CN113965281B - 一种基于端到端学习的空中计算系统设计方法 - Google Patents
一种基于端到端学习的空中计算系统设计方法 Download PDFInfo
- Publication number
- CN113965281B CN113965281B CN202111169704.8A CN202111169704A CN113965281B CN 113965281 B CN113965281 B CN 113965281B CN 202111169704 A CN202111169704 A CN 202111169704A CN 113965281 B CN113965281 B CN 113965281B
- Authority
- CN
- China
- Prior art keywords
- neural network
- computing system
- representing
- transmitting
- current
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于端到端学习的空中计算系统设计方法,其特征在于,包括以下步骤:在仿真环境下,由各个发射端设备同步发射正交导频至接收端;将接收端接收到的导频数据输入到神经网络中,并输出当前传输信道下的传输功率、去噪参数和反射系数;将传输误差MSE设计为神经网络的损失函数,神经网络通过反向传播理论以无监督的方式进行自适应参数调整;待该神经网络性能稳定之后,得到一个具有快速空中计算系统参数设计的端到端学习网络。本发明实现了可编程智能反射平面辅助的空中计算系统快速参数设计的方法,可以降低对高精度无线信道状态信息的依赖,同时实现快速且准确的数据聚合。
Description
技术领域
本发明涉及一种基于深度学习技术,实现可编程智能反射平面辅助的空中计算系统快速参数设计的方法,属于信息技术领域。
背景技术
大规模物联网的不断发展使得边缘终端设备的数目迅速增加,从海量物联网设备进行数据聚合变得越来越有挑战性。通过利用无线电波的物理叠加性,空中计算技术是一种有效实现从无线终端快速收集数据的方法。根据采集到的无线信道状态信息设计实时计算参数,提高数据聚合的准确性,减少通信延迟,提高通信效率,是空中计算系统的重要目标。
在实际复杂动态的无线通信环境中,重构无线信道能够提升空中计算系统中数据传输的质量。利用可编程智能反射平面增强反射信号是一种新颖且有效的技术。传统的空中计算系统参数设计方法是基于现代优化理论,对智能反射平面辅助的空中计算系统中的系统参数(例如,传输功率、反射系数等)进行联合或者交替优化。在文献[1]中作者利用凸差规划算法,根据完美无线信道状态信息,联合优化了智能反射平面辅助的空中计算系统中反射系数、波束赋形以及去噪系数。在文献[2]中作者考虑了无智能反射平面的动态信道空中计算系统设计。虽然上述优化算法可以实现很高的传输准确率,但是算法复杂度很高且依赖高精度无线信道状态信息,无法进行实时的系统参数设计。为了在由智能反射平面辅助的空中计算系统中获取高精度的无线信道状态信息,需要进行实时无线信道估计且需要较多的导频开销,从而压缩了数据传输的时间。此外,准确的无线信道状态信息的获取也是很困难的。
文献[1]:T.Jiang and Y.Shi,"Over-the-Air Computation via IntelligentReflecting Surfaces,"2019IEEE Global Communications Conference(GLOBECOM),2019,pp.1-6.
文献[2]:X.Cao,G.Zhu,J.Xu and K.Huang,"Optimized Power Control forOver-the-Air Computation in Fading Channels,"in IEEE Trans.Wireless Commun.,vol.19,no.11,pp.7498-7513,Nov.2020.
发明内容
本发明要解决的技术问题是:传统基于传统凸优化理论的技术难以实现快速实时空中计算系统设计。
为了解决上述技术问题,本发明的技术方案是提供了一种基于端到端学习的空中计算系统设计方法,其特征在于,包括以下步骤:
步骤1、在仿真环境下,由各个发射端设备同步发射正交导频至接收端;
步骤2、将接收端接收到的导频数据输入到神经网络中,并输出当前传输信道下的传输功率、去噪参数和反射系数;
在对神经网络进行训练时,根据神经网络输出的传输功率、去噪参数和反射系数计算当前的传输误差MSE,传输误差MSE计算如下式所示:
式中,K表示当前发射端设备数目;pk表示第k个发射端设备的传输功率;η为去噪参数;表示当前的合并信道系数,具体的:/>代表发射端设备到接收端的信道系数,/>代表发射端设备到智能反射平面的信道系数,g代表由智能反射平面到接收端的信道系数,v代表智能反射平面的反射系数;σ2表示当前噪声方差。
将传输误差MSE设计为神经网络的损失函数,神经网络通过反向传播理论以无监督的方式进行自适应参数调整;待该神经网络性能稳定之后,即传输误差MSE不再下降之后,得到一个具有快速空中计算系统参数设计的端到端学习网络。
本发明提出的一种基于深度学习技术,实现可编程智能反射平面辅助的空中计算系统快速参数设计的方法,可以降低对高精度无线信道状态信息的依赖,同时实现快速且准确的数据聚合。具体的,本发明提供的系统基于用户上行传输的导频,输出该空中计算系统的反射系数、传输功率和去噪参数的设计。
附图说明
图1为性能对比示意。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供了一种基于端到端学习的空中计算系统设计方法,具体包括以下步骤:
步骤1、在仿真环境下,由各个发射端设备同步发射正交导频至接收端。
步骤2、将接收端接收到的导频数据输入到神经网络中,并输出当前传输信道下的传输功率、去噪参数和反射系数。
在对神经网络进行训练时,根据神经网络输出的传输功率、去噪参数和反射系数计算当前的传输误差MSE,传输误差MSE计算如下式所示:
式中,K表示当前发射端设备数目;pk表示第k个发射端设备的传输功率;η为去噪参数;表示当前的合并信道系数,具体的:/>代表发射端设备到接收端的信道系数,/>代表发射端设备到智能反射平面的信道系数,g代表由智能反射平面到接收端的信道系数,v代表智能反射平面的反射系数;σ2表示当前噪声方差。
将传输误差MSE设计为神经网络的损失函数,神经网络通过反向传播理论以无监督的方式进行自适应参数调整。待该神经网络性能稳定之后,即传输误差不再下降之后,得到一个具有快速空中计算系统参数设计的端到端学习网络。
图1为本发明提出的上述方法与现有方法的性能对比,对比方案为基于传统凸优化理论开发的算法,由图1可见,本发明提供的方法传输精度性能显著优于传统方法,可取得更加高的传输精度。
Claims (1)
1.一种基于端到端学习的空中计算系统设计方法,其特征在于,包括以下步骤:
步骤1、在仿真环境下,由各个发射端设备同步发射正交导频至接收端;
步骤2、将接收端接收到的导频数据输入到神经网络中,并输出当前传输信道下的传输功率、去噪参数和反射系数;
在对神经网络进行训练时,根据神经网络输出的传输功率、去噪参数和反射系数计算当前的传输误差MSE,传输误差MSE计算如下式所示:
式中,K表示当前发射端设备数目;pk表示第k个发射端设备的传输功率;η为去噪参数;表示当前的合并信道系数,具体的:/>代表发射端设备到接收端的信道系数,/>代表发射端设备到智能反射平面的信道系数,g代表由智能反射平面到接收端的信道系数,v代表智能反射平面的反射系数;σ2表示当前噪声方差;
将传输误差MSE设计为神经网络的损失函数,神经网络通过反向传播理论以无监督的方式进行自适应参数调整;待该神经网络性能稳定之后,即传输误差MSE不再下降之后,得到一个具有快速空中计算系统参数设计的端到端学习网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169704.8A CN113965281B (zh) | 2021-10-08 | 2021-10-08 | 一种基于端到端学习的空中计算系统设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169704.8A CN113965281B (zh) | 2021-10-08 | 2021-10-08 | 一种基于端到端学习的空中计算系统设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113965281A CN113965281A (zh) | 2022-01-21 |
CN113965281B true CN113965281B (zh) | 2023-09-22 |
Family
ID=79463660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111169704.8A Active CN113965281B (zh) | 2021-10-08 | 2021-10-08 | 一种基于端到端学习的空中计算系统设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113965281B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019122008A (ja) * | 2018-01-11 | 2019-07-22 | 株式会社Nttドコモ | 電波伝搬推定装置、電波伝搬推定方法、及び、電波伝搬推定プログラム |
KR20190125624A (ko) * | 2018-04-30 | 2019-11-07 | 서울대학교산학협력단 | 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 |
CN110535486A (zh) * | 2019-08-07 | 2019-12-03 | 东南大学 | 基于超表面神经网络的射频信号直接处理式无线收发机 |
CN111566673A (zh) * | 2017-10-23 | 2020-08-21 | 诺基亚技术有限公司 | 通信系统中的端到端学习 |
CN112911608A (zh) * | 2021-01-14 | 2021-06-04 | 浙江大学 | 一种面向边缘智能网络的大规模接入方法 |
CN113162876A (zh) * | 2021-05-10 | 2021-07-23 | 东南大学 | 基于深度学习的irs反射图样和信道估计的联合设计方法 |
CN113179232A (zh) * | 2021-04-22 | 2021-07-27 | 南通大学 | 一种基于深度学习的无源智能反射表面的信道估计方法 |
WO2021172601A1 (ko) * | 2020-02-24 | 2021-09-02 | 엘지전자 주식회사 | 무선 통신 시스템에서 무선 신호를 송수신하는 방법 및 장치 |
WO2021175344A2 (zh) * | 2021-05-06 | 2021-09-10 | 南京航空航天大学 | 一种无线信道冲激响应动态测量重构方法及装置 |
-
2021
- 2021-10-08 CN CN202111169704.8A patent/CN113965281B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111566673A (zh) * | 2017-10-23 | 2020-08-21 | 诺基亚技术有限公司 | 通信系统中的端到端学习 |
JP2019122008A (ja) * | 2018-01-11 | 2019-07-22 | 株式会社Nttドコモ | 電波伝搬推定装置、電波伝搬推定方法、及び、電波伝搬推定プログラム |
KR20190125624A (ko) * | 2018-04-30 | 2019-11-07 | 서울대학교산학협력단 | 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 |
CN110535486A (zh) * | 2019-08-07 | 2019-12-03 | 东南大学 | 基于超表面神经网络的射频信号直接处理式无线收发机 |
WO2021172601A1 (ko) * | 2020-02-24 | 2021-09-02 | 엘지전자 주식회사 | 무선 통신 시스템에서 무선 신호를 송수신하는 방법 및 장치 |
CN112911608A (zh) * | 2021-01-14 | 2021-06-04 | 浙江大学 | 一种面向边缘智能网络的大规模接入方法 |
CN113179232A (zh) * | 2021-04-22 | 2021-07-27 | 南通大学 | 一种基于深度学习的无源智能反射表面的信道估计方法 |
WO2021175344A2 (zh) * | 2021-05-06 | 2021-09-10 | 南京航空航天大学 | 一种无线信道冲激响应动态测量重构方法及装置 |
CN113162876A (zh) * | 2021-05-10 | 2021-07-23 | 东南大学 | 基于深度学习的irs反射图样和信道估计的联合设计方法 |
Non-Patent Citations (6)
Title |
---|
Federated Learning via Intelligent Reflecting Surface;Zhibin Wang;《IEEE Transactions on Wireless Communications》;全文 * |
Over-the-Air Federated Learning and Non-Orthogonal Multiple Access Unified by Reconfigurable Intelligent Surface;Wanli Ni;《IEEE INFOCOM 2021 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS)》;全文 * |
Reconfigurable Intelligent Surface Enabled Federated Learning: A Unified Communication-Learning Design Approach;Hang Liu;《IEEE Transactions on Wireless Communications》;全文 * |
一种新的可变步长LMS自适应滤波算法;王敏强,胡贵龙,郑宝玉;南京邮电学院学报(第04期);全文 * |
无线网络空中计算专题导读;卫国;陈力;;中兴通讯技术(第04期);全文 * |
无线网络系统建模综述;傅韬;黄本雄;;计算机科学(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113965281A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112804695B (zh) | 可重构智能表面辅助的无线通信方法及装置 | |
CN102138309A (zh) | 动态控制通过时间反转而预均衡的信号的会聚的方法 | |
CN114124623B (zh) | 一种无线通信信道估计方法和装置 | |
CN105978674A (zh) | 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法 | |
CN114172597B (zh) | 一种基于可重构智能表面的非迭代参数联合估计方法 | |
CN101471904B (zh) | 一种多径信道估计方法 | |
CN114884775A (zh) | 一种基于深度学习的大规模mimo系统信道估计方法 | |
CN113965281B (zh) | 一种基于端到端学习的空中计算系统设计方法 | |
CN115133977B (zh) | 基于信息年龄最小化的无人机通信感知一体化系统位置优化方法 | |
WO2022151900A1 (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
CN114338299B (zh) | 一种基于位置信息对智能反射面辅助的通信系统进行信道估计的方法 | |
CN116761199A (zh) | 一种面向6g surllc场景的用户性能分析方法 | |
CN115987358A (zh) | 有源ris中的一种基于部分信道状态信息的波束赋形方法 | |
CN114745754A (zh) | 非理想信道信息下irs辅助云接入网上行传输优化方法 | |
CN114301508A (zh) | 基于过时csi的可重构智能表面辅助mimo传输中的双时间尺度优化方法 | |
CN111245487A (zh) | 一种高速率下行数据预编码和传输方法 | |
KR102644441B1 (ko) | 중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템 | |
CN113645001B (zh) | 一种针对高速移动场景下时变信道的srs周期配置方法 | |
WO2024037321A1 (zh) | Ai模型训练方法、装置、设备及可读存储介质 | |
CN115442816B (zh) | 一种智能反射面辅助的非正交多址接入短包通信实现方法 | |
CN114142902B (zh) | 多天线智能反射表面系统短数据包传输方法 | |
CN113810087B (zh) | Mimo-irs通信系统的离散相移量化方法 | |
CN114142931B (zh) | 一种基于bic-daf-moea的复杂信道通信方法 | |
CN117858108A (zh) | 一种智能全向表面辅助语义通信用户的服务质量优化方法 | |
CN117955778A (zh) | 基于噪声抑制的智能反射面辅助通信系统的信道估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |