CN116781128B - 基于迁移学习和自编码器模型的端到端中继合作通信方法 - Google Patents
基于迁移学习和自编码器模型的端到端中继合作通信方法 Download PDFInfo
- Publication number
- CN116781128B CN116781128B CN202310691257.5A CN202310691257A CN116781128B CN 116781128 B CN116781128 B CN 116781128B CN 202310691257 A CN202310691257 A CN 202310691257A CN 116781128 B CN116781128 B CN 116781128B
- Authority
- CN
- China
- Prior art keywords
- node
- encoder
- relay
- decoder
- relay node
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013526 transfer learning Methods 0.000 title claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 4
- 238000005562 fading Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000003321 amplification Effects 0.000 description 7
- 238000003199 nucleic acid amplification method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- Radio Relay Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于迁移学习和自编码器模型的端到端中继合作通信方法,通过建立基于卷积自编码器的端到端中继合作通信系统模型、建立源节点‑中继节点之间的传输、训练源节点编码器和中继节点解码器、建立源节点‑目的节点以及源节点‑目的节点之间的协作传输、训练中继节点编码器和目的节点解码器、基于迁移学习的策略建立基于自编码器的中继合作传输模型,本发明可以解决中继协作通信中译码错误传播累积的问题,同时可以实现灵活性更高、鲁棒性更强的基于自编码器的中继通信系统。
Description
技术领域
本发明属于无线通信技术领域,主要涉及中继协作通信领域,尤其涉及一种基于迁移学习和自编码器模型的端到端中继合作通信方法。
背景技术
移动通信网络自诞生之初就追求快速、可靠的通信。目前,第五代移动通信技术(5G)已经实现商用,其低时延、广覆盖、大容量的特点催生了诸多应用,如自动驾驶和工业物联网。然而,5G只能在特定场景下满足上述需求,并不能完全满足2030年之后的网络需求如100%网络覆盖。基于此,各个国家和研究机构正在如火如荼地对6G进行研究。6G的总体愿景是“万物互联、数字孪生”。到2030年,接入网络的设备可以达到1亿个/平方公里,峰值速率实现Tbit级,时延要求为0.1ms,接近海量数据时延。6G催生出了全息通信、智慧交互、应急通信抢险等潜在应用场景。纵观移动通信的发展历程,可以看出其发展态势为高速化、异构化以及多样化。无线通信技术对数据传输速、通信可靠性要求越来越高。
在无线自组网和蜂窝网等通信场景中,终端如低功耗的节点、手机等体积较小,相比较于基站,其信号处理能力弱,考虑到无线通信最显著的信道衰落特性,这就使得接收端很难通过配备多根天线来实现分集从而达到抵抗衰落的目的。因此,协作通信应运而生。协作通信利用无线信道的广播特性以及多址技术,在源节点和目的节点之间引入中继节点进行辅助通信,目的节点可以接收源节点发送的数据,同时也可以接收其它中继节点转发的数据,从而利用空间分集对抗信道衰落,提升通信的可靠性。对于中继合作通信,中继节点最常见的转发方式为放大转发(AF)和译码转发(DF),放大转发协议简单,中继节点只需要将接收到的信号放大一定的倍数然后转发给目的节点即可,其缺点是对有用信号放大的同时也会放大噪声信号,在信道环境比较恶劣的情况下,如信噪比比较低的时候,基于放大转发的方法会造成整个通信系统性能的急剧恶化,通信中断概率迅速提高。译码转发方式下,中继节点首先对接收的信号进行译码,然后再编码转发给目的节点,DF不会放大噪声,一定程度上解决了AF方式下噪声放大造成的通信中断的问题,但是DF方式译码过程较为复杂,对终端的信号处理能力要求较高,若中继节点译码错误,那么这个错误的信息会进一步传递给目的节点,故译码转发方式下还存在错误累积传播的问题。
人工智能技术尤其是深度学习技术在自然语言处理、计算机视觉等领域已经取得了较为成功的应用,神经网络具有强大的函数表征和建模能力,已有研究将其应用到了点对点物理层的通信中去,将发送端、信道、接收端通过神经网络建模并进行联合优化,这个基于神经网络的端到端的物理层通信系统叫做自编码器,对自编码器进行训练以对抗无线信道的噪声和衰落特性。首次将自编码器模型应用到中继合作通信系统中去,对这个通信系统进行端到端的联合优化。实验结果表明,基于自编码器的中继合作通信系统在加性高斯白噪声信道、汉明码(7,4)编码、BPSK调制方式下,可以取得比传统的AF和DF更低的误块率(BLER)。研究了基于自编码器的语义中继通信系统端到端的传输问题,实验结果显示所提出的基于自编码器的方法比传统的放大转发以及译码转发的合作方式可以取得更好的性能。这些已有的基于自编码器的中继传输在一定的通信场景下取得了不错的性能,但是其仍存在一些限制。具体来说,目前已有的基于自编码器的中继合作通信系统网络模型灵活性较差,当输入的数据(如比特序列)的长度变化时需要改变模型结构并重新开始训练;2)目前这些基于自编码器的中继合作通信系统模型考虑的信道编码方式较为简单,只是短码传输的场景,对于在高速的数据传输速率的场景下并不能完全适应。灵活性更高、鲁棒性更强的基于自编码器的中继通信系统模型需要进一步被研究。
迁移学习是机器学习的一个分支。传统的机器学习或者深度学习通常存在两个基本的假设,即认为训练数据集和测试数据集之间满足独立同分布,二是训练数据集充足,可以用来对模型进行训练。但实际中可能存在着训练数据集难以获得、训练数据集时效性低的问题,这都会导致模型精度的降低。迁移学习可以较为有效地解决这些问题,具体来说,当新任务训练数据不足时,可以利用在旧任务中已经训练好的模型中的知识辅助训练数据量不足的新任务中的模型,以提升模型性能。此外,在传统的机器学习模型中,即便任务之间有一定的相似性,在不同任务下的模型都是独立训练的,这可能导致训练过程开销较大,训练时间缓慢。迁移学习可以借助以往任务学习的经验加快新任务下的训练速度,举个例子,精通英语的人会更容易学习德语,这是因为已经有了学习外语的经验,这个经验可以更好地辅助学习一门新的语言体系。在迁移学习中,域包含特征空间和特征空间的边际分布/>定义为/> 为特征空间的一个实例集合。任务/>定义为其中/>为标签空间,f(·)为预测函数。给定一个源域/>源任务/>目标域目标任务/>其中/>或者/>迁移学习的基本思想是将模型在源域任务/>上学习到的知识迁移到目标域任务/>上去,从而加快模型在目标域/>上的训练过程或提升模型在目标域/>上的性能。迁移的知识可以是模型学习到的参数或者模型中间特征图的输出。迁移学习在无线通信领域比如无线室内定位、智能天线传输系统、高容量接入系统中已经够得到了应用。
1、自编码器模型结构简单以及模型可扩展性差的问题
大多数的基于自编码器的中继传输通信系统采用了全连接的神经网络结构,这种全连接的网络模型结构简单,只能处理固定长度的输入数据序列,一旦输入的数据序列的长度发生了变化,模型的输入层、输出层的神经元数目就要发生变化,即模型结构会随着输入数据序列的长度的而变化而变化,因此,模型的可扩展性很低。此外,目前的已有的基于自编码器的中继传输系统在训练优化时候,输入一般是one-hot(独热)编码格式的数据,而在实际的通信系统中,传输的一般是比特序列,one-hot编码格式的数据相比较于比特序列数据会损失一定的信息,并不适合在无线通信系统中进行传输。
2、模型适配性差无法匹配不同数据传输速率的问题
5G以及未来6G网络对于数据传输速率要求较高,目前研究的基于自编码器的中继通信系统只考虑了比较简单的信道编码,如汉明码编码传输,而汉明码编码传输是一种短码,其数据传输速率较低,这种短码结构并不能适合数据传输速率要求高的场景,这会导致模型应用进一步受限。实际的5G的通信场景中采用了长码的LDPC码以提升数据传输速率。如果要扩展基于自编码器的中继传输系统的应用,必须使其具备可以处理长码和短码的能力。此外,目前已有的基于自编码器的中继传输系统其训练和测试环境下采用的信道编码以及码长都是固定的,比如训练时采用的是(7,4)汉明码,那么测试时候也只考虑相同码长的(7,4)汉明码的传输。但测试阶段代表的是模型部署的环境,模型部署阶段其通信环境、以及通信性能要求是灵活变化的,因此部署阶段模型应该具有足有的鲁棒性以适应不同的编码方式、不同的码长通信需求。
3、无线通信环境迅速变化与模型重训练耗时的问题
真实的移动通信系统的场景一般是快速变化的,即无线信道是快速变化的。目前的基于自编码器的中继合作通信系统在训练的时候一般只在某些特定的无线通信环境下进行训练。当无线通信环境变化的时候,已训练好的模型可能并不适用于新的变化的环境,因此,模型需要重新训练,这个过程会比较复杂,训练过程也十分的缓慢。考虑到无线通信环境之间的相似性,比如瑞丽信道条件和莱斯的信道条件都包含着无线信道的衰落特性,那么在瑞丽信道下训练好的模型结构可以为即将在莱斯信道下训练的模型提供一些额外的辅助信息。此外,也可以固定无线信道特性,来训练得到不同的调制阶数下的自编码器模型以匹配不同的无线数据传输速率要求。此外,考虑到不同阶数下调制解调方式之间有一定的相似性,如目前训练好了一个调制阶数为4、瑞利衰落信道下的自编码器模型,当在训练调制阶数为6的模型的时候,可以利用这个已经训练好的模型结构来加快在新任务(不同调制阶数)上的模型的训练速度。
发明内容
本发明提供了一种基于迁移学习和自编码器模型的端到端中继合作通信方法,解决了中继协作通信中译码错误传播累积的问题,同时实现了灵活性更高、鲁棒性更强的基于自编码器的中继通信系统。
一种基于迁移学习和自编码器模型的端到端中继合作通信方法,包括如下步骤:
步骤S1:建立基于卷积自编码器的端到端中继合作通信系统模型;
步骤S2:建立源节点-中继节点之间的传输;
步骤S3:训练源节点编码器Sen和中继节点解码器Rde,更新其模型参数和/>
步骤S4:建立源节点-目的节点,以及中继节点-目的节点之间的协作传输;
步骤S5:训练中继节点编码器Ren和目的节点解码器Dde,更新其模型参数和
步骤S6:基于迁移学习的策略建立基于自编码器的中继合作传输模型。
相比较于现有放大转发(AF)中继传输方案,本发明的技术方案可以有效降低噪声放大带来的通信中断概率;相比较于传统的译码转发(DF)中继传输方案,本发明的技术方案可以有效避免译码错误带来的差错累积传播;相比较于传统的基于全连接网络的自编码器中继合作传输系统,本发明的技术方案可以适应长码和短码传输,应用场景更广。
附图说明
图1为本发明的通信系统模型示意图;
图2为基于卷积自编码器的端到端的中继合作通信系统模型示意图;
图3为源节点-目的节点以及中继节点-目的节点之间的协作传输示意图;
图4是采用本发明的技术方案与采用现有技术在误符号率性能上的区别。
具体实施方式
如图1所示,本发明的通信系统模型为三节点的中继合作通信系统,包含至少一个源节点S、至少一个中继节点R以及至少一个目的节点D;记源节点-中继节点,中继节点-目的节点,源节点-目的节点之间的信道分别表示为hsr、hrd、hsd,令hsr、hsd、hrd具有相同的统计特性;
一种基于迁移学习和自编码器模型的端到端中继合作通信方法,具体过程如下:
步骤S1的建立基于卷积自编码器的端到端中继合作通信系统模型,具体过程为:
如图2所示,源节点包含一个源节点编码器Sen,位于源节点的接收机端,用于将输入数据映射到发射机前端;中继节点由一个中继节点解码器Rde和中继节点编码器Ren构成,中继节点解码器Rde位于中继节点的接收机处,中继节点编码器Ren位于中继节点的发射机处;目的节点包含一个目的节点解码器Dde,位于目的节点的接收机处;
源节点编码器Sen共包含L1层卷积层、1层归一化层,其中归一化层作用是对发送信号进行功率约束;中继节点解码器Rde包含L2层卷积层,中继节点编码器Ren包含L3层卷积层和1层归一化层,目的节点解码器Dde包含L4层卷积层。
步骤S2的建立源节点-中继节点之间的传输,具体过程为:
源节点编码器Sen的输出为已调制的复数信号xr,已调制的复数信号xr经过源节点与中继节点之间的无线信道,到达中继节点的接受机端;中继节点的接收机接收到的信号为ysr,中继节点信号ysr作为中继节点解码器Rde的输入,中继节点解码器Rde的输出为中继节点恢复出的原始发送符号序列或者比特序列/>
步骤S3的训练源节点编码器Sen和中继节点解码器Rde,更新其模型参数和具体过程为:
从训练数据集中依批次选取训练数据实例,将训练数据实例输入到源节点编码器Sen中去,得到源节点-中继节点链路的最终输出,即中继节点解码器Rde的输出,计算输入输出之间的交叉熵损失;源节点编码器Sen的输入数据为符号序列s或比特序列b,其中s与b都是实数向量;若原始的发送数据为符号序列s,则中继节点解码器Rde的输出按照公式(1)计算/>与s之间的交叉熵损失;
其中,表示所取出的一个批次的训练集中的实例的个数,/>表示i个发送的符号属于第j类的真实概率,j=1,2,...,2m,/>表示模型输出的第i个发送符号属于第j类的预测概率,m表示调制阶数;
如果原始的发送数据为符号序列b,则中继节点解码器Rde的输出按照公式(2)计算/>与b之间的二进制交叉熵损失;
若第n个输入实例的第k个位置是1,则若第n个输入实例的第k个位置是0,则/>表示为中继节点解码器Rde输出的第n个输入实例的第k个位置为1的概率;
假设此时模型的训练周期总数为E(E>0,为正整数)。在每一个训练周期内,若系统发送的数据为符号序列,则利用公式(1)计算交叉熵损失,采用神经网络的反向传播算法,更新源节点编码器Sen以及中继节点解码器Rde的模型参数和/>若系统发送的数据是比特序列,则利用公式(2)计算二进制交叉熵损失,采用神经网络的反向传播算法,更新源节点编码器Sen以及中继节点解码器Rde的模型参数/>和/>经过E个周期之后,模型收敛,训练过程结束,得到训练好的源节点编码器Sen以及中继节点解码器Rde的模型参数。
步骤S4:建立源节点-目的节点,以及中继节点-目的节点之间的协作传输;具体过程为:
源节点-目的节点以及中继节点-目的节点之间的协作传输如图3所示。目的节点最终接收的有两路数据,一路是源节点与目的节点之间直接传输的数据,记作Ysd,另一路是中继节点转发的数据,记作Yrd;目的节点将两路信号进行拼接,然后作为目的节点解码器Dde的输入,目的节点解码器Dde输出为中继节点恢复出的原始发送符号序列或者比特序列
步骤S5:训练中继节点编码器Ren和目的节点解码器Dde,更新其模型参数和具体过程为:
令中继节点编码器Ren的模型参数为目的节点解码器Dde的模型参数为/>采用了两阶段的训练机制,固定步骤S3中已经训练好的源节点编码器Sen以及中继节点解码器Rde的模型参数不变,依次将训练数据集中的实例数据按照批次输入,得到中继节点解码器Rde的输出,中继节点解码器Rde的输出作为中继节点编码器Ren的输入,记中继节点编码器Ren的输出为xr,中继节点编码器Ren的作用是将输入数据映射为发射机的发送信号xr,xr紧接着经过中继节点以及目的节点之间的无线信道到达目的节点的接收机处,目的节点接收机接收到的来自中继节点转发的信号为Yra;
目的节点还会接收来自源节点原始的发送数据,即源节点处编码器Sen的输出x经过源节点-目的节点之间的无线信道,到达目的节点的接收机处,目的节点接收机接收到的来自源节点直接发送的信号为Ysd;此时,将两路信号Yrd与Ysd进行拼接作为目的节点解码器Dde的输入,目的节点解码器Dde的输出为恢复出的原始发送符号序列,记作或者比特序列
如果原始的发送数据为符号序列s,则目的节点解码器Dde的输出按照公式(3)计算/>与s之间的交叉熵损失;
其中,表示所取出的一个批次的训练集中的实例的个数,/>表示i个发送的符号属于第j类的真实概率,j=l,2,...,2m,/>表示目的节点解码器Dde输出的第i个发送符号属于第j类的预测概率,m表示调制阶数;
如果原始的发送数据为符号序列b,则目的节点解码器Dde的输出按照公式(4)计算/>与b之间的二进制交叉熵损失;
若第n个输入实例的第k个位置是1,则若第n个输入实例的第k个位置是0,则/>表示目的节点解码器Dde输出的第n个输入实例的第k个位置为l的概率;
假设此时模型的训练周期总数为F(F>0,为正整数)。在每一个训练周期内,若系统发送的数据为符号序列,则利用公式(3)计算交叉熵损失,采用神经网络的反向传播算法,更新中继节点编码器Ren以及目的节点解码器Dde的模型参数和/>若系统发送的数据是比特序列,则利用公式(4)计算二进制交叉熵损失,采用神经网络的反向传播算法,更新中继节点编码器Ren以及目的节点解码器Dde的模型参数/>和/>经过F个周期之后,模型收敛,训练过程结束,得到训练好的中继节点编码器Ren以及目的节点解码器Dde的模型参数。
步骤S6:基于迁移学习的策略建立基于自编码器的中继合作传输模型,具体过程为:
考虑到无线通信环境之间的相似性,比如瑞丽信道和莱斯信道都包含着无线信道的衰落特性,那么在瑞丽信道下训练好的模型结构可以为即将在莱斯信道下训练的模型提供一些额外的辅助信息。此外,也可以固定无线信道特性,来训练得到不同的调制阶数下的自编码器模型以匹配不同的无线数据传输速率要求。此外,考虑到不同阶数下调制解调方式之间有一定的相似性,如目前训练好了一个调制阶数为4、瑞利衰落信道下的自编码器模型,当在训练调制阶数为6的模型的时候,可以利用这个已经训练好的模型结构来加快在新任务(不同调制阶数)上的模型的训练速度。本发明提出了一种基于迁移学习的模型给训练机制来加快自编码器模型的训练速度并提升模型的性能。
步骤S61:在通信场景A(无线信道模型为瑞丽平坦衰落信道,调制阶数设置为m=2)下训练基于自编码器的端到端的中继传输系统模型,模型训练完成之后保存模型的参数;
步骤S62:建立新的通信场景B(无线信道模型为瑞丽平坦衰落信道,调制阶数设置为m=1,4或6)下的基于自编码器的端到端中继合作通信系统模型;
步骤S63:建立新的通信场景B下源节点-中继节点之间的传输;
步骤S64:下载通信场景A下已经训练好的源节点编码器Sen以及中继节点解码器Rde的模型参数,作为通信场景B下的源节点编码器Sen以及中继节点解码器Rde的模型参数的初始值;
步骤S65:基于上述初始值,训练源节点编码器Sen和中继节点解码器Rae,更新其模型参数和/>
步骤S66:建立新的通信场景B下源节点-目的节点,以及源节点-目的节点之间的协作传输;训练中继节点编码器Ren和目的节点解码器Dde,更新其模型参数和/>
步骤S67:得到通信场景B下的基于自编码器的端到端的中继合作通信系统的模型参数。
参数设置:在训练时,每次从训练集中选出一个批次的训练数据,设置Sen共包含L1=5层卷积层、1层归一化层,Rde包含L2=5层卷积层,Ren包含L3=5层卷积层和1层归一化层,Dde包含L4=5层卷积层。设置通信场景为瑞丽平坦衰落信道,发送端传输的数据是符号序列。通信场景A是调制阶数m=2的无信道编码传输场景,通信场景B是调制阶数为m={1,4,6}的无信道编码传输的场景。本发明所提出的方案和传统通信系统的方案进行了对比,传统的通信系统的场景设置为三点合作传输场景,中继节点采用放大转发-最大比合并方式(AF-MRC)和译码转发-最大比合并(DF-MRC)方式。使用误符号率(SER)作为系统性能的评价指标。
放大转发-最大比合并方式(AF-MRC)和译码转发-最大比合并(DF-MRC)两种转发模式下传统的中继系统都有误符号率(SER)的理论闭合表达式,本发明将这个理论值作为性能比较的基线。此外还对比了自编码器结构1和自编码器结构2下的中继传输系统的SER性能。具体实施例:见第6节中的详细描述。
从图4可以看出,所提出的基于迁移学习和自编码器模型的端到端中继合作通信方法在无编码传输、瑞利平坦衰落信道模型下,可以取得和AF-MRC理论值几乎相同的SER性能,比其他自编码器的中继传输系统的SER性能更优。
Claims (1)
1.一种基于迁移学习和自编码器模型的端到端中继合作通信方法,其特征在于包括如下步骤:
步骤S1:建立基于卷积自编码器的端到端中继合作通信系统模型;具体过程为:
通信系统模型为三节点的中继合作通信系统,包含至少一个源节点S、至少一个中继节点R以及至少一个目的节点D;记源节点-中继节点,中继节点-目的节点,源节点-目的节点之间的信道分别表示为hsr、hrd、hsd,令hsr、hsd、hrd具有相同的统计特性;
源节点包含一个源节点编码器Sen,位于源节点的接收机端,用于将输入数据映射到发射机前端;中继节点由一个中继节点解码器Rde和中继节点编码器Ren构成,中继节点解码器Rde位于中继节点的接收机处,中继节点编码器Ren位于中继节点的发射机处;目的节点包含一个目的节点解码器Dde,位于目的节点的接收机处;
源节点编码器Sen共包含L1层卷积层、1层归一化层,其中归一化层作用是对发送信号进行功率约束;中继节点解码器Rde包含L2层卷积层,中继节点编码器Ren包含L3层卷积层和1层归一化层,目的节点解码器Dde包含L4层卷积层;
步骤S2:建立源节点-中继节点之间的传输,具体过程为:
源节点编码器Sen的输出为已调制的复数信号xr,已调制的复数信号xr经过源节点与中继节点之间的无线信道,到达中继节点的接受机端;中继节点的接收机接收到的信号为ysr,中继节点信号ysr作为中继节点解码器Rde的输入,中继节点解码器Rde的输出为中继节点恢复出的原始发送符号序列或者比特序列/>
步骤S3:训练源节点编码器Sen和中继节点解码器Rde,更新源节点编码器Sen的模型参数和中继节点解码器Rde的模型参数/>具体过程为:
从训练数据集中依次选取训练数据实例,将训练数据实例输入到源节点编码器Sen中去,得到源节点-中继节点链路的最终输出,即中继节点解码器Rde的输出,计算输入输出之间的交叉熵损失;源节点编码器Sen的输入数据为符号序列s或比特序列b,其中s与b都是实数向量;若原始的发送数据为符号序列s,则中继节点解码器Rde的输出按照公式(1)计算与s之间的交叉熵损失;
其中,表示所取出的一个批次的训练集中的实例的个数,/>表示i个发送的符号属于第j类的真实概率,j=1,2,...,2m,/> 表示模型输出的第i个发送符号属于第j类的预测概率,m表示调制阶数;
如果原始的发送数据为符号序列b,则中继节点解码器Rde的输出按照公式(2)计算与b之间的二进制交叉熵损失;
若第n个输入实例的第k个位置是1,则若第n个输入实例的第k个位置是0,则表示为中继节点解码器Rde输出的第n个输入实例的第k个位置为1的概率;
根据计算出来的交叉熵损失更新源节点编码器Sen以及中继节点解码器Rde的模型参数和/>训练至模型收敛,得到训练好的源节点编码器Sen以及中继节点解码器Rde的模型参数;
步骤S4:建立源节点-目的节点,以及中继节点-目的节点之间的协作传输;具体过程为:
目的节点最终接收的有两路数据,一路是源节点与目的节点之间直接传输的数据,记作ysd,另一路是中继节点转发的数据,记作yrd;目的节点将两路信号进行拼接,然后作为目的节点解码器Dde的输入,目的节点解码器Dde输出为中继节点恢复出的原始发送符号序列或者比特序列/>
步骤S5:训练中继节点编码器Ren和目的节点解码器Dde,更新中继节点编码器Ren的模型参数和目的节点解码器Dde的模型参数/>具体过程为:
令中继节点编码器Ren的模型参数为目的节点解码器Dde的模型参数为/>采用了两阶段的训练机制,固定步骤S3中已经训练好的源节点编码器Sen以及中继节点解码器Rde的模型参数不变,依次将训练数据集中的实例数据按照批次输入,得到中继节点解码器Rde的输出,中继节点解码器Rde的输出作为中继节点编码器Ren的输入,记中继节点编码器Ren的输出为xr,中继节点编码器Ren的作用是将输入数据映射为发射机的发送信号xr,xr紧接着经过中继节点以及目的节点之间的无线信道到达目的节点的接收机处,目的节点接收机接收到的来自中继节点转发的信号为yrd;
目的节点还会接收来自源节点原始的发送数据,即源节点处编码器Sen的输出x经过源节点-目的节点之间的无线信道,到达目的节点的接收机处,目的节点接收机接收到的来自源节点直接发送的信号为ysd;此时,将两路信号yrd与ysd进行拼接作为目的节点解码器Dde的输入,目的节点解码器Dde的输出为恢复出的原始发送符号序列,记作或者比特序列/>
如果原始的发送数据为符号序列s,则目的节点解码器Dde的输出按照公式(3)计算/>与s之间的交叉熵损失;
其中,表示所取出的一个批次的训练集中的实例的个数,/>表示i个发送的符号属于第j类的真实概率,j=1,2,...,2m,/> 表示目的节点解码器Dde输出的第i个发送符号属于第j类的预测概率,m表示调制阶数;
如果原始的发送数据为符号序列b,则目的节点解码器Dde的输出按照公式(4)计算/>与b之间的二进制交叉熵损失;
若第n个输入实例的第k个位置是1,则若第n个输入实例的第k个位置是0,则表示目的节点解码器Dde输出的第n个输入实例的第k个位置为1的概率;
根据计算出来的交叉熵损失更新中继节点编码器Ren以及目的节点解码器Dde的模型参数和/>训练至模型收敛,得到训练好的码器Ren以及目的节点解码器Dde的模型参数;
步骤S6:基于迁移学习的策略建立基于自编码器的中继合作传输模型,具体过程为:
步骤S61:在通信场景A下训练基于自编码器的端到端的中继传输系统模型,模型训练完成之后保存模型的参数;
步骤S62:建立新的通信场景B下的基于自编码器的端到端中继合作通信系统模型;
步骤S63:建立新的通信场景B下源节点-中继节点之间的传输;
步骤S64:下载通信场景A下已经训练好的源节点编码器Sen以及中继节点解码器Rde的模型参数,作为通信场景B下的源节点编码器Sen以及中继节点解码器Rde的模型参数的初始值;
步骤S65:基于上述初始值,训练源节点编码器Sen和中继节点解码器Rde,更新其模型参数和/>
步骤S66:建立新的通信场景B下源节点-目的节点,以及源节点-目的节点之间的协作传输;训练中继节点编码器Ren和目的节点解码器Dde,更新其模型参数和/>
步骤S67:得到通信场景B下的基于自编码器的端到端的中继合作通信系统的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691257.5A CN116781128B (zh) | 2023-06-12 | 2023-06-12 | 基于迁移学习和自编码器模型的端到端中继合作通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691257.5A CN116781128B (zh) | 2023-06-12 | 2023-06-12 | 基于迁移学习和自编码器模型的端到端中继合作通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116781128A CN116781128A (zh) | 2023-09-19 |
CN116781128B true CN116781128B (zh) | 2024-02-23 |
Family
ID=87990682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310691257.5A Active CN116781128B (zh) | 2023-06-12 | 2023-06-12 | 基于迁移学习和自编码器模型的端到端中继合作通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116781128B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554813A (zh) * | 2015-12-10 | 2016-05-04 | 同济大学 | 一种在无线中继系统基于随机映射码的数据传输方法 |
CN112564745A (zh) * | 2020-11-30 | 2021-03-26 | 杭州电子科技大学 | 一种基于信道统计特性的多中继选择极化译码转发方法 |
-
2023
- 2023-06-12 CN CN202310691257.5A patent/CN116781128B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554813A (zh) * | 2015-12-10 | 2016-05-04 | 同济大学 | 一种在无线中继系统基于随机映射码的数据传输方法 |
CN112564745A (zh) * | 2020-11-30 | 2021-03-26 | 杭州电子科技大学 | 一种基于信道统计特性的多中继选择极化译码转发方法 |
Non-Patent Citations (3)
Title |
---|
基于中继策略的协作通信关键技术研究;杨培尧;《中国博士学位论文全文数据库 电子期刊》;全文 * |
基于深度强化学习的协作通信中继选择;胡文杰 等;《电讯技术》;第60卷(第12期);全文 * |
空天地一体化网络中智能协同抗干扰技术;王海超;王金龙;丁国如;陈瑾;;《指挥与控制学报》(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116781128A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230342593A1 (en) | Neural network training method and related apparatus | |
CN1247660A (zh) | 利用白化路径度量对通信信号进行序贯最大似然估计的设备、方法和计算机程序产品 | |
CN113572500B (zh) | 一种混合贪婪和禁忌搜索策略的noma多用户检测算法 | |
CN116781128B (zh) | 基于迁移学习和自编码器模型的端到端中继合作通信方法 | |
Mao et al. | Deep learning in physical layer communications: Evolution and prospects in 5G and 6G networks | |
CN114499601A (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
CN112637812B (zh) | 一种基于监督机器学习的车载协作通信中继选择方法 | |
CN116150612A (zh) | 模型训练的方法和通信装置 | |
Cao et al. | Learning to denoise and decode: A novel residual neural network decoder for polar codes | |
CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 | |
CN113114423B (zh) | 一种自适应球形译码检测方法 | |
Li et al. | Piecewise-drl: Joint beamforming optimization for ris-assisted mu-miso communication system | |
CN113852434B (zh) | 一种LSTM与ResNets辅助的深度学习端到端智能通信方法与系统 | |
CN113300788B (zh) | 一种基于CapsNet胶囊网络的盲接收机方法及装置 | |
CN118647075A (zh) | 一种无线自组网功率控制方法、介质和电子设备 | |
CN116980881B (zh) | 一种多无人机协作数据分发方法、系统、电子设备及介质 | |
CN115037394B (zh) | 基于GSIC的多RISs辅助的NOMA系统设计方法 | |
Chaudhari et al. | A resnet based end-to-end wireless communication system under rayleigh fading and bursty noise channels | |
CN115296705B (zh) | 一种mimo通信系统中的主动监听方法 | |
CN108449120B (zh) | 一种基于差分度量低复杂度qam-mimo检测方法 | |
CN117473124B (zh) | 一种具备抵制过度平滑能力的自监督异质图表示学习方法 | |
WO2023226635A1 (zh) | 一种信道编译码方法及装置 | |
CN114337746A (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
Khan et al. | Link-level performance abstraction for mimo receivers using artificial neural network | |
CN115967470A (zh) | 一种可学习维特比与核速率信号检测方法 |
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 |