CN117354654B - 基于学习率动态裁剪的混合成形星座多参量寻优方法 - Google Patents
基于学习率动态裁剪的混合成形星座多参量寻优方法 Download PDFInfo
- Publication number
- CN117354654B CN117354654B CN202311650133.9A CN202311650133A CN117354654B CN 117354654 B CN117354654 B CN 117354654B CN 202311650133 A CN202311650133 A CN 202311650133A CN 117354654 B CN117354654 B CN 117354654B
- Authority
- CN
- China
- Prior art keywords
- constellation
- moment
- parameter
- learning rate
- dynamic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 230000006855 networking Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000006854 communication Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000007493 shaping process Methods 0.000 description 11
- 239000013307 optical fiber Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005374 Kerr effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于学习率动态裁剪的混合成形星座多参量寻优方法,属于通信传输技术领域,该方法包括:响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量,解决动态信道条件下星座无法适配信道的问题。
Description
技术领域
本发明涉及一种基于学习率动态裁剪的混合成形星座多参量寻优方法,尤其涉及星座成形技术和深度学习神经网络技术的结合,属于通信传输技术领域。
背景技术
现代生活信息流量的几何级增长对现有通信能力带来极大考验,光纤通信网络作为下一代工业互联网、元宇宙、车联网、数字孪生、6G等信息产业的基石核心,已成为新基建的重要组成部分。根据香农公式的计算,单芯光纤传输容量存在理论最大值,并且由于光纤非线性、光纤可用带宽资源、光电器件指标等问题的限制,现有传输容量与极限值还存在着不小的差距。
针对现有光纤通信系统传输容量无法无限趋近香农极限的问题,高阶调制格式通过让单个码元携带更多比特信息以提升信道容量,尤其是高频谱利用率的高阶QAM调制格式对提高信道容量成效显著。但是光纤信道存在的克尔效应限制了发射机的发射信号光功率,使得实际的通信系统无法获得高阶调制所需的更高光信噪比,对接收机灵敏度提出了更高要求。星座成形作为一种典型的高阶调制格式优化技术使得通信系统获得高阶调制所需的光信噪比。星座成形包括概率成形和几何成形。概率成形通过调整星座点的先验概率,使发送概率服从高斯分布,即低能量点以高概率发送,高能量点以低概率发送,不仅有效提高系统误码性能还能显著节省发射功率,一定程度上还可以减弱信号受到非线性效应的影响。概率成形可以不在传统通信系统结构上做过多的改动,在不增大系统器件复杂度的情况下为系统提供无与伦比的灵活性。几何成形是从最小欧式距离、星座平均能量、信道噪声特性、编码映射和对称性等因素下考虑,调整星座点位置使得性能优于传统星座图的星座点几何位置分布,降低需要的发射功率,从而获得广义互信息增益。几何成形的优势在于不需要增加额外的冗余信息,需要实现的算法复杂度也较低。
由于单独的概率整形或者几何整形都无法完美逼近香农极限,且星座混合成形在设计过程中需要同时考虑包括星座点位置、分布概率等多参量,如何在低系统复杂度的情况下进行多参量联合匹配寻优并使广义互信息无限逼近香农极限是目前行业的一大难题。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于学习率动态裁剪的混合成形星座多参量寻优方法,解决动态信道条件下星座无法适配信道的问题。
为达到上述目的,本发明所采用的技术方案是:
第一方面,本发明提供一种基于学习率动态裁剪的混合成形星座多参量寻优方法,包括:
响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;
将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量;
其中,迭代寻优模型中,每次迭代过程为:
根据每个相关联网状动态变量的学习率确定学习区间;
遍历学习区间,根据相关联网状动态变量的一阶矩估计和二阶矩估计,对相关联网状动态变量进行优化获得新的星座参量;
响应于新的星座参量对应的星座不能实现当前信道条件下广义互信息最大,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度;
响应于新的星座参量对应的星座能够实现当前信道条件下广义互信息最大,将当前迭代轮次获得的新的星座参量作为当前信道条件下的优选星座参量。
结合第一方面,进一步的,所述原始星座的参量包括星座二维坐标、欧式距离和固定概率。
进一步的,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度,包括:
根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计,更新下一轮次的一阶矩估计、二阶矩估计、以及相关联网状动态变量基于目标函数的梯度;
根据当前迭代轮次的超参数和学习率,更新下一轮次的学习率;其中,当前迭代轮次的超参数根据初始超参数计算获得。
进一步的,更新一阶矩估计和二阶矩估计,公式为:
,
当t小于阈值, ,
当t不小于阈值,,
式中,表示t时刻/>的一阶矩估计,/>表示t时刻/>的二阶矩估计,/>表示t-1时刻/>的二阶矩估计, />为t时刻对目标函数/>的梯度,/>为该相关联网状动态变量值,/>为取最大值函数;/>、/>为预设的初始超参数。
进一步的,更新相关联网状动态变量基于目标函数的梯度,公式为:
,
式中,为t时刻对目标函数/>的梯度,/>为t-1时刻的梯度,/>为该相关联网状动态变量值;/>为t-1时刻学习率,/>为设定值;/>、/>分别为偏差修正后的一阶偏差矩估计及二阶偏差矩估计,公式如下:
,
,
其中,表示t时刻/>的一阶矩估计,/>表示t时刻/>的二阶矩估计;/>、/>为t时刻迭代后的超参数值。
进一步的,更新学习率,公式为:
,
式中,为t时刻学习率,/>为t-1时刻学习率;/>、/>为t时刻迭代后的超参数值。
进一步的,计算当前迭代轮次的超参数,公式为:
,
,/>为t时刻迭代后的超参数值,/>、/>为预设的初始超参数,所述超参数值随迭代次数增加而衰减。
进一步的,根据每个相关联网状动态变量的学习率确定学习区间,公式为:
,
且 ,
式中,L为学习区间长度, 为t时刻学习率,/>为t-1时刻学习率;/>、/>为t时刻迭代后的超参数值。
第二方面,本发明提供一种基于学习率动态裁剪的混合成形星座多参量寻优系统,包括:
参量转换模块:响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;
判断模块:用于将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量;
迭代寻优模型:用于根据每个相关联网状动态变量的学习率确定学习区间;
遍历学习区间,根据相关联网状动态变量的一阶矩估计和二阶矩估计,对相关联网状动态变量进行优化获得新的星座参量;
响应于新的星座参量对应的星座不能实现当前信道条件下广义互信息最大,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度;
响应于新的星座参量对应的星座能够实现当前信道条件下广义互信息最大,将当前迭代轮次获得的新的星座参量作为当前信道条件下的优选星座参量。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述任一项所述的基于学习率动态裁剪的混合成形星座多参量寻优方法。
与现有技术相比,本发明所达到的有益效果:
本发明提供了一种基于学习率动态裁剪的混合成形星座多参量寻优方法,通过将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量,以及构建迭代寻优模型,将相关联网状动态变量输入迭代寻优模型进行迭代,获得当前信道条件下的优选星座参量,解决动态信道条件下星座无法适配信道的问题,达到实时匹配最优星座成形设计效果;
在迭代过程中,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度,使经过优化后的星座参量无限接近最佳优化星座,降低星座优化设计的复杂度,同时有效提升信息传输速率,减少响应时间。
附图说明
图1是本发明实施例提供的光纤传输系统整体结构示意图;
图2是本发明实施例提供的参量维度转换示意图;
图3是本发明实施例提供的基于学习率动态裁剪的混合成形星座多参量寻优流程示意图。
实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,为本发明实施例提供的光纤传输系统整体结构示意图,光纤传输系统的发送端获取原始星座的星座点位置和概率信息,经过SSFM信道后在接收端进行星座解映射、星座判决后进行广义互信息(GMI)计算,若原始星座能够实现当前信道条件下广义互信息最大,输出原始星座为最优星座;若否,将原始星座通过本申请提供的一种基于学习率动态裁剪的混合成形星座多参量寻优方法进行迭代优化,具体步骤如下:
响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;
将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量;
其中,迭代寻优模型中,每次迭代过程为:
根据每个相关联网状动态变量的学习率确定学习区间;
遍历学习区间,根据相关联网状动态变量的一阶矩估计和二阶矩估计,对相关联网状动态变量进行优化获得新的星座参量;
响应于新的星座参量对应的星座不能实现当前信道条件下广义互信息最大,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度;
响应于新的星座参量对应的星座能够实现当前信道条件下广义互信息最大,将当前迭代轮次获得的新的星座参量作为当前信道条件下的优选星座参量。
本发明还提供一种基于学习率动态裁剪的混合成形星座多参量寻优系统,包括对原始星座进行参量转换模块,和混合成形星座多参量寻优模块,即迭代寻优模型。当一组原始星座的输入信号传入传输系统时,首先通过参量维度转换模块进行维度转换,随后通过设计的混合成形星座多参量寻优机制模块进行迭代优化,直到优化结果能够实现当前信道条件下广义互信息最大化后,迭代优化完成。该系统包含:
参量转换模块:响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;
判断模块:用于将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量;
迭代寻优模型:用于根据每个相关联网状动态变量的学习率确定学习区间;
遍历学习区间,根据相关联网状动态变量的一阶矩估计和二阶矩估计,对相关联网状动态变量进行优化获得新的星座参量;
响应于新的星座参量对应的星座不能实现当前信道条件下广义互信息最大,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度;
响应于新的星座参量对应的星座能够实现当前信道条件下广义互信息最大,将当前迭代轮次获得的新的星座参量作为当前信道条件下的优选星座参量。
星座原始信号通过SSFM信道后实时采集信道参数并与信号参数一同更新至星座多参量寻优机制模块,经过提出的基于学习率动态裁剪的混合成形星座多参量寻优算法进行优化获得几何变量参数与概率变量参数,并存储参数,更新信号参数,经过最优判断后不符合条件的混合成形星座将重新进行算法优化,直到符合最优判断条件,输出符合条件的优化星座参量,该轮算法优化结束。根据获得的优化星座重新通过SSFM信号,经过星座解映射、星座判决后再进行GMI判断,不符合条件的星座将继续进行优化,直到符合GMI条件,系统优化结束。
传统优化星座设计过程中,星座设计通常只考虑星座点的二维坐标,星座点之间的欧氏距离以及出现的固定概率,以此设计的星座无法完美匹配动态信道,影响传输效果。
如图2所示,为本发明实施例提供的参量维度转换示意图,One-Hot编码称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都有独立的寄存器位,并且在任意时候只有一位有效。
本发明采用One-Hot编码方式对传统的信号二进制比特流参量进行重新编码,同时除了传统的星座点二维坐标、欧式距离、固定概率,本发明还将传输距离及信道条件纳入考虑范围,将这些无联系线性固定参量转化为相关联网状动态变量,方便后续优化算法处理。
由于反馈优化后得到的相关联网状动态变量仅是在相应信道条件下得到,任何信道条件的改变都会对星座分布产生影响,构建的相关联网状动态变量最终将输入信号与信道融合交织成一个矢量整体,各动态变量之间的关联变的更加紧密,无联系线性固定参量之间的对应关系和星座-信道参量之间的映射关系更加清晰。再通过设计的混合成形星座多参量寻优机制模块不断迭代,使经过优化后的相关联网状动态变量无限逼近最佳分布,此时该集合即为该信道条件下最优混合成形星座参量,避免算法陷入局部最优的问题,最终达到匹配适应动态信道的目的。
如图3所示,为本发明实施例提供的混合成形星座多参量寻优流程示意图,在将无联系线性固定参量经由参量维度转换模块转化为相关联网状动态变量后,进入算法优化阶段,因为考虑了多个动态变量,因此如何在统筹多参量的情况下实现广义互信息最大化,避免算法陷入局部最优,同时降低全局遍历复杂度成为寻优算法的一大难题。
传统的全局寻优算法由于使用恒定的学习率,容易陷入局部最优,且恒定的学习速率存在全局遍历复杂度较高,响应时间较长的问题,太小的学习率会导致网络收敛过于缓慢,而学习率太大可能会影响收敛,并导致损失函数在最小值上波动,甚至出现梯度发散。
本发明提供一种基于学习率动态裁剪的混合成形星座多参量寻优方法在传统寻优算法的基础上,通过引入一阶矩估计增加寻优算法后期收敛速度,通过引入二阶矩估计/>动态裁剪学习率,增加寻优效率,并通过更新学习区间的方式防止学习后期出现学习率震荡以及过拟合现象,具体包括如下步骤:
本发明设计的学习率动态裁剪为考虑的每一个相关联网状动态变量设定独立的学习率,在优化开始前,拟为每个相关联网状动态变量设定初始学习率α,一阶矩估计,二阶矩估计/>,以及对应的目标函数/>,/>为该相关联网状动态变量值。
然后初始化和时间步t,根据每个相关联网状动态变量的初始学习率确定初始学习区间,每个初始学习率设定为0.001,在遍历学习区间后基于其一阶矩估计和二阶矩估计优化相关联网状动态变量值,输出第一轮星座参量,即为混合成形星座信号初值参数,同时动态裁剪学习率并更新学习区间。将输出的混合成形星座初值进入广义互信息验证环节,如果不符合要求,则重复以上步骤直到广义互信息验证符合要求,迭代优化过程结束,输出优化后的相关联网状动态变量值。
图3中更新学习区间的过程如下:时间步t表示第t轮优化,算法初始定义t=1,为t时刻对目标函数/>的梯度。
在第t轮优化结束后,对第t轮对应相关联网状动态变量的一阶矩估计及二阶矩估计计算滑动平均,修正学习率;第t轮优化后的矩估计如下式所示:
,
式中、/>为提前设定的超参数,本发明将/>设定为0.9、/>设定为0.999,表示t时刻/>的一阶矩估计,/>表示t时刻/>的二阶矩估计。
偏差修正后的一阶偏差矩估计及二阶偏差矩估计,计算公式为:
,
式中,、/>为t时刻迭代后的超参数值,/>表示一阶偏差矩估计,/>表示二阶偏差矩估计。
在学习过程中超参数值随迭代次数增加衰减,定义其衰减率如下:
,
更新相关联网状动态变量值,时间步t+1,以及更新目标函数/>对/>的梯度,公式为:
,
式中,为t时刻对目标函数/>的梯度,/>为t-1时刻的梯度,/>为该相关联网状动态变量值;/>为t-1时刻学习率,/>为设定值;/>、/>分别为偏差修正后的一阶偏差矩估计及二阶偏差矩估计。
动态裁剪学习率,设定t时刻裁剪后学习率为:
,
其中为t时刻学习率,/>为t-1时刻学习率。
为了防止学习后期由于二阶矩估计动量的累加导致学习率在最优区间反复震荡,无法收敛,对第t轮优化时的二阶矩估计进行控制,避免学习后期收敛速度减慢,定义:
,
式中,表示t时刻/>的二阶矩估计,/>表示t-1时刻 />的二阶矩估计,为t时刻对目标函数/>的梯度,/>为取最大值函数。
经过动态裁剪学习率后,根据裁剪后t时刻学习率更新学习区间,学习区间的大小近似受限于裁剪后t时刻学习率/>,其有效区间长度上确界满足:
,
且,
其中L为学习区间长度,更新缩减学习区间长度有助于降低后续优化遍历所需时间,从而达到降低算法复杂度的目的,最后进入广义互信息验证环节,如果优化后的混合成形星座参量符合广义互信息最大化条件,则优化结束,根据此时相关联网状动态变量输出此时的混合成形星座参量,如果不符合条件,则时间步t+1,更新对应的学习率、t+1时刻的一阶矩估计、t+1时刻的二阶矩估计并确定此时的学习区间,进行下一轮迭代优化,直到符合广义互信息最大化条件,迭代优化结束。
本发明针对实际通信过程中实际信道条件不断变化的问题,提出了一种基于学习率动态裁剪的混合成形星座多参量寻优方法,明晰了星座混合成形的多参量联合高效寻优机制,结合学习率动态裁剪方法不断的更新相关联网状动态变量、动态裁剪学习率以及更新学习区间,使经过优化后的相关联网状动态变量无限接近最佳优化结果,且全局遍历复杂度低,响应时间快,实现动态信道条件下低计算复杂度和寻找最佳混合成形星座参量之间的平衡。
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现一种基于学习率动态裁剪的混合成形星座多参量寻优方法。
本发明还提供一种计算机设备,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述设备执行实现一种基于学习率动态裁剪的混合成形星座多参量寻优方法的操作。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于学习率动态裁剪的混合成形星座多参量寻优方法,其特征在于,包括:
响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;
将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量;
其中,迭代寻优模型中,每次迭代过程为:
根据每个相关联网状动态变量的学习率确定学习区间;
遍历学习区间,根据相关联网状动态变量的一阶矩估计和二阶矩估计,对相关联网状动态变量进行优化获得新的星座参量;
响应于新的星座参量对应的星座不能实现当前信道条件下广义互信息最大,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度;
响应于新的星座参量对应的星座能够实现当前信道条件下广义互信息最大,将当前迭代轮次获得的新的星座参量作为当前信道条件下的优选星座参量。
2.根据权利要求1所述的方法,其特征在于,所述原始星座的参量包括星座二维坐标、欧式距离和固定概率。
3.根据权利要求1所述的方法,其特征在于,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度,包括:
根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计,更新下一轮次的一阶矩估计、二阶矩估计、以及相关联网状动态变量基于目标函数的梯度;
根据当前迭代轮次的超参数和学习率,更新下一轮次的学习率;其中,当前迭代轮次的超参数根据初始超参数计算获得。
4.根据权利要求3所述的方法,其特征在于,更新一阶矩估计和二阶矩估计,公式为:
,
当t小于阈值, ,
当t不小于阈值,,
式中,表示t时刻/>的一阶矩估计,/>表示t时刻/>的二阶矩估计,/>表示t-1时刻/>的二阶矩估计, />为t时刻对目标函数/>的梯度,/>为该相关联网状动态变量值,/>为取最大值函数;/>、/>为预设的初始超参数。
5.根据权利要求3所述的方法,其特征在于,更新相关联网状动态变量基于目标函数的梯度,公式为:
,
式中,为t时刻对目标函数/>的梯度,/>为t-1时刻的梯度,/>为该相关联网状动态变量值;/>为t-1时刻学习率,/>为设定值;/>、/>分别为偏差修正后的一阶偏差矩估计及二阶偏差矩估计,公式如下:
,
,
其中,表示t时刻/>的一阶矩估计,/>表示t时刻/>的二阶矩估计;/>、/>为t时刻迭代后的超参数值。
6.根据权利要求3所述的方法,其特征在于,更新学习率,公式为:
,
式中,为t时刻学习率,/>为t-1时刻学习率;/>、/>为t时刻迭代后的超参数值。
7.根据权利要求3所述的方法,其特征在于,计算当前迭代轮次的超参数,公式为:
,
,/>为t时刻迭代后的超参数值,/>、/>为预设的初始超参数,所述超参数值随迭代次数增加而衰减。
8.根据权利要求1所述的方法,其特征在于,根据每个相关联网状动态变量的学习率确定学习区间,公式为:
,
且,
式中,L为学习区间长度,为t时刻学习率,/>为t-1时刻学习率;/>、/>为t时刻迭代后的超参数值。
9.一种基于学习率动态裁剪的混合成形星座多参量寻优系统,其特征在于,包括:
参量转换模块:响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;
判断模块:用于将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量;
迭代寻优模型:用于根据每个相关联网状动态变量的学习率确定学习区间;
遍历学习区间,根据相关联网状动态变量的一阶矩估计和二阶矩估计,对相关联网状动态变量进行优化获得新的星座参量;
响应于新的星座参量对应的星座不能实现当前信道条件下广义互信息最大,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度;
响应于新的星座参量对应的星座能够实现当前信道条件下广义互信息最大,将当前迭代轮次获得的新的星座参量作为当前信道条件下的优选星座参量。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1-8任一项所述的基于学习率动态裁剪的混合成形星座多参量寻优方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311650133.9A CN117354654B (zh) | 2023-12-05 | 2023-12-05 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311650133.9A CN117354654B (zh) | 2023-12-05 | 2023-12-05 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117354654A CN117354654A (zh) | 2024-01-05 |
CN117354654B true CN117354654B (zh) | 2024-01-26 |
Family
ID=89367033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311650133.9A Active CN117354654B (zh) | 2023-12-05 | 2023-12-05 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117354654B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401049A (zh) * | 2022-01-26 | 2022-04-26 | 西南交通大学 | 一种基于幅度分布特征的概率整形信号整形分布识别方法 |
CN115987397A (zh) * | 2022-12-21 | 2023-04-18 | 复旦大学 | 基于双向星座图概率整形的灵活速率调节接入网系统 |
CN116155393A (zh) * | 2023-02-20 | 2023-05-23 | 北京理工大学 | 一种基于自动编码器的几何-概率成形光信号产生方法 |
CN116938662A (zh) * | 2023-07-26 | 2023-10-24 | 南京信息工程大学 | 一种基于递归神经网络训练优化的星座概率成形方法及装置 |
-
2023
- 2023-12-05 CN CN202311650133.9A patent/CN117354654B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114401049A (zh) * | 2022-01-26 | 2022-04-26 | 西南交通大学 | 一种基于幅度分布特征的概率整形信号整形分布识别方法 |
CN115987397A (zh) * | 2022-12-21 | 2023-04-18 | 复旦大学 | 基于双向星座图概率整形的灵活速率调节接入网系统 |
CN116155393A (zh) * | 2023-02-20 | 2023-05-23 | 北京理工大学 | 一种基于自动编码器的几何-概率成形光信号产生方法 |
CN116938662A (zh) * | 2023-07-26 | 2023-10-24 | 南京信息工程大学 | 一种基于递归神经网络训练优化的星座概率成形方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117354654A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222179B (zh) | 一种基于模型稀疏化与权重量化的联邦学习模型压缩方法 | |
Balevi et al. | Autoencoder-based error correction coding for one-bit quantization | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
CN109586730A (zh) | 一种基于智能后处理的极化码bp译码算法 | |
US20230299872A1 (en) | Neural Network-Based Communication Method and Related Apparatus | |
CN104009822A (zh) | 基于非理想信道估计含窄带干扰的新型解调修正方法 | |
An et al. | A learning-based end-to-end wireless communication system utilizing a deep neural network channel module | |
CN117354654B (zh) | 基于学习率动态裁剪的混合成形星座多参量寻优方法 | |
CN114499755A (zh) | 基于互信息量估计的几何与概率联合星座整形方法及系统 | |
CN116938662A (zh) | 一种基于递归神经网络训练优化的星座概率成形方法及装置 | |
Cao et al. | Learning to denoise and decode: A novel residual neural network decoder for polar codes | |
Fan et al. | Intelligent communication: Application of deep learning at the physical layer of communication | |
Savchenko et al. | Optimizing degree distributions of LT-based codes with deep reinforcement learning | |
Yu et al. | Two-way semantic communications without feedback | |
CN108737298B (zh) | 一种基于图像处理的scma盲检测方法 | |
Li et al. | MAFENN: Multi-agent feedback enabled neural network for wireless channel equalization | |
CN115174566B (zh) | 一种基于深度强化学习的边缘计算任务卸载方法 | |
Xu et al. | Performance evaluation of autoencoder for coding and modulation in wireless communications | |
CN115955279B (zh) | 一种基于可变自编码器的信道匹配非网格化编码调制方法 | |
Zhu et al. | Application of machine learning in wireless communications | |
CN114124302B (zh) | 一种基于概率解卷积的接收端链路自适应解调方法 | |
CN116579479B (zh) | 风电场功率超短期预测方法、系统、计算机及存储介质 | |
CN117880032B (zh) | 一种脉冲噪声下基于新型门控网络的msk解调方法 | |
CN113395138B (zh) | 基于深度学习的pc-scma联合迭代检测译码方法 | |
CN115941002A (zh) | 一种人工智能辅助的mimo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 |