CN113794536B - 人工智能信道编解码方法与装置 - Google Patents

Abstract

本发明公开一种人工智能信道编解码方法与装置，所述装置包括：编码器、信道、解码器。数据在信道传输时，先由所述编码器编码，经信道传输后再由所述解码器解码。编码器和解码器分别是由对称结构的神经网络分拆成镜像结构的两部分。所述神经网络在分拆前先由一个随机信号发生器进行预训练，生成预训练器。将预训练器分拆的编码器部署在编码端，解码器部署在接收端后，再用所述随机信号发生器进行优化，把误码率控制在一定范围。编码器输出低码率特征。本发明解决了现有的信道编码算法复杂，实现这些算法的编解码装置也非常复杂的问题，输出编码特征值，可以突破香农限制，且对不同信道具有自适应能力。

Description

人工智能信道编解码方法与装置

技术领域

本发明涉及信号处理和人工智能领域，特别是涉及一种人工智能信道编解码方法与装置。

背景技术

由于时变衰落、信道干扰和噪声的影响，无线信号传输过程中存在误码率，在无线通讯系统中，通过信道编码来保证数据传输的可靠性。信道编码是为了保证信息传输的可靠性，提高传输质量而设计的一种编码，通常的方法是在信息码中增加一定数量的冗余码，使得其具有一定的抗干扰能力。例如，k为信息码，n为信道编码后的码，r=n-k,编码效率为R=k/n。为了提高编码效率和抗干扰能力，发明了不同的信道编码方法，例如：各种正交编码和检、纠错码；各种分组编码和卷积码；各种有线性编码和非线性码等等，使得现有的信道编码方法和算法变得异常复杂，相应的编解码装置结构也非常复杂。一个典型的例子是，开创了通信编码史革命性时代的Turbo码，具有信道编码效率高（接近香农极限），便于构造，抗干扰性好的优点，被广泛应用于移动通讯，军事通讯，声控及卫星通讯等，但是，其结构复杂和算法复杂，编解码延时大。随后发明用于5G的LDPC和Ploar信道编码技术，对编解码延时有改善，但还是十分复杂。

显然，现有的信道编码技术的问题是：算法非常复杂，实现这些算法的编解码装置也非常复杂；抗干扰能力越强的信道编码效率越低，而且对不同信道的变化缺乏自适应能力。

发明内容

本发明要解决的技术问题是：通过人工智编解码，解决现有信道编码技术与算法复杂，编解码装置复杂的问题；在进一步在提高抗干扰能力同时，提高信道编码效率，并具有对于不同信道的自适应编码能力。

为解决以上问题，本发明所采用的技术方案是，所述人工智能编解码装置包括：编码器、信道、接收端：所述编码器，用于对信号进行编码；所述信道，用于编解码装置之间传输信号；所述接收端，用于接收信道编码数据并解码。

进一步，所述编码端包括编码器、随机信号发生器：所述编码器用于对所述输入的数据编码；所述随机信号发生器，用于对编解码器进行优化。

进一步，所述接收端包括所述解码器、随机信号发生器：所述解码器用于对所收到的数据进行解码；所述随机信号发生器，用于对编解码器进行优化。

根据本发明的一个方面，所述编解码装置，由一个镜像对称神经网络，从中间镜像对称点分拆成为左右两部分，一部分作为编码器，另一部分作为解码器。

优选地，所述编码器和解码器不仅仅具有网络结构镜像对称性，还具有参数对称性。

根据本发明的另一方面，所述对称神经网络，在分拆成编码器和解码器前，用所述随机信号发生器进行预训练。在本发明实施例，也将所述对称神经网络称为预训练器。

优选地，所述预训练器用所述随机信号发生器的数据进行预训练。

进一步，在用所述随机数据发生器产生的训练数据对所述预训练器进行预训练时，所述预训练器输入端输入所述随机信号发生器的训练数据，输出端输出解码复原数据。

进一步，用所述预训练器输出的复原数据与所述随机信号发生器送入预训练器的输入数据（真实数据），构建一个损失函数。

进一步，比较所述损失函数是否小于预设值。

进一步，如果所述损失函数大于预设值，继续用所述随机信号发生器产生的数据训练所述预训练器；当所述损失函数小于预设值时，完成预训练器的训练。

根据本发明的再一方面，在实际编码应用时，将预训练好的预训练器，从神经网络的镜像对称点切开为编码器和解码器两部分。

进一步，将所述编码器和所述随机信号发生器部署在编码端；所述解码器和所述随时间信号发生器部署在解码端。

根据本发明的再一方面，所述编码器编码的数据在真实信道传输时，还会受到信道的影响，因而需要考虑在增加信道影响后，优化所述人工智能编解码器，即，对部署在真实信道环境下的编解码装置进一步优化。

优选地，在编码器端和解码器端分别部署一个相同结构的随机信号发生器，编码器端部署的随机信号发生器，用于产生训练数据；解码器端部署的随机信号发生器，用于同步产生真实数据。

进一步，编码器端所述随机信号发生器产生的数据作为编码器输入，经编码器编码，再经信道传输，送给解码端的解码器解码复原。

进一步，所述解码器解码复原d数据和解码端所述随机信号发生器产生的真实数据构建一个差值。

进一步，如果所述误差值大于预设值，由所述随机信号发生器产生的训练数据继续优化，直至所构建的差值小于预设值。

进一步，根据每次训练产生的所述误差，对称地调整所述编码器和解码器的参数。

进一步，用同一初始化值分别控制编码器端和解码器端的所述随机信号发生器，使两者同步产生相同的随机数据。

进一步，继续用所述随机信号发生器产生的数据进行训练，直至所产生的所述误差小于预设值，完成所述编解码装置在真实信道环境下的调优。

根据本发明的再一方面，在真实信道环境下完成调优的编码器，用于对所传输的数据进行信道编码，经过真实信道传输到解码端，用所述解码器进行解码。所述编码器、真实信道和解码器构成所述人工智能编解码装置。

进一步，所述解码器可以部署在具有相同信道的任意点。

进一步，在需要时，所述解码器和所述编码器构成的编解码装置可以在真实信道环境下进一步优化。

本发明的有益效果是：

通过人工智能信道编解码方法与装置，解决了现有其它信道编解码方法与装置存在的编码技术与算法复杂，编解码装置复杂的问题，并在进一步在提高抗干扰能力同时，提供高效率信道编码，此外，所述方法与装置，还具有对于不同信道的自适应编码能力。所述方法与装置，可以在各种通信系统中推广应用。

附图说明

图1是本发明优选实施例的人工智能信道编解码装置原理图；

图2是本发明优选实施例优化训练模型结构原理图；

图3是本发明优选实施例的编解码模型调优方法；

图4是本发明优选实施例的镜像对称结构神经网络。

实施方式

现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

图1是本发明优选实施例的人工智能信道编解码装置原理图。如图1所示，所述装置包括：信道编码器1、信道2、接收端3：信道编码器1，用于完成数据文件信道编码；信道2，用于传输所述数据；接收端3，用于接收数据和解码。在所述实施例中，数据经信道编码器1完成信道编码，再经过信道2送给接收端3，接收端3收到所述数据后，经接收端3上的解码器解码，恢复数据。

图2是本发明优选实施例优化训练模型结构原理图。如图2所示，所述优化训练模型包括：信道编码器1、编码端随机信号发生器11、信道2、接收端解码器31、接收端随机信号发生器32、和误差判别器33；信道编码器1，用于信道编码，编码端随机信号发生器11用于产生训练数据；信道2，用于传输数据；接收端解码器31，用于信道解码；接收端随机信号发生器32，用于与编码端随机信号发生器11同步产生真实训练数据；误差判别器33，用于比较判断信道解码器解码数据与真实数据差值。当所述差值大于预设值时，用所述随机信号发生器产生训练数据继续训练所述编解码装置，当所述差值小于预设值时，完成所述编解码装置的调优。

图3是本发明优选实施例的编解码模型调优方法。如图3所示方法实施如下步骤；

S31，分别给部署在编码端和接收端的随机信号发生器赋值同一组初始值；

S32，将所述编码器端随机信号发生器产生的一组随机训练数据送入所述编码器；

S33，所述编码器编码后的数据通过信道送给接收端部署的所述解码器解码；

S34，将所述解码器解码输出的数据与所述解码端随机信号发生器产生的同一组真实数据进行差值比较；

S35，如果所述差值大于指定值，调整所述编码器和解码器参数，返回步骤S32，如果所述差值小于指定值，进入S36；

S36，调优结束，部署所述编码器和解码器。

图4是本发明优选实施例的镜像对称结构神经网络。如图4所示，41是输入数据组,46是编解码装置输出数据组。左边部分是编码器，右边部分是解码器，编码器和解码器具有镜像对称结构神经网络，42和44，43和45分别是编码器和解码器的对称结构上的神经元。在本发明实施例中，对称结构上的神经元具有相同的参数值，在调优和训练过程中，对称结构上的神经元参数统一同步调整。

以上述依据本发明的实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种人工智能信道编解码装置，其特征在于，所述装置包括：编码器、信道和解码器：所述编码器，用于完成数据的信道编码；所述信道，用于传输信道编码数据；所述解码器，用于将接收到的信道编码数据解码；

所述编码器与一随机信号发生器部署在编码端，所述解码器与同样结构的随机信号发生器部署在接收端，两端通过信道构成编解码器调优装置；

所述编解码器调优装置的训练方法是：采用相同的初始化值启动所述编码器和解码器端的随机信号发生器，保证两者生成相同的随机数据；编码器端的所述随机数据作为训练数据，解码器端的所述随机数据作为真实数据；所述训练数据经解码器解码输出的数据与所述随机信号发生器产生的真实数据构成一个误差函数；在优化时，所述随机信号发生器每次产生一组训练数据，当误差函数小于控制范围时，训练结束；当误差函数大于控制范围时，调整所述编码器和解码器参数，继续训练。

2.如权利要求1所述的人工智能信道编解码装置，其特征在于，所述编码器和解码器是一个镜像对称结构神经网络，从网络镜像对称点分拆为两部分，一部分作为编码器，另一部分作为解码器。

3.如权利要求1所述的人工智能信道编解码装置，其特征在于，在信道编解码器在分拆前，先用一个所述随机信号发生器对其进行预训练，并将所述信道编解码器称为预训练器。

4.如权利要求3所述的人工智能信道编解码装置，其特征在于，预训练器用所述随机信号发生器产生的数据作为其输入数据，并用此真实数据与解码端输出的复原数据构建一个误差函数，通过所述随机信号发生器产生的一组一组随机数据对所述预训练器进行训练，直到所述误差函数小于给定范围。

5.如权利要求3所述的人工智能信道编解码装置，其特征在于，将预训练好的预训练器，从镜像对称点分拆为两部分，一部分为所述编码器，部署到编码端，另一部分为所述解码器，部署到解码端。

6.如权利要求1所述的人工智能信道编解码装置，其特征在于，所述编解码器调优结束后，在编解码器端都断开所述随机信号发生器，开始进行数据实时信道编码，传输与解码。