CN114697183B - 一种基于深度学习的信道同步方法 - Google Patents

Abstract

本申请公开了一种基于深度学习的信道同步方法，包括：线下训练基于深度自编码网络的调制解调模型；构造基于深度学习的信道同步模型；根据调制解调模型和信道同步模型，构建基于深度神经网络的通信系统；在线训练通信系统中的信道同步模型，得到训练好的信道同步网络；采用训练好的信道同步网络对传输数据进行载波同步、位定时同步，以供深度自编码网络进行解调。上述基于深度学习的信道同步方法，无需依靠专业知识精心设计同步算法，仅需通过少量训练数据和较少的训练轮数即可同时实现载波同步和位定时同步，且适应载波频差范围大，网络收敛速度快，生成的网络系数可解释性好。

Description

一种基于深度学习的信道同步方法

技术领域

本发明涉及通信技术领域，特别是涉及一种基于深度学习的信道同步方法。

背景技术

信道同步作为通信系统不可或缺的重要环节，直接影响通信系统的性能和环境适应能力。而载波同步和位定时同步作为信道同步中两个相互制约的重要方面，在各类通信系统中都得到了非常深入的研究。近年来，随着4G、5G通信的高速发展，对大规模MIMO-OFDM系统的信道估计问题也得到了大量研究。然而，随着通信系统规模的不断扩大与传输环境的日益恶化，用传统同步方法解决同步问题正变得越来越复杂,同时也难以适应基于神经网络的传输波形和模型。

目前将人工智能应用于通信领域，解决频谱资源日益紧缺条件下的高效资源分配、路由优化，以及恶劣电磁环境的下波形重构、信道估计及干扰抑制等任务，从整体上而非各模块分别优化通信系统被认为是通信系统发展的重要趋势，得到了越来越多的研究，并取得了一系列研究成果。例如：将基于空间迁移网络(Spatial transformer network，STN)和无线变换网络(Radio Transformer Network，RTN)的注意力机制引入基于深度自编码网络的调制解调方案中，以恢复包含随机延时、频差、相差、时延扩展等损伤的接收信号，但还存在验证不充分，信号星座图在视觉上并没有明显的改善，网络可解释性差等问题，没有很好的解决基于神经网络的信道同步问题；在基于深度神经网络的通信系统中引入额外的基于深度网络的相位同步、帧同步模块解决同步问题，但没有考虑存在较大频差时的载波同步问题。

在基于深度自编码网络的调制解调技术、编译码技术都已经得到较好解决的情况下，能否实现基于深度学习的信道同步直接关系到人工智能是否可以替代传统通信系统中的信道同步模块，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的信道同步方法，可通过基于深度学习的信道同步网络同时实现载波同步和位定时同步，适应载波频差范围大，网络收敛速度快，生成的网络系数可解释性好。其具体方案如下：

一种基于深度学习的信道同步方法，包括：

线下训练基于深度自编码网络的调制解调模型；

构造基于深度学习的信道同步模型；

根据所述调制解调模型和所述信道同步模型，构建基于深度神经网络的通信系统；

在线训练所述通信系统中的所述信道同步模型，得到训练好的信道同步网络；

采用训练好的所述信道同步网络对传输数据进行载波同步、位定时同步，以供深度自编码网络进行解调。

优选地，在本发明实施例提供的上述基于深度学习的信道同步方法中，所述信道同步模型包括输入层、隐藏层和输出层；

所述隐藏层包括FFT层、频域循环卷积层、IFFT层、相位旋转全连接层、匹配滤波层、时域循环卷积层、间隔R抽取层。

优选地，在本发明实施例提供的上述基于深度学习的信道同步方法中，所述根据所述调制解调模型和所述信道同步模型，构建基于深度神经网络的通信系统，包括：

将所述调制解调模型分别部署于通信系统的发送端和接收端，并在接收端的深度自编码网络-解码器之前添加所述信道同步模型，结合成型滤波器、AD/DA、上下变频器，构建基于深度神经网络的通信系统。

优选地，在本发明实施例提供的上述基于深度学习的信道同步方法中，所述在线训练所述通信系统中的所述信道同步模型，包括：

固化所述调制解调模型的参数，使其不参与训练；

所述通信系统的发送端发送包含训练数据的帧；

所述通信系统的接收端从AD截取包含载波频差、位定时误差和加性高斯白噪声的训练数据，利用该训练数据对所述信道同步模型进行训练，直到信道同步网络收敛。

优选地，在本发明实施例提供的上述基于深度学习的信道同步方法中，所述通信系统的发送端和接收端均具有一定的定时定位能力，可将接收信号位定时误差Δt控制在之内，且/>其中T_S为符号周期，N表示训练数据长度；

所述包含训练数据的帧中设置有两个相同长度为N的训练序列，以使所述通信系统的接收端AD采样得到的训练数据始终包含一个完整的训练序列。

优选地，在本发明实施例提供的上述基于深度学习的信道同步方法中，所述对所述信道同步模型进行训练，包括：

对所述信道同步模型中的频域循环卷积层、相位旋转全连接层、时域循环卷积层进行在线训练，直至收敛。

优选地，在本发明实施例提供的上述基于深度学习的信道同步方法中，所述对所述信道同步模型进行训练，还包括：

在训练的过程中，以深度自编码网络-解码器输出的最大值索引与训练数据之间的均方误差和频域循环卷积层、时域循环卷积层系数的L1、L2正则化之和作为损失函数。

从上述技术方案可以看出，本发明所提供的一种基于深度学习的信道同步方法，包括：线下训练基于深度自编码网络的调制解调模型；构造基于深度学习的信道同步模型；根据调制解调模型和信道同步模型，构建基于深度神经网络的通信系统；在线训练通信系统中的信道同步模型，得到训练好的信道同步网络；采用训练好的信道同步网络对传输数据进行载波同步、位定时同步，以供深度自编码网络进行解调。

本发明提出的上述基于深度学习的信道同步方法，可通过基于深度学习的信道同步网络同时实现载波同步和位定时同步，无需依靠专业知识精心设计同步算法，仅需少量训练数据和较少的训练轮数，且适应载波频差范围大，网络收敛速度快，生成的网络系数可解释性好。

附图说明

为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的基于深度学习的信道同步方法的流程图；

图2为本发明实施例提供的基于深度学习的信道同步模型的结构示意图；

图3为本发明实施例提供的基于深度学习的通信系统的结构示意图；

图4a为本发明实施例提供的基于深度自编码网络的4进制解调训练后生成的星座图的星座编码关系图；

图4b为本发明实施例提供的基于深度自编码网络的4进制解调训练后的解调性能与QPSK性能之间的对比图；

图5为本发明实施例提供的传输数据帧的结构示意图；

图6a为本发明实施例提供的接收信号的星座图；

图6b为本发明实施例提供的信道同步网络训练过程中损失函数收敛曲线图；

图6c为本发明实施例提供的经信道同步网络恢复后的星座图；

图6d为本发明实施例提供的信道同步网络的数据解调性能与QPSK性能之间的对比图；

图7为本发明实施例提供的训练好的信道同步网络中频域循环卷积层、时域循环卷积层和匹配滤波层的系数示意图；

图8为本发明实施例提供的接收信号及基于深度学习的信道同步网络训练完成后频域循环卷积层、时域循环卷积层和匹配滤波层的系数频谱示意图；

图9为本发明实施例提供的基于深度学习的信道同步网络训练完成后相位旋转全连接层归一化系数示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种基于深度学习的信道同步方法，如图1所示，包括以下步骤：

S101、线下训练基于深度自编码网络的调制解调模型；

S102、构造基于深度学习的信道同步模型；

S103、根据调制解调模型和信道同步模型，构建基于深度神经网络的通信系统；

S104、在线训练通信系统中的信道同步模型，得到训练好的信道同步网络；

S105、采用训练好的信道同步网络对传输数据进行载波同步、位定时同步，以供深度自编码网络进行解调。

在本发明实施例提供的上述基于深度学习的信道同步方法中，在基于深度自编码网络实现调制解调的基础上，可通过基于深度学习的信道同步网络同时实现载波同步和位定时同步，无需依靠专业知识精心设计同步算法，仅需少量训练数据和较少的训练轮数，且适应载波频差范围大，网络收敛速度快，生成的网络系数可解释性好。

进一步地，在具体实施时，在本发明实施例提供的上述基于深度学习的信道同步方法中，在执行步骤S102时，如图2所示，信道同步模型包括输入层、隐藏层和输出层三部分；隐藏层可以包括FFT层、频域循环卷积层、IFFT层、相位旋转全连接层、匹配滤波层、时域循环卷积层、间隔R抽取层等。

假设AD采样数据有4000个，对信道同步模型的各层参数及功能进行举例说明：

输入层用于接收4000个AD采样数据，包括I和Q两路。FFT层用于对4000个AD采样数据进行4000点FFT运算，无需进行训练。频域循环卷积层系数设置为201阶，参与训练，用于在频率将信号频谱搬移回零中频，消除载波频差。IFFT层用于对频域循环卷积后的4000个数据反变换回时域，无需进行训练。相位旋转全连接层系数设置为2阶，参与训练，用于将含有相差的信号进行相位反旋转，以适应深度自编码网络—解码器对信号相位的要求。时域循环卷积层系数设置为201阶，参与训练，用于将含有位定时误差的信号在时域进行移位，使接收信号中包含的训练数据与标签一一对应。匹配滤波层系数训练为201阶，其与成型滤波器一致，不参与训练，其作用与传统匹配滤波器一致。间隔R抽取层的抽取间隔R设为10，与成型滤波器内插倍数保持一致，不参与训练，其作用与传统下采样一致，不同之处在于无需通过位定时同步算法选取并跟踪最佳采样点。输出层用于将经过信道同步网络完成载波同步和位定时同步的4000个I、Q数据输出给深度自编码网络—解码器进行解调。

进一步地，在具体实施时，在本发明实施例提供的上述基于深度学习的信道同步方法中，步骤S103根据调制解调模型和信道同步模型，构建基于深度神经网络的通信系统，如图3所示，具体可以包括：将训练好的基于深度自编码网络的调制解调模型分别部署于通信系统的发送端和接收端，并在接收端的深度自编码网络-解码器之前添加基于深度学习的信道同步模型，结合成型滤波器、AD/DA、上下变频器，构建基于深度神经网络的通信系统。

在实际应用中，在执行步骤S101时，以4进制调制解调为例，可以线下训练适用于4阶调制解调的10层基于深度自编码网络的调制解调模型，如图4a和图4b所示，其生成星座图与QPSK类似，解调性能与QPSK一致。

接下来，在执行步骤S103时，可以将训练好的10层基于深度自编码网络的调制解调模型分别部署于通信系统的发送端和接收端，并在接收端深度自编码网络-解码器之前添加上述基于深度学习的信道同步模型，与10倍内插的201阶成型滤波器、AD/DA、及上下变频组成基于深度学习的通信系统。

进一步地，在具体实施时，在本发明实施例提供的上述基于深度学习的信道同步方法中，步骤S104在线训练通信系统中的信道同步模型，具体可以包括：

首先，固化基于深度自编码网络的调制解调模型的参数，使其不参与训练，即训练过程中参数不更新。

然后，通信系统的发送端发送包含训练数据的帧；图5示出了帧结构,其中，训练数据包含两个完全一致的N符号训练序列，该帧结构还可以包含测试数据，正常通信过程中，图5中的测试数据部分应承载待传输数据。

最后，通信系统的接收端从AD截取包含载波频差、位定时误差和加性高斯白噪声的训练数据(如4000个)，利用该训练数据对信道同步模型进行训练，直到信道同步网络收敛。

具体地，在具体实施时，通信系统的发送端和接收端都具有一定精度的定时和定位能力，能够将接收信号位定时误差Δt控制在之内，且/>其中T_S为符号周期，N表示训练数据长度；包含训练数据的帧中设置由两个完全一致的N符号训练序列组成的训练数据，以使通信系统的接收端AD采样得到的训练数据始终包含一个完整的训练序列。

在实际应用中，参数具体化为N＝200，T_S＝2.5us，即在接收信号位定时误差的情况下，可保证从AD采样信号中截取的训练数据包含一个完整的训练序列。

进一步地，在具体实施时，在本发明实施例提供的上述基于深度学习的信道同步方法中，对信道同步模型进行训练，具体可以包括：对信道同步模型中的频域循环卷积层、相位旋转全连接层、时域循环卷积层进行训练。在训练的过程中，以深度自编码网络-解码器输出的最大值索引与训练数据之间的均方误差和频域循环卷积层、时域循环卷积层系数的L1、L2正则化之和作为损失函数。正则化参数λ₁＝λ₂＝0.001，采用AdaDelta优化算法进行训练，直到信道同步网络收敛。

为了验证本发明所提出的基于深度学习的信号同步网络的性能，使用如下参数进行训练和测试：符号速率为每秒400,000个符号，采样频率为4MHz，载波频差70.5kHz，相差π/4、位定时超前75个采样时钟，训练信噪比为7dB，测试信噪比为0～10dB，测试数据长度20000个符号。

图6a至图6d为基于深度学习的信道同步网络训练及测试结果。如图6a所示，在7dB信噪比及70.5kHz的频差下，接收信号的星座图已无法分辨。但经过训练好的信道同步网络后，星座图在很大程度上得以恢复，如图6c所示，星座编码关系与图4a一致。如图6d所示，测试数据在经过训练好的信道同步网络后，解调性能接近图4b。另外，图6b显示了损失函数Loss与训练轮数的对应关系，每训练200轮输出一次，为显示清晰，将损失值Loss(纵坐标)取对数。可见，经过600轮训练后，信道同步网络已趋于收敛，且损失较小，收敛区波动对输出的星座图和解调性能影响很小。

如图7所示，训练完成后的基于深度学习的信道同步网络的频域循环卷积层系数C_w,2和时域循环卷积层系数C_w,6。可见，C_w,2在第29和30点处分别形成了一个负峰值和一个正峰值，且正负峰值幅度大小相近，这与-70.5kHz的载波频差对应。具体来说，因为采样频率为4MHz，4000点FFT后每点代表1kHz的频差，可表示-2MHz～2MHz的频率。对应到201阶的C_w,2，其第100点代表0频，因而-70.5kHz的频差应位于第29.5点处，但因FFT栅栏效应，-70.5kHz单音信号的能量主要集中在第29和30点，并向全频域扩展，与训练生成的C_w,2一致。由此可见，信道同步网络能够有效克服FFT的栅栏效应，学习到载波频差并在频域将信号搬移回零中频。C_w,6在175点处形成一个大致与信号匹配的低通滤波器，将信号在时域上延时75个采样点，这也与仿真设置的时域偏移一致。具体来说，匹配滤波后的最佳采样点应为第0个，训练及测试中将最佳采样点设置为第5个点，即最佳采样点滞后5个采样时钟，使得实际得到的采样点最差，同时对信号到达时间估计超前了8个符号，由此，信号定时误差为超前75个采样时钟。可见，信道同步网络也能够准确学习到信号的位定时误差。

图8示出了含加性高斯白噪声的接收信号频谱R_S，以训练完成后的基于深度学习的信道同步网络的频域循环卷积层C_w,2、匹配滤波器C_w,5和时域循环卷积层C_w,6的频谱。可见，C_w,2类似于一个全通滤波器，仅对0频信号(直流分量)有所抑制，而C_w,6为一个与匹配滤波器C_w,5类似的低通滤波器。

图9示出了相位旋转全连结层的两个系数归一化后得到的相位估计值其并非实际引入的相差/>的取反，但从图6c信号星座上可见，经同步网络恢复后的信号星座与基于深度自编码网络的译码器所要求的星座相位关系一致，这是为了同时补偿C_w,2引入的相差。

综上仿真验证结果可见，本发明提出的基于深度学习的信道同步网络能够通过少量训练数量和较少的训练轮数完成载波同步的位定时同步，且各层参数可解释性好，为基于深度学习的智能通信系统提供了一种可行的实现途径。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器(CUP或GPU)执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

综上，本发明实施例提供的一种基于深度学习的信道同步方法，包括：线下训练基于深度自编码网络的调制解调模型；构造基于深度学习的信道同步模型；根据调制解调模型和信道同步模型，构建基于深度神经网络的通信系统；在线训练通信系统中的信道同步模型，得到训练好的信道同步网络；采用训练好的信道同步网络对传输数据进行载波同步、位定时同步，以供深度自编码网络进行解调。上述基于深度学习的信道同步方法可通过基于深度学习的信道同步网络同时实现载波同步和位定时同步，无需依靠专业知识精心设计同步算法，仅需少量训练数据和较少的训练轮数，且适应载波频差范围大，网络收敛速度快，生成的网络系数可解释性好。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的基于深度学习的信道同步方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于深度学习的信道同步方法，其特征在于，包括：

线下训练基于深度自编码网络的调制解调模型；

构造基于深度学习的信道同步模型；

根据所述调制解调模型和所述信道同步模型，构建基于深度神经网络的通信系统；

在线训练所述通信系统中的所述信道同步模型，得到训练好的信道同步网络；

采用训练好的所述信道同步网络对传输数据进行载波同步、位定时同步，以供深度自编码网络进行解调；

其中，所述在线训练所述通信系统中的所述信道同步模型，包括：

固化所述调制解调模型的参数，使其不参与训练；

所述通信系统的发送端发送包含训练数据的帧；

所述通信系统的接收端从AD截取包含载波频差、位定时误差和加性高斯白噪声的训练数据，利用该训练数据对所述信道同步模型进行训练，直到信道同步网络收敛。

2.根据权利要求1所述的基于深度学习的信道同步方法，其特征在于，所述信道同步模型包括输入层、隐藏层和输出层；

所述隐藏层包括FFT层、频域循环卷积层、IFFT层、相位旋转全连接层、匹配滤波层、时域循环卷积层、间隔R抽取层。

3.根据权利要求1所述的基于深度学习的信道同步方法，其特征在于，所述根据所述调制解调模型和所述信道同步模型，构建基于深度神经网络的通信系统，包括：

将所述调制解调模型分别部署于通信系统的发送端和接收端，并在接收端的深度自编码网络-解码器之前添加所述信道同步模型，结合成型滤波器、AD/DA、上下变频器，构建基于深度神经网络的通信系统。

4.根据权利要求1所述的基于深度学习的信道同步方法，其特征在于，所述通信系统的发送端和接收端均具有一定的定时定位能力，可将接收信号位定时误差Δt控制在之内，且/>其中T_S为符号周期，N表示训练数据长度；

所述包含训练数据的帧中设置有两个相同的长度为N的训练序列，以使所述通信系统的接收端AD采样得到的训练数据始终包含一个完整的训练序列。

5.根据权利要求2所述的基于深度学习的信道同步方法，其特征在于，所述对所述信道同步模型进行训练，包括：

对所述信道同步模型中的频域循环卷积层、相位旋转全连接层、时域循环卷积层进行在线训练，直至收敛。

6.根据权利要求5所述的基于深度学习的信道同步方法，其特征在于，所述对所述信道同步模型进行训练，还包括：

在训练的过程中，以深度自编码网络-解码器输出的最大值索引与训练数据之间的均方误差和频域循环卷积层、时域循环卷积层系数的L1、L2正则化之和作为损失函数。