CN115208736A - 适用于混合自动重传请求系统的高阶调制星座设计方法 - Google Patents
适用于混合自动重传请求系统的高阶调制星座设计方法 Download PDFInfo
- Publication number
- CN115208736A CN115208736A CN202210528524.2A CN202210528524A CN115208736A CN 115208736 A CN115208736 A CN 115208736A CN 202210528524 A CN202210528524 A CN 202210528524A CN 115208736 A CN115208736 A CN 115208736A
- Authority
- CN
- China
- Prior art keywords
- dnn
- enc
- signal
- layer
- order
- 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
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
- H04L1/1812—Hybrid protocols; Hybrid automatic repeat request [HARQ]
-
- 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
- H04L27/36—Modulator circuits; Transmitter circuits
-
- 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
- H04L27/38—Demodulator circuits; Receiver circuits
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种适用于混合自动重传请求系统的高阶调制星座设计方法。设计方法中的神经网络代价函数采用交叉熵函数;训练方法采用反向传播算法;将二进制比特流经过星座映射后生成的高阶调制信号作为神经网络编码器的输入,神经网络编码器的输出表示所输入高阶调制信号对应的发射信号;将经过高斯白噪声信道后的接收信号实部、虚部作为神经网络解码器的输入,神经网络解码器的输出结果代表高阶调制信号中每个比特为1的概率值;神经网络的隐藏层和输出层的激活函数分别采用常规的Relu函数和Linear函数;本发明不仅在单次传输的过程中性能优于传统的正方形高阶调制星座,通过多次传输的重传合并可获得更大的性能增益。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种基于深度学习网络的混合自动重传请求系统中高阶调制星座设计方法。
背景技术
在移动通信系统中,通常采用前向纠错编码(Forward Error Correction,FEC)技术和自动重传请求(Automatic Repeat reQuest,ARQ)技术来保证数据传输的可靠性。 FEC技术是对发送数据进行分组保护,以引入冗余比特为代价来提高系统的可靠性,该技术可以让系统的吞吐量保持恒定。采用ARQ技术可以大幅提高系统的可靠性,但是对于信道条件较为恶劣的情况,ARQ技术会增加系统的重传次数,从而导致了系统吞吐率的下降。混合自动重传请求(Hybrid ARQ,HARQ)作为eMBB场景下的核心关键技术,有望在下一代移动通信系统中继续发挥其重要作用。HARQ技术将ARQ技术和FEC技术各自包含的优势结合起来,以增加较少的冗余量为代价提高了接收端的译码能力。Chase合并(Chase Combining,CC)方案属于HARQ类型中的一种,特点是重传时的数据包与初次传输的数据包完全相同,每一次传输的数据包中都包含了信息比特和冗余比特,这就意味着每次传输的数据包都可以被单独解码。该方案作为标准已经被写入IEEE 802.16e协议中。
在加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道中,为了使信道输入与输出之间的互信息达到最大,信道输入信号需要满足高斯分布。Forney等人提出,当调制阶数趋近无穷大时,相比于均匀分布的QAM信号,满足高斯分布的输入信号最高能获得1.53dB的性能增益,这部分的增益定义为成形增益。在5G标准协议中采用的调制信号并不是满足高斯分布的,而是满足均匀分布的QAM信号,采用QAM信号一方面是工程实现过程简单且解调存在着简化算法,另一方面则是满足高斯分布的高阶调制信号不易设计。对于高阶QAM调制信号而言,满足格雷映射的星座符号上的每个比特具有不同的可靠性,当采用CC方案时,符号上不同比特之间的可靠性差距将会变大,这将会造成部分译码性能的损失。C.Wengerter等人提出了一种基于星座重排(Constellation Rearrangement, CoRe)方案的HARQ技术,通过改变每次重传时的星座映射方式,使得经过叠加后的星座符号上每个比特的可靠性达到一致。该方法的不足之处是:CoRe方案往往需要特定的传输次数才能达到比特可靠性一致的目标,也就是说在有限传输次数下的CoRe方案并能使符号上的每个比特可靠性一致。
发明内容
本发明目的在于提供一种适用于混合自动重传请求系统的高阶调制星座设计方法,以解决重传系统中星座符号上的比特之间可靠性差距不同的的技术问题。
为解决上述技术问题,本发明的具体技术方案如下:
一种适用于混合自动重传请求系统的高阶调制星座设计方法,用于针对二进制比特流 X={x1,x2,...,xN},具体包括如下步骤:
步骤1、发射端根据调制阶数M,依据m=log2M,获得单个M阶正交振幅调制信号中的比特数m,并按照K=N/m,获得分组数K,然后进入步骤2;其中N表示二进制比特流X中的比特数;
步骤2、发射端以单个M阶正交振幅调制信号中的比特数m,对二进制比特流X中的各个比特进行顺序分组,获得K个调制阶数为M阶正交振幅调制信号S,S= {s1,...,sk,...,sK},sk表示M阶正交振幅调制信号S中的第k个M阶正交振幅调制信号;其中,若顺序最后一个sk中的比特数不足m时,则在末尾补0至满足比特数m;
步骤3、构建编码器的两组深度神经网络DNN-Enc-A和DNN-Enc-B;
步骤4、构建两个采用全连接结构,参数相同的解码器深度神经网络DNN-Dec-A和DNN-Dec-B;
步骤5、将M阶正交振幅调制信号S={s1,...,sk,...,sK}作为DNN-Enc-A和DNN-Enc-B 的输入;DNN-Enc-A的输出为信号V1st={v1,...,vk,...,vK},vk表示信号V1st中第k个M阶正交振幅调制信号,包括实部与虚部两部分;DNN-Enc-B的输出为信号V2nd= {v1,...,vk,...,vK},将DNN-Enc-A的输出为信号V1st做功率归一化后得到信号 DNN-Enc-B的输出为信号V2nd做功率归一化后得到信号
步骤7、将信号N1st和N2nd分别作为DNN-Dec-A和DNN-Dec-B的输入;解码器深度神经网络输出层的每个节点的输出为各M阶正交振幅调制信号中对应比特为1的概率,两个解码器深度神经网络分别得到输出P1st={p1,...,pk,...,pK}和P2nd={p1,...,pk,...,pK};
步骤8、将P1st={p1,...,pk,...,pK}和P2nd={p1,...,pk,...,pK}与调制阶数为M阶正交振幅调制信号S计算分别计算二进制分类交叉熵损失Loss1st和Loss2nd,并将loss1st与loss2nd相加得到网络总损失Losstotal;利用网络总损失Losstotal和梯度下降法,计算深度神经网络中每个中间层的每个节点的梯度,更新DNN-Enc-A,DNN-Enc-B,DNN-Dec-A和 DNN-Dec-B的各层节点参数;重复步骤5至步骤8直至网络总损失Losstotal数值稳定不再具有下降趋势后得到训练完成的神经网络;
步骤9、生成从0至M-1的M阶正交振幅调制信号Q={q1,...,qm,...,qM},将信号Q作为训练完成的DNN-Enc-A和DNN-Enc-B的输入,得到DNN-Enc-A的输出作为重传系统中第一次传输过程的星座、DNN-Enc-B的输出作为重传系统中第二次传输的星座。
进一步的,步骤3中两组深度神经网络DNN-Enc-A和DNN-Enc-B都采用全连接结构,结构参数相同,分别由5层组成,其结构依次为:输入层->第一隐含层->第二隐含层-> 第三隐含层->线性输出层;
分别设置DNN-Enc-A和DNN-Enc-B的各层参数如下:将输入层的节点个数设置为比特数m,将第一隐含层至第三隐含层的节点个数设置为256,将线性输出层的节点个数设置为2。
进一步的,步骤4中解码器深度神经网络DNN-Dec-A和DNN-Dec-B分别由4层组成,其结构依次为:输入层->第一隐含层->第二隐含层->线性输出层,分别设置DNN-Dec-A 和DNN-Dec-B的各层参数如下:将输入层的节点个数设置为2,将第一、第二隐含层的节点个数设置为256,将线性输出层的节点个数设置为m。
本发明的一种适用于混合自动重传请求系统的高阶调制星座设计方法,具有以下优点:
本发明通过深度自编码器神经网络实现高阶调制星座的设计,以减少重传系统中星座符号上的比特之间可靠性差距,同时优化多次传输时的星座符号位置和映射方式,从而提高有限次数下的重传系统的译码性能。与现有技术相比,本发明步骤9产生的星座图在单次传输时译码性能上均优于方形QAM星座,在两次重传下的重传系统中的译码性能相比于 CoRe方案具有显著提高。
附图说明
图1为本发明的本发明的系统结构流程图;
图2(a)为本发明实施例一生成的适用于混合自动重传请求系统的第一次传输过程的16QAM星座图;
图2(b)为本发明实施例一生成的适用于混合自动重传请求系统的第二次传输过程的16QAM星座图;
图3为在AWGN信道条件下码率为1/2,信息比特长度为972的802.11n标准LDPC码利用本发明实施例一生成的16QAM星座图传输的误码率曲线;
图4(a)为应用本发明实施例二生成的适用于混合自动重传请求系统的第一次传输过程的64QAM星座图;
图4(b)为应用本发明实施例二生成的适用于混合自动重传请求系统的第二次传输过程的64QAM星座图;
图5为在AWGN信道条件下码率为1/2,信息比特长度为972的802.11n标准LDPC码利用本发明实施例二提出的64QAM星座图传输的误码率曲线。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种适用于混合自动重传请求系统的高阶调制星座设计方法做进一步详细的描述。
一种适用于混合自动重传请求系统的高阶调制星座设计方法,用于针对二进制比特流 X={x1,x2,...,xN},实现了发射端到接收端到传输控制,具体包括如下步骤:
步骤1、发射端根据调制阶数M,依据m=log2M,获得单个M阶正交振幅调制(M-QAM)信号中的比特数m,并按照K=N/m,获得分组数K,然后进入步骤2;其中N表示二进制比特流X中的比特数;
步骤2、发射端以单个M阶正交振幅调制信号中的比特数m,对二进制比特流X中的各个比特进行顺序分组,获得K个调制阶数为M阶正交振幅调制信号S,S= {s1,...,sk,...,sK},sk表示M阶正交振幅调制信号S中的第k个M阶正交振幅调制信号;其中,若顺序最后一个M阶正交振幅调制信号中的比特数不足m时,则在末尾补0至满足比特数m;
步骤3、构建编码器的两组深度神经网络(DNN)DNN-Enc-A和DNN-Enc-B;编码器的两组深度神经网络都采用全连接结构,结构参数相同,分别由5层组成,其结构依次为:输入层->第一隐含层->第二隐含层->第三隐含层->线性输出层;
分别设置DNN-Enc-A和DNN-Enc-B的各层参数如下:将输入层的节点个数设置为m,将第一隐含层至第三隐含层的节点个数设置为256,将线性输出层的节点个数设置为2;
步骤4、构建两个采用全连接结构,参数相同的解码器深度神经网络DNN-Dec-A和DNN-Dec-B,它们分别由4层组成,其结构依次为:输入层->第一隐含层->第二隐含层-> 线性输出层,分别设置DNN-Dec-A和DNN-Dec-B的各层参数如下:将输入层的节点个数设置为2,将第一、第二隐含层的节点个数设置为256,将线性输出层的节点个数设置为m;
步骤5、将M阶正交振幅调制信号S={s1,...,sk,...,sK}作为DNN-Enc-A和DNN-Enc-B 的输入;DNN-Enc-A的输出为信号V1st={v1,...,vk,...,vK},vk表示信号V1st中第k个M阶正交振幅调制信号,包括实部与虚部两部分;DNN-Enc-B的输出为信号V2nd={v1,...,vk,...,vK},将DNN-Enc-A的输出为信号V1st做功率归一化后得到信号 DNN-Enc-B的输出为信号V2nd做功率归一化后得到信号
步骤7、将信号N1st和N2nd分别作为DNN-Dec-A和DNN-Dec-B的输入;解码器深度神经网络输出层的每个节点的输出为各M阶正交振幅调制信号中对应比特为1的概率,两个解码器深度神经网络分别得到输出P1st={p1,...,pk,...,pK}和P2nd={p1,...,pk,...,pK};
步骤8、将P1st={p1,...,Pk,...,pK}和P2nd={p1,...,pk,...,pK}与调制阶数为M阶正交振幅调制信号S计算分别计算二进制分类交叉熵损失Loss1st和Loss2nd,并将loss1st与loss2nd相加得到网络总损失Losstotal;利用网络总损失Losstotal和梯度下降法,计算深度神经网络中每个中间层的每个节点的梯度,更新DNN-Enc-A,DNN-Enc-B,DNN-Dec-A和 DNN-Dec-B的各层节点参数;重复步骤5至步骤8直至网络总损失Losstotal数值稳定不再具有下降趋势后得到训练完成的神经网络;
步骤9、生成从0至M-1的M阶正交振幅调制信号Q={q1,...,qm,...,qM},将信号Q作为训练完成的DNN-Enc-A和DNN-Enc-B的输入,得到DNN-Enc-A的输出作为重传系统中第一次传输过程的星座、DNN-Enc-B的输出作为重传系统中第二次传输的星座。
实施例一:
将本发明所设计适用于混合自动重传请求系统的高阶调制星座设计方法,设计调制阶数为16QAM的星座图,需要搭建传输过程中存在AWGN噪声干扰的通信系统仿真平台,其中,通信系统仿真平台主要物理层参数如下表1所示。
表1
如图1所示,应用本发明所设计适用于混合自动重传请求系统的高阶调制星座设计方法,生成长度为64000的二进制比特流X,即N=64000;将系统调制阶数M设置为16,获得单个QAM信号中的比特数m=4、以及分组数K=16000;发射端应用星座映射方法,针对二进制比特流X中的各个比特进行顺序分组,获得16000个QAM信号,构成16-QAM信号S;将信号S作为DNN-Enc-A和DNN-Enc-B的输入,信号经过系统处理后分别得到DNN-Dec-A 和DNN-Dec-B的输出信号P1st和P2nd;将P1st和P2nd与16-QAM信号S计算交叉熵得到网络总损失Losstotal。利用总损失Losstotal和梯度下降法,计算深度神经网络中每个中间层的每个节点的梯度,更新DNN-Enc-A,DNN-Enc-B,DNN-Dec-A和DNN-Dec-B的各层节点参数。训练次数设置为600000次;在网络训练完成后,生成从0至15的16-QAM信号Q= {q1,...,qm,...,q16},将信号Q作为训练完成的DNN-Enc-A和DNN-Enc-B的输入,得到 DNN-Enc-A的输出作为重传系统中第一次传输过程的星座、 DNN-Enc-B的输出作为重传系统中第二次传输的星座。得到的用于第一次传输过程的星座图如图2(a)所示,用于第二次传输过程的星座图如图2(b)所示。所得到的星座图的具体的星座点数据结果如表2所示。
与现有的重传系统中的星座设计传输算法作为比较对象,从系统误比特率(BER)角度评估神经网络设计星座图的优越性,如图3所示,横坐标表示SNR,神经网络设计的星座图不仅单次传输性能优于现有的方形QAM星座,在两次传输的重传系统下的性能显著优于CoRe方案。
表2
第二实施例:
将本发明所设计适用于混合自动重传请求系统的高阶调制星座设计方法,设计调制阶数为64QAM的星座图,需要搭建传输过程中存在AWGN噪声干扰的通信系统仿真平台,其中,通信系统仿真平台主要物理层参数如下表3所示。
表3
如图1所示,应用本发明所设计适用于混合自动重传请求系统的高阶调制星座设计方法,生成长度为60000的二进制比特流X,即N=60000;将系统调制阶数M设置为64,获得单个QAM信号中的比特数m=6、以及分组数K=10000;发射端应用星座映射方法,针对二进制比特流X中的各个比特进行顺序分组,获得10000个QAM信号,构成64-QAM信号S;将信号S作为DNN-Enc-A和DNN-Enc-B的输入,信号经过系统处理后分别得到DNN-Dec-A 和DNN-Dec-B的输出信号P1st和P2nd;将P1st和P2nd与16-QAM信号S计算交叉熵得到网络总损失Losstotal。利用总损失Losstotal和梯度下降法,计算深度神经网络中每个中间层的每个节点的梯度,更新DNN-Enc-A,DNN-Enc-B,DNN-Dec-A和DNN-Dec-B的各层节点参数。训练次数设置为600000次;在网络训练完成后,生成从0至63的64-QAM信号Q= {q1,...,qm,...,q64},将信号Q作为训练完成的DNN-Enc-A和DNN-Enc-B的输入,得到 DNN-Enc-A的输出作为重传系统中第一次传输过程的星座、DNN-Enc-B的输出作为重传系统中第二次传输的星座。得到的用于第一次传输过程的星座图如图4(a)所示,用于第二次传输过程的星座图如图4(b)所示。所得到的星座图的具体的星座点数据结果如表4所示。
与现有的重传系统中的星座设计传输算法作为比较对象,从系统误比特率(BER)角度评估神经网络设计星座图的优越性,如图5所示,横坐标表示SNR,神经网络设计的星座图不仅单次传输性能优于现有的方形QAM星座,在两次传输的重传系统下的性能显著优于CoRe方案。
表4
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (3)
1.一种适用于混合自动重传请求系统的高阶调制星座设计方法,其特征在于,用于针对二进制比特流X={x1,x2,...,xN},具体包括如下步骤:
步骤1、发射端根据调制阶数M,依据m=log2M,获得单个M阶正交振幅调制信号中的比特数m,并按照K=N/m,获得分组数K,然后进入步骤2;其中N表示二进制比特流X中的比特数;
步骤2、发射端以单个M阶正交振幅调制信号中的比特数m,对二进制比特流X中的各个比特进行顺序分组,获得K个调制阶数为M阶正交振幅调制信号S,S={s1,...,sk,...,sK},sk表示M阶正交振幅调制信号S中的第k个M阶正交振幅调制信号;其中,若顺序最后一个sk中的比特数不足m时,则在末尾补0至满足比特数m;
步骤3、构建编码器的两组深度神经网络DNN-Enc-A和DNN-Enc-B;
步骤4、构建两个采用全连接结构,参数相同的解码器深度神经网络DNN-Dec-A和DNN-Dec-B;
步骤5、将M阶正交振幅调制信号S={s1,...,sk,...,sK}作为DNN-Enc-A和DNN-Enc-B的输入;DNN-Enc-A的输出为信号V1st={v1,...,vk,...,vK},vk表示信号V1st中第k个M阶正交振幅调制信号,包括实部与虚部两部分;DNN-Enc-B的输出为信号V2nd={v1,...,vk,...,vK},将DNN-Enc-A的输出为信号V1st做功率归一化后得到信号DNN-Enc-B的输出为信号V2nd做功率归一化后得到信号
步骤7、将信号N1st和N2nd分别作为DNN-Dec-A和DNN-Dec-B的输入;解码器深度神经网络输出层的每个节点的输出为各M阶正交振幅调制信号中对应比特为1的概率,两个解码器深度神经网络分别得到输出P1st={p1,...,pk,...,pK}和P2nd={p1,...,pk,...,pK};
步骤8、将P1st={p1,...,pk,...,pK}和P2nd={p1,...,pk,...,pK}与调制阶数为M阶正交振幅调制信号S计算分别计算二进制分类交叉熵损失Loss1st和Loss2nd,并将loss1st与loss2nd相加得到网络总损失Losstotal;利用网络总损失Losstotal和梯度下降法,计算深度神经网络中每个中间层的每个节点的梯度,更新DNN-Enc-A,DNN-Enc-B,DNN-Dec-A和DNN-Dec-B的各层节点参数;重复步骤5至步骤8直至网络总损失Losstotal数值稳定不再具有下降趋势后得到训练完成的神经网络;
2.根据权利要求1所述的适用于混合自动重传请求系统的高阶调制星座设计方法,其特征在于,步骤3中两组深度神经网络DNN-Enc-A和DNN-Enc-B都采用全连接结构,结构参数相同,分别由5层组成,其结构依次为:输入层->第一隐含层->第二隐含层->第三隐含层->线性输出层;
分别设置DNN-Enc-A和DNN-Enc-B的各层参数如下:将输入层的节点个数设置为比特数m,将第一隐含层至第三隐含层的节点个数设置为256,将线性输出层的节点个数设置为2。
3.根据权利要求2所述的适用于混合自动重传请求系统的高阶调制星座设计方法,其特征在于,步骤4中解码器深度神经网络DNN-Dec-A和DNN-Dec-B分别由4层组成,其结构依次为:输入层->第一隐含层->第二隐含层->线性输出层,分别设置DNN-Dec-A和DNN-Dec-B的各层参数如下:将输入层的节点个数设置为2,将第一、第二隐含层的节点个数设置为256,将线性输出层的节点个数设置为m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528524.2A CN115208736A (zh) | 2022-05-16 | 2022-05-16 | 适用于混合自动重传请求系统的高阶调制星座设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528524.2A CN115208736A (zh) | 2022-05-16 | 2022-05-16 | 适用于混合自动重传请求系统的高阶调制星座设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115208736A true CN115208736A (zh) | 2022-10-18 |
Family
ID=83574591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210528524.2A Pending CN115208736A (zh) | 2022-05-16 | 2022-05-16 | 适用于混合自动重传请求系统的高阶调制星座设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115208736A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115941112A (zh) * | 2022-12-12 | 2023-04-07 | 南京信息工程大学 | 一种便携式隐蔽通信方法、计算机设备及存储介质 |
-
2022
- 2022-05-16 CN CN202210528524.2A patent/CN115208736A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115941112A (zh) * | 2022-12-12 | 2023-04-07 | 南京信息工程大学 | 一种便携式隐蔽通信方法、计算机设备及存储介质 |
CN115941112B (zh) * | 2022-12-12 | 2023-09-12 | 南京信息工程大学 | 一种便携式隐蔽通信方法、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3482643B2 (ja) | データ送信装置 | |
JP5235629B2 (ja) | 無線通信装置の符号化及び変調方法、並びに復号方法 | |
CN102037671A (zh) | Wcdma和lte网络中harq的重传设置的选择 | |
CN104871507A (zh) | 用于在通信系统中发送/接收信号的方法和装置 | |
CN106100795B (zh) | 一种基于Plotkin构造和信息位重休眠的Polar码编码协作方法 | |
CN104009822B (zh) | 基于非理想信道估计含窄带干扰的新型解调修正方法 | |
CN104935411B (zh) | 一种基于分集的无速率码联合度数动态译码方法 | |
CN111245571B (zh) | 噪声聚合系统下与编码调制技术相结合的接收机设计方法 | |
CN101262307B (zh) | 一种含有星座图旋转调制方式的串行级联编译码系统 | |
Tian et al. | A physical-layer rateless code for wireless channels | |
CN115208736A (zh) | 适用于混合自动重传请求系统的高阶调制星座设计方法 | |
CN108306714B (zh) | 一种高阶调制下lt码解调译码方法 | |
CN113067676B (zh) | 极化码高阶调制系统中一种新颖的比特映射方法 | |
CN103746772B (zh) | Ldpc编码调制系统的解调器输出软信息的优化方法 | |
CN108432168B (zh) | 一种解调及译码的方法和设备 | |
KR20060063014A (ko) | 디지털 통신 시스템에서 신호결합을 위한 매핑 방법 | |
CN109672500B (zh) | Ldpc-bicm-id系统的8apsk映射方法 | |
CN102315900B (zh) | 星座点映射方式的搜索方法 | |
Zhao et al. | Regular APSK constellation design for beyond 5G | |
JP5153588B2 (ja) | 無線通信装置 | |
Wu et al. | Best mapping for LDPC coded modulation on SISO, MIMO and MAC channels | |
Jacobsen et al. | Coded noncoherent communication with amplitude/phase modulation: from Shannon theory to practical architectures | |
Baldi et al. | Variable rate LDPC codes for wireless applications | |
Park et al. | Multi-stage turbo equalization for MIMO systems with hybrid ARQ | |
CN114124302B (zh) | 一种基于概率解卷积的接收端链路自适应解调方法 |
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 |