下式所示:
αt(i)=p(o1o2…ot,qt=Si|λ) (12)
αt表示的是从开始到t时刻,观测序列为O1O2…Ot的概率,将其作为LSTM的输入,则有:
基于LSTM-HMM的混合预测模型的主要流程可以分为两个阶段,分别为训练流程以及预测流程。首先通过初始化HMM参数λ,结合观测序列O,得到隐藏状态序列S和状态概率转移矩阵A,最后通过HMM求解AOS通信链路的传输概率P。然后根据HMM对信道状态的划分情况,结合LSTM对AOS通信链路的SNR进行预测,最后根据LSTM的预测结果进而实现对AOS通信链路的ESNR的预测。
仿真时,以LSTM-HMM的混合模型为基础对通信链路的ESNR状态变化进行预测,整个过程分为两步进行,首先利用HMM求解系统的传输概率,然后通过SNR的数据集对LSTM进行训练,由于只考虑对通信链路的ESNR这一个特征进行处理,因此设置LSTM网络选择rmsprop作为预测优化器,以均方误差MSE为损失函数,通过python的kears完成编译仿真过程,具体预测效果如下图6所示:
由于AOS系统在进行HARQ过程中的ESNR变化剧烈,导致混合模型的预测值无法完全跟上测试集的数据值,但在整体上,混合模型预测的ESNR的变化趋势是吻合通信链路的ESNR的变化趋势的,因此,可以根据混合模型的预测值来进行下一步操作。
ESNR可以视为信道状态的一种间接表现,ESNR变化的同时也反映出了信道状态的变化。基于IESNR的HARQ算法结合HMM模型和LSTM,预测传输过程中下一时刻的ESNR,根据不同时刻ESN R的比值动态调节监督元数量。以汉明码为例,对于汉明码,r个监督元,可以传输m+r+1位数据,其中m是指传输的信息位数,具体如下式所示:
2r≥m+r+1 (14)
第t秒与第t+1秒观测符号比值为:
如果δ的值逐渐减小,说明ESNR的重传开销在减少,表明此时可以适当减少汉明码的监督码元以提升传输效率,反之,如果增大,则说明信道的状态正在恶化,应当增加汉明码的监督码元来提升其纠错能力确保数据的可靠传输。假设t秒时汉明码监督元数量为ut,则t+1秒时汉明码监督元数量为:
ut+1=|ut*δt,t+1|+1 (16)
设定最大及最小监督元数目,如果ut+1超过最大监督元数目,则以最大监督元数目作为编码方案,如果ut+1小于最小监督元数目则以最小监督元数目作为编码方案。同时,设定最大传输次数,若接收端译码失败,则由反馈信道传输否定信号,编码器下一次传输则增加一定量的监督元数目。此时,如果监督元数量超过上限,则采用最大监督元数目方案。
本发明由于采用以上技术方案,能够取得如下的技术效果:本发明提供在基于有效信噪比的自动重传请求的基础上,将长短期记忆网络和隐马尔科夫所组成的混合模型来预测有效信噪比的变化,根据不同时刻有效信噪比的变化关系动态调节汉明码的监督元数量,进而保证系统误码率的同时提升系统的吞吐率。该方法能够明显降低误码率,减少重传次数,提升系统的吞吐率。
附图说明
图1为本发明的LSTM-HMM预测过程示意图;
图2为本发明的两种状态HMM模型示意图;
图3为本发明的HMM示意图;
图4为本发明的HMM状态转移示意图;
图5为本发明的LSTM网络结构图;
图6为本发明的ESNR的预测效果图;
图7为本发明的IESNR方法流程图;
图8为三种HARQ算法误码率仿真对比图;
图9位三种HARQ算法传输次数仿真对比图;
图10三种HARQ算法吞吐率仿真对比图。
具体实施方式
本发明的实施例是在以本发明技术方案为前提下进行实施的,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述实施例。
实施例1
为了进一步保证AOS系统误码率的同时提升无线传输过程的吞吐率和降低AOS系统的重传次数,本发明提出一种基于改进有效信噪比(Improve Effective SNR,IESNR)的HARQ算法,联合LSTM和HMM构建混合模型,预测信道传输过程中ESNR的变化关系,结合LSTM改善HMM预测过程中的受时延影响的缺陷,减少冗余的预测步骤,根据不同时刻的ESNR动态调节汉明码监督码元数量,通过调整信道编码的码率进而提高AOS系统数据传输效率,降低系统的重传次数。
在无线通信系统中,一般会采用交织和扩频技术来削弱发送数据之间的关联性,那么这样的无线通信的衰落信道可以被认为是没有记忆的。然而,现在无线通信的数据传输效率越来越高,相邻数据帧之间的关联性就不可忽视了。由于HMM可以很好的描述信道的记忆性,可以采用HMM来对有记忆性的无线信道进行建模。在AOS中,很多系统状态是难以观测的,因此,需要将原来难以捕捉的信道状态由可以产生可观测序列的随机过程来描述,这种可观测序列由HMM的隐含状态决定,本发明以ESNR为HMM的观测序列。
混合预测模型的整个流程可以分为二个阶段,第一阶段使用HMM算法将AOS通信链路状态划分为不同的状态序列集;第二阶段对每个状态分别使用LSTM模型进行处理,最终输出预测结果。针对HMM对AOS链路不同状态的LSTM模型学习有如下优势:
1)相同状态的输入数据具有一定的相似性,有助于模型的收敛。
2)针对下一时刻的预测,可以使用HMM进行状态概率估计结合LSTM模型预测,充分发挥二者的可解释性和高精度优势。
附图6为ESNR的预测效果图,首先利用HMM求解系统的传输概率,然后通过SNR的数据集对LSTM进行训练,由于只考虑对通信链路的ESNR这一个特征进行处理,因此设置LSTM网络选择rmsprop作为预测优化器,以均方误差MSE为损失函数,通过python的kears完成编译仿真过程,由图可知,在整体上,混合模型预测的ESNR的变化趋势是吻合通信链路的ESNR的变化趋势的。
本发明通过Matlab仿真软件,搭建仿真系统,对提出的基于改进有效信噪比的混合自动重传请求方法进行仿真验证,具体仿真参数设置下表所示。
表2仿真参数设置表
将所提IESNR方法与II型HARQ算法,基于PPLR的HARQ算法进行比较。编码方式采用汉明码,调制采用bpsk,信道采用瑞利信道。关于三种HARQ算法的误码率对比如图8所示:
由于最初信道的SNR很低,即此时系统的通信链路的信道状态并不适合传输数据,故此时三种HARQ算法的误码率都较高,随着SNR的增加即信道条件的改善,三种HARQ算法的误码率整体上呈降低趋势。但是由于基于改进ESNR的HARQ算法可以通过预测信道的ESNR变化调整信道编码的监督码元,强化其纠错能力,所以整体上,II型HARQ算法的误码率最高,基于ESNR的HARQ算法其次,基于IESNR的HARQ算法的误码率最低,表明了相较于前两种HARQ算法,基于IESNR的HARQ算法降低了系统的误码率。
三种HARQ算法在传输过程中对传输次数的仿真如图9所示,在最初的SNR较低的情况下,即此时信道的数据传输发生错误的可能性较高,在系统的接收端进行译码时,由于超出HARQ的纠错能力,故此时只能选择重传来确保数据传输,因此三种HARQ算法的传输次数都较高,随着信道状态朝着利于数据传输的方向不断变化,在传输过程中发生错误的可能性也随之逐步降低,故三种HARQ算法的传输次数也随之降低,当信道的SNR高于10dB时,此时的信道的传输状况良好,数据传输时发生错误的概率已经较低且接收端在译码时通过HARQ能够完成自我纠错,此时不需要通过重传来保证数据传输,因此,传输次数降较低。在整体趋势上,II型HARQ能力较差,其次是基于ESNR的HARQ算法,由于基于IESNR的HARQ算法通过预测可以及时调整传输过程中的码率,故相较于其它两种HARQ算法,有效的降低了系统的传输次数。
定义吞吐率为AOS接收端接收且译码成功的比特数与AOS发送端发送的比特数的总值相比,此参数能反映系统传输效率,由图10可知,随着信道状况的不断改善,三种HARQ算法传输的吞吐率也会随之不断增加,然而,从整体趋势可以发现,基于IESNR的HARQ算法传输数据的能力要强于其余两种HARQ算法,表明,相较于其余的两种HARQ算法,基于IESNR的HARQ算法提升了数据传输效率。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (9)
1.一种基于改进有效信噪比的混合自动重传请求方法,其特征在于,包括:
基于隐马尔可夫模型HMM和长短期记忆网络LSTM建立混合预测模型;
通过历史信噪比SNR的变化数据训练混合预测模型,利用训练后的混合预测模型来获取下一个时刻信道的有效信噪比ESNR的变化趋势;
根据所述有效信噪比ESNR的变化趋势调整汉明码的校验位并完成数据的传输过程;
在所述传输过程中接收端进行译码并判断译码是否成功,若译码成功则继续传输,若译码失败则进行重传,继续判断译码是否成功,如果不成功且重传次数没有达到上限值,则继续重传该数据;如果监督码元的数量超过其上限值或低于其下限值,则以监督码元的上限值或下限值为准。
2.根据权利要求1所述一种基于改进有效信噪比的混合自动重传请求方法,其特征在于,使用隐马尔可夫模型HMM将AOS通信链路状态划分为不同的状态序列集,具体为:
1)隐含状态S,其状态集合表示为S={S1,S2,…,SN},t时刻的状态为qt;
2)观测序列O,其测序列集合表示为O={O1,O2,…,OM},观测序列是指AOS信道的有效信噪比ESNR;
3)状态转移矩阵A,A={aij}N*N,其中aij=p{qt+1=Sj|qt=Si},1≤i,j≤N,即表示从状态A转移到状态B的概率;
4)观测序列分布矩阵B={bjk}N*M,其中bjk={Ok|qt=Sj},1≤j≤N,1≤k≤M,即表示状态Sj的情况下产生序列Ok的概率;
5)初始状态分布D,D={Di},其中,Di={q1=Si},1≤i≤N,即表示信道的初始状态为Si;
使用λ=(A,B,D)来表示完整的隐马尔可夫模型HMM。
3.根据权利要求1所述一种基于改进有效信噪比的混合自动重传请求方法,其特征在于,有效信噪比,即接收端输入处的单位比特能量和噪声功率谱密度的比值;令L表示ARQ系统成功接收一个码字所需传输次数,则E[L]为成功接收一个码字所需平均传输次数,定义为发送端发送码字的总次数与接收端接收码字的总次数的比值,设一个码字被接收端成功接收的概率为P;当不设定重传次数的上限时,成功接收一个码字所需平均传输次数为:
由式(1)可知,平均传输次数E[L]与接收概率P成反比,当重传次数的上限为M时:
从式(2)中看出,成功接收一个码字所需的平均传输次数与重传次数的上限M无关,仅与接收概率P有关,而瑞利衰落信道下的信噪比为:
式中n为比特码字的数量,k是比特信息数量。
4.根据权利要求1所述一种基于改进有效信噪比的混合自动重传请求方法,其特征在于,长短期记忆网络LSTM采用了LSTM层替代传统的隐藏层,并且拥有三个门:输入门、遗忘门和输出门,具体获取方式如下:
1)计算遗忘门的输出值:
ft=σ(wf[ht-1,xt]+bf) (5)
2)计算输入门的值:
it=σ(wi[ht-1,xt]+bi) (6)
c't=σ(wc[ht-1,xt]+bc) (7)
3)计算输出门的值:
ot=σ(wo[ht-1,xt]+bo) (9)
6.根据权利要求1所述一种基于改进有效信噪比的混合自动重传请求方法,其特征在于,在混合预测模型中,首先初始化样本得到最初的初始化状态S1,假设固定的状态序列为:Q=q1q2…qt;则观测序列O的概率通过所有状态联合概率求和获取,如下式所示:
定义前向变量如下式所示:
αt(i)=p(o1o2…ot,qt=Si|λ) (12)
αt表示的是从开始到t时刻,观测序列为O1O2…Ot的概率,将其作为LSTM的输入,则有:
7.根据权利要求1所述一种基于改进有效信噪比的混合自动重传请求方法,其特征在于,通过历史信噪比SNR的变化数据训练混合预测模型,利用训练后的混合预测模型来获取下一个时刻信道的有效信噪比ESNR的变化趋势,具体为:首先通过初始化HMM参数λ,结合观测序列O,得到隐藏状态序列S和状态概率转移矩阵A,最后通过HMM求解AOS通信链路的传输概率P;然后根据HMM对信道状态的划分情况,结合LSTM对AOS通信链路的SNR进行预测,最后根据LSTM的预测结果进而实现对AOS通信链路的ESNR的预测。
8.根据权利要求1所述一种基于改进有效信噪比的混合自动重传请求方法,其特征在于,仿真时,以混合预测模型对通信链路的ESNR状态变化进行预测:首先利用HMM求解传输概率,然后通过SNR的数据集对LSTM进行训练,由于只考虑对通信链路的ESNR这一个特征进行处理,因此设置LSTM网络选择rmsprop作为预测优化器,以均方误差MSE为损失函数。
9.根据权利要求1所述一种基于改进有效信噪比的混合自动重传请求方法,其特征在于,对于汉明码,r个监督元,传输m+r+1位数据,其中m是指传输的信息位数,具体如下式所示:
2r≥m+r+1 (14)
第t秒与第t+1秒观测符号比值为:
如果δ的值逐渐减小,说明ESNR的重传开销在减少,表明此时应当减少汉明码的监督码元以提升传输效率,反之,如果增大,则说明信道的状态正在恶化,应当增加汉明码的监督码元来提升其纠错能力确保数据的可靠传输;假设t秒时汉明码监督元数量为ut,则t+1秒时汉明码监督元数量为:
设定最大及最小监督元数目,如果ut+1超过最大监督元数目,则以最大监督元数目作为编码方案,如果ut+1小于最小监督元数目则以最小监督元数目作为编码方案;同时,设定最大传输次数,若接收端译码失败,则由反馈信道传输否定信号,编码器下一次传输则增加一定量的监督元数目;此时,如果监督元数量超过上限,则采用最大监督元数目方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845958.0A CN113595693A (zh) | 2021-07-26 | 2021-07-26 | 一种基于改进有效信噪比的混合自动重传请求方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845958.0A CN113595693A (zh) | 2021-07-26 | 2021-07-26 | 一种基于改进有效信噪比的混合自动重传请求方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113595693A true CN113595693A (zh) | 2021-11-02 |
Family
ID=78250122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110845958.0A Pending CN113595693A (zh) | 2021-07-26 | 2021-07-26 | 一种基于改进有效信噪比的混合自动重传请求方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113595693A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114362855A (zh) * | 2021-12-30 | 2022-04-15 | 重庆两江卫星移动通信有限公司 | 一种基于lstm的信道状态预测方法及系统 |
CN115276756A (zh) * | 2022-06-21 | 2022-11-01 | 重庆邮电大学 | 一种保障服务质量的低轨卫星星座优化设计方法 |
CN115297443A (zh) * | 2022-08-03 | 2022-11-04 | 歌尔科技有限公司 | 一种数据传输方法、装置、广播设备及存储介质 |
CN115297443B (zh) * | 2022-08-03 | 2024-06-07 | 歌尔科技有限公司 | 一种数据传输方法、装置、广播设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150200684A1 (en) * | 2014-01-13 | 2015-07-16 | Samsung Electronics Co., Ltd. | Method and system for estimating parameter of data channel model in communication system |
CN105763303A (zh) * | 2016-04-19 | 2016-07-13 | 成都翼比特自动化设备有限公司 | 基于预测的混和自动重传请求算法 |
US20180034596A1 (en) * | 2016-07-28 | 2018-02-01 | Samsung Electronics Co., Ltd. | Method and apparatus for managing hybrid automatic repeat request process in mobile communication system |
US20190266998A1 (en) * | 2017-06-12 | 2019-08-29 | Ping An Technology(Shenzhen) Co., Ltd. | Speech recognition method and device, computer device and storage medium |
CN113015020A (zh) * | 2021-03-01 | 2021-06-22 | 深圳市安赛通科技有限公司 | 一种网络传输协议快速纠错的算法 |
-
2021
- 2021-07-26 CN CN202110845958.0A patent/CN113595693A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150200684A1 (en) * | 2014-01-13 | 2015-07-16 | Samsung Electronics Co., Ltd. | Method and system for estimating parameter of data channel model in communication system |
CN105763303A (zh) * | 2016-04-19 | 2016-07-13 | 成都翼比特自动化设备有限公司 | 基于预测的混和自动重传请求算法 |
US20180034596A1 (en) * | 2016-07-28 | 2018-02-01 | Samsung Electronics Co., Ltd. | Method and apparatus for managing hybrid automatic repeat request process in mobile communication system |
US20190266998A1 (en) * | 2017-06-12 | 2019-08-29 | Ping An Technology(Shenzhen) Co., Ltd. | Speech recognition method and device, computer device and storage medium |
CN113015020A (zh) * | 2021-03-01 | 2021-06-22 | 深圳市安赛通科技有限公司 | 一种网络传输协议快速纠错的算法 |
Non-Patent Citations (5)
Title |
---|
ASHISH VERMA; DEBASHIS SEN: "HMM-based Convolutional LSTM for Visual Scanpath Prediction", 2019 27TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO), A CORUNA, SPAIN, 2019, PP. 1-5, DOI: 10.23919/EUSIPCO.2019.8902643., 6 September 2019 (2019-09-06) * |
余作奔等: "基于有效信噪比的自动重传请求协议性能比较", 浙江科技学院学报, vol. 28, no. 05, 31 October 2016 (2016-10-31) * |
张强: "基于丢包率预测的混合自动重传请求算法研究", 中国优秀硕士学位论文全文数据库基础科学辑, no. 02, 15 February 2017 (2017-02-15) * |
张强;闫斌;杨蔚;周辉;: "基于预测的混和自动重传请求算法", 通信技术, no. 05, 10 May 2016 (2016-05-10) * |
林坤辉;息晓静;周昌乐;: "基于HMM与神经网络的声学模型研究", 厦门大学学报(自然科学版), no. 01, 30 January 2006 (2006-01-30) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114362855A (zh) * | 2021-12-30 | 2022-04-15 | 重庆两江卫星移动通信有限公司 | 一种基于lstm的信道状态预测方法及系统 |
CN115276756A (zh) * | 2022-06-21 | 2022-11-01 | 重庆邮电大学 | 一种保障服务质量的低轨卫星星座优化设计方法 |
CN115276756B (zh) * | 2022-06-21 | 2023-09-26 | 重庆邮电大学 | 一种保障服务质量的低轨卫星星座优化设计方法 |
CN115297443A (zh) * | 2022-08-03 | 2022-11-04 | 歌尔科技有限公司 | 一种数据传输方法、装置、广播设备及存储介质 |
CN115297443B (zh) * | 2022-08-03 | 2024-06-07 | 歌尔科技有限公司 | 一种数据传输方法、装置、广播设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109660264B (zh) | 高性能极化码译码算法 | |
CN113595693A (zh) | 一种基于改进有效信噪比的混合自动重传请求方法 | |
CN109586730B (zh) | 一种基于智能后处理的极化码bp译码算法 | |
CN110336567B (zh) | 一种应用于g-ldpc编码协作的联合迭代译码方法 | |
CN107565978B (zh) | 基于Tanner图边调度策略的BP译码方法 | |
CN110798228A (zh) | 一种基于深度学习的极化码翻转译码方法及系统 | |
CN114268328A (zh) | 一种基于双向lstm的卷积码译码方法与卷积码编码和译码方法 | |
CN115473537A (zh) | 极化码中一种改进的es-scl译码方法 | |
CN111726202B (zh) | 一种极化码置信传播译码的提前终止迭代方法 | |
CN113114269A (zh) | 一种置信传播-信息修正译码方法 | |
CN111431542A (zh) | 基于crc辅助的极化码的置信度传播翻转算法设计 | |
Tato et al. | Deep learning assisted rate adaptation in spatial modulation links | |
Cohen et al. | DeepNP: Deep learning-based noise prediction for ultra-reliable low-latency communications | |
CN110061747A (zh) | 一种极化码的基于阈值的比特反转译码方法 | |
CN111917420B (zh) | 一种ldpc自适应译码方法及ldpc自适应译码器 | |
CN115276668A (zh) | 一种基于crc的ldpc码混合译码方法 | |
CN111835363B (zh) | 基于交替方向乘子法的ldpc码译码方法 | |
CN110719112B (zh) | 一种基于深度学习的参数自适应rs码译码方法 | |
CN114448575B (zh) | 基于动态拷贝映射的极化码重传译码方法 | |
Tian et al. | A scalable graph neural network decoder for short block codes | |
Chen et al. | Boosting belief propagation for LDPC codes with deep convolutional neural network predictors | |
CN101232346B (zh) | 低密度奇偶校验码译码方法和译码装置 | |
Song et al. | ANN based adaptive successive cancellation list decoder for polar codes | |
CN116743190A (zh) | 一种基于神经网络的lsbp与osd级联方案 | |
CN115426014B (zh) | 一种基于酉空时编码调制的水声mimo通信方法 |
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 |