CN114710381A - 信道容量估计方法、装置、设备及介质 - Google Patents
信道容量估计方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114710381A CN114710381A CN202210338930.2A CN202210338930A CN114710381A CN 114710381 A CN114710381 A CN 114710381A CN 202210338930 A CN202210338930 A CN 202210338930A CN 114710381 A CN114710381 A CN 114710381A
- Authority
- CN
- China
- Prior art keywords
- sample set
- neural network
- channel
- input sample
- mutual information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 228
- 238000009826 distribution Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000005315 distribution function Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect 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
- H04L25/024—Channel estimation channel estimation 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
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本申请公开了一种信道容量估计方法、装置、设备及介质,包括:将当前产生的随机噪声样本集依次经过第一神经网络和待估计信道,分别得到信道输入样本集和信道输出样本集;将信道输入样本集和信道输出样本集作为第二神经网络的互信息输入样本集获得互信息的估计量;基于当前获取到的估计量交替更新第一神经网络和第二神经网络的参数集;判断当前获取到的估计量和历史估计量的差值是否满足收敛条件,若否则重新跳转至将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到差值满足收敛条件,以便利用参数集更新后的第一神经网络和第二神经网络对待估计信道的信道容量进行估计。通过上述方案,估计任意传输特性比较复杂的信道容量。
Description
技术领域
本发明涉及信息通信技术领域,特别涉及信道容量估计方法、装置、设备及介质。
背景技术
点对点通信实现了网内任意两个用户之间的信息交换,但目前在点对点通信中存在一个基本问题,如何确定信道容量,即如何确定从发送端到接收端能够可靠的传输多少信息量。在现有的信道容量估计方法中,主要是通过对待估计信道建立数学模型,然后对待估计信道输入与输出之间的互信息进行解析求解,之后得到信道容量。然而对于实际应用中遇到的传输特性较为复杂的信道,例如卫星通信中的非线性功放、光纤通信中的非线性散射以及硬件非完美性造成的信道失真等,都难以通过数学方法求得信道容量。
综上可见,如何能够估计任意传输特性比较复杂的信道容量是本领域有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种信道容量估计方法、装置、设备及介质,能够估计任意传输特性比较复杂的信道容量。其具体方案如下:
第一方面,本申请公开了一种信道容量估计方法,包括:
将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集;
将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量;
基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集,并判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。
可选的,所述将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,包括:
将当前产生的随机噪声样本集作为分布变换神经网络的输入样本集,并通过改变所述分布变换神经网络的参数集,以获得不同分布特性的输出样本集。
可选的,所述将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集,包括:
当前产生两组长度相同的随机噪声序列,将第一组所述随机噪声序列通过第一神经网络和待估计信道获得信道输入样本集和信道输出样本集的联合分布样本集;
将第二组所述随机噪声序列通过所述第一神经网络和所述待估计信道获得边缘分布样本集,以便后续将所述联合分布样本集和所述边缘分布样本集作为第二神经网络的互信息输入样本集。
可选的,所述将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量,包括:
将所述信道输入样本集和所述信道输出样本集作为互信息估计神经网络的互信息输入样本集,并通过梯度迭代算法以及平均近似期望方法获得互信息的估计量。
可选的,所述基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集,包括:
当更新所述第二神经网络时,保持所述第一神经网络的参数集不变,并基于当前获取到的所述估计量,利用所述梯度上升算法更新所述第二神经网络的参数集;
当更新所述第二神经网络时,保持所述第一神经网络的参数集不变,并基于当前获取到的所述估计量,利用所述梯度上升算法更新所述第二神经网络的参数集。
可选的,所述基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集之前,还包括:
随机初始化所述第一神经网络的参数集和所述第二神经网络的参数集;
保持所述第一神经网络的参数集不变,利用所述估计量对所述第二神经网络的参数集进行参数初始化。
可选的,所述判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,包括:
基于预设迭代次数阈值,判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件。
第二方面,本申请公开了一种信道容量估计装置,包括:
信道输出获取模块,用于将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集;
互信息获取模块,用于将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量;
参数更新模块,用于基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集;
信道容量获取模块,用于判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的信道容量估计方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的信道容量估计方法的步骤。
可见,本申请首先将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集;将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量;基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集,并判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。由此可见,本申请利用具有极强逼近能力的第一神经网络和第二神经网络,一方面可以对信道输入样本集进行分布特性变换,另一方面实现精准地计算出信道输入样本集和信道输出样本集之间互信息的估计量;又通过判断当前获取到的估计量和历史估计量的差值是否满足收敛条件,如果不满足则进行迭代,并对第一神经网络和第二神经网络的参数集进行更新,以获得更新优化后的第一神经网络和第二神经网络,从而能够实现对任意传输特性复杂的信道进行容量估计。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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为本申请公开的一种信道容量估计方法流程图;
图2为本申请公开的一种具体的信道容量估计方法流程图;
图3为本申请公开的一种具体的信道容量估计方法流程图;
图4为本申请公开的一种具体的信道容量估计方法流程图;
图5为本申请公开的一种具体的第一神经网络结构图;
图6为本申请公开的一种具体的第二神经网络结构图;
图7为本申请公开的一种具体的参数集交替更新流程图;
图8为本申请公开的一种信道容量估计装置结构示意图;
图9为本申请公开的一种电子设备结构图。
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。
在现有的信道容量估计方法中,主要是通过对待估计信道建立数学模型,然后对待估计信道输入与输出之间的互信息进行解析求解,之后得到信道容量。然而对于实际应用中遇到的传输特性较为复杂的信道,例如卫星通信中的非线性功放、光纤通信中的非线性散射以及硬件非完美性造成的信道失真等,都难以通过数学方法求得信道容量。
为此,本申请相应地提供了一种信道容量估计方法,能够估计任意传输特性比较复杂的信道容量。
参见图1所示,本发明实施例公开了一种信道容量估计方法,包括:
步骤S11:将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集。
本实施例中,所述第一神经网络可以为分布变换神经网络,所述分布变换神经网络包括多个神经网络层,其中第一神经网络层为输入层,接收一定长度的独立同分布随机噪声样本作为分布变换神经网络的输入;其后为多个全连接层,基于权重、偏置和激活函数的共同作用向前传播与独立同分布随机噪声样本对应的数据;最后为功率约束层,用于输出符合功率约束条件的特定分布的输出样本集。可以理解的是,所述第一神经网络用于通过改变参数集产生具有特定分布特性的输出样本集,以便将具有特定分布特性的输出样本集作为待估计信道的信道输入样本集,从而获得具有特定分布特性的信道输出样本集。
步骤S12:将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量。
本实施例中,所述第二神经网络可以为包括多个神经网络层的互信息估计神经网络,其中多个神经网络层的第一层为输入层,其后为多个全连接层,最后一层为线性输出节点,产生实值输出。根据互信息的Donsker-Varadhan表示法,能够得到互信息的下界,并通过梯度上升算法最大化互信息的下界,利用平均近似期望的方法得到互信息的估计量。
步骤S13:基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集。
可以理解的是,本实施例中,所述基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集之前,还包括:随机初始化所述第一神经网络的参数集和所述第二神经网络的参数集;保持所述第一神经网络的参数集不变,利用所述估计量对所述第二神经网络的参数集进行参数初始化。其中需要注意的是,对所述第二神经网络的参数集进行参数初始化所用的方法可以为梯度上升算法。其中,参数初始化计算公式如下:
步骤S14:判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。
本实施例中,所述判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,具体包括:基于预设迭代次数阈值,判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件。可以理解的是,如果判定当前获取到的所述估计量和历史估计量的差值不满足收敛条件,重新跳转至则如图2所示的所述将产生的随机噪声样本集作为分布变换神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件。需要注意的是,如果迭代次数已经到达预设迭代次数阈值,则停止迭代,并利用最后一次参数集更新后的分布变换神经网络和互信息估计神经网络对所述待估计信道的信道容量进行估计,能够防止所述差值无法收敛,以避免一直重新跳转至所述将产生的随机噪声样本集作为分布变换神经网络的输入样本集的步骤的情况。
可见,本申请首先将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集;将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量;基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集,并判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。由此可见,本申请利用具有极强逼近能力的第一神经网络和第二神经网络,一方面可以对信道输入样本集进行分布特性变换,另一方面实现精准地计算出信道输入样本集和信道输出样本集之间互信息的估计量;又通过判断当前获取到的估计量和历史估计量的差值是否满足收敛条件,如果不满足则进行迭代,并对第一神经网络和第二神经网络的参数集进行更新,以获得更新优化后的第一神经网络和第二神经网络,从而能够实现对任意传输特性复杂的信道进行容量估计。
参见图3所示,本发明实施例公开了一种具体的信道容量估计方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
步骤S21:将当前产生的随机噪声样本集作为分布变换神经网络的输入样本集,并通过改变所述分布变换神经网络的参数集,以获得不同分布特性的输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集。
本实施例中,所述当前将产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集,具体包括:当前产生两组长度相同的随机噪声序列,将第一组所述随机噪声序列通过第一神经网络和待估计信道获得信道输入样本集和信道输出样本集的联合分布样本集;将第二组所述随机噪声序列通过所述第一神经网络和所述待估计信道获得边缘分布样本集,以便后续将所述联合分布样本集和所述边缘分布样本集作为第二神经网络的互信息输入样本集。
步骤S22:将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量。
其中,关于上述步骤S22更加具体的工作过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
步骤S23:基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集。
本实施例中,所述基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集,具体包括,当更新所述第二神经网络时,保持所述第一神经网络的参数集不变,并基于当前获取到的所述估计量,利用所述梯度上升算法更新所述第二神经网络的参数集;当更新所述第二神经网络时,保持所述第一神经网络的参数集不变,并基于当前获取到的所述估计量,利用所述梯度上升算法更新所述第二神经网络的参数集。
步骤S24:判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。
可以理解的是,本实施例首先计算当前的估计量和相邻的历史估计量之间的差值,并判断出所述差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件。例如,当前获取到的估计量为第4次通过第二神经网络获取到的,则分别计算第1次和第2次、第2次和第3次、第3次和第4次之间的第一差值、第二差值以及第三差值,然后判断第一差值、第二差值以及第三差值是否逐渐减小并是否到达收敛阈值,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件。需要注意的是,在重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件的每一次迭代过程中,对第一神经网络和第二神经网络的参数集进行交替更新。
由此可见,本申请将当前产生的随机噪声样本集作为分布变换神经网络的输入样本集,并通过改变所述分布变换神经网络的参数集,以获得不同分布特性的输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,从而在所有可能的信道输入样本分布特性中选择能够使得互信息取得最大值的潜在分布,又因为对差值进行判断是否满足收敛条件,能够获取到差值满足收敛条件的第一神经网络和第二神经网络,因此通过第一神经网络和第二神经网络得出的互信息的估计量更加精准。
参见图4所示,本发明实施例公开了一种信道容量估计方法,包括:
步骤S31:将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集。
本实施例中,如图5所示的第一神经网络结构图,当前产生两组长度相同的独立同分布随机噪声样本集{ui}和其中第一组随机噪声样本集{ui}经过包含输入层、全连接层和功率约束层的第一神经网络,产生边缘分布的信道输入样本集{xi},再经过待估计信道后,产生信道输入样本集和信道输出样本集的联合分布样本集{xi,yi};第二组随机噪声样本集经过包含输入层、全连接层和功率约束层的第一神经网络和待估计信道获得边缘分布样本集以便后续将联合分布样本集{xi,yi}和边缘分布样本集作为第二神经网络的互信息输入样本集。
步骤S32:将所述信道输入样本集和所述信道输出样本集作为互信息估计神经网络的互信息输入样本集,并通过梯度迭代算法以及平均近似期望方法获得互信息的估计量。
本实施例中,如图6所示的第二神经网络结构图,其中,第一层为输入层,用于接收信道输入样本集和信道输入样本集,其后为全连接层,在权重、偏置和激活函数的共同作用下向前传播与信道输入样本集和信道输入样本集对应的数据,最后一层为线性输出节点。互信息的估计量的计算公式如下所示:
其中,X表示信道输入,Y表示信道输出,p(x)表示信道输入的边缘分布函数,p(y)表示信道输出的边缘分布函数,p(x,y)表示信道输入和信道输出的联合分布函数,DKL表示相对熵,I(X;Y)表示信道输入和信道输出的互信息。
由于I(X;Y)的闭合解难以计算,因此转而采用近似方法进行求解,I(X;Y)将表示如下:
其中,sup表示上确界,(X,Y)服从联合分布p(x,y),而(X,Y)服从边缘分布p(x)和p(y),表示实数域,E表示期望,T表示从概率空间映射到实数域的可测函数,将T进行参数化表示,从而得到互信息的下界为:
其中,Tθ通过参数为θ的互信息神经网络实现映射Θ表示第二神经网络的参数集,sup表示上确界,E表示期望,p(x,y)表示信道输入和信道输出的联合分布函数,p(x)表示信道输入的边缘分布函数,p(y)表示信道输出的边缘分布函数。
对上面给出的互信息的下界的计算公式,利用平均近似统计期望,并通过梯度上升算法进行迭代以得到最大化互信息的下界,从而计算出一个近似的互信息的估计量为:
步骤S33:基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集。
本实施例中,如图7所示的参数集交替更新流程图,所述基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集之前,还包括,随机初始化变换分布神经网络的参数集和互信息估计神经网络的参数集,并保持分布神经网络的参数集不变,利用估计量对互信息估计神经网络的参数集进行参数初始化;当更新所述分布神经网络时,保持所述互信息估计神经网络的参数集不变,并基于所述互信息的估计量,利用梯度上升算法更新所述分布神经网络的参数集;当更新所述互信息估计神经网络时,保持所述分布神经网络的参数集不变,并基于所述互信息的估计量,利用所述梯度上升算法更新所述互信息估计神经网络的参数集。其中可以理解的是,在重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件的过程或迭代次数到达最大限制中,交替执行更新分布神经网络的参数集和更新互信息估计神经网络的参数集,例如在第20次重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤时,执行更新分布神经网络的参数集的步骤,在第21次重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤时,执行更新互信息估计神经网络的参数集的步骤。其中利用所述估计量交替更新所述分布神经网络和所述互信息估计神经网络的参数集的计算公式如下:
其中,φ表示分布变换神经网络的参数集,θ表示互信息估计神经网络的参数集,X表示信道输入,Y表示信道输出。
步骤S34:判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。
本实施例中,信道容量进行估计的公式如下所示:
其中,C表示信道容量,P表示信道输入的平均功率约束,X表示信道输入,Y表示信道输出,p(x)表示信道输入的边缘分布函数。
由此可见,本申请通过数据驱动的方式去估计出待估计信道的信道容量,无需对待估计信道建立数学模型和对互信息的解析以及求解等条件的依赖,弥补了现有技术中只能对简单信道进行信道容量估计,实现了能够对非线性、硬件非完美特性等复杂条件下的待估计信道进行信道容量估计。
参见图8所示,本发明实施例公开了一种信道容量估计装置,包括:
信道输出获取模块11,用于将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集;
互信息获取模块12,用于将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量;
参数更新模块13,用于基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集;
信道容量获取模块14,用于判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。
可见,本申请首先将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集;将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量;基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集,并判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。由此可见,本申请利用具有极强逼近能力的第一神经网络和第二神经网络,一方面可以对信道输入样本集进行分布特性变换,另一方面实现精准地计算出信道输入样本集和信道输出样本集之间互信息的估计量;又通过判断当前获取到的估计量和历史估计量的差值是否满足收敛条件,如果不满足则进行迭代,并对第一神经网络和第二神经网络的参数集进行更新,以获得更新优化后的第一神经网络和第二神经网络,从而能够实现对任意传输特性复杂的信道进行容量估计。
图9为本申请实施例提供的一种电子设备的结构示意图。具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的由计算机设备执行的信道容量估计方法中的相关步骤。
本实施例中,电源23用于为计算机设备20上的各硬件设备提供工作电压;通信接口24能够为计算机设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统221、计算机程序222及数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制计算机设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由计算机设备20执行的信道容量估计方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括计算机设备接收到的由外部设备传输进来的数据,也可以包括由自身输入输出接口25采集到的数据等。
进一步的,本申请实施例还公开了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,实现前述任一实施例公开的由信道容量估计过程中执行的方法步骤。
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一种信道容量估计方法、装置、设备及介质进行了详细介绍,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 (10)
1.一种信道容量估计方法,其特征在于,包括:
将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集;
将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量;
基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集,并判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。
2.根据权利要求1所述的信道容量估计方法,其特征在于,所述将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,包括:
将当前产生的随机噪声样本集作为分布变换神经网络的输入样本集,并通过改变所述分布变换神经网络的参数集,以获得不同分布特性的输出样本集。
3.根据权利要求1所述的信道容量估计方法,其特征在于,所述将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集,包括:
当前产生两组长度相同的随机噪声序列,将第一组所述随机噪声序列通过第一神经网络和待估计信道获得信道输入样本集和信道输出样本集的联合分布样本集;
将第二组所述随机噪声序列通过所述第一神经网络和所述待估计信道获得边缘分布样本集,以便后续将所述联合分布样本集和所述边缘分布样本集作为第二神经网络的互信息输入样本集。
4.根据权利要求1所述的信道容量估计方法,其特征在于,所述将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量,包括:
将所述信道输入样本集和所述信道输出样本集作为互信息估计神经网络的互信息输入样本集,并通过梯度迭代算法以及平均近似期望方法获得互信息的估计量。
5.根据权利要求1所述的信道容量估计方法,其特征在于,所述基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集,包括:
当更新所述第二神经网络时,保持所述第一神经网络的参数集不变,并基于当前获取到的所述估计量,利用所述梯度上升算法更新所述第二神经网络的参数集;
当更新所述第二神经网络时,保持所述第一神经网络的参数集不变,并基于当前获取到的所述估计量,利用所述梯度上升算法更新所述第二神经网络的参数集。
6.根据权利要求1所述的信道容量估计方法,其特征在于,所述基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集之前,还包括:
随机初始化所述第一神经网络的参数集和所述第二神经网络的参数集;
保持所述第一神经网络的参数集不变,利用所述估计量对所述第二神经网络的参数集进行参数初始化。
7.根据权利要求1至6任一项所述的信道容量估计方法,其特征在于,所述判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,包括:
基于预设迭代次数阈值,判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件。
8.一种信道容量估计装置,其特征在于,包括:
信道输出获取模块,用于将当前产生的随机噪声样本集作为第一神经网络的输入样本集,以获得输出样本集,并将所述输出样本集作为待估计信道的信道输入样本集,以获得信道输出样本集;
互信息获取模块,用于将所述信道输入样本集和所述信道输出样本集作为第二神经网络的互信息输入样本集,以获得互信息的估计量;
参数更新模块,用于基于当前获取到的所述估计量交替更新所述第一神经网络和所述第二神经网络的参数集;
信道容量获取模块,用于判断当前获取到的所述估计量和历史估计量的差值是否满足收敛条件,如果否则重新跳转至所述将产生的随机噪声样本集作为第一神经网络的输入样本集的步骤,直到所述差值满足所述收敛条件,以便利用所述参数集更新后的所述第一神经网络和所述第二神经网络对所述待估计信道的信道容量进行估计。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的信道容量估计方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的信道容量估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210338930.2A CN114710381A (zh) | 2022-04-01 | 2022-04-01 | 信道容量估计方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210338930.2A CN114710381A (zh) | 2022-04-01 | 2022-04-01 | 信道容量估计方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114710381A true CN114710381A (zh) | 2022-07-05 |
Family
ID=82172655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210338930.2A Pending CN114710381A (zh) | 2022-04-01 | 2022-04-01 | 信道容量估计方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114710381A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115441993A (zh) * | 2022-09-01 | 2022-12-06 | 中国人民解放军国防科技大学 | 一种信道编解码方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102223327A (zh) * | 2011-07-18 | 2011-10-19 | 西安电子科技大学 | CoMP多用户系统中基于广义交替最大的信道估计方法 |
CN102638810A (zh) * | 2012-04-01 | 2012-08-15 | 同济大学 | 基于多维信道分量功率谱密度的信道建模仿真平台 |
CN104977558A (zh) * | 2015-06-16 | 2015-10-14 | 电子科技大学 | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 |
CN107294885A (zh) * | 2017-07-27 | 2017-10-24 | 玉溪师范学院 | 一种mimo中继系统中联合信号检测与信道的估计方法 |
CN113381952A (zh) * | 2021-06-09 | 2021-09-10 | 东南大学 | 基于深度学习的多天线系统信道估计方法 |
CN113793656A (zh) * | 2021-11-10 | 2021-12-14 | 山东大学 | 微纳米颗粒体系结构色的正向预测和反向设计方法及系统 |
CN113850026A (zh) * | 2021-11-30 | 2021-12-28 | 武汉飞恩微电子有限公司 | 引线键合焊点的电学性能的预测方法、装置、设备及介质 |
-
2022
- 2022-04-01 CN CN202210338930.2A patent/CN114710381A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102223327A (zh) * | 2011-07-18 | 2011-10-19 | 西安电子科技大学 | CoMP多用户系统中基于广义交替最大的信道估计方法 |
CN102638810A (zh) * | 2012-04-01 | 2012-08-15 | 同济大学 | 基于多维信道分量功率谱密度的信道建模仿真平台 |
CN104977558A (zh) * | 2015-06-16 | 2015-10-14 | 电子科技大学 | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 |
CN107294885A (zh) * | 2017-07-27 | 2017-10-24 | 玉溪师范学院 | 一种mimo中继系统中联合信号检测与信道的估计方法 |
CN113381952A (zh) * | 2021-06-09 | 2021-09-10 | 东南大学 | 基于深度学习的多天线系统信道估计方法 |
CN113793656A (zh) * | 2021-11-10 | 2021-12-14 | 山东大学 | 微纳米颗粒体系结构色的正向预测和反向设计方法及系统 |
CN113850026A (zh) * | 2021-11-30 | 2021-12-28 | 武汉飞恩微电子有限公司 | 引线键合焊点的电学性能的预测方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
江虹;马景辉;黄玉清;伍春;: "用RBF神经网络算法设计CR认知引擎", 西安电子科技大学学报, no. 01, 20 February 2011 (2011-02-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115441993A (zh) * | 2022-09-01 | 2022-12-06 | 中国人民解放军国防科技大学 | 一种信道编解码方法、装置、设备及存储介质 |
CN115441993B (zh) * | 2022-09-01 | 2024-05-28 | 中国人民解放军国防科技大学 | 一种信道编解码方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111030861B (zh) | 一种边缘计算分布式模型训练方法、终端和网络侧设备 | |
CN108923983B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
CN112818588B (zh) | 一种电力系统的最优潮流计算方法、装置及存储介质 | |
CN114710381A (zh) | 信道容量估计方法、装置、设备及介质 | |
CN115879008A (zh) | 一种数据融合模型训练方法、装置、设备及存储介质 | |
CN112488148A (zh) | 基于变分自编码器的聚类方法和装置 | |
CN114139712B (zh) | 量子电路的处理方法、处理装置、电子设备和存储介质 | |
Klabjan et al. | An infinite-dimensional linear programming algorithm for deterministic semi-Markov decision processes on Borel spaces | |
CN117061365B (zh) | 一种节点选择方法、装置、设备及可读存储介质 | |
CN113098624A (zh) | 量子态测量方法、装置、设备、存储介质及系统 | |
CN112929128A (zh) | 一种基于置信度传播的mimo检测方法、装置 | |
CN116776155A (zh) | 一种基于联邦学习的模型训练方法、装置、设备和介质 | |
CN101884064A (zh) | 信息处理设备、信息处理方法和计算机程序 | |
CN113342537B (zh) | 卫星虚拟资源分配方法、装置、存储介质及设备 | |
CN113992520B (zh) | 一种虚拟网络资源的部署方法和系统 | |
CN114118358A (zh) | 图像处理方法、装置、电子设备、介质及程序产品 | |
CN114140619A (zh) | 图像数据生成方法、模型训练方法、装置、设备及介质 | |
JP7349811B2 (ja) | 訓練装置、生成装置及びグラフ生成方法 | |
Amadi et al. | Collaborative adaptive filtering approach for the identification of complex-valued improper signals | |
CN116341685B (zh) | 基于联合注意力的分布式计算卸载模型训练方法和系统 | |
CN115775081B (zh) | 一种电力系统随机经济调度方法、装置及介质 | |
Yousefian et al. | A regularized adaptive steplength stochastic approximation scheme for monotone stochastic variational inequalities | |
CN113836438B (zh) | 用于帖子推荐的方法、电子设备和存储介质 | |
CN117672378A (zh) | 一种蛋白质溶解度预测方法、装置、设备及介质 | |
Schäfer et al. | Quantum water-filling solution for the capacity of Gaussian information 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 |