CN113906704A - 通信系统中的学习 - Google Patents
通信系统中的学习 Download PDFInfo
- Publication number
- CN113906704A CN113906704A CN201980096967.5A CN201980096967A CN113906704A CN 113906704 A CN113906704 A CN 113906704A CN 201980096967 A CN201980096967 A CN 201980096967A CN 113906704 A CN113906704 A CN 113906704A
- Authority
- CN
- China
- Prior art keywords
- transmission system
- parameters
- symbols
- transmitter
- generating
- 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
- 238000004891 communication Methods 0.000 title description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000005315 distribution function Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 84
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 16
- 238000007493 shaping process Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 14
- 238000012545 processing Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 230000010363 phase shift Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
- H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
-
- 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
- H04L27/3405—Modifications of the signal space to increase the efficiency of transmission, e.g. reduction of the bit error rate, bandwidth, or average power
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0212—Channel estimation of impulse response
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0264—Arrangements for coupling to transmission lines
- H04L25/0266—Arrangements for providing Galvanic isolation, e.g. by means of magnetic or capacitive coupling
- H04L25/0268—Arrangements for providing Galvanic isolation, e.g. by means of magnetic or capacitive coupling with modulation and subsequent demodulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- 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
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/03592—Adaptation methods
- H04L2025/03598—Algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/03592—Adaptation methods
- H04L2025/03745—Timing of adaptation
- H04L2025/03764—Timing of adaptation only during predefined intervals
- H04L2025/0377—Timing of adaptation only during predefined intervals during the reception of training signals
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
描述了一种装置、方法和计算机程序,包括:使具有发送器、信道和接收器的传输系统的可训练参数初始化;在可微分的分布函数的基础上生成训练符号;在训练模式下通过信道来向接收器发送经调制的训练符号;基于所生成的训练符号和如在传输系统的接收器处所接收到的经调制的训练符号来生成损失函数;以及生成传输系统的经更新的参数以使损失函数最小化。
Description
技术领域
本说明书涉及通信系统中的学习。
背景技术
简单的通信系统包括发送器、传输信道和接收器。对在从发送器到接收器的数据传输中所使用的通信方案的选择可以对这种通信系统的端到端性能有显著影响。尽管已经取得一些发展,但是该领域仍有进一步发展的空间。
发明内容
在第一方面中,本说明书描述了一种装置,包括:用于使传输系统的可训练参数初始化(例如随机地或者按照某种其他方式–诸如在信道信息的基础上)的部件,其中传输系统包括发送器、信道和接收器,其中发送器包括用于将一个或多个输入(例如(多个)数据比特或者数据流)转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中传输系统的可训练参数包括概率函数(例如实现概率成形,如上面所描述的),该概率函数定义个体数据符号通过发送器算法被输出的概率;用于在分布函数的基础上生成训练符号的部件,其中分布函数是可微分的;用于在训练模式下通过信道来向接收器发送经调制的训练符号的部件;用于基于所生成的训练符号和如在传输系统的接收器处接收到的经调制的训练符号来生成损失函数的部件;用于生成传输系统的经更新的参数(例如使用机器学习原理,例如通过更新神经网络)以使损失函数最小化的部件,其中生成传输系统的经更新的参数包括:更新发送器算法的参数;以及用于重复以下项直到达到第一条件为止的部件:生成训练符号、生成损失函数以及更新传输系统的参数。数据符号可以是符号的有限离散集合。数据符号可以与发送器的星座点相对应。概率函数可以是不可微分的离散函数(并且可以在训练期间由可微分的近似(分布函数)代替)。在可微分的分布函数的基础上来生成训练符号可以实现在训练参数期间使用反向传播。
更新训练算法的参数可以包括:训练概率函数。更新所述参数还可以包括:更新其他参数,诸如调制器星座。
分布函数可以是概率函数的近似。例如,分布函数可以是概率函数的可微分的近似(该概率函数可以是离散的并且非可微分的)。
训练符号可以通过Gumbel-softmax算法生成,诸如使用Gumbel-softmax重新参数化。
发送符号(以及在训练模式下的训练符号)可以与通过所述调制器实现的调制方案的固定星座位置相对应。备选地,发送符号(以及在训练模式下的训练符号)可以与通过所述调制器实现的调制方案的可变星座位置相对应,其中传输系统的可训练参数包括所述调制方案的星座点位置。
接收器可以被配置为:在操作模式下接收如通过所述信道而发送的所述发送符号,并且在训练模式下接收如通过信道而发送的经调制的训练符号。
生成传输系统的经更新的参数可以包括:更新可训练接收器算法的参数。因此,例如可以提供传输系统的端到端训练。
一些实施例可以包括:用于使用传输系统的生成的经更新的参数来更新传输系统的可训练参数的部件。例如,可以在训练模式下更新发送器参数,并且然后将其部署到发送器算法。发送器系统的可训练参数可以包括以下一项或多项:发送器算法的可训练参数;调制器的可训练参数;以及接收器的可训练参数。
概率函数和分布函数可以至少部分地依赖于传输系统的信道信息(诸如信噪比)。
在一些实施例中,第一条件包括定义的性能水平。备选地,或者另外,第一条件可以包括定义的迭代次数。
发送器算法可以在操作模式下被实现为查找表。
损失函数可以与误块率、误比特率、互信息和分类交叉熵中的一项或多项相关。
用于生成传输系统的经更新的参数的部件可以优化学习率和在训练模式下所使用的符号近似的批量大小中的一项或多项。
用于生成传输系统的经更新的参数的部件可以使用随机梯度下降(或者一些其他反向传播算法)来更新所述参数。
发送器可以包括被配置为实现所述发送器算法的发送器神经网络。接收器算法可以包括接收器神经网络。
所述部件可以包括:至少一个处理器;以及至少一个存储器,包括计算机程序代码,该至少一个存储器和计算机程序被配置为:与该至少一个处理器一起,引起装置的执行。
在第二方面中,本说明书描述了一种方法,包括:使传输系统的可训练参数初始化,其中传输系统包括发送器、信道和接收器,其中发送器包括用于将一个或多个输入转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中传输系统的可训练参数包括概率函数,该概率函数定义个体数据符号通过发送器算法被输出的概率;在分布函数的基础上生成训练符号,其中分布函数是可微分的;在训练模式下通过信道来向接收器发送经调制的训练符号;基于所生成的训练符号和如在传输系统的接收器处所接收到的经调制的训练符号来生成损失函数;生成传输系统的经更新的参数以使损失函数最小化,其中生成传输系统的经更新的参数包括更新发送器算法的参数;并且重复以下项直到达到第一条件为止:生成训练符号、生成损失函数以及更新传输系统的参数。
训练符号可以通过Gumbel-softmax算法生成。
发送符号可以与通过所述调制器实现的调制方案的固定星座位置对应。备选地,发送符号可以与通过所述调制器实现的调制方案的可变星座位置对应,其中传输系统的可训练参数包括所述调制方案的星座点位置。
生成传输系统的经更新的参数可以包括:更新可训练接收器算法的参数。
一些实施例包括:使用传输系统的所生成的经更新的参数来更新传输系统的可训练参数。发送器系统的所述可训练参数可以包括以下一项或多项:发送器算法的可训练参数;调制器的可训练参数;以及接收器的可训练参数。
概率函数和分布函数可以至少部分地依赖于传输系统的信道信息。
第二方面还可以包括如上面所描述的第一方面的特征中的至少一些特征。
在第三方面中,本说明书描述了一种装置,该装置被配置为执行如参照第二方面所描述的任何方法。
在第四方面中,本说明书描述了一种工作产品,包括:借助于第二方面的方法而创建的查找表或者数组。
在第五方面中,本说明书描述了计算机可读指令,这些计算机可读指令在由计算装置执行时使计算装置执行如参照第三方面或者第四方面所描述的任何方法。
在第六方面中,本说明书描述了一种计算机可读介质,包括被存储在其上的程序指令以便至少执行以下操作:使传输系统的可训练参数初始化,其中传输系统包括发送器、信道和接收器,其中发送器包括用于将一个或多个输入转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中传输系统的可训练参数包括概率函数,该概率函数定义个体数据符号通过发送器算法被输出的概率;在分布函数的基础上来生成训练符号,其中分布函数是可微分的;在训练模式下通过信道来向接收器发送经调制的符号;基于所生成的符号和如在传输系统的接收器处接收到的经调制的符号来生成损失函数;生成传输系统的经更新的参数以使损失函数最小化,其中生成传输系统的经更新的参数包括:更新发送器算法的参数;以及重复以下项直到达到第一条件为止:生成符号近似、生成损失函数以及更新传输系统的参数。
在第七方面中,本说明书描述了一种计算机程序,包括用于使装置至少执行以下操作的指令:使传输系统的可训练参数初始化,其中传输系统包括发送器、信道和接收器,其中发送器包括用于将一个或多个输入转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中传输系统的可训练参数包括概率函数,该概率函数定义个体数据符号通过发送器算法被输出的概率;在分布函数的基础上生成训练符号,其中分布函数是可微分的;在训练模式下通过信道来向接收器发送经调制的符号;基于所生成的符号和如在传输系统的接收器处接收到的经调制的符号来生成损失函数;生成传输系统的经更新的参数以使损失函数最小化,其中生成传输系统的经更新的参数包括:更新发送器算法的参数;以及重复以下项直到达到第一条件为止:生成符号近似、生成损失函数以及更新传输系统的参数。
在第八方面中,本说明书描述了一种装置,包括:至少一个处理器;以及至少一个存储器,包括计算机程序代码,该计算机程序代码在由该至少一个处理器执行时使装置:使传输系统的可训练参数初始化,其中传输系统包括发送器、信道和接收器,其中发送器包括用于将一个或多个输入转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中传输系统的可训练参数包括概率函数,该概率函数定义个体数据符号通过发送器算法被输出的概率;在分布函数的基础上来生成训练符号,其中分布函数是可微分的;在训练模式下通过信道来向接收器发送经调制的符号;基于所生成的符号和如在传输系统的接收器处接收到的经调制的符号来生成损失函数;生成传输系统的经更新的参数以使损失函数最小化,其中生成传输系统的经更新的参数包括:更新发送器算法的参数;并且重复以下项直到达到第一条件为止:生成符号近似、生成损失函数以及更新传输系统的参数。
在第九方面中,本说明书描述了一种装置,包括:初始化模块,用于使传输系统的可训练参数初始化(例如随机地或者按照某种其他方式–诸如基于信道信息),其中传输系统包括发送器、信道和接收器,其中发送器包括用于将一个或多个输入(例如(多个)数据比特或者数据流)转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中传输系统的可训练参数包括概率函数(例如实现概率成形,如上面所描述的),该概率函数定义个体数据符号通过发送器算法被输出的概率;训练模块(诸如整形设备),用于在分布函数的基础上生成训练符号,其中分布函数是可微分的;发送器,用于在训练模式下通过信道来向接收器发送经调制的训练符号;处理器,用于基于所生成的训练符号和如在传输系统的接收器处所接收到的经调制的训练符号来生成损失函数;更新模块,用于生成传输系统的经更新的参数(例如使用机器学习原理,例如通过更新神经网络)以使损失函数最小化,其中生成传输系统的经更新的参数包括:更新发送器算法的参数;以及控制模块,用于重复以下项直到达到第一条件为止:生成训练符号、生成损失函数以及更新传输系统的参数。数据符号可以是符号的有限离散集合。数据符号可以与发送器的星座点相对应。概率函数可以是不可微分的离散函数(并且可以在训练期间由可微分的近似(分布函数)代替)。
附图说明
现在将通过非限制性示例的方式参照以下示意图来描述示例实施例,其中:
图1是根据示例实施例的示例端到端通信系统的框图;
图2是可以在图1的通信系统中使用的示例发送器的框图;图3是可以在图1的通信系统中使用的示例接收器的框图;
图4是根据示例实施例的传输系统的框图;图5是根据示例实施例的发送器的框图;
图6是根据示例实施例的示例接收器模块的框图;
图7是示出了根据示例实施例的算法的流程图;
图8是根据示例性实施例的系统的组件的框图;以及
图9a和图9b示出了存储计算机可读代码的有形介质,分别是可移动存储器单元和光盘(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
通过独立权利要求书阐述了本发明所寻求的保护范围。在本说明书中所描述的未落入独立权利要求书的范围的实施例和特征(如果有的话)将被解释为对理解本发明的各种实施例有用的示例。
在本说明书和附图中,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示例端到端通信系统(一般地由附图标记1指示)的框图。系统1包括发送器2、信道4和接收器6。从系统级别看,系统1将在发送器2的输入处所接收到的输入比特(b)转换为在接收器6的输出处的输出比特更具体地,发送器2将输入比特(b)转换为发送符号(x)以用于通过信道4来传输,并且接收器6从通过信道4而接收到的符号(y)生成输出比特
图2是可以在上面所描述的系统1中使用的示例发送器2的框图。如在图2中所示出的,发送器2包括比特到符号模块12和调制器14。比特到符号模块12接收所输入的数据比特(b),并且将那些比特转换为数据符号(s)用于传输。例如,所输入的数据比特(b)可以采取数据流的形式,该数据流被打包以用于比特到符号模块12的传输。调制器14根据调制方案将数据符号转换为发送符号(x)。然后通过信道4来传输发送符号,并且在接收器6处接收发送符号作为所接收到的符号(y)。
图3是可以在上面所描述的通信系统1中使用的示例接收器6的框图。如在图3中所示出的,接收器6包括解调器22和解映射器模块24。解调器22将所接收到的符号(y)转换为符号概率开且解映射器24将符号概率转换为比特概率p(bi|y)。
可以在调制器14(和解调器22)的实现方式中使用若干调制技术。这些调制技术包括幅移键控(ASK)和相移键控(PSK),在该幅移键控(ASK)中,基于被发送的信号来修改载波信号的幅度,在该相移键控(PSK)中,基于所发送的信号来修改载波信号的相位。通过示例的方式,正交相移键控(QPSK)是以下相移键控形式:在该相移键控中,一次调制两个比特,选择四个可能的载波相移(例如0、+90度、180度、-90度)中的一个载波相移。这种载波相位和幅度通常被表示为复平面中的星座位置。技术人员将知道许多其他合适的调制技术。
对用于发送信息的调制方案的选择(诸如通信系统1)对这种通信系统的端到端性能有影响。此外,这种调制方案可以被优化。
对于具有多个星座点的通信方案(诸如幅移键控调制方案和/或相移键控调制方案),这种星座点在复平面中的位置可以被优化。备选地,或者另外,可以优化使用这种星座点的相对频率。那些方法分别在本文中被称为几何整形和概率整形。
图4是根据示例实施例的传输系统(一般地由附图标记30指示)的框图。传输系统30包括发送器32、信道34和接收器36(它们与上面所描述的发送器2、信道4和接收器6有一些类似之处)。
如在图4中所示出的,发送器32包括比特到符号模块37((类似于上面所描述的比特到符号模块12)、调制器38((类似于调制器14)和整形设备39。接收器36包括解调器40((类似于解调器22)和解映射器模块41(类似于解映射器模块24)。
如下面所进一步讨论的,发送器32将比特的输入流映射到发送符号上。发送器包括神经网络(或者具有可训练参数的一些其他函数)。
比特到符号模块37接收传入的、大小为N的比特序列(由b=[b1,...,bN]表示),并且将该比特序列映射到超符号上,使得符号s的出现频率与由成形设备39提供的概率分布pθ(s)相对应。此处,是超符号的有限离散集合。超符号s被提供给调制器38,该调制器38将s映射到复数发送符号上,其中M是信道使用的数目。
图5是根据示例实施例的发送器(一般地由附图标记50指示)的框图。发送器50是上面所描述的发送器32的示例;具体地,发送器50示出了用于训练上面所描述的发送器32的示例布置。
发送器50包括根据示例实施例的比特到符号模块37、调制器38和成形设备39。成形设备39可以在发送器50的训练期间被使用。如下面所进一步描述的,在正常操作模式下,成形设备39可以被代替,例如利用提供适当设定的查找表来代替。
调制器38包括嵌入模块52、归一化模块54和实数到复数转换模块56。成形设备39包括参数模块60、求和模块62、Gumbel采样器63、softmax模块64、softmaxτ模块65和直通估计器66。
比特到符号模块37将传入的比特b映射到超符号s上。该映射被实现使得使用符号的频率与给定的概率分布pθ(s)相匹配。如下面所进一步讨论的,概率分布pθ(s)通过成形模块39生成。
可以以若干方式来实现比特到符号模块37。通过示例的方式,恒定成分分布匹配(CCDM)方法可以被使用。CCDM涉及将N1个比特的向量映射到N2个符号的向量,其中N1和N2通常是大数目。从大小为N2的符号的所有可能向量的集合中,选择向量,使得符号以所需的目标概率近似地出现。这些所选择的向量形成集合N2越大,目标概率的近似越好。N1必须满足然后,使用算术编码来将大小为N1比特向量映射到来自的符号向量。
如下面所详细讨论的,可能需要使用机器学习原理(诸如反向传播)来训练系统50。由比特到符号模块37执行的操作是离散的并且非可微分的函数,并且因此在机器学习中所使用的许多训练技术都不适用。
成形设备39可以被实现为具有参数θ(或者任何其他可训练函数)的神经网络。如在图5中所提出的,成形设备39可以利用直通Gumbel-softmax重新参数化技术。Gumbel-softmax技术指出:可以通过以下等式来对任何离散的概率分布pθ(s)的样本进行近似采样。
其中
并且gi(其中)是来自Gumbel(0,1)分布的样本,并且{zi}(其中)是通过具有参数θ的可训练神经网络计算得出的所谓的logits(例如非归一化概率的对数-softmax函数使该过程颠倒)。(下面进一步讨论了参数τ。)
可以通过pθ=softmax(z)来从logits获取分布pθ(s)。在系统50中,描绘了生成logits的神经网络的示例架构。在示例中,logits被直接地训练,并且因此θ=z。注意:其他架构是可能的。例如,logits可以是通过神经网络来自信道信息(诸如信噪比)的计算方。
通过优化θ,优化了分布pθ(s)。
如果使用argmax算子,而不是在上面的等式(1)中的softmax算子,则这将实现从精确分布pθ(s)进行采样。argmax输出将被转换为one-hot表示,即,单个元素被设置为一并且其他元素被设置为零的向量。被设置为一的元素的索引将与argmax的输出相对应。然而,argmax算子是不可微分的,这阻止了通过通常的随机梯度下降(SGD)或者类似的反向传播技术来优化pθ(s)。softmax函数可以被用作argmax算子的可微分的近似。正参数τ控制所生成的样本的分布偏离精确分布pθ(s)的程度。将τ设置为低值实现更好的近似,但是使训练更困难,因为它增加了softmaxτ层的锐度,从而使梯度的反向传播更困难。softmax函数的缺点是:它只输出one-hot向量的近似。为了确保在训练时调制器的输入始终是真实的one-hot向量,softmax的输出可以被馈送到直通估计器66中。直通估计器是非常简单的单元,它将其输入离散化为最接近的真实one-hot向量(通过将其最大的元素设置为等于一并且将所有其他元素设置为零),但是当执行反向传播时,可以跳过(即,离散化被忽略)。
随机梯度下降寻求基于反向传播梯度来优化可训练参数。由于在上面所描述的布置中,只有所提出的采样设备而不是比特到符号模块37是可训练的,因此,不同的子模块在训练和部署时是活动的。通过系统50中的开关58描绘了这一点。
在训练期间,可训练的成形设备39是活动的,并且超符号s通过该设备生成。为了学习使信息率最大化的分布pθ(s),反向传播梯度的流程被馈入到可训练设备中,并且参数θ相应地被更新。一旦训练完成,所学习的分布pθ(s)就被馈送到比特到符号模块37中,并且开关58被设置为“评估”。因此,在部署时,符号现在通过比特到符号模块37生成,该比特到符号模块37利用所学习的频率pθ(s)将传入的比特流映射到超符号上。如上面所提到的,这种布置可以通过查找表或者一些类似的模块实现。
调制器38将符号s映射到复平面中的星座点x上。这些点的实际位置可以是固定的或者利用pθ(s)而共同优化。如果也学习了星座,则调制器38可以实施为具有可训练参数(或者任何其他可学习的函数)的神经网络,并且由gψ表示。在图5中示出了可训练的调制器的示例架构,该架构包括嵌入层52和归一化层54,该嵌入层52的维度为K×2M,该归一化层54将所学习的分布pθ(s)作为第二输入以确保一些功率约束,例如最后,实数到复数转换模块56将2M个实数输出映射到M个复数信道符号。技术人员将知道调制器38的备选实现方式(具体地,如果星座点的位置是固定的话)。
可以使用端到端学习来训练系统30和50。利用该方法,发送器32、信道34和接收器36可以被实现为单个神经网络,并且端到端系统被训练以重构(多个)输入和输出。在一些实施例中,微分的信道模型可以被假设可用。例如在没有合适的信道模型可用的情况下,备选实施例是可能的。
图6是根据示例实施例的示例接收器模块(一般地由附图标记70指示)的框图。接收器模块70包括复数到实数转换模块71、第一密集层72、第二密集层73和softmax层74。在系统70中两个密集层的供应仅是示例;任何数目的密集层可以被提供。
如此所获得的向量被提供给密集层72和73,这些密集层可以具有不同的激活函数(例如ReLU、tanh、sigmoid、线性等)。softmax层(最后一层)具有个输出维度,并且利用softmax激活函数来生成离散的概率质量函数pφ(s|y),该函数pφ(s|y)的元素可以被解释为符号s被发送的概率。
为了确定可训练的函数θ(与概率成形相关)、(与星座位置或者几何成形相关)和(与接收器相关)中的一项或多项,随机梯度下降(或者一些类似的算法)被执行。可以被最小化的一种可能的损失函数是交叉熵(CE)损失函数,该交叉熵(CE)损失函数被减去符号熵:
在等式(3)中,预期涵盖符号s和信道输出y的所有实现。假设独立同分布(i.i.d.)实现,可以通过以下方式来估计损失函数:
图7是示出了根据示例实施例的算法(一般地由附图标记80指示)的流程图。
算法80开始于操作81,其中使传输系统(诸如上面参照图4和图5所讨论的传输系统)的可训练参数初始化。初始化可以采取许多形式,例如初始化可以随机地(或者伪随机地)或者以一些任意的方式来设置可训练参数;备选地,可训练参数可以被设置为预定义的起始点或者可以根据一些算法(例如基于传输系统的信道信息,诸如信噪比)而被定义。
参数初始化可以通过参数模块60实现。参数模块60可以例如设置初始概率函数,该初始概率函数定义个体数据符号通过发送器算法被输出(例如发送器的星座点)的概率。概率函数是离散函数,并且是非直接可微分的。
算法移至操作82,在该操作82中,在分布函数的基础上生成训练符号,其中分布函数是可微分的。分布函数可以是概率函数的近似(例如可微分的近似)。如上面所提到的,概率函数通常是离散的并且非微分的概率函数,这不利于在机器学习过程中所经常采用的反向传播技术(如下面所进一步讨论的)。因此,非可微分的概率函数可以在训练期间由微分的近似代替。
训练符号可以通过Gumbel-softmax算法生成(诸如使用上面所讨论的Gumbel-softmax重新参数化)。如在训练模式下通过成形设备39生成的训练符号被提供给调制器38,并且经调制的训练符号通过信道34被发送给接收器36。
如上面所讨论的,训练符号(在训练模式下的)可以与通过调制器38实现的调制方案的固定星座位置相对应。类似地,发送符号(在正常操作模式下的)可以与固定星座位置相对应。
备选地,在训练模式下的训练符号(以及在正常操作模式下的发送符号)可以与通过所述调制器38实现的调制方案的可变星座位置相对应。此外,传输系统的可训练参数可以包括所述调制方案的星座点位置。
在操作82中通过所述信道而生成并且传输的符号由接收器36接收。
在操作83中,基于所生成的训练符号和如在传输系统的接收器处所接收到的经调制的训练符号来生成损失函数。该损失函数可以采取许多不同的形式。例如,损失函数可以与误块率、误比特率、互信息和分类交叉熵中的一项或多项相关。
在操作84中,传输系统的参数被更新以便使损失函数最小化,其中生成传输系统的经更新的参数包括:更新发送器算法的参数(例如使用机器学习原理,例如通过更新神经网络网络)。生成传输系统的经更新的参数可以包括:训练上面所讨论的概率函数。因此,例如概率函数可以被训练以便设置概率成形,使得使误比特率(或者一些其他误差函数)被最小化。其他参数还可以被更新,诸如调制器星座位置。
除了更新可训练发送器算法之外,在操作84中生成传输系统的经更新的参数可以包括:更新可训练接收器算法的参数(从而实现传输系统的端到端训练)。
在操作85中,确定算法80是否完成。如果是,则算法终止于操作86;否则,算法返回到操作82,使得重复操作82至85(即,重复以下操作:生成并且发送训练符号、生成损失函数以及更新传输系统的参数)。
当条件被达到时,可以认为算法完成(在操作85中)。这种条件可以采取许多形式。例如,操作82至85可以被重复直到所定义的性能水平被达到为止。备选地,或者另外,操作82至85可以被重复直到已经完成所定义的迭代次数为止。
还应当注意:在所进行的训练中所使用的符号近似的批量大小B和/或学习率(以及可能地,所选择的SGD变型的其他参数,例如ADAM、RMSProp、Momentum)可以是算法80的优化参数。
一旦进行了训练,传输系统的可训练参数就可以被部署。这可以涉及:使用传输系统的所生成的经更新的参数来更新传输系统的可训练参数。此外,发送器系统的可训练参数可以包括以下项的一项或多项:发送器算法的可训练参数、调制器的可训练参数以及接收器的可训练参数。
对上面所描述的示例实施例的若干修改是可能的。例如,可以在不了解相关信道模式的情况下以及在不需要可微分的信道模式的情况下通过利用强化学习的原理来执行传输系统30和50的端到端训练。此外,可以使用生成对抗网络的原理来学习微分的信道模型。一旦这种模型已经被学习,就可以使用所学习的信道模型作为可微分的信道模型来执行端到端学习。
为了完整起见,图8是先前所描述的模块中的一个或多个模块(例如发送器神经网络或者接收器神经网络)的组件的示意图,这些组件在下文中被统称为处理系统110。处理系统110可以具有处理器112、被紧密地耦合到处理器并且包括RAM 124和ROM 122的存储器114以及可选地,硬件密钥120和显示器128。处理系统110可以包括用于连接到网络的一个或多个网络接口118,例如调制解调器,该调制解调器可以是有线的或者无线的。
处理器112被连接到其他组件中的每个组件以便控制其操作。
存储器114可以包括非易失性存储器、硬盘驱动器(HDD)或者固态驱动器(SSD)。除了别的之外,存储器114的ROM 122存储操作系统125,并且可以存储软件应用126。存储器114的RAM 124由处理器112用来暂时存储数据。操作系统125可以包含代码,该代码在由处理器执行时实现算法80的各个方面。
处理器112可以采取任何合适的形式。例如,它可以是微控制器、多个微控制器、处理器或者多个处理器。
处理系统110可以是独立计算机、服务器、控制台或者其网络。
在一些实施例中,处理系统110还可以与外部软件应用相关联。这些外部软件应用可以是被存储在远程服务器设备上的应用,并且可以部分地或者专门地在远程服务器设备上运行。这些应用可以被称为云托管应用。处理系统110可以与远程服务器设备通信以便利用被存储在远程服务器设备的软件应用。
图9A和图9B示出了存储计算机可读代码的有形介质,分别是可移动存储器单元165和光盘(CD)168,该计算机可读代码在由计算机运行时可以执行根据上面所描述的实施例的方法。可移动存储器单元165可以是具有存储计算机可读代码的内部存储器166的记忆棒,例如USB记忆棒。存储器166可以通过计算机系统经由连接器167接入。CD 168可以是CD-ROM或者DVD或者类似物。其他形式的有形存储介质可以被使用。
可以在软件、硬件、应用逻辑或者软件、硬件和应用逻辑的组合中实现本发明的实施例。软件、应用逻辑和/或硬件可以驻留在存储器或者任何计算机介质上。在示例实施例中,应用逻辑、软件或者指令在各种常规计算机可读介质中的任何一种介质上被维护。在本文的上下文中,“存储器”或者“计算机可读介质”可以是以下任何非瞬态介质或者部件:这些非暂时性介质或者部件可以包含、存储、传送、传播或者传输指令以由指令执行系统、装置或者设备(诸如计算机)使用或者与指令执行系统、装置或者设备有关。
在相关的情况下,对“计算机可读存储介质”、“计算机程序产品”、“有形体现的计算机程序”等或者“处理器”或者“处理电路系统”等的引用应当被理解为不仅囊括具有不同架构(诸如单处理器/多处理器架构和定序器/并行架构)的计算机,而且还囊括专用电路,诸如现场可编程门阵列FPGA、专用电路ASIC、信号处理设备以及其他设备。对计算机程序、指令、代码等的引用应当被理解为表达用于可编程处理器固件的软件,诸如硬件设备的可编程内容,该可编程内容作为用于处理器的指令或者用于固定功能设备、门阵列、可编程逻辑设备等的已配置设定或者配置设定。
如在本申请中所使用的,术语“电路系统”是指以下所有:(a)仅硬件电路实施方式(诸如仅在模拟和/或数字电路系统中的实施方式)和(b)电路和软件(和/或固件)的组合,诸如(如适用):(i)(多个)处理器的组合或者(ii)(多个)处理器/软件(包括一起工作以使装置(诸如服务器)执行各种功能的(多个)数字信号处理器、软件、(多个)存储器的部分)和(c)需要软件或者固件用于操作(即使软件或者固件不是物理地存在)的电路(诸如(多个)微处理器或者(多个)微处理器的一部分)。
若需要,在本文中所讨论的不同功能可以按照不同的顺序和/或彼此同时被执行。此外,若需要,上述功能中的一个或多个功能可以是可选的或者可以被组合。类似地,还要了解:图7的流程图仅是示例,并且其中所描绘的各种操作可以被省略、被重新排序和/或被组合。
应了解:上述示例实施例仅仅是说明性的,并且不限制本发明的范围。在阅读本说明书之后,其他变化和修改对于本领域的技术人员而言将是显然的。
此外,本申请的公开内容应当被理解为包括在本文中所明确地或者隐含地公开的任何新颖特征或者任何新颖的特征组合或者其任何概括,并且在提出本申请或者从本申请衍生的任何申请期间,可以将新的权利要求书阐述为涵盖任何这种特征和/或这种特征的组合。
尽管在独立权利要求中陈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实施例和/或从属权利要求的特征与独立权利要求中的特征的其他组合,而不仅仅是在权利要求中所明确陈述的组合。
在本文中还应该注意:虽然上面描述了各种示例,但是不应当将这些描述视为限制性的。相反,在不脱离本发明的如在所附权利要求书中所定义的范围的情况下,可以进行若干变化和修改。
Claims (27)
1.一种装置,包括:
用于使传输系统的可训练参数初始化的部件,其中所述传输系统包括发送器、信道和接收器,其中所述发送器包括用于将一个或多个输入转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中所述传输系统的所述可训练参数包括概率函数,所述概率函数定义个体数据符号通过所述发送器算法被输出的概率;
用于在分布函数的基础上生成训练符号的部件,其中所述分布函数是可微分的;
用于在训练模式下通过所述信道来向所述接收器发送经调制的训练符号的部件;
用于基于所生成的训练符号和如在所述传输系统的所述接收器处接收到的所述经调制的训练符号来生成损失函数的部件;
用于生成所述传输系统的经更新的参数以使所述损失函数最小化的部件,其中生成所述传输系统的经更新的参数包括更新所述发送器算法的所述参数;以及
用于重复以下项直到达到第一条件为止的部件:生成所述训练符号、生成所述损失函数以及更新所述传输系统的参数。
2.根据权利要求1所述的装置,其中所述分布函数是所述概率函数的近似。
3.根据权利要求1或者权利要求2所述的装置,其中所述训练符号通过Gumbel-softmax算法生成。
4.根据权利要求1至3中任一项所述的装置,其中所述发送符号与通过所述调制器实现的调制方案的固定星座位置相对应。
5.根据权利要求1至3中任一项所述的装置,其中所述发送符号与通过所述调制器实现的调制方案的可变星座位置相对应,其中所述传输系统的所述可训练参数包括所述调制方案的星座点位置。
6.根据前述权利要求中任一项所述的装置,其中所述接收器被配置为:在操作模式下接收如通过所述信道而发送的所述发送符号,并且在训练模式下接收如通过所述信道而发送的所述经调制的训练符号。
7.根据前述权利要求中任一项所述的装置,其中生成所述传输系统的经更新的参数包括:更新可训练接收器算法的参数。
8.根据前述权利要求中任一项所述的装置,还包括:用于使用所述传输系统的所生成的经更新的参数来更新所述传输系统的所述可训练参数的部件。
9.根据权利要求8所述的装置,其中所述发送器系统的所述可训练参数包括以下一项或多项:所述发送器算法的可训练参数;所述调制器的可训练参数;以及所述接收器的可训练参数。
10.根据前述权利要求中任一项所述的装置,其中所述概率函数和所述分布函数至少部分地依赖于所述传输系统的信道信息。
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定义的性能水平。
12.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定义的迭代数目。
13.根据前述权利要求中任一项所述的装置,其中所述发送器算法在操作模式下被实现为查找表。
14.根据前述权利要求中任一项所述的装置,其中所述损失函数与误块率、误比特率、互信息和分类交叉熵中的一项或多项相关。
15.根据前述权利要求中任一项所述的装置,其中用于生成所述传输系统的经更新的参数的所述部件优化学习率和在所述训练模式下所使用的符号近似的批量大小中的一项或多项。
16.根据前述权利要求中任一项所述的装置,其中用于生成所述传输系统的经更新的参数的所述部件使用随机梯度下降来更新所述参数。
17.根据前述权利要求中任一项所述的装置,其中所述发送器包括被配置为实现所述发送器算法的发送器神经网络。
18.根据前述权利要求中任一项所述的装置,其中所述部件包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码,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,引起所述装置的所述执行。
19.一种方法,包括:
使传输系统的可训练参数初始化,其中所述传输系统包括发送器、信道和接收器,其中所述发送器包括用于将一个或多个输入转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中所述传输系统的所述可训练参数包括概率函数,所述概率函数定义个体数据符号通过所述发送器算法被输出的概率;
在分布函数的基础上来生成训练符号,其中所述分布函数是可微分的;
在训练模式下通过所述信道来向所述接收器发送经调制的训练符号;
基于所生成的训练符号和如在所述传输系统的所述接收器处接收到的所述经调制的训练符号来生成损失函数;
生成所述传输系统的经更新的参数以使所述损失函数最小化,其中生成所述传输系统的经更新的参数包括更新所述发送器算法的所述参数;以及
重复以下项直到达到第一条件为止:生成所述训练符号、生成所述损失函数以及更新所述传输系统的参数。
20.根据权利要求19所述的方法,其中所述训练符号通过Gumbel-softmax算法生成。
21.根据权利要求19或者权利要求20所述的方法,其中:
所述发送符号与通过所述调制器实现的调制方案的固定星座位置相对应;或者
所述发送符号与通过所述调制器实现的调制方案的可变星座位置相对应,其中所述传输系统的所述可训练参数包括所述调制方案的星座点位置。
22.根据权利要求19至21中任一项所述的方法,其中生成所述传输系统的经更新的参数包括:更新可训练接收器算法的参数。
23.根据权利要求19至22中任一项所述的方法,还包括:使用所述传输系统的所生成的经更新的参数来更新所述传输系统的所述可训练参数。
24.根据权利要求23所述的方法,其中所述发送器系统的所述可训练参数包括以下一项或多项:所述发送器算法的可训练参数;所述调制器的可训练参数;以及所述接收器的可训练参数。
25.根据权利要求19至24中任一项所述的方法,其中所述概率函数和所述分布函数至少部分地依赖于所述传输系统的信道信息。
26.一种工作产品,包括:借助于根据权利要求19至25中任一项所述的方法而创建的查找表或者数组。
27.一种计算机程序,包括指令,所述指令用于使装置至少执行以下项:
使传输系统的可训练参数初始化,其中所述传输系统包括发送器、信道和接收器,其中所述发送器包括用于将一个或多个输入转换为一个或多个数据符号的发送器算法和用于根据调制方案来将所述数据符号转换为发送符号的调制器,其中所述传输系统的所述可训练参数包括概率函数,所述概率函数定义个体数据符号通过所述发送器算法被输出的概率;
在分布函数的基础上生成训练符号,其中所述分布函数是可微分的;
在训练模式下通过所述信道来向所述接收器发送经调制的符号;
基于所生成的符号和如在所述传输系统的所述接收器处接收到的所述经调制的符号来生成损失函数;
生成所述传输系统的经更新的参数以使所述损失函数最小化,其中生成所述传输系统的经更新的参数包括更新所述发送器算法的所述参数;以及
重复以下项直到达到第一条件为止:所述生成所述符号近似、生成所述损失函数以及更新所述传输系统的参数。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2019/064146 WO2020239232A1 (en) | 2019-05-30 | 2019-05-30 | Learning in communication systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113906704A true CN113906704A (zh) | 2022-01-07 |
Family
ID=66793959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980096967.5A Pending CN113906704A (zh) | 2019-05-30 | 2019-05-30 | 通信系统中的学习 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11750436B2 (zh) |
EP (1) | EP3977655B1 (zh) |
JP (1) | JP7307199B2 (zh) |
KR (1) | KR102620551B1 (zh) |
CN (1) | CN113906704A (zh) |
WO (1) | WO2020239232A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11552731B2 (en) * | 2018-07-20 | 2023-01-10 | Nokia Technologies Oy | Learning in communication systems by updating of parameters in a receiving algorithm |
EP3852326B1 (en) | 2020-01-15 | 2022-06-29 | Nokia Technologies Oy | Transmitter |
EP4097846A1 (en) * | 2020-01-29 | 2022-12-07 | Nokia Technologies Oy | A receiver for a communication system |
CN113193925B (zh) * | 2021-02-09 | 2023-08-11 | 中国人民解放军战略支援部队信息工程大学 | 一种通信系统的优化处理方法、装置及电子设备 |
WO2023138763A1 (en) * | 2022-01-19 | 2023-07-27 | Nokia Technologies Oy | Signal transmission based on transformed signal constellation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951783A (zh) * | 2017-03-31 | 2017-07-14 | 国家电网公司 | 一种基于深度神经网络的伪装入侵检测方法及装置 |
CN108615044A (zh) * | 2016-12-12 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 一种分类模型训练的方法、数据分类的方法及装置 |
CN109474352A (zh) * | 2018-12-24 | 2019-03-15 | 哈尔滨工程大学 | 一种基于深度学习的水声正交频分复用通信方法 |
US20190102678A1 (en) * | 2017-09-29 | 2019-04-04 | Samsung Electronics Co., Ltd. | Neural network recogntion and training method and apparatus |
WO2019080988A1 (en) * | 2017-10-23 | 2019-05-02 | Nokia Technologies Oy | END-TO-END LEARNING IN COMMUNICATION SYSTEMS |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001069046A (ja) * | 1999-08-30 | 2001-03-16 | Fujitsu Ltd | 送受信システムおよび受信装置 |
US8149929B2 (en) * | 2008-06-17 | 2012-04-03 | Telefonaktiebolaget L M Ericsson (Publ) | Receiver and method for processing radio signals using soft pilot symbols |
CN111566673B (zh) | 2017-10-23 | 2023-09-19 | 诺基亚技术有限公司 | 通信系统中的端到端学习 |
US10439287B2 (en) * | 2017-12-21 | 2019-10-08 | Nxgen Partners Ip, Llc | Full duplex using OAM |
WO2019193377A1 (en) * | 2018-04-03 | 2019-10-10 | Nokia Technologies Oy | End-to-end learning in communication systems |
-
2019
- 2019-05-30 US US17/613,578 patent/US11750436B2/en active Active
- 2019-05-30 KR KR1020217042817A patent/KR102620551B1/ko active IP Right Grant
- 2019-05-30 CN CN201980096967.5A patent/CN113906704A/zh active Pending
- 2019-05-30 EP EP19729206.3A patent/EP3977655B1/en active Active
- 2019-05-30 JP JP2021570832A patent/JP7307199B2/ja active Active
- 2019-05-30 WO PCT/EP2019/064146 patent/WO2020239232A1/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615044A (zh) * | 2016-12-12 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 一种分类模型训练的方法、数据分类的方法及装置 |
CN106951783A (zh) * | 2017-03-31 | 2017-07-14 | 国家电网公司 | 一种基于深度神经网络的伪装入侵检测方法及装置 |
US20190102678A1 (en) * | 2017-09-29 | 2019-04-04 | Samsung Electronics Co., Ltd. | Neural network recogntion and training method and apparatus |
WO2019080988A1 (en) * | 2017-10-23 | 2019-05-02 | Nokia Technologies Oy | END-TO-END LEARNING IN COMMUNICATION SYSTEMS |
CN109474352A (zh) * | 2018-12-24 | 2019-03-15 | 哈尔滨工程大学 | 一种基于深度学习的水声正交频分复用通信方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3977655A1 (en) | 2022-04-06 |
JP7307199B2 (ja) | 2023-07-11 |
US20220247614A1 (en) | 2022-08-04 |
KR102620551B1 (ko) | 2024-01-03 |
WO2020239232A1 (en) | 2020-12-03 |
JP2022534603A (ja) | 2022-08-02 |
KR20220010565A (ko) | 2022-01-25 |
EP3977655B1 (en) | 2023-04-26 |
US11750436B2 (en) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113906704A (zh) | 通信系统中的学习 | |
CN110753937B (zh) | 数据传输网络配置 | |
US11082264B2 (en) | Learning in communication systems | |
O'Shea et al. | Physical layer communications system design over-the-air using adversarial networks | |
CN113169752B (zh) | 通信系统中的学习 | |
CN111566673B (zh) | 通信系统中的端到端学习 | |
EP3418821B1 (en) | Method and device for configuring a data transmission system | |
CN111712835A (zh) | 数据传输系统中的信道建模 | |
US20220209888A1 (en) | Iterative Detection in a Communication System | |
CN115034255A (zh) | 一种具有注意力机制时间卷积网络的信号调制识别算法 | |
CN115804068A (zh) | 使用狄利克雷过程优化通信信道的容量的方法、系统及计算机程序 | |
CN114026827A (zh) | 发送器算法 | |
CN114730370A (zh) | 检测算法 | |
CN115565023A (zh) | 用于图像处理的方法、装置、电子设备和介质 | |
Kashif | Factor graphs and MCMC approaches to iterative equalization of nonlinear dispersive 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 |