CN118041473A - 一种无线通信模型的训练方法、装置、设备及介质 - Google Patents
一种无线通信模型的训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN118041473A CN118041473A CN202410176870.8A CN202410176870A CN118041473A CN 118041473 A CN118041473 A CN 118041473A CN 202410176870 A CN202410176870 A CN 202410176870A CN 118041473 A CN118041473 A CN 118041473A
- Authority
- CN
- China
- Prior art keywords
- wireless communication
- output signal
- training
- communication model
- decoder
- 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
- 238000012549 training Methods 0.000 title claims abstract description 93
- 238000004891 communication Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005562 fading Methods 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 230000005540 biological transmission Effects 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 230000010363 phase shift Effects 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种无线通信模型的训练方法、装置、设备及介质,所述训练方法包括:构建编码器,所述解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号;在上行链路设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号,生成信道输出信号,并对所述信道输出信号进行调整;构建解码器,以形成初始无线通信模型,所述解码器在基站端对调整后的所述信道输出信号进行解码处理,生成输出信号;采用所述用户端到所述基站端的联合训练策略,对所述初始无线通信模型进行优化训练,以生成目标无线通信模型。本发明提升了无线通信模型的解码准确性,降低了解码复杂度。
Description
技术领域
本发明涉及通信系统模型技术领域,具体涉及一种无线通信模型的训练方法、装置、设备及介质。
背景技术
SCMA(Sparse Code Multiple Access,稀疏码多址接入)是一种多用户多址接入技术,能够在有限的频谱资源下支持更多用户同时传输数据。SCMA系统的接收端所接收到信号是由多个用户发送的叠加信息,通过采用消息传递算法(Message PassingAlgorithm,MPA)或最大似然(ML)等传统算法来进行译码,但类似算法迭代结构会带来计算复杂度高、耗时多的问题。
现有技术中,基于深度学习的SCMA编解码方案,在高斯信道环境下能够提升误码率(Bit Error Rate,BER)性能并降低解码复杂度,但在实际用户所处的信道环境更接近瑞利衰落信道,存在误码率损失严重的问题。因此,存在待改进之处。
发明内容
鉴于以上现有技术的缺点,本发明提供一种无线通信模型的训练方法、装置、设备及介质,以解决上述技术问题。
本发明提供的一种无线通信模型的训练方法,包括:
构建编码器,所述解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号;
在上行链路设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号,生成信道输出信号,并对所述信道输出信号进行调整;
构建解码器,以形成初始无线通信模型,所述解码器在基站端对调整后的所述信道输出信号进行解码处理,生成输出信号;
采用所述用户端到所述基站端的联合训练策略,对所述初始无线通信模型进行优化训练,以生成目标无线通信模型。
在本发明的一个实施例中,所述构建编码器,所述解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号的步骤包括:
对用户的输入信号进行预编码处理,并通过所述深度神经网络,对所述预编码后的所述输入信号进行映射处理,以生成全部用户的二维码字;
对全部用户的所述二维码字进行整合连接处理,以生成所述发送信号。
在本发明的一个实施例中,所述在上行链路设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号,生成信道输出信号,并对所述信道输出信号进行调整的步骤包括:
按照标准正态分布,生成所述瑞利衰落信道系数;
将所述瑞利衰落信道系数与所述发送信号进行相乘处理,以生成所述信道输出信号;
通过控制重构智能表面的幅度和相移参数,调整所述信道输出信号。
在本发明的一个实施例中,在所述设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号生成信道输出信号,并对所述信道输出信号进行调整的步骤中,所述信道输出信号yk满足以下公式:
其中,nkj表示用户j加载在第k个资源块上的噪声集合,表示从第j个用户到第n个反射元件在第k个资源块处的所述瑞利衰落信道系数,n∈[1,N],表示从第n个反射元件到基站在第k个资源块处的所述瑞利衰落信道系数。
在本发明的一个实施例中,所述通过控制重构智能表面的幅度和相移参数,调整所述信道输出信号的步骤包括:
选取具有多个反射元件的重构智能表面,通过嵌入层的神经网络训练所述反射元件的相移和幅度反射系数,通过训练后的所述重构智能表面调整用户到反射元件的瑞利衰落信道系数、用户经所述编码器编码后的信号和反射元件到基站端的瑞利衰落信道系数。
在本发明的一个实施例中,所述构建解码器,以形成初始无线通信模型,所述解码器在基站端对调整后的所述信道输出信号进行解码处理,生成输出信号的步骤包括:
基于多用户检测网络,在基站接收端构建解码器,以形成所述初始无线通信模型;
将调整后的所述信道输出信号输入到所述解码器中,运用解码算法,以生成所述输出信号。
在本发明的一个实施例中,所述采用所述用户端到所述基站端的联合训练策略,对所述初始无线通信模型进行优化训练,以生成目标无线通信模型的步骤包括:
采用所述用户端到所述基站端的联合训练策略,训练解码器,以减小所述输入信号和所述输出信号之间的差异;
采用ADAM优化器,更新所述编码器和所述解码器的深度神经网络。
本发明还提供一种无线通信模型的训练装置,包括:
编码器构建模块,用以构建编码器,所述解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号;
信道参数设置模块,用以在上行链路设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号,生成信道输出信号,并对所述信道输出信号进行调整;
解码器构建模块,用以构建解码器,以形成初始无线通信模型,所述解码器在基站端对调整后的所述信道输出信号进行解码处理,生成输出信号;
模型训练模块,用以采用所述用户端到所述基站端的联合训练策略,对所述初始无线通信模型进行优化训练,以生成目标无线通信模型。
本发明还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述任一项所述无线通信模型的训练方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述无线通信模型的训练方法的步骤。
综上所述,本发明的一种无线通信模型的训练方法、装置、设备及介质,具有以下有益效果:本发明在基于深度学习的SCMA编解码方案的信道基础上增加了RIS面板,同时,利用深度学习技术实现了端到端的联合相位优化,从而进一步提升了基于深度学习的SCMA系统的解码准确性。另外,本发明采用了合理的网络设计,降低了解码复杂度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术者来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得对本发明的进一步理解。在附图中:
图1显示为本发明提供的一种无线通信模型的训练方法的流程示意图。
图2显示为图1中步骤S100的一具体实施方式的流程示意图。
图3显示为图1中步骤S200的一具体实施方式的流程示意图。
图4显示为图1中步骤S300的一具体实施方式的流程示意图。
图5显示为图1中步骤S400的一具体实施方式的流程示意图。
图6显示为本发明一实施例中无线通信模型的系统框图。
图7显示为本发明一实施例中系统仿真训练的性能曲线图。
图8显示为本发明与现有技术的性能比较的曲线图。
图9显示为本发明与现有技术的时间复杂度比较的曲线图。
图10显示为本发明的一种无线通信模型的训练装置的结构示意图。
图11显示为本发明的一种计算机设备的示意图。
图12显示为本发明的另一种计算机设备的示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所表述的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,显而易见的是,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
需要说明的是,SCMA(Sparse Code Multiple Access,稀疏码多址接入)作为一种新兴的多址技术,在提高频谱效率、降低时延、支持大规模连接、增强抗干扰能力等方面具有重要的现实意义,它为无线通信系统的发展和物联网应用的实现提供了有力的支持。RIS(Reconfigurable Intelligent Surface,可重构智能表面)是一种新兴的无线通信技术,其通过控制智能表面的反射特性调整信号的幅度和相位,可以对信号进行精确的调节和优化,从而提高无线通信的性能。通过在SCMA系统中引入RIS面板,可以优化系统的信道传输路径,减少多径效应和信号衰减,从而提高信号质量和系统容量,并提高系统的抗干扰能力。
请参阅图1,本发明提供一种无线通信模型的训练方法,基于深度学习的RIS辅助SCMA通信系统,能够解决传统信道下SCMA通信系统受限于信道质量的问题,以及传统SCMA解码器高解码复杂度问题,有效提升了SCMA通信系统性能。本发明的训练方法可包括如下步骤:
步骤S100、构建编码器,解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号;
步骤S200、在上行链路设置瑞利衰落信道系数,根据瑞利衰落信道系数和发送信号,生成信道输出信号,并对信道输出信号进行调整;
步骤S300、构建解码器,以形成初始无线通信模型,解码器在基站端对调整后的信道输出信号进行解码处理,生成输出信号;
步骤S400、采用用户端到基站端的联合训练策略,对初始无线通信模型进行优化训练,以生成目标无线通信模型。
请参阅图2,在本发明的一个实施例中,当执行步骤S100时,即构建编码器,解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号。具体的,步骤S100可包括步骤S110至步骤S120,详细介绍如下:
步骤S110、对用户的输入信号进行预编码处理,并通过深度神经网络,对预编码后的输入信号进行映射处理,以生成全部用户的二维码字;
步骤S120、对全部用户的二维码字进行整合连接处理,以生成发送信号。
在本发明的一个实施例中,当执行步骤S110,具体的,首先,在SCMA编码过程中,每个用户的输入信号是以二进制比特形式表示的,为了进行多址接入和稀疏编码,首先需要对这些以二进制比特信息进行预处理,即将每个用户的输入信号预编码为一个m维的单热数据向量r。然后,将得到的m维单热向量r作为输入,送入到预先设计好的码字映射器中。在SCMA系统中,映射过程是基于非正交因子矩阵实现的,它决定了用户与共享资源块之间的复用关系。本实施例中,在每个用户端,利用全连接的深度神经网络(Deep NeuralNetwork,DNN)来自主学习用户到资源块的映射规则。每个用户的深度神经网络单元会根据其接收到的预编码后的用户信息,通过训练更新其权重和偏置参数,从而自适应地确定最优的码字映射方案。经过深度神经网络处理后,输出的是代表每个用户在特定资源块上分配的二维复数编码符号,即SCMA编码器的实部和虚部。这些编码符号具有稀疏性特征,即在多个用户共享同一资源块时,只有少数用户会在该资源块上有非零值,以此实现多用户同时传输且相互干扰较小的目的。
在本发明的一个实施例中,使用fkj(rj;θf,kj)表示深度神经网络学习到的用户j到资源块k上映射的二维码字。其中,rj表示用户j送入深度神经网络的原始输入数据向量,θf,kj表示用户j映射到资源块k中所有深度神经网络的训练参数。本实施例中,训练参数可为SCMA编码器中深度神经网络的权重和偏置参数。
在本发明的一个实施例中,为了优化编码器性能,需要预先设定每个深度神经网络单元的结构参数,例如,单元的隐藏层数、隐藏层节点数、权重和偏置的初始值等,并初始化这些层的权值与偏置参数。然后,通过训练迭代优化这些参数,提升编码器的性能。
在本发明的一个实施例中,当执行步骤S120,具体的,在完成了所有用户的输入信号的编码之后,需进行共享资源块的整合。例如,针对第k个资源块,需要将所有用户在这个资源块上的编码结果(即二维码字)进行整合。首先,将下标带有k的码字映射器的输出连接到同一个加法器上,加法器的输出可记为:
其中,zk,j=fkj(rj;θf,kj),xk,j是第j个用户在第k个资源块上叠加的输出码字。
当SCMA因子图映射矩阵与xk,j的下标(k,j)所对应的第k行第j列的元素取值为零时,表示在第k个资源块上,第j个用户将不占用该资源块进行信号传输,此时对应下标xk,j=0。将每个码字映射器的输出都按照映射矩阵进行连接。
本实施例中,SCMA因子图映射矩阵可表示为:
对除第j个用户之外的其余用户均构造自身的SCMA编码器连接到对应资源块上,组成整个的SCMA编码器。所有用户预单热编码后的数据向量r经SCMA编码器编码后,记为f(r;θf),即发送信号记为f(r;θf)。其中,θf是基站端所有深度神经网络单元的权值和偏置的集合,θf={θf,kj}。
请参阅图3,在本发明的一个实施例中,当执行步骤S200时,即设置瑞利衰落信道系数,根据瑞利衰落信道系数和发送信号,生成信道输出信号,并对信道输出信号进行调整。具体的,步骤S200可包括步骤S210至步骤S230,详细介绍如下:
步骤S210、按照标准正态分布,生成瑞利衰落信道系数;
步骤S220、将瑞利衰落信道系数与发送信号进行相乘处理,以生成信道输出信号;
步骤S230、通过控制重构智能表面的幅度和相移参数,调整信道输出信号。
在本发明的一个实施例中,当执行步骤S210至步骤S220时,具体的,首先,为了模拟实际无线传输中的多径衰落现象,在上行链路需设置符合实际无线环境的瑞利衰落信道系数,本实施例中,瑞利衰落信道系数采用标准正态分布。然后,将这些瑞利衰落信道系数与编码器输出的发送信号进行逐元素相乘(element-wise multiplication),以模拟信号在真实无线信道中传输后的效果,得到信道输出信号。这一过程体现了信号通过多径衰落信道后所遭受的衰减和干扰。
在本发明的一个实施例中,当执行步骤S230时,具体的,在本步骤引入了可重构智能表面(RIS)技术以增强或改善信号质量。将RIS面板上的每个反射元件的幅度和相移参数设计为可训练权重,通过调整这些权重,可以动态优化RIS对入射信号的反射特性,从而改变信号的幅度和相位,最终达到改善信道条件、提升通信性能的目的。
在本发明的一个实施例中,选取具有N个反射元件的RIS面板,通过嵌入层的神经网络构建可训练的RIS元件的相移和幅度反射系数,将用户到RIS反射元件的瑞利衰落信道系数、用户经SCMA编码器编码后的信号和RIS反射元件到基站的瑞利衰落信道系数送入RIS信道网络。本实施例中,在基站的第k个资源块处接收到的信号可满足以下公式:
其中,nkj表示用户j加载在第k个资源块上的噪声集合,表示从第j个用户到第n个反射元件在第k个资源块处的瑞利衰落信道系数,n∈[1,N],表示从第n个反射元件到基站在第k个资源块处的瑞利衰落信道系数。本实施例中,/>
在本发明的一个实施例中,使用表示RIS面板的第n个反射元件在第k个资源块处的无源波束形成向量,其中,/>表示RIS面板的第n个元素在第k个资源块处的相移反射系数,因此,上述公式可化简为:
综合基站处K个资源块处接收的信号可满足以下公式:
其中,表示用户j与基站之间的信道向量,xj=(xj,1,xj,2,…,xj,K)表示第j个用户的SCMA码字,n=[n1,...,nk]表示加载在K个资源块上的加性高斯白噪声集合,均值和方差分别为0、σ2。
请参阅图4,在本发明的一个实施例中,当执行步骤S300时,即构建解码器,将调整后的信道输出信号输入到解码器中进行解码处理,以生成输出信号。具体的,步骤S300可包括步骤S310至步骤S320,详细介绍如下:
步骤S310、基于多用户检测网络,在基站接收端构建解码器,以形成初始无线通信模型;
步骤S320、将调整后的信道输出信号输入到解码器中,运用解码算法,以生成输出信号。
在本发明的一个实施例中,当执行步骤S310至步骤S320时,具体的,首先,在基站接收端使用多用户检测网络构成的SCMA解码器,以形成初始无线通信模型。然后,将经过RIS面板反射后的信号送入多用户检测网络中,将各个用户的信息数据分割开并进行检测。本实施例中,多用户检测网络可采用深度神经网络,基于多用户检测网络的解码器则可表示为g(y;θg),可对接收到的信号y进行检测。SCMA解码器利用其内部的权重和偏置参数对输入信号进行处理和分析,从而生成输出信号。SCMA解码器通过解码器的多用户检测功能,能够从接收到的混合信号中逐个资源块地识别并提取出每个用户的原始信息数据。SCMA解码器将加载在K个资源块处的用户信息区分来,其输出可满足以下公式:
其中,θg表示整个多用户检测网络的权重和偏置参数。
本实施例中,为了优化初始无线通信模型的解码性能,需要预先设定多用户检测网络的结构参数,如隐藏层节点数、隐藏层数,并初始化这些层的权值与偏置参数。然后,通过训练迭代优化这些参数,使得解码器能够更准确地从复杂的叠加信号中区分并恢复出每个用户的发送信号。
请参阅图5,在本发明的一个实施例中,当执行步骤S400时,即采用用户端到基站端的联合训练策略,对初始无线通信模型进行优化训练,以生成目标无线通信模型。具体的,步骤S400可包括步骤S410至步骤S420,详细介绍如下:
步骤S410、采用用户端到基站端的联合训练策略,训练解码器,以减小输入信号和输出信号之间的差异;
步骤S420、采用ADAM优化器,更新编码器和解码器的深度神经网络,以生成目标无线通信模型。
在本发明的一个实施例中,当执行步骤S410时,具体的,通过训练解码器,使得原始的输入信号r和解码器重建的输出信号之间的差异最小。本实施例中,为了能够尽可能准确地重建原始信息,编码器、解码器的深度神经网络的交叉熵损失函数可采用最小均方误差函数,本实施例中,编码器、解码器的深度神经网络的交叉熵损失函数满足以下公式:
其中,N1表示训练深度神经网络的一个批次的大小,m是整个系统的信道向量,表示解码器重构的数据,即/>
在本发明的一个实施例中,训练期间输入数据符号r是随机生成的,并被馈送到编码器中。然后,h、g和n被随机产生并加到编码器的输出上,成为mf(r;θf)+n。此后,mf(r;θf)+n模拟实际信道环境下接收机的输入,被馈入解码器,从解码器重构本实施例中,随机生成的r,m和n构成了本发明的训练数据集。
在本发明的一个实施例中,当执行步骤S420时,具体的,采用ADAM优化器来更新SCMA系统的神经网络,包括编码端、RIS信道参数和解码端。ADAM优化器结合了一阶动量和二阶动量的概念,能够更有效地对损失函数进行梯度下降,以找到最优权重和偏置参数集合。本步骤可满足以下公式:
其中,t表示动量时间步长,表示梯度均值的偏差修正,/>表示平方梯度的偏差修正,/>
在本发明的一个实施例中,通过ADAM优化器的一阶动量和二阶动量来不断更新整个深度神经网络的权重和偏置参数{θf,θg,θ},使均方误差损失函数的数值达到最优,从而生成目标无线通信模型。具体来说,在每次迭代时,根据动量时间步长t、修正过的梯度均值修正过的平方梯度/>以及预设的小常数/>计算出新的参数θt,并将其用于更新编码器、RIS相关参数及解码器的所有网络权重和偏置。通过这样不断迭代训练,直至达到设定的收敛标准或达到预先设置的最大训练次数,使得整个无线通信模型的均方误差损失函数达到最优状态,从而提高无线通信模型的解码准确性和传输效率。
请参阅图6,在本发明的一个实施例中,以6个用户601,32个RIS反射元件602,4个资源块603的RIS辅助上行SCMA系统作为实施例进行说明。首先,将6个用户601经单热调制后的输入数据通过SCMA编码器映射为二维码字,并按照SCMA因子图矩阵以非正交的方式叠加在4个资源块603上传输。然后,信号经过瑞利衰落信道后会受到瑞利衰落以及噪声的影响,并由可训练的RIS面板幅度和相移参数调整信道输出。最后,接收端建立由多用户检测网络所构成的SCMA解码器,经RIS反射后的信号被送入多用户检测网络中以解码所有用户的发送信息。
本实施例中,第一步进行构建用于生成发送信号的SCMA编码器,将所有用户的原始输入数据进行码字映射。具体的,将每个用户的二进制比特信息预编码为一个m维的单热的数据向量r,这里每个用户的二进制原始输入数据以2比特为1组,在预调制成单热向量后的维度为4,每个单热向量内只有一个元素为1,其余均为0,以此代表2比特数据的四种可能信息。如单热向量{1,0,0,0}表示为二进制比特数据的00,以此类推{0,1,0,0}表示为二进制比特数据的01。
根据映射矩阵F的每一列代表所对应用户占据资源块的情况,其映射矩阵:
每一列的零元素为2,非零元素也为2,零元素表示未占用该资源块,非零元素表示占用该资源块。
上行链路系统的6个用户端都设置一个全连接DNN单元,按照上述的映射矩阵F与4个资源块进行连接,每个用户端的DNN单元在接收到经预单热编码后的输入数据,自主学习用户到资源块的映射过程,输出二维码字。
用fkj(rj;θf,kj)表示深度神经网络学习到的用户j到资源块k上映射的二维码字,rj表示用户j送入深度神经网络的原始输入数据向量,θf,kj表示用户j映射到资源块k中所有深度神经网络的训练参数,训练参数为SCMA编码器中深度神经网络的权重和偏置;例如当取k=2,j=1时,f21(r1;θf,21)表示用户1到第2个资源块的二维码字映射。并根据经验设定每个DNN单元的隐藏层节点数、隐藏层数、权值与偏置等参数的初值。
将第k个资源块上的所有码字映射器的输出进行连接,具体到本实施例的连接方式为:将下标带有k=1的码字映射器的输出连接到同一个加法器上,输出记为x1,是第1个资源块上叠加的输出码字;对所有的6个用户均构造自身的SCMA编码器连接到对应资源块上,以组成整个的SCMA系统编码器。所有用户预单热编码后的数据向量r经SCMA编码器编码后,可记为f(r;θf),θf是基站端所有DNN单元的权值和偏置的集合,θf={θf,kj}。
本实施例中,第二步选取具有32个反射元件的RIS面板,通过嵌入层的神经网络构建可训练的RIS元件的相移和幅度反射系数,在基站的4个资源块处接收的信号为:
其中是用户j与基站之间的信道向量,xj=(xj,1,xj,2,xj,3,xj,4)是第j个用户的SCMA码字,n=[n1,n2,n3,n4]表示加载在4个资源块上的加性高斯白噪声集合,均值和方差分别为0、σ2。
本实施例中,表示从第j个用户到第n(n∈[1,32])个反射元件在第k个资源块处的瑞利衰落信道系数。/>表示从第n个反射元件到基站在第k个资源块处的瑞利衰落信道系数。/> 规定每次传输都是静态不发生变化的,/>表示RIS的第n个元素在第k个资源块处的无源波束形成向量,其中,/>表示RIS的第n个元素在第k个资源块处的相移反射系数;
本实施例中,第二步在基站接收端使用多用户检测网络构成的SCMA解码器。具体的,将经过RIS面板反射后的信号送入多用户检测网络中,把各个用户的信息数据分割开并进行检测。在提出的方案中,基于DNN的解码器为g(y;θg),表示对接收到的信号y=[y1,y2,y3,y4]进行检测,将加载在4个资源块处的用户信息区分来,其输出为:
其中,θg为整个多用户检测网络的权重和偏置参数。设定多用户检测网络的隐藏层节点数、隐藏层数、权值与偏置参数的初值。
建立端到端的损失函数为均方误差函数:
其中,N1=125为训练深度神经网络的一个批次的大小,m是整个系统的信道向量,表示DNN解码器重构的数据,即/>
采用ADAM(Adaptive Moment Estimation)优化器来更新网络,基本计算表达式为其中t为动量时间步长,/>为梯度均值的偏差修正,/>为平方梯度的偏差修正,/>以避免除数为0;
调整网络隐藏层节点数以及隐藏层数,并通过ADAM优化器一阶动量和二阶动量来不断更新整个神经网络的权重和偏置参数{θf,θg,θ},使均方误差损失函数的数值达到最优。
为了验证本实施例的性能,本发明训练与验证过程中均使用4096批训练数据集,其中每批有125个输入数据序列。编码器总共包含12个DNN单元,每个DNN单元包含2个隐藏层,每个隐藏层具有32个节点。解码器的全连接网络设置4个隐藏层,每个隐藏层含有512个节点。在训练过程中,Adam优化器的初始学习率设置为0.001。
请参阅图7,为了研究不同Eb/N0值生成的训练样本对系统性能的影响,本实施例选取了Eb/N0=2dB、4dB、6dB、8dB、10dB和12dB的6个典型案例进行了全面的实验比较。在Eb/N0=8dB的情况下,网络模型的BER性能最好。因此,生成Eb/N0=8dB的训练样本用于进一步模拟。
请参阅图8,对照训练信噪比为8dB时实施例1与传统的SCMA系统、基于DNN解码的SCMA系统的BER情况,其中码本大小、训练数据集、训练信噪比以及DNN网络结构均保持一致。可以看出,因此本发明相对于传统的SCMA系统和现有的基于DNN解码的SCMA系统的BER性能有所提升。
请参阅图9,对照本系统与采取迭代次数为4的传统MPA解码方案的RIS(采用平均相移的RIS相位设置方法)辅助SCMA系统的时间复杂度,结果表明,基于DNN解码的RIS辅助SCMA系统的计算时间缩短近14.96倍。
请参阅图10,本发明还提供了一种无线通信模型的训练装置,该训练装置与上述实施例中训练方法一一对应。该训练装置可以包括编码器构建模块1001、信道参数设置模块1002、解码器构建模块1003以及模型训练模块1004。各功能模块详细说明如下:
编码器构建模块1001可用以用以构建编码器,解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号。进一步的,编码器构建模块1001可具体用于对用户的输入信号进行预编码处理,并通过深度神经网络,对预编码后的输入信号进行映射处理,以生成全部用户的二维码字;对全部用户的二维码字进行整合连接处理,以生成发送信号。
信道参数设置模块1002可用以在上行链路设置瑞利衰落信道系数,根据瑞利衰落信道系数和发送信号,生成信道输出信号,并对信道输出信号进行调整;进一步的,信道参数设置模块1002可具体用于按照标准正态分布,生成瑞利衰落信道系数;将瑞利衰落信道系数与发送信号进行相乘处理,以生成信道输出信号;通过控制重构智能表面的幅度和相移参数,调整信道输出信号。
解码器构建模块1003可用以构建解码器,以形成初始无线通信模型,解码器在基站端对调整后的信道输出信号进行解码处理,生成输出信号;进一步的,解码器构建模块1003可具体用于基于多用户检测网络,在基站接收端构建解码器,以形成初始无线通信模型;将调整后的信道输出信号输入到解码器中,运用解码算法,以生成输出信号。
模型训练模块1004,用以采用用户端到基站端的联合训练策略,对初始无线通信模型进行优化训练,以生成目标无线通信模型。进一步的,模型训练模块1004可具体用于采用用户端到基站端的联合训练策略,训练解码器,以减小输入信号和输出信号之间的差异;采用ADAM优化器,更新编码器和解码器的深度神经网络,以生成目标无线通信模型。
关于训练装置的具体限定可以参见上文中对于训练方法的限定,在此不再赘述。上述训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参阅图11,本发明还提供了一种计算机设备,该计算机设备可以是用户端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种无线通信模型的训练方法的功能或步骤。
请参阅图12,本发明还提供了另一种计算机设备,该计算机设备可以是基站接收端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种无线通信模型的训练方法的功能或步骤。
在本发明的一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
构建编码器,解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号;
在上行链路设置瑞利衰落信道系数,根据瑞利衰落信道系数和发送信号,生成信道输出信号,并对信道输出信号进行调整;
构建解码器,以形成初始无线通信模型,解码器在基站端对调整后的信道输出信号进行解码处理,生成输出信号;
采用用户端到基站端的联合训练策略,对初始无线通信模型进行优化训练,以生成目标无线通信模型。
在本发明的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
构建编码器,解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号;
在上行链路设置瑞利衰落信道系数,根据瑞利衰落信道系数和发送信号,生成信道输出信号,并对信道输出信号进行调整;
构建解码器,以形成初始无线通信模型,解码器在基站端对调整后的信道输出信号进行解码处理,生成输出信号;
采用用户端到基站端的联合训练策略,对初始无线通信模型进行优化训练,以生成目标无线通信模型。
需要说明的是,上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤,可对应参阅前述方法实施例中,为避免重复,这里不再一一描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明提供一种无线通信模型的训练方法、装置、设备及介质,可应用于通信系统模型技术领域。相对于传统的SCMA系统和现有的基于深度学习的SCMA系统,本发明在基于深度学习的SCMA编解码方案的信道基础上增加了RIS面板,同时,利用深度学习技术实现了端到端的联合相位优化,从而进一步提升了基于深度学习的SCMA系统的误码率性能。另外,本发明采用了合理的网络设计,相对于现有的RIS辅助SCMA系统降低了解码复杂度。
在本说明书的描述中,参考术语“本实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明实施例只是用于帮助阐述本发明。实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种无线通信模型的训练方法,其特征在于,包括:
构建编码器,所述解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号;
在上行链路设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号,生成信道输出信号,并对所述信道输出信号进行调整;
构建解码器,以形成初始无线通信模型,所述解码器在基站端对调整后的所述信道输出信号进行解码处理,生成输出信号;
采用所述用户端到所述基站端的联合训练策略,对所述初始无线通信模型进行优化训练,以生成目标无线通信模型。
2.根据权利要求1所述的无线通信模型的训练方法,其特征在于,所述构建编码器,所述解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号的步骤包括:
对用户的输入信号进行预编码处理,并通过所述深度神经网络,对所述预编码后的所述输入信号进行映射处理,以生成全部用户的二维码字;
对全部用户的所述二维码字进行整合连接处理,以生成所述发送信号。
3.根据权利要求1所述的无线通信模型的训练方法,其特征在于,所述在上行链路设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号,生成信道输出信号,并对所述信道输出信号进行调整的步骤包括:
按照标准正态分布,生成所述瑞利衰落信道系数;
将所述瑞利衰落信道系数与所述发送信号进行相乘处理,以生成所述信道输出信号;
通过控制重构智能表面的幅度和相移参数,调整所述信道输出信号。
4.根据权利要求1所述的无线通信模型的训练方法,其特征在于,在所述设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号生成信道输出信号,并对所述信道输出信号进行调整的步骤中,所述信道输出信号yk满足以下公式:
其中,nkj表示用户j加载在第k个资源块上的噪声集合,表示从第j个用户到第n个反射元件在第k个资源块处的所述瑞利衰落信道系数,n∈[1,N],表示从第n个反射元件到基站在第k个资源块处的所述瑞利衰落信道系数。
5.根据权利要求3所述的无线通信模型的训练方法,其特征在于,所述通过控制重构智能表面的幅度和相移参数,调整所述信道输出信号的步骤包括:
选取具有多个反射元件的重构智能表面,通过嵌入层的神经网络训练所述反射元件的相移和幅度反射系数,通过训练后的所述重构智能表面调整用户到反射元件的瑞利衰落信道系数、用户经所述编码器编码后的信号和反射元件到基站端的瑞利衰落信道系数。
6.根据权利要求1所述的无线通信模型的训练方法,其特征在于,所述构建解码器,以形成初始无线通信模型,所述解码器在基站端对调整后的所述信道输出信号进行解码处理,生成输出信号的步骤包括:
基于多用户检测网络,在基站接收端构建解码器,以形成所述初始无线通信模型;
将调整后的所述信道输出信号输入到所述解码器中,运用解码算法,以生成所述输出信号。
7.根据权利要求1所述的无线通信模型的训练方法,其特征在于,所述采用所述用户端到所述基站端的联合训练策略,对所述初始无线通信模型进行优化训练,以生成目标无线通信模型的步骤包括:
采用所述用户端到所述基站端的联合训练策略,训练解码器,以减小所述输入信号和所述输出信号之间的差异;
采用ADAM优化器,更新所述编码器和所述解码器的深度神经网络。
8.一种无线通信模型的训练装置,其特征在于,包括:
编码器构建模块,用以构建编码器,所述解码器在上行链路的每个用户端设置一个全连接的深度神经网络,以对用户与共享资源块进行连接,生成发送信号;
信道参数设置模块,用以在上行链路设置瑞利衰落信道系数,根据所述瑞利衰落信道系数和所述发送信号,生成信道输出信号,并对所述信道输出信号进行调整;
解码器构建模块,用以构建解码器,以形成初始无线通信模型,所述解码器在基站端对调整后的所述信道输出信号进行解码处理,生成输出信号;
模型训练模块,用以采用所述用户端到所述基站端的联合训练策略,对所述初始无线通信模型进行优化训练,以生成目标无线通信模型。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述无线通信模型的训练方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述无线通信模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410176870.8A CN118041473A (zh) | 2024-02-08 | 2024-02-08 | 一种无线通信模型的训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410176870.8A CN118041473A (zh) | 2024-02-08 | 2024-02-08 | 一种无线通信模型的训练方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118041473A true CN118041473A (zh) | 2024-05-14 |
Family
ID=90996465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410176870.8A Pending CN118041473A (zh) | 2024-02-08 | 2024-02-08 | 一种无线通信模型的训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118041473A (zh) |
-
2024
- 2024-02-08 CN CN202410176870.8A patent/CN118041473A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110474716B (zh) | 基于降噪自编码器的scma编解码器模型的建立方法 | |
CN109921882B (zh) | 一种基于深度学习的mimo解码方法、装置及存储介质 | |
Wang et al. | Compressive sampled CSI feedback method based on deep learning for FDD massive MIMO systems | |
JP2022537979A (ja) | 機械学習支援プリコーディングのためのデバイス及び方法 | |
Chen et al. | A novel quantization method for deep learning-based massive MIMO CSI feedback | |
CN110445581A (zh) | 基于卷积神经网络降低信道译码误码率的方法 | |
CN110311719B (zh) | 一种应用于毫米波大规模mimo系统的波束选择方法及其装置 | |
CN111132297B (zh) | 超密集网络发射功率最小化的波束成形优化方法与装置 | |
CN107040336B (zh) | 用于加权序贯解码的设备、方法和介质 | |
CN114915523B (zh) | 基于模型驱动的智能超表面信道估计方法及系统 | |
Yan et al. | [Retracted] 5G Massive MIMO Signal Detection Algorithm Based on Deep Learning | |
CN114499601B (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
Zhang et al. | SVD-embedded deep autoencoder for MIMO communications | |
Tsai et al. | Low-complexity compressive channel estimation for IRS-aided mmWave systems with hypernetwork-assisted LAMP network | |
CN110351212A (zh) | 快衰落信道下基于卷积神经网络的信道估计方法 | |
CN112787694A (zh) | 一种基于期望传播的mimo-scma系统的低复杂度检测算法 | |
CN113992313B (zh) | 一种基于深度学习的均衡网络辅助scma编解码方法 | |
Tato et al. | Deep learning assisted rate adaptation in spatial modulation links | |
KR102046033B1 (ko) | 대규모 안테나 시스템의 하이브리드 빔포밍 방법 및 빔포밍 장치 | |
CN118041473A (zh) | 一种无线通信模型的训练方法、装置、设备及介质 | |
Yang et al. | Efficient hardware architecture of deterministic MPA decoder for SCMA | |
CN112261685B (zh) | 一种基于卷积神经网络的mimo信号检测方法 | |
CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
Yao et al. | Low-complexity signal detection networks based on Gauss-Seidel iterative method for massive MIMO systems | |
Vanidevi et al. | Fast iterative WSVT algorithm in WNN minimization problem for multiuser massive MIMO channel estimation |
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 |