CN113748626A - 通信系统中的迭代检测 - Google Patents

通信系统中的迭代检测 Download PDF

Info

Publication number
CN113748626A
CN113748626A CN201980095898.6A CN201980095898A CN113748626A CN 113748626 A CN113748626 A CN 113748626A CN 201980095898 A CN201980095898 A CN 201980095898A CN 113748626 A CN113748626 A CN 113748626A
Authority
CN
China
Prior art keywords
data
estimate
receiver
generating
transmitted
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.)
Granted
Application number
CN201980095898.6A
Other languages
English (en)
Other versions
CN113748626B (zh
Inventor
J·霍伊迪斯
S·卡默雷尔
S·多纳
S·坦·布林克
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.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
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 Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN113748626A publication Critical patent/CN113748626A/zh
Application granted granted Critical
Publication of CN113748626B publication Critical patent/CN113748626B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L1/0047—Decoding adapted to other signal detection operation
    • H04L1/0048—Decoding adapted to other signal detection operation in conjunction with detection of multiuser or interfering signals, e.g. iteration between CDMA or MIMO detector and FEC decoder
    • 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
    • H04L1/0047—Decoding adapted to other signal detection operation
    • H04L1/005—Iterative decoding, including iteration between signal detection and decoding operation
    • 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
    • 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
    • H04L1/1607—Details of the supervisory signal
    • 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
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
    • H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
    • H03M13/11—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits using multiple parity bits
    • H03M13/1102—Codes on graphs and decoding on graphs, e.g. low-density parity check [LDPC] codes

Landscapes

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

Abstract

描述了一种装置、计算机程序和方法，包括：在通信系统的接收机处接收数据，生成由传输系统的发射机发射的数据的估计(其中生成估计包括至少具有一些可训练权重的接收机算法)，基于所述估计和纠错算法来生成发射数据的细化估计(其中在操作模式中，基于接收数据和所述细化估计来生成发射数据的所述估计)；并且在操作模式中，在所述生成发射数据的估计的多次迭代中的每次迭代上生成发射数据的修正估计，直到达到第一条件。

Description

通信系统中的迭代检测
技术领域
本说明书涉及在接收机处估计由通信系统的发射机发射的数据。
背景技术
简单的通信系统包括发射机、传输信道和接收机。尽管已知许多这样的通信系统，但是在该领域仍需要进一步发展。例如，在接收机处估计由这种通信系统的发射机发射的数据方面仍然需要进一步开发。
发明内容
在第一方面，本说明书提供了一种装置，包括：用于在接收机处接收数据的部件，该数据由通信系统的发射机发射，该通信系统包括发射机、信道和接收机；用于生成由发射机发射的数据的估计的部件，其中用于生成估计的部件包括至少具有一些可训练权重的接收机算法；用于基于所述估计和纠错算法来生成发射数据的细化估计的部件，其中在操作模式中，用于生成发射数据的所述估计的所述部件基于接收数据和所述细化估计来生成所述估计；以及用于在操作模式中在生成发射数据的估计的多次迭代中的每次迭代上生成发射数据的修正估计直到达到第一条件的部件。第一条件可以包括已定义的性能标准。可替代地或另外地，第一条件可以包括已定义的迭代次数。
用于生成发射数据的估计的部件可以在生成发射数据的估计的第一次迭代中生成初始估计。可以在不参考所述细化估计的情况下生成所述第一次迭代。
一些示例还包括用于在训练模式中训练接收机算法的可训练权重的部件。用于训练可训练权重的部件可以调整可训练权重以将损失函数最小化，其中损失函数基于由发射机发射的数据和发射数据的训练估计，发射数据的训练估计由用于生成发射数据的估计的所述部件生成(例如，基于接收数据和反馈项)。用于训练接收机算法的可训练权重的部件可以包括：用于初始化所述可训练权重的部件；用于获得多个数据集的部件，每个数据集包括所述通信系统的接收数据和对应的发射数据；用于为多个数据集的每个数据集生成反馈项的部件(所述反馈项可以具有基于在操作模式中的所述精细估计的预期分布的分布)；以及用于更新可训练权重以将所述损失函数最小化的部件，其中损失函数基于所述数据集的发射数据和发射数据的相应的训练估计，发射数据的相应的训练估计由用于生成发射数据的估计的所述部件生成，其中该训练估计基于相应的接收数据和相应的反馈项。一些示例还包括基于进一步获得的数据集和所生成的反馈项重复所述更新所述可训练权重。
在一些示例中，接收机算法包括神经网络。所述神经网络可以具有用于接收在接收机处接收到的数据的第一输入和用于接收基于发射数据的细化估计的信号的第二输入。神经网络可以生成由发射机发射的数据的所述估计。
所述装置可以包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器，该至少一个存储器和计算机程序被配置为与至少一个处理器一起引起该装置的执行。
在第二方面，本说明书提供了一种装置，包括：用于基于在通信系统的接收机处接收到的数据来生成由通信系统的发射机发射的数据的估计的部件，其中用于生成估计的部件包括至少具有一些可训练权重的接收机算法；用于初始化所述可训练权重的部件；用于获得多个数据集的部件，每个数据集包括所述通信系统的在接收机处接收到的数据和对应的发射数据；用于为多个数据集的每个数据集生成反馈项的部件，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；以及用于在训练模式中更新可训练权重以将损失函数最小化的部件，其中损失函数基于所述数据集的发射数据和发射数据的相应的训练估计，发射数据的相应的训练估计由用于生成发射数据的估计的所述部件生成，其中训练估计基于相应的接收数据和相应的反馈项。所述装置可以包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器，该至少一个存储器和计算机程序被配置为与至少一个处理器一起引起该装置的执行。
第二方面可以进一步包括如上所述的第一方面的至少一些特征。
在第三方面，本说明书描述了一种方法，包括：在接收机处接收数据，该数据由通信系统的发射机发射，该通信系统包括发射机、信道和接收机；使用至少具有一些可训练权重的接收机算法来生成由发射机发射的数据的估计；基于所述估计和纠错算法来生成发射数据的细化估计，其中在操作模式中，生成发射数据的所述估计基于接收数据和所述细化估计来生成所述估计；并且在操作模式中在生成发射数据的估计的多次迭代中的每次迭代上生成发射数据的修正估计，直到达到第一条件。第一条件可以包括已定义的性能标准。可替代地或另外地，第一条件可以包括已定义的迭代次数。
生成发射数据的估计可以包括在生成发射数据的估计的第一次迭代中生成初始估计。可以在没有参考所述细化估计的情况下生成所述第一次迭代。
一些示例还包括在训练模式中训练接收机算法的可训练权重。训练可训练权重可以包括调整可训练权重以将损失函数最小化，其中损失函数基于由发射机发射的数据和在生成发射数据的估计期间生成的发射数据的训练估计(例如，基于接收的数据和反馈项)。训练接收机算法的可训练权重可以包括：初始化所述可训练权重；获得多个数据集，每个数据集包括所述通信系统的接收数据和对应的发射数据；为多个数据集的每个数据集生成反馈项(所述反馈项可以具有基于在操作模式中的所述精细估计的预期分布的分布)；更新可训练权重以将所述损失函数最小化，其中损失函数基于所述数据集的发射数据和在生成发射数据的估计期间生成的发射数据的相应的训练估计，其中训练估计基于相应的接收数据和相应的反馈项。一些示例还包括基于进一步获得的数据集和所生成的反馈项重复所述更新所述可训练权重。
在一些示例中，接收机算法包括神经网络。
在第四方面，本说明书描述了一种方法，包括：基于在通信系统的接收机处接收到的数据，使用至少具有一些可训练权重的接收机算法来生成由通信系统的发射机发射的数据的估计；初始化所述可训练权重；获得多个数据集，每个数据集包括所述通信系统的在接收机处接收到的数据和对应的发射数据；为多个数据集的每个数据集生成反馈项，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；在训练模式中更新可训练权重以将损失函数最小化，其中损失函数基于所述数据集的发射数据和由所述接收机算法生成的发射数据的相应的训练估计，其中训练估计基于相应的接收数据和相应的反馈项。
第四方面可以进一步包括如上所述的第三方面的至少一些特征。
在第五方面，本说明书描述了一种被配置为执行参考第三或第四方面所描述的任何方法的装置。
在第六方面，本说明书描述了计算机可读指令，该计算机可读指令在由计算装置执行时使计算装置执行参考第三或第四方面所描述的任何方法。
在第七方面，本说明书描述了一种计算机可读介质，包括存储在其上的程序指令，用于至少执行以下操作：在接收机处接收数据，该数据由通信系统的发射机发射，该通信系统包括发射机、信道和接收机；使用至少具有一些可训练权重的接收机算法来生成由发射机发射的数据的估计；基于所述估计和纠错算法来生成发射数据的细化估计，其中在操作模式中，基于接收数据和所述细化估计来生成发射数据的所述估计；并且在操作模式中在生成发射数据的估计的多次迭代中的每次迭代上生成发射数据的修正估计，直到达到第一条件。
在第八方面，本说明书描述了一种计算机可读介质，包括存储在其上的程序指令，用于至少执行以下操作：基于在通信系统的接收机处接收到的数据，使用至少具有一些可训练权重的接收机算法来生成由通信系统的发射机发射的数据的估计；初始化所述可训练权重；获得多个数据集，每个数据集包括所述通信系统的在接收机处接收到的数据和对应的发射数据；为多个数据集的每个数据集生成反馈项，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；在训练模式下更新可训练权重以将损失函数最小化，其中损失函数基于所述数据集的发射数据和由所述接收机算法生成的发射数据的相应的训练估计，其中训练估计基于相应的接收数据和相应的反馈项。
在第九方面，本说明书描述了一种计算机程序，其包括用于使装置至少执行以下操作的指令：在接收机处接收数据，该数据由通信系统的发射机发射，该通信系统包括发射机、信道和接收机；使用至少具有一些可训练权重的接收机算法来生成由发射机发射的数据的估计；基于所述估计和纠错算法来生成发射数据的细化估计，其中在操作模式中，生成发射数据的所述估计基于接收数据和所述细化估计来生成所述估计；并且在操作模式中在生成发射数据的估计的多次迭代中的每次迭代上生成发射数据的修正估计，直到达到第一条件。
在第十方面，本说明书描述了一种计算机程序，其包括用于使装置至少执行以下操作的指令：基于在通信系统的接收机处接收到的数据，使用至少具有一些可训练权重的接收机算法来生成由通信系统的发射机发射的数据的估计；初始化所述可训练权重；获得多个数据集，每个数据集包括所述通信系统的在接收机处接收到的数据和对应的发射数据；为多个数据集的每个数据集生成反馈项，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；在训练模式中更新可训练权重以将损失函数最小化，其中损失函数基于所述数据集的发射数据和由所述接收机算法生成的发射数据的相应的训练估计，其中训练估计基于相应的接收数据和相应的反馈项。
在第十一方面，本说明书描述了一种装置，包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器，该计算机程序代码在由至少一个处理器执行时使该装置：基于在通信系统的接收机处接收到的数据，使用至少具有一些可训练权重的接收机算法来生成由通信系统的发射机发射的数据的估计；初始化所述可训练权重；获得多个数据集，每个数据集包括所述通信系统的在接收机处接收到的数据和对应的发射数据；为多个数据集的每个数据集生成反馈项，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；在训练模式中更新可训练权重以将损失函数最小化，其中损失函数基于所述数据集的发射数据和由所述接收机算法生成的发射数据的相应的训练估计，其中训练估计基于相应的接收数据和相应的反馈项。
在第十一方面，本说明书描述了一种装置，包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器，该计算机程序代码在由至少一个处理器执行时使该装置：在接收机处接收数据，该数据由通信系统的发射机发射，该通信系统包括发射机、信道和接收机；使用至少具有一些可训练权重的接收机算法来生成由发射机发射的数据的估计；基于所述估计和纠错算法来生成发射数据的细化估计，其中在操作模式中，生成发射数据的所述估计基于接收数据和所述细化估计来生成所述估计；并且在操作模式中在生成发射数据的估计的多次迭代中的每次迭代上生成发射数据的修正估计，直到达到第一条件。
在第十二方面，本说明书描述了一种装置，包括：至少一个处理器；包括计算机程序代码的至少一个存储器，该计算机程序代码在由至少一个处理器执行时使该装置：基于在通信系统的接收机处接收到的数据，使用至少具有一些可训练权重的接收机算法来生成对由通信系统的发射机发射的数据的估计；初始化所述可训练权重；获得多个数据集，每个数据集包括所述通信系统的在接收机处接收到的数据和对应的发射数据；为多个数据集的每个数据集生成反馈项，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；在训练模式中更新可训练权重以将损失函数最小化，其中损失函数基于所述数据集的发射数据和由所述接收机算法生成的发射数据的相应的训练估计，其中训练估计基于相应的接收数据和相应的反馈项。
在第十三方面，本说明书描述了一种装置，包括：用于接收数据的接收机，该数据由通信系统的发射机发射，该通信系统包括发射机、信道和接收机，该接收机包括用于生成由发射机发射的数据的估计的接收机算法(诸如神经网络)，其中接收机算法包括至少一些可训练权重；以及用于基于所述估计和纠错算法来生成发射数据的细化估计的解码器，其中在操作模式中，所述接收机算法基于接收数据和所述细化估计来生成所述估计，其中在操作模式下在生成发射数据的估计的多次迭代中的每一次上生成发射数据的修正估计，直到达到第一条件。
在第十四方面，本说明书描述了一种装置，包括：接收机模块，用于基于在通信系统的接收机处接收到的数据来生成由通信系统的发射机发射的数据的估计，其中接收机模块包括至少具有一些可训练权重的接收机算法；用于初始化所述可训练权重的初始化模块；用于获得多个数据集的控制模块，每个数据集包括所述通信系统的在接收机处接收到的数据和对应的发射数据；用于为多个数据集的每个数据集生成反馈项的反馈模块，其中所述反馈项具有基于操作模式中的所述细化估计的预期分布的分布；以及用于在训练模式中更新可训练权重以将损失函数最小化的训练模块，其中损失函数基于所述数据集的发射数据和由所述接收机模块生成的发射数据的相应的训练估计，其中训练估计基于相应的接收数据和相应的反馈项。
附图说明
现在将参考以下示意图以非限制性示例的方式描述示例实施例，其中：
图1是根据示例实施例的通信系统的框图；
图2是根据示例实施例的图1的通信系统的接收机的示例实现的框图；
图3是根据示例实施例的通信系统的框图；
图4是示出根据示例实施例的算法的流程图；
图5是根据示例实施例的系统模型的框图；
图6和图7是示出根据示例实施例的算法的流程图；
图8是根据示例实施例的系统的框图；
图9是根据示例实施例的系统的组件的框图；以及
图10A和图10B示出了存储计算机可读代码的有形介质，分别是可移除存储器单元和压缩盘(CD)，该计算机可读代码在由计算机运行时执行根据实施例的操作。
具体实施方式
在描述和附图中，相同的附图标记始终指代相同的元件。
图1是根据示例实施例的通信系统的框图，总体上由附图标记10来指示；
系统10包括发射机12、信道13和接收机14。从系统级看，系统10将在发射机12的输入处接收到的信息比特的向量u转换成在接收机14的输出处的输出向量
Figure BDA0003326958690000081
更具体地，发射机12将向量u变换成用于在信道13上传输的发射向量x。发射向量x在信道上发射并且在接收机14处作为信道输出向量y而被接收。接收机14生成输出
Figure BDA0003326958690000082
它是原始发射的信息向量u的估计。
如下文详细描述的，由接收机14实现的接收机算法可以被实现为可微参数函数，并且可以至少包括一些可训练权重(其可以通过随机梯度下降来训练)。类似地，由发射机12实现的发射机算法可以被实现为可微参数函数，并且可以至少包括一些可训练权重(其可以通过随机梯度下降来训练)。
图2是系统10的接收机14的至少一部分的示例实现的框图。如图2中所示，接收机14包括神经网络的多个层(仅作为示例示出了第一层22、第二层23和第三层24；在示例实现中可以提供更多或更少的层)。
接收机14还包括输出模块26。例如，可以提供输出模块26以将接收机神经网络的最后一层26的输出转换成相关发射比特或符号的最可能估计。例如，输出模块26可以包括生成相关输出的arg max模块。
因此，接收机14可以包括用于实现接收机算法的模块(诸如神经网络)。类似地，发射机12可以包括用于实现发射机算法的模块(诸如神经网络)。
在许多数字通信系统(诸如系统10)中，作为调制过程的一部分，编码比特序列被映射到调制符号(例如，6比特可以被映射到一个QAM64符号)。比特序列到符号的映射可以被称为比特映射或比特标记。一种常用的比特标记方案是Gray标记。在许多情形中，很难找到最佳比特标记布置。这会导致使用次优比特标记，从而导致误码率(BER)性能降低。
如下文详细描述的，本文描述的示例实施例实现了具有可训练参数的接收机算法，该算法不仅对信道输出进行操作，而且对来自外部信道解码器的反馈进行操作。这实现了迭代的解映射和解码，其例如导致误码率(BER)性能提高，特别是对于次优比特标记而言。
图3是根据示例实施例的通信系统的框图，总体上由附图标记30来指示。系统30包括编码器31、发射机32、信道33、接收机34、解码器35和硬解码器36。如下文详细描述的，通信系统30在数据的接收中利用纠错码或类似算法。此外，例如使用机器学习的原理，接收机具有可以被优化的可训练参数。
编码器31将信息比特向量u变换为编码比特向量c，即c＝Enc(u)。
发射机32将向量c变换为发射向量x，即x＝TX(c)。因此，发射机32可以将编码比特序列映射成调制符号。
因此，编码器31和发射机32可以共同形成上述系统10的发射机12。
信道33(其可以形成系统10的信道13)接收输入数据x并向接收机34提供输出向量y。输出向量y通过条件概率密度函数p(y|x)来表征。
如下文详细描述的，接收机34基于(从信道33获得的)信道输出向量y和解码器35的输出(如下文进一步讨论)来产生向量c的逐比特估计
Figure BDA0003326958690000101
如本领域中已知的，LLR(x)表达x的对数似然比，其中：
Figure BDA0003326958690000102
解码器35在一些(解码)编码方案(即，
Figure BDA0003326958690000103
)的基础上来生成c的细化估计
Figure BDA0003326958690000104
解码器35还生成u的估计
Figure BDA0003326958690000105
因此，解码器35生成了编码比特c的向量的细化估计(并将该细化估计提供给接收机34)，并生成信息比特向量的估计(并将该估计提供给硬解码器36)。
硬解码器36提供信息比特向量的估计
Figure BDA0003326958690000106
硬解码器36基于接收到的对数似然比做出决定。例如，如果硬解码器实现了函数harddec(LLR(x))，则，如果LLR(x)≥0，则x＝0，否则x＝1。
接收机34、解码器35和硬解码器36因此可以共同形成系统10的接收机14。
图4是示出了根据示例实施例的算法的流程图，总体上由附图标记40来指示。该算法示出了上述系统30的接收机34、解码器35和硬解码器36的示例使用。
算法40开始于操作41，其中在接收机34处接收数据，该数据由包括发射机32、信道33和接收机34的通信系统的发射机发射。
在操作43处，生成由发射机发射的数据的估计。该估计由在接收机34(接收机34至少具有一些可训练权重)处实现的接收机算法生成。在操作43的第一次迭代中，在操作43处生成发射数据的初始估计。例如，接收机34可以包括多个可训练模块，诸如上述模块22、23和24。
在操作45处，基于在操作43处生成的估计(即，操作43的最新近迭代)和纠错算法，生成发射数据的细化估计。细化估计由解码器35生成。
在操作47处，确定算法40是否完成(例如取决于是否已经达到第一条件，如下文进一步讨论的)。如果没有完成，则算法40返回到操作43(使得执行操作43的进一步迭代)。如果认为算法40完成，则算法40移动到操作49，如下面所讨论。
如上面所指示，在操作43的第一次迭代中，生成发射数据的初始估计。该初始估计通常是在没有参考所述细化估计的情况下生成的(因为它通常是在生成细化估计之前被确定的)。在操作模式(而不是下面讨论的训练模式)中，在操作43的每次进一步迭代中(即，当算法在操作47的实例中被认为未完成时)，对发射数据的修正估计是基于在操作41中接收到的数据和在操作45的前一次迭代中生成的细化估计而生成的。
因此，在操作43的多个实例中的每一个实例上生成发射数据的修正估计，直到达到第一条件。
在操作49处，生成输出。例如，解码器35可以生成信息比特向量u的
Figure BDA0003326958690000111
估计，并且硬解码器36可以提供信息比特向量的估计
Figure BDA0003326958690000112
如上面所讨论，操作47可以基于是否已经达到第一条件来确定算法是否完成。示例的第一条件包括已定义的性能标准、已定义的迭代次数、或者每当两次迭代之间的性能变化不超过已定义的量时。技术人员将知晓所述第一条件的进一步替代实现。
可以使用损失函数
Figure BDA0003326958690000121
来测量通信系统30的性能。可以选择接收机的可训练参数(本文中被称为θ)以使得将平均损失最小化，即：
Figure BDA0003326958690000122
其中RX是接收机算法，它采取信道输出y和解码器输出
Figure BDA0003326958690000126
作为输入，并且具有可训练参数θ。
在等式(1)中，期望是关于输入u和根据p(y|x)分布的信道输出。在实践中，上述优化问题可能无法明确解决，因为p(y|x)可能未知。但是，通常可以基于观察来获得θ＊的近似值
Figure BDA0003326958690000123
即：
Figure BDA0003326958690000124
其中：
·ci是第i个发射码字；
·yi是接收机处的结果观察；
·
Figure BDA0003326958690000125
是解码器对第i个发射码字的估计；并且
·N是观察的总数。
如上所述，接收机14和34可以包括多个可训练参数。图5是根据示例实施例的系统模型的框图，总体上由附图标记50来指示。系统模型50可以被用于训练示例接收机的可训练参数(例如，在训练模式中)。
系统模型50包括编码器52、发射机54、信道56和接收机58。
编码器52(其类似于上述编码器31)将信息比特向量u变换为编码比特向量c，即c＝Enc(u)。
发射机54(其类似于上述的发射机32)将向量c变换为发射向量x，即x＝TX(c)。因此，发射机32可以将编码比特序列映射到调制符号。
信道56(其类似于信道33)接收输入数据x，并向接收机58提供输出向量y。
与接收机34一样，接收机模型58产生逐比特估计
Figure BDA0003326958690000131
然而，接收机模型58接收反馈项(下面详细描述)，而不是解码器35的输出(因为在系统模型50中未提供该解码器)。
如下文进一步描述的，接收机的可训练权重通过调整这些权重而被训练，以便将损失函数最小化。该损失函数基于由发射机发射的数据和由接收机模型58生成的发射数据的训练估计。该训练估计基于接收数据和反馈项。
图6是示出根据示例实施例的算法的流程图，总体上由附图标记60来指示。下面将参考训练模型50以举例的方式描述算法60。
算法60开始于操作61，其中接收机模型58的可训练权重(θ0)被初始化。初始化可以采取多种形式(诸如随机初始化，或将可训练权重设置为预定的起始值，诸如零)。
在操作62处，获得多个数据集，每个数据集包括接收数据(即信道56的输出y)和对应的发射数据(即，作为由发射机输出的编码器数据c)。在数学上表达，数据集可以包括N个观察y1…yN和N个对应的发射码字c1...cN。
在操作63处，为多个数据集的每一个生成反馈项。例如，反馈项可以具有基于在操作模式中的所述细化估计的预期分布的分布。
在数学上表达，操作63涉及：
对于n＝0，…，K-1，绘制
Figure BDA0003326958690000132
的N个观察，其中μa在下面讨论。
在操作64处，更新可训练权重以将损失函数最小化，其中损失函数基于所述数据集的发射数据和发射数据的相应训练估计，其中训练估计基于相应的接收数据和相应的反馈项。在操作64处，更新训练权重θ以使得θ0＝θK。
操作64可以生成更新的参数(θn+1)如下：
Figure BDA0003326958690000133
在操作65处，确定是否执行更新可训练权重的进一步迭代。如果是，则算法60返回到操作62并且生成另外的数据集和反馈项(操作62和63)，并且更新训练权重(操作64)。如果不是，则算法60在操作66处终止。
操作65可以以多种方式来实现。例如，可以重复训练直到达到已定义的性能标准、已定义的迭代次数和/或直到两次迭代之间的性能变化不超过已定义的量。
在上述训练中，反馈项的μa值可以是超参数。然而，它可以经由μa＝J-1(Ia)函数来与先验互信息Ia相关，该函数将用于高斯随机变量均值μa和方差2μa的均值和互信息相互关联为：
Figure BDA0003326958690000141
及其逆：
Figure BDA0003326958690000142
其中：H1＝0.3073，H2＝0.8935和H3＝1.1064。
可替代地，Ia可以在训练期间被实现为随机变量。一个示例选择是Ia～Uniform([[0，1])。这种布置允许相对容易地模仿信道解码器的行为。此外，解码器输出的高斯近似是一种广泛接受的简化(参见中心极限定理)。
图7是示出了根据示例实施例的算法的流程图，总体上由附图标记70来指示。算法70示出了使用上述算法60训练的系统(诸如系统30)的示例使用。
算法70开始于操作71，其中接收机参数被初始化。这些参数可以是接收机34的参数。参数可以是由上述算法60确定的可训练权重。
在操作72处，获得在接收机处所获得的数据的观察。这些是上面提到的输出向量y。
在所获得的观察的基础上，在操作73处，接收机被用来生成与输出向量y相对应的发射数据的初始估计。如上面所指出，在第一次迭代中，细化估计未被使用(或为零)，使得：
Figure BDA0003326958690000143
在操作74处获得细化估计，并实现进一步细化直到完成M次迭代，使得：
对于n＝1，...，M-1，计算
Figure BDA0003326958690000151
在操作75处，当确定算法完成时，提供输出数据。输出可以是
Figure BDA0003326958690000152
迭代次数M可以是固定的，也可以是动态调整的。例如，在已定义的迭代次数之后，每当两次迭代之间的性能变化不超过已定义的量时，或者当解码器输出对应于有效码字(例如，其满足所有奇偶校验)时，可以停止迭代。
图8是根据示例实施例的系统的框图，总体上由附图标记80来指示。系统80是接收机34的示例实现(实现作为神经网络的函数
Figure BDA0003326958690000153
系统80包括第一至第三神经网络层81至83、级联模块84和第四至第六神经网络层85至87。
系统接收从信道33接收的向量y和来自上述通信系统30的解码器35的细化估计
Figure BDA0003326958690000154
向量y被提供给第一层81并由第一至第三神经网络层处理。第三层83的输出与细化估计
Figure BDA0003326958690000155
以及提供给第四神经网络层85的连接模块84的输出级联。第六神经网络层87的输出提供系统的输出
Figure BDA0003326958690000156
(即，接收机34的输出)。
当然，系统80仅作为示例而被提供。许多其他配置对于本领域技术人员来说将是显而易见的。
如果通信系统的接收机被实现为神经网络，那么可以使用带有sigmoid激活函数的每比特估计的一个输出来生成逐比特估计(而不是经常使用的带有softmax激活的分类，它只会产生符号度量)。在这样的实现中，最终的LLR计算变得相对直截了当。
如上所述，在一些示例实施例中，通信系统的接收机被表示为输出比特估计(例如硬值输出或软值输出)的可训练神经网络(或至少具有一些可训练权重的一些其他算法)。发射的信息可以由外部信道代码(例如，低密度奇偶校验(LDPC)码)或一些其他纠错布置来保护(例如，通过冗余)。可以向接收机算法提供信道输出和来自外部信道代码的反馈(例如，用于LDPC码的基于置信传播的解码器)，并且可以对接收机进行训练直到实现期望的训练性能。在训练期间，可以模仿信道解码器的行为(例如，使用高斯分布)。一旦经过训练，接收机可以以迭代的方式与来自信道解码器的信息一起被使用，以提供对原始发射数据的估计。以这种方式，接收机算法可以以迭代的方式利用信道观察和来自外部信道解码器的反馈(例如纠错码)，以提供发射数据的估计。
上述原理的许多修改和发展是可能的，下面概述了其中的一些。
来自外部信道解码器(例如系统30的解码器35)的反馈可以是外在信息(例如
Figure BDA0003326958690000161
)；然而，取决于接收机实现，这也可以直接在接收机函数中被补偿或者隐式地被获悉。
在许多情况下，无法确切地求解在θ上的最优化。因此，与其找到最优值
Figure BDA0003326958690000162
不如简单地计算θ的改进版本。多种选择是可能的，其中的一些被概述如下：
·如果RX(y；θ)和LO是可微的，关于损失函数的梯度下降可以被用来根据以下来获得θ的更新：
Figure BDA0003326958690000163
其中η＞0是学习率。
·当RX、ENC和DEC被实现为神经网络时，它们通常是可微的。
·可以进一步优化信道代码(例如LDPC代码)以增强收敛行为。
·如果可以在没有反馈回路的情况下联合训练发射机和接收机，那么可以使用解码器反馈进一步训练接收机(同时保持发射机固定)。这可以避免振荡效应并实现平滑训练行为。
·此外，诸如策略梯度之类的来自强化学习的方法，以及演进方法和其他启发式方法可以被用来计算参数更新。
在另一种实现中，还可以在解码器(如果可微)上进行迭代，并且因此避免使用高斯近似消息来模拟解码器的行为。
为完整起见，图9是在下文中被统称为处理系统300的先前描述的一个或多个示例实施例的组件的示意图。处理系统300例如可以是在以下权利要求中所称的装置。
处理系统300可以具有处理器302、与处理器紧密耦合并且包括RAM 314和ROM 312的存储器304，以及可选的用户输入310和显示器318。处理系统300可以包括用于连接到网络/装置的一个或多个网络/装置接口308，例如可以是有线或无线的调制解调器。接口308也可以操作为与其他装置的连接，其他装置诸如不是网络侧装置的设备/装置。因此，无需网络参与的设备/装置之间的直接连接是可能的。
处理器302连接到其他组件中的每一个组件以便控制其操作。
存储器304可以包括非易失性存储器，诸如硬盘驱动器(HDD)或固态驱动器(SSD)。存储器304的ROM 312尤其存储操作系统315并且可以存储软件应用316。处理器302使用存储器304的RAM 314以用于数据的临时存储。操作系统315可以包含代码，代码在被处理器执行时实现上述算法40、60和70的各方面。注意，在小型设备/装置的情况下，存储器可能最适合小尺寸使用，即并不总是使用硬盘驱动器(HDD)或固态驱动器(SSD)。
处理器302可以采取任何合适的形式。例如，它可以是一个微控制器、多个微控制器、一个处理器或多个处理器。
处理系统300可以是独立的计算机、服务器、控制台或其网络。处理系统300和所需的结构部件可以全部在设备/装置内部，诸如IoT设备/装置，即被嵌入到非常小的尺寸
在一些示例实施例中，处理系统300还可以与外部软件应用相关联。这些可以是存储在远程服务器设备/装置上的应用，并且可以部分地或专门地在远程服务器设备/装置上运行。这些应用可以被称为云托管应用。处理系统300可以与远程服务器设备/装置通信，以便利用存储在那里的软件应用。
图10A和图10B分别示出了存储计算机可读代码的有形介质，分别是可移除存储器单元365和压缩盘(CD)368，该计算机可读代码在由计算机运行时可以执行根据上述示例实施例的方法。可移除存储器单元365可以是记忆棒，例如USB记忆棒，具有存储计算机可读代码的内部存储器366。计算机系统可以经由连接器367访问内部存储器366。CD 368可以是CD-ROM或DVD或类似物。可以使用其他形式的有形存储介质。有形介质可以是能够存储数据/信息的任何设备/装置，该数据/信息可以在设备/装置/网络之间交换。
本发明的实施例可以以软件、硬件、应用逻辑或者软件、硬件和应用逻辑的组合来实现。软件、应用逻辑和/或硬件可以驻留在存储器或任何计算机介质上。在示例实施例中，应用逻辑、软件或指令集被保持在各种常规计算机可读介质中的任一个上。在本文档的上下文中，“存储器”或“计算机可读介质”可以是任何非暂时性介质或部件，其可以包含、存储、通信、传播或传送指令以供诸如计算机之类的指令执行系统、装置或设备使用或与之相关地使用。
在相关情况下，对“计算机可读介质”、“计算机程序产品”、“有形体现的计算机程序”等，或“处理器”或“处理电路”等的引用应被理解为不仅包括具有不同架构的计算机，诸如单/多处理器架构和定序器/并行架构，而且包括专用电路，诸如现场可编程门阵列FPGA、专用电路ASIC、信号处理设备/装置和其他设备/装置。对计算机程序、指令、代码等的引用应被理解为表达用于可编程处理器固件的软件，诸如硬件设备/装置的可编程内容作为处理器的指令或者固定功能设备/装置、门阵列、可编程逻辑器件/装置等的已配置或配置设置。
如果需要，本文中讨论的不同功能可以以不同的顺序来执行和/或彼此同时执行。此外，如果需要，上述功能中的一个或多个可以是可选的或者可以进行组合。类似地，还将了解，图4、图6和图7的流程图仅是示例并且其中描绘的各种操作可以被省略、重新排序和/或组合。
应当了解，上述示例实施例纯粹是说明性的，并不限制本发明的范围。在阅读本说明书后，其他变化和修改对于本领域技术人员而言是显而易见的。
此外，本申请的公开应被理解为包括本文明确或隐含公开的任何新颖特征或任何新颖的特征组合或其任何概括，并且在本申请或从其衍生的任何申请的审查期间，新的权利要求可以被制定以涵盖任何此类特征和/或此类特征的组合。
尽管在独立权利要求中阐述了本发明的各个方面，但是本发明的其他方面包括来自所描述的示例实施例和/或从属权利要求的特征与独立权利要求的特征的其他组合，而不仅仅是权利要求书中明确阐述的组合。
此处还应注意，虽然以上描述了各种示例，但是不应将这些描述视为限制性的。相反，在不脱离如所附权利要求所限定的本发明的范围的情况下，可以进行多种变化和修改。

Claims (20)

1.一种装置，包括：
用于在接收机处接收数据的部件，所述数据由通信系统的发射机发射，所述通信系统包括所述发射机、信道和所述接收机；
用于生成由所述发射机发射的所述数据的估计的部件，其中用于生成所述估计的所述部件包括至少具有一些可训练权重的接收机算法；
用于基于所述估计和纠错算法来生成发射数据的细化估计的部件，其中在操作模式中，用于生成发射的所述数据的所述估计的所述部件基于接收数据和所述精炼估计来生成所述估计；以及
用于在所述操作模式中在生成所述发射数据的估计的多次迭代中的每次迭代上生成所述发射数据的修正估计直到达到第一条件的部件。
2.根据权利要求1所述的装置，其中用于生成所述发射数据的估计的所述部件在生成所述发射数据的所述估计的第一次迭代上生成初始估计。
3.根据权利要求2所述的装置，其中在没有参考所述细化估计的情况下生成所述第一次迭代。
4.根据前述权利要求中任一项所述的装置，还包括用于在训练模式中训练所述接收机算法的所述可训练权重的部件。
5.根据权利要求4所述的装置，其中用于训练所述可训练权重的所述部件调整所述可训练权重以便将损失函数最小化，其中所述损失函数基于由所述发射机发射的数据和所述发射数据的训练估计，所述发射数据的所述训练估计由用于生成所述发射数据的估计的所述部件生成。
6.根据权利要求5所述的装置，其中所述训练估计基于所述接收数据和反馈项。
7.根据权利要求5或权利要求6所述的装置，其中用于训练所述接收机算法的所述可训练权重的所述部件包括：
用于初始化所述可训练权重的部件；
用于获得多个数据集的部件，每个数据集包括所述通信系统的接收数据和对应的发射数据；
用于针对所述多个数据集的每个数据集生成反馈项的部件；以及
用于更新所述可训练权重以将所述损失函数最小化的部件，其中所述损失函数基于所述数据集的发射数据和所述发射数据的相应的训练估计，所述发射数据的所述相应的训练估计由用于生成所述发射数据的估计的所述部件生成，其中所述训练估计基于相应的所述接收数据和相应的所述反馈项。
8.根据权利要求7所述的装置，还包括基于进一步获得的数据集和所生成的反馈项重复更新所述可训练权重。
9.根据权利要求6至8中任一项所述的装置，其中所述反馈项具有基于在所述操作模式中的所述细化估计的预期分布的分布。
10.根据前述权利要求中任一项所述的装置，其中所述第一条件包括已定义的性能标准。
11.根据前述权利要求中任一项所述的装置，其中所述第一条件包括已定义的迭代次数。
12.根据前述权利要求中任一项所述的装置，其中：
所述接收机算法包括神经网络；
所述神经网络具有用于接收在所述接收机处接收到的数据的第一输入和用于接收基于所述发射数据的所述细化估计的信号的第二输入；并且
所述神经网络生成由所述发射机发射的所述数据的所述估计。
13.一种装置，包括：
用于基于在通信系统的接收机处接收到的数据来生成由所述通信系统的发射机发射的数据的估计的部件，其中用于生成所述估计的所述部件包括至少具有一些可训练权重的接收机算法；
用于初始化所述可训练权重的部件；
用于获得多个数据集的部件，每个数据集包括所述通信系统的在所述接收机处接收到的数据和对应的发射数据；
用于针对所述多个数据集的每个数据集生成反馈项的部件，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；以及
用于在训练模式中更新所述可训练权重以将损失函数最小化的部件，其中所述损失函数基于所述数据集的发射数据和所述发射数据的相应的训练估计，所述发射数据的所述相应的训练估计由用于生成所述发射数据的估计的所述部件生成，其中所述训练估计基于相应的接收数据和相应的所述反馈项。
14.根据前述权利要求中任一项所述的装置，其中所述装置包括：
至少一个处理器；以及
包括计算机程序代码的至少一个存储器，所述至少一个存储器和所述计算机程序被配置为与所述至少一个处理器一起引起所述装置的执行。
15.一种方法，包括：
在接收机处接收数据，所述数据由通信系统的发射机发射，所述通信系统包括所述发射机、信道和所述接收机；
使用至少具有一些可训练权重的接收机算法来生成由所述发射机发射的所述数据的估计；
基于所述估计和纠错算法来生成发射数据的细化估计，其中在操作模式中，生成所发射的所述数据的所述估计基于接收数据和所述细化估计来生成所述估计；以及
在所述操作模式中，在生成所述发射数据的估计的多次迭代中的每次迭代上生成所述发射数据的修正估计，直到达到第一条件。
16.根据权利要求15所述的方法，还包括在训练模式中训练所述接收机算法的所述可训练权重。
17.根据权利要求16所述的方法，其中训练所述接收机算法的所述可训练权重包括：
初始化所述可训练权重；
获得多个数据集，每个数据集包括所述通信系统的接收数据和对应的发射数据；
针对所述多个数据集的每个数据集生成反馈项；以及
更新所述可训练权重以将所述损失函数最小化，其中所述损失函数基于所述数据集的发射数据和在生成所述发射数据的所述估计期间生成的所述发射数据的相应的训练估计，其中所述训练估计基于相应的所述接收数据和相应的所述反馈项。
18.一种方法，包括：
基于在通信系统的接收机处接收到的数据，使用至少具有一些可训练权重的接收机算法来生成由所述通信系统的发射机发射的数据的估计；
初始化所述可训练权重；
获得多个数据集，每个数据集包括所述通信系统的在所述接收机处接收到的数据和对应的发射数据；
针对所述多个数据集的每个数据集生成反馈项，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；以及
在训练模式中更新所述可训练权重以将损失函数最小化，其中所述损失函数基于所述数据集的发射数据和通过所述接收机算法生成的所述发射数据的相应的训练估计，其中所述训练估计基于相应的接收数据和相应的所述反馈项。
19.一种计算机可读介质，包括存储在其上的程序指令，用于至少执行以下操作：
在接收机处接收数据，所述数据由通信系统的发射机发射，所述通信系统包括所述发射机、信道和所述接收机；
使用至少具有一些可训练权重的接收机算法来生成由所述发射机发射的所述数据的估计；
基于所述估计和纠错算法来生成发射数据的细化估计，其中在操作模式中，基于接收数据和所述细化估计来生成发射的所述数据的所述估计；以及
在所述操作模式中，在生成所述发射数据的估计的多次迭代中的每次迭代上生成所述发射数据的修正估计，直到达到第一条件。
20.一种计算机可读介质，包括存储在其上的程序指令，用于至少执行以下操作：
基于在通信系统的接收机处接收到的数据，使用至少具有一些可训练权重的接收机算法来生成由所述通信系统的发射机发射的数据的估计；
初始化所述可训练权重；
获得多个数据集，每个数据集包括所述通信系统的在所述接收机处接收到的数据和对应的发射数据；
针对所述多个数据集的每个数据集生成反馈项，其中所述反馈项具有基于在操作模式中的所述细化估计的预期分布的分布；以及
在训练模式下更新所述可训练权重以将损失函数最小化，其中所述损失函数基于所述数据集的发射数据和通过所述接收机算法生成的所述发射数据的相应的训练估计，其中所述训练估计基于相应的接收数据和相应的反馈项。
CN201980095898.6A 2019-04-29 2019-04-29 通信系统中的迭代检测 Active CN113748626B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2019/060961 WO2020221427A1 (en) 2019-04-29 2019-04-29 Iterative detection in a communication system

Publications (2)

Publication Number Publication Date
CN113748626A true CN113748626A (zh) 2021-12-03
CN113748626B CN113748626B (zh) 2024-09-10

Family

ID=66379906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980095898.6A Active CN113748626B (zh) 2019-04-29 2019-04-29 通信系统中的迭代检测

Country Status (4)

Country Link
US (1) US12107679B2 (zh)
EP (1) EP3963765A1 (zh)
CN (1) CN113748626B (zh)
WO (1) WO2020221427A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114363218A (zh) * 2022-01-07 2022-04-15 合肥工业大学 一种基于端到端学习的通信可达速率检测方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112740631B (zh) * 2018-07-20 2024-09-20 诺基亚技术有限公司 通过接收算法中的参数的更新来在通信系统中学习
US20230231575A1 (en) * 2021-09-28 2023-07-20 New Jersey Institute Of Technology Systems and Methods for Decoding of Graph-Based Channel Codes Via Reinforcement Learning

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0755141A2 (en) * 1995-07-19 1997-01-22 Sharp Kabushiki Kaisha Adaptive decision feedback equalization for communication systems
FI19992691A (fi) * 1999-12-15 2001-06-16 Nokia Mobile Phones Ltd Menetelmä ja vastaanotin kanavaestimaatin iteratiiviseksi parantamiseksi
CA2443414A1 (en) * 2001-04-03 2002-10-17 Nortel Networks Limited Frequency domain channel estimation for multiple channels using wiener minimum mean squared error (mmse) filtering
US20030187928A1 (en) * 2002-03-25 2003-10-02 Macleod Robert B. Frequency mismatch compensation for multiuser detection
CN1579077A (zh) * 2002-08-15 2005-02-09 株式会社东芝 Mimo系统中的信道追踪和信号检测
CN103379056A (zh) * 2012-04-23 2013-10-30 Nxp股份有限公司 缩短等待时间的信道估计
CN105406939A (zh) * 2014-09-05 2016-03-16 三星电子株式会社 使用迭代检测解码进行接收的设备和方法
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法
CN108712353A (zh) * 2018-03-29 2018-10-26 江苏中科羿链通信技术有限公司 软迭代信道估计方法
WO2018235050A1 (en) * 2017-06-22 2018-12-27 Telefonaktiebolaget Lm Ericsson (Publ) NEURAL NETWORKS FOR RECOVERY CORRECTION DECODING OF ERRORS

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7551664B2 (en) 2004-09-17 2009-06-23 Nokia Corporation Iterative and turbo-based method and apparatus for equalization of spread-spectrum downlink channels
US10715276B2 (en) * 2018-05-26 2020-07-14 Ntwine, Llc Bandwidth constrained communication systems with optimized low-density parity-check codes

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0755141A2 (en) * 1995-07-19 1997-01-22 Sharp Kabushiki Kaisha Adaptive decision feedback equalization for communication systems
FI19992691A (fi) * 1999-12-15 2001-06-16 Nokia Mobile Phones Ltd Menetelmä ja vastaanotin kanavaestimaatin iteratiiviseksi parantamiseksi
US20010004390A1 (en) * 1999-12-15 2001-06-21 Nokia Mobile Phones Ltd. Method and arrangement for iteratively improving a channel estimate
CA2443414A1 (en) * 2001-04-03 2002-10-17 Nortel Networks Limited Frequency domain channel estimation for multiple channels using wiener minimum mean squared error (mmse) filtering
US20030187928A1 (en) * 2002-03-25 2003-10-02 Macleod Robert B. Frequency mismatch compensation for multiuser detection
CN1579077A (zh) * 2002-08-15 2005-02-09 株式会社东芝 Mimo系统中的信道追踪和信号检测
CN103379056A (zh) * 2012-04-23 2013-10-30 Nxp股份有限公司 缩短等待时间的信道估计
CN105406939A (zh) * 2014-09-05 2016-03-16 三星电子株式会社 使用迭代检测解码进行接收的设备和方法
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法
WO2018235050A1 (en) * 2017-06-22 2018-12-27 Telefonaktiebolaget Lm Ericsson (Publ) NEURAL NETWORKS FOR RECOVERY CORRECTION DECODING OF ERRORS
CN108712353A (zh) * 2018-03-29 2018-10-26 江苏中科羿链通信技术有限公司 软迭代信道估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HASAN ABDULKADER；BOUCHRA BENAMMAR；CHARLY POULLIAT;ET.AL.: "Neural Networks-Based Turbo Equalization Of a Satellite Communication Channel", 2014 IEEE 15TH INTERNATIONAL WORKSHOP ON SIGNAL PROCESSING ADVANCES IN WIRELESS COMMUNICATIONS (SPAWC), 3 November 2014 (2014-11-03), pages 1 - 2 *
张友文;石绍琦;: "基于IDMA的水声通信自适应Turbo迭代接收机技术研究", 舰船科学技术, no. 1, 15 December 2016 (2016-12-15) *
陆许明；徐永键；陈里悦；谭洪舟: "OFDM系统中基于EM迭代的时变信道估计与数据检测", 信号处理., 25 July 2014 (2014-07-25) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114363218A (zh) * 2022-01-07 2022-04-15 合肥工业大学 一种基于端到端学习的通信可达速率检测方法

Also Published As

Publication number Publication date
US12107679B2 (en) 2024-10-01
CN113748626B (zh) 2024-09-10
WO2020221427A1 (en) 2020-11-05
EP3963765A1 (en) 2022-03-09
US20220209888A1 (en) 2022-06-30

Similar Documents

Publication Publication Date Title
CN112166568B (zh) 通信系统中的学习
CN113748626B (zh) 通信系统中的迭代检测
CN105763203B (zh) 一种基于硬可靠度信息的多元ldpc码译码方法
CN113169752B (zh) 通信系统中的学习
US11750436B2 (en) Learning in communication systems
CN112771547A (zh) 通信系统中的端到端学习
WO2024031979A1 (zh) 一种优化的期望传播检测方法及信号检测装置
CN112740631B (zh) 通过接收算法中的参数的更新来在通信系统中学习
WO2020147971A1 (en) Training in communication systems
US12081324B2 (en) Transmitter algorithm
CN111835363B (zh) 基于交替方向乘子法的ldpc码译码方法
CN112470405A (zh) 非二进制码的消息传递解码的可变节点处理方法和设备
CN115276900B (zh) 分布式信源的信源信道联合极化的信息传输方法和系统
US12124937B2 (en) Learning in communication systems
EP2243251A1 (en) Method and system for optimizing quantization for noisy channels

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