CN113612587A - 基于深度学习的空间调制接收端译码方法 - Google Patents

基于深度学习的空间调制接收端译码方法 Download PDF

Info

Publication number
CN113612587A
CN113612587A CN202010471591.6A CN202010471591A CN113612587A CN 113612587 A CN113612587 A CN 113612587A CN 202010471591 A CN202010471591 A CN 202010471591A CN 113612587 A CN113612587 A CN 113612587A
Authority
CN
China
Prior art keywords
training
neural network
network
decoding
spatial modulation
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
Application number
CN202010471591.6A
Other languages
English (en)
Inventor
束锋
刘林
吴博凡
夏桂阳
邹骏
朱玲玲
李嘉钰
王云天
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010471591.6A priority Critical patent/CN113612587A/zh
Publication of CN113612587A publication Critical patent/CN113612587A/zh
Pending legal-status Critical Current

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
    • H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
    • H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
    • H04L1/0612—Space-time modulation
    • 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
    • H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
    • H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
    • H04L1/0618—Space-time coding
    • H04L1/0631—Receiver arrangements
    • 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
    • H04L27/345—Modifications of the signal space to allow the transmission of additional information
    • H04L27/3461—Modifications of the signal space to allow the transmission of additional information in order to transmit a subchannel
    • H04L27/3483—Modifications of the signal space to allow the transmission of additional information in order to transmit a subchannel using a modulation of the constellation points
    • 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
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/0848—Joint weighting
    • H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提供了一种基于深度学习的空间调制接收端译码方法，包括：构造深度神经译码网络，并初始化训练参数；在空间调制系统发射机发送训练序列，接收机接受信号，由此产生大量训练数据，同时发射机随机发射信号，以此生成验证数据集；利用训练数据集对构建的神经网络模型进行训练，得到训练好的神经网络，然后用验证集验证网络评估神经网络，若不符合要求，改变参数继续训练直至神经网络收敛；将训练好的升级网络部署在空间调制的接收端，对接受信号y进行译码，得到发射符号的估计。

Description

基于深度学习的空间调制接收端译码方法
技术领域
本发明涉及无线通信技术领域，特别涉及一种基于深度学习的空间调制译码方法。
背景技术
近年来，随着无线通信技术与无线容量需求的迅猛增长，能效性问题愈发引起了人们的关注。空间调制，其基本思想是利用激活天线的索引和幅度相位信号来传输信息。空间调制技术是介于贝尔实验室空时分结构与空时分组码之间的中间路线，能够实现空间复用与空间分集的良好平衡。作为一种新兴的传输技术，空间调制近些年来引起了学术界和工业界的广泛关注。
深度学习是机器学习领域的技术之一，在图像、语音、自然语言等领域被广泛应用。由于数据学习能力强，深度学习最近被引入无线物理层。如毫米波信道估计，信道状态信息反馈，数据检测，并取得了优异的成绩。
本文开发了一种用于空间调制接收端译码检测的深度学习网络，在已有的深度学习检测器改变基本层内连接，得到了该网络的结构，通过深度学习提高了译码性能。
仿真结果表明，该算法从大量数据中学习最优参数，性能明显优于迫零算法和MMSE算法。
发明内容
本发明的目的在于提供一种基于深度学习的空间调制接收端译码方法，包括以下步骤：
S1，构造深度神经译码网络，并初始化训练参数；
S2，在空间调制系统发射机发送训练序列，接收机接受信号，由此产生大量训练数据，同时发射机随机发射信号，以此生成验证数据集；
S3，利用训练数据集对构建的神经网络模型进行训练，得到训练好的神经网络，然后用验证集验证网络评估神经网络，若不符合要求，改变参数继续训练直至神经网络收敛；
S4，将训练好的升级网络部署在空间调制的接收端，对接受信号y进行译码，得到发射符号的估计。
进一步地，步骤S1中所构建神经网络的每一层都是一样的，每一层中H 表示信道矩阵，Y表示天线接收的信号，Sk Ek表示神经网络第k层输出的星座图符号和天线符号向量，Vk为第k层到第k+1层网络的隐藏连接量。
进一步地，在神经网络译码结的每一层内分块设计输入和输出，同时把天线索引和星座图索引分开译码。
进一步地，训练数据由发射机发射训练序列，接收机保存接收信号和信道状态信息，其中把发射符号按照天线索引和星座图符号对接收到的信号添加标签，以此构成训练数据集。
进一步地，采用分批处理的随机梯度下降算法训练网络，同时采用指数衰减的学习率；其中，每一百次迭代训练后采用验证集决定是否提前终止训练。
本发明与现有技术相比，具有以下优点：本发明提出的基于深度学习的译码方法，具有如下优点：1.本方法实现了神经网络与空间调制的结合；2. 本方法相比于最大似然译码算法，采用并行神经网络译码，降低译码复杂度，加快译码时间；3.与迫零算法和MMSE算法相比，本方法误码率方面的性能有较大的提升。
下面结合说明书附图对本发明作进一步描述。
附图说明
图1为基于深度学习的算法的译码结构框图。
图2所示为基于深度学习的算法设计框图。
图3所示为所提的深度学习算法与迫零、最小均方误差、最大似然算法的误码率与信噪比变化曲线示意图。
具体实施方式
下面结合附图和具体实例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供基于深度学习的译码方法，该方法需要预先设计深度神经网络，在已知信道状态信息的情况下用训练数据集训练网络，然后在接收端部署译码网络，从而对接收端接收到的信号进行译码。信道状态信息可以通过导频信号估计算法获知。首先设计一个神经网络结构(初始化神经网络参数)，然后收集数据合理划分训练数据集和验证集，利用基于反向传播的随机梯度下降算法在训练集上训练网络，将训练好的网络部署到空间调制接收端进行译码。
本发明给出空间调制系统模型下基于深度学习的接收端译码结构，其中基站配置N根天线，期望用户配置Nb根天线。基站Alice作为发射机将输入比特流分为两块，一部分用于传统的幅度相位调制，另一部分用于映射激活天线序号。发射信号可以表示为
Figure BDA0002514460370000031
其中P为总发射功率约束，ei示单位矩阵
Figure BDA0002514460370000032
的第i列的列向量， sj,j∈[1,2,…,M]表示M维星座图中的第j个符号。期望用户接收到的信号yb表示为
Figure BDA0002514460370000033
式中：
Figure BDA0002514460370000034
为信道增益矩阵，H中的每一个元素都是服从复高斯分布。
Figure BDA0002514460370000035
为期望接收机的噪声,服从复高斯分布
Figure BDA0002514460370000036
样本数据准备，在上述空间调制模型中，基于不同的信道下，发射机随机发射训练序列，接收机将天线接收到的信号保存下来。信道矩阵H和接收到的信号yb作为神经的输入量，对其按照发射的训练序列添加天线索引和星座图索引的标签，以此构成样本数据。在这些样本数据中随机选取80％的样本数据作为训练样本，20％样本数据作为测试数据。
构建一个空间调制的译码神经网络，将信道矩阵H和接收到的信号yb作为输入，得到天线索引的估计Ei和星座图索引的估计Sj。以此计算与所贴标签ei和sj的距离作为损失函数。采用分批处理的随机梯度下降算法训练网络，同时采用指数衰减的学习率。每迭代训练100次，将测试集用于检测网络是否满足性能，并决定是否进行提前终止，以减少过拟合状态发生。
将训练好的升级网络部署在空间调制的接收端。在已知信道状态信息的条件下对接收信号y进行译码。得到发射符号的估计。
图1所示为基于深度学习的译码结构框图。
图2所示为基于深度学习的算法设计框图。
图3所示为所提的深度学习算法与迫零、最小均方误差、最大似然算法的误码率与信噪比变化曲线。误码率与信噪比曲线，其中接收机天线数为4，从图中可以看出，所提的深度学习算法与迫零算法和MMSE算法相比可以获得更好的误码率性能。

Claims (5)

1.一种基于深度学习的空间调制接收端译码方法，其特征在于，包括以下步骤：
S1，构造深度神经译码网络，并初始化训练参数；
S2，在空间调制系统发射机发送训练序列，接收机接受信号，由此产生大量训练数据，同时发射机随机发射信号，以此生成验证数据集；
S3，利用训练数据集对构建的神经网络模型进行训练，得到训练好的神经网络，然后用验证集验证网络评估神经网络，若不符合要求，改变参数继续训练直至神经网络收敛；
S4，将训练好的升级网络部署在空间调制的接收端，对接受信号y进行译码，得到发射符号的估计。
2.根据权利要求1所述的码方法，其特征在于，步骤S1中所构建神经网络的每一层都是一样的，每一层中H表示信道矩阵，Y表示天线接收的信号，SkEk表示神经网络第k层输出的星座图符号和天线符号向量，Vk为第k层到第k+1层网络的隐藏连接量。
3.根据权利要求1所述的方法，其特征在于，在神经网络译码结的每一层内分块设计输入和输出，同时把天线索引和星座图索引分开译码。
4.根据权利要求1所述的方法，其特征在于，训练数据由发射机发射训练序列，接收机保存接收信号和信道状态信息，其中把发射符号按照天线索引和星座图符号对接收到的信号添加标签，以此构成训练数据集。
5.根据权利要求1所述的方法，其特征在于，采用分批处理的随机梯度下降算法训练网络，同时采用指数衰减的学习率；其中，每一百次迭代训练后采用验证集决定是否提前终止训练。
CN202010471591.6A 2020-05-29 2020-05-29 基于深度学习的空间调制接收端译码方法 Pending CN113612587A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010471591.6A CN113612587A (zh) 2020-05-29 2020-05-29 基于深度学习的空间调制接收端译码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010471591.6A CN113612587A (zh) 2020-05-29 2020-05-29 基于深度学习的空间调制接收端译码方法

Publications (1)

Publication Number Publication Date
CN113612587A true CN113612587A (zh) 2021-11-05

Family

ID=78336287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010471591.6A Pending CN113612587A (zh) 2020-05-29 2020-05-29 基于深度学习的空间调制接收端译码方法

Country Status (1)

Country Link
CN (1) CN113612587A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108667502A (zh) * 2018-04-27 2018-10-16 电子科技大学 一种基于机器学习的空间调制天线选择方法
CN110942100A (zh) * 2019-11-29 2020-03-31 山东大学 一种基于深度去噪神经网络的空间调制系统的工作方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108667502A (zh) * 2018-04-27 2018-10-16 电子科技大学 一种基于机器学习的空间调制天线选择方法
CN110942100A (zh) * 2019-11-29 2020-03-31 山东大学 一种基于深度去噪神经网络的空间调制系统的工作方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NEEV SAMUEL等: "Deep MIMO detection", 2017 IEEE 18TH INTERNATIONAL WORKSHOP ON SIGNAL PROCESSING ADVANCES IN WIRELESS COMMUNICATIONS (SPAWC), pages 1 - 5 *
杨祯琳;: "基于深度学习的低复杂度LDPC译码器", 电脑与电信, no. 03 *

Similar Documents

Publication Publication Date Title
Heath et al. Linear dispersion codes for MIMO systems based on frame theory
Wang et al. An orthogonal space-time coded CPM system with fast decoding for two transmit antennas
EP2410707A1 (en) Space time coding method in orthogonal network and relay transmission system
CN102624666B (zh) 稀疏信道模型下多路收发的正交多载波水声通信循环译码方法
CN113381828B (zh) 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法
Pillay et al. Low‐complexity transmit antenna selection schemes for spatial modulation
CN110855328B (zh) 一种基于天线分组的差分空间调制方法、设备及存储介质
CN111565061A (zh) 一种基于深度神经网络的mimo-scma下行链路通信方法
CN107204831A (zh) 一种用于mimo‑scma系统的低复杂度检测方法
CN101094022A (zh) 发射机、通信系统以及通信方法
CN1973472A (zh) 利用星座子集映射的数据流调制
CN106301496A (zh) 基于天线选择和预编码的空间调制系统
Ye et al. Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems
JP2005176020A (ja) 復号方法および復号装置
CN101541023A (zh) 一种联合迭代检测译码方法和装置
CN101227254A (zh) 一种在多入多出系统中v-blast的检测方法
CN101335556A (zh) 分布式多入多出系统及其数据收发方法
Adejumobi et al. RF mirror media‐based space‐time block coded spatial modulation techniques for two time‐slots
CN108923829A (zh) 一种基于相关函数的空频分组码盲识别方法
ElMossallamy et al. Noncoherent MIMO codes construction using autoencoders
CN105933264B (zh) 等功率分配超奈奎斯特传输方法
US6693976B1 (en) Method of wireless communication using structured unitary space-time signal constellations
CN103856298A (zh) 一种低复杂度最小距离收发信端编译码构建方法
CN113612587A (zh) 基于深度学习的空间调制接收端译码方法
CN114759997B (zh) 一种基于数据模型双驱动的mimo系统信号检测方法

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