JP7258249B2 - 送信装置、送信方法、制御回路および記憶媒体 - Google Patents

Description

本開示は、信号を多重して送信する送信装置、送信方法、制御回路および記憶媒体に関する。

従来、送信装置で拡散系列による拡散処理後の信号を多重して送信し、受信装置において受信信号を逆拡散することによって元の信号を得る通信システムがある。この技術は、例えば、測位信号などを送信する衛星に搭載された送信装置で利用されている。

衛星通信システムにおいては衛星の小型化、低消費電力化が重要課題であるが、この課題を解決するためには複数の信号を多重化し、その多重信号を共通の増幅器で増幅しアンテナから送信することが効果的である。増幅器効率は入力信号の信号レベルの増加に伴い高くなり、増幅器が飽和を迎えたあたりで最大となる。しかし、飽和点近くの動作点では増幅器の飽和により信号波形のクリッピングが発生して線形性が大きく劣化する。このため、複数の信号が多重化された多重信号を増幅器で増幅するためには、多重信号の送信信号のピーク対平均電力比とも称されるＰＡＰＲ（Peak to Average Power Ratio）を小さく抑える必要がある。

また、衛星搭載システムのデジタル化が進み、今まではアナログ回路で構成されていた信号生成部がデジタル回路で構成されることが考えられる。この場合、運用中に信号仕様の変更などのシナリオが考えられ、信号の多重化を行う多重化回路もこれらのシナリオに対応できる汎用性の高いものが求められる。例えば、衛星の打ち上げ後に、多重対象の信号の送信電力比や変調方式そのものが変更された場合、多重化回路の動作パラメータを多重対象の信号の変更後の送信電力比や変調方式に合わせて再設定する必要がある。

非特許文献１には、ＯＦＤＭ（Orthogonal Frequency Division Multiplexing）変調方式に関して、サブキャリア信号の多重化を行う多重化回路の動作パラメータを機械学習を用いて評価、決定する方法が記載されている。非特許文献１によれば、多重化回路はニューラルネットワーク（ＮＮ：Neural Network）で構成され、評価関数であるＰＡＰＲとＢＥＲ（Bit Error Ratio）の和を最小にするようにＮＮの学習を行うことで、様々な伝送路において低ＰＡＰＲ特性かつ良好なＢＥＲ特性であるＯＦＤＭ信号を得るこができるとされている。非特許文献１に記載の技術はＯＦＤＭ変調に適用されたものであるが、複数の信号を多重する方式にも適用可能なものである。

M. Kim, W. Lee, D. H. Cho, "A Novel PAPR Reduction Scheme for OFDM System Based on Deep Learning", IEEE COMMUNICATIONS LETTERS, VOL. 22, NO. 3, pp. 510-513, Mar. 2018

上記従来の技術によれば、多重した信号のＰＡＰＲを抑えることができるため、増幅器の最大効率を得られる飽和点付近で増幅することが可能である。また、多重化回路がＮＮで構成されているため、多重する条件、例えば、信号電力比や変調方式を変えて再度ＮＮを学習することで信号仕様の変更などのシナリオにも対応することが可能である。しかしながら、多重化回路がＮＮで構成される以上、ＮＮが密なネットワークである程、また、ＮＮが多数の層で構成される程、積算などの演算量が多くなることが問題となる。この問題の対策として、Pruning（枝刈り、以下、プルーニングと記載する）と呼ばれる、一度学習したネットワークの内、重要度の低いネットワークの接続を切断することで演算量を減らす方法がある。しかし、どれが重要度の低いネットワークの接続なのか、すなわち、どのネットワークの接続を切断することでプルーニングによる性能の劣化を抑えることができるのかを特定することが難しい。

本開示は、上記に鑑みてなされたものであって、信号の多重化に用いるニューラルネットワークの演算量をプルーニングにより削減する場合の性能劣化を抑制することが可能な送信装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本開示にかかる送信装置は、複数のデータが多重化された多重化データに基づいて多重信号を生成する多重信号生成部と、多重信号の振幅と多重信号に含まれる複数のデータの間の位相差とで定義される制約条件に基づきパラメータが調整済のニューラルネットワークで複数のデータを多重化して多重信号を生成する多重化処理部と、を備える。ニューラルネットワークは、パラメータの更新内容と、更新後のパラメータを用いて生成した多重化データに基づき生成された多重信号とに基づいてプルーニングが実施されている。

本開示にかかる送信装置は、信号の多重化に用いるニューラルネットワークの演算量をプルーニングにより削減する場合の性能劣化を抑制することができる、という効果を奏する。

実施の形態１にかかる送信装置の機能構成例を示す図 実施の形態１にかかる送信装置を実現するハードウェアの第１の構成例を示す図 実施の形態１にかかる送信装置を実現するハードウェアの第２の構成例を示す図 実施の形態１にかかる送信装置の学習ステップ時に動作する処理部を示す図 実施の形態１にかかる送信装置が学習ステップを実行する際の動作の一例を示すフローチャート 実施の形態１にかかる送信装置に入力される複数の信号の一例を示す図 実施の形態１にかかる送信装置が多重する信号の取り得るパターンを示す図 実施の形態１にかかる送信装置の多重化処理部に適用されるニューラルネットワークの構成例を示す図 実施の形態１にかかる評価関数計算部による評価関数の計算方法を説明するための第１の図 実施の形態１にかかる評価関数計算部による評価関数の計算方法を説明するための第２の図 実施の形態１にかかる送信装置のプルーニングステップ時に動作する処理部を示す図 実施の形態１にかかる送信装置がプルーニングステップを実行する際の動作の一例を示すフローチャート 実施の形態１にかかる送信装置の運用ステップ時に動作する処理部を示す図 実施の形態１にかかる送信装置が運用ステップを実行する際の動作の一例を示すフローチャート 実施の形態２にかかる送信装置および学習装置の機能構成例を示す図 実施の形態２にかかる送信装置および学習装置が学習ステップを実行する際の動作の一例を示すフローチャート 実施の形態２にかかる送信装置および学習装置がプルーニングステップを実行する際の動作の一例を示すフローチャート

以下に、本開示の実施の形態にかかる送信装置、送信方法、制御回路および記憶媒体を図面に基づいて詳細に説明する。

実施の形態１．
図１は、実施の形態１にかかる送信装置１００の機能構成例を示す図である。送信装置１００は、２つ以上の外部から取得したデータを拡散して得られた拡散データを入力とし、設定された制約条件を満たす多重信号を得る。ここで、入力信号となる２つ以上の拡散データは、それぞれ、例えば、メッセージデータまたは固定の繰返しパターンのデータを拡散処理して生成される。なお、本実施の形態において送信装置１００が送信する信号は「０」もしくは「１」とするが、これら以外の数値を送信してもよい。送信装置１００は、例えば、衛星通信システムを構成する衛星に搭載される。

図１に示すように、送信装置１００は、入力信号処理部１と、多重化処理部２と、多重信号生成部３と、評価関数計算部４と、学習実行部５と、パラメータ監視部６と、プルーニング部７を備える。

入力信号処理部１は、外部から入力される２つ以上の拡散データそれぞれのシンボルレートの最小公倍数となるように各拡散データのシンボルレートを調整し、多重化処理部２に出力する。

多重化処理部２は、ニューラルネットワーク（以下、ＮＮと記載する）で構成される。多重化処理部２は、入力信号処理部１でシンボルレートが調整された後の２つ以上の拡散データをＮＮの入力とし、ＮＮのパラメータに従い出力される結果を多重信号生成部３に出力する。すなわち、多重化処理部２は、シンボルレート調整後の複数の拡散データを、ＮＮを利用して多重化し、複数の拡散データの多重結果である多重化データを生成する。

多重信号生成部３は、多重化処理部２から入力される多重結果をＩＱ（In-phase Quadrature）平面上にマッピングするマッピング処理を行い、多重信号を生成する。多重信号生成部３が生成した多重信号は送信装置１００から図示を省略した受信装置に向けて送信される。また、多重信号は、評価関数計算部４およびパラメータ監視部６に入力される。

評価関数計算部４は、多重信号生成部３から入力される多重信号に対し、定められた評価関数、例えば多重信号のＰＡＰＲとＢＥＲ特性など、を計算し、評価関数の計算結果を学習実行部５に出力する。

学習実行部５は、評価関数計算部４から得られる評価関数の計算結果を基に多重化処理部２のＮＮのパラメータ（以下ではＮＮパラメータと記載する場合がある）を更新する。

パラメータ監視部６は、学習実行部５によるＮＮパラメータの更新内容と、多重信号生成部３で生成された多重信号とを監視し、学習実行部５が多重化処理部２のＮＮパラメータを更新した場合に、多重信号生成部３が生成する多重信号がどのように変化するか、すなわち、ＮＮパラメータの更新が多重信号に与える影響を特定する。具体的には、パラメータ監視部６は、監視結果に基づいて、ＮＮパラメータが多重信号の周波数、位相および振幅のいずれに関するものかを特定する。

プルーニング部７は、多重化処理部２のＮＮに対してプルーニング処理を行う。具体的には、プルーニング部７は、パラメータ監視部６が特定した、ＮＮパラメータと多重信号の周波数、位相および振幅との関係から、多重化処理部２のＮＮのプルーニング処理時にＮＮのどのネットワークを優先的に残すか判断し、不要と判断したネットワークの接続を切断するプルーニング処理を実施する。

なお、本実施の形態では、外部で生成された複数の拡散データが送信装置１００に入力されるものとして説明を行うが、複数のデータそれぞれを拡散して複数の拡散データを生成する処理を送信装置１００の内部で行う構成としてもよい。また、入力信号処理部１がシンボルレートを調整する処理を送信装置１００外部で行う構成、すなわち、入力信号処理部１を省略し、シンボルレート調整後の複数の拡散データが送信装置１００に入力される構成としてもよい。

次に、送信装置１００を実現するハードウェアについて説明する。送信装置１００は、図２または図３に示す構成のハードウェアで実現することが可能である。

図２は、実施の形態１にかかる送信装置１００を実現するハードウェアの第１の構成例を示す図である。また、図３は、実施の形態１にかかる送信装置１００を実現するハードウェアの第２の構成例を示す図である。図２は、送信装置１００の要部、具体的には、入力信号処理部１、多重化処理部２、多重信号生成部３、評価関数計算部４、学習実行部５、パラメータ監視部６およびプルーニング部７を専用のハードウェアである処理回路１０２で実現する場合のハードウェア構成を示す。処理回路１０２は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ(Field Programmable Gate Array)、またはこれらを組み合わせた回路である。なお、図２に示す例では、入力信号処理部１、多重化処理部２、多重信号生成部３、評価関数計算部４、学習実行部５、パラメータ監視部６およびプルーニング部７を単一の処理回路１０２で実現するものとしたがこれに限定されない。ハードウェアが複数の処理回路１０２を備え、入力信号処理部１、多重化処理部２、多重信号生成部３、評価関数計算部４、学習実行部５、パラメータ監視部６およびプルーニング部７をそれぞれ異なる処理回路で実現してもよい。

入力部１０１は、送信装置１００に対する入力信号、すなわち、複数の拡散データを外部から受信する回路である。また、出力部１０３は、送信装置１００で生成した多重信号を外部に出力する回路である。

なお、入力信号処理部１が行うシンボルレートの調整処理を入力部１０１が行うようにしてもよい。すなわち、入力部１０１が入力信号処理部１を実現してもよい。

図３は、図２に示す処理回路１０２をメモリ１０４およびプロセッサ１０５で実現する場合のハードウェア構成、すなわち、送信装置１００の要部をメモリ１０４およびプロセッサ１０５で実現する場合のハードウェア構成を示す。メモリ１０４は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリー、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、ＥＥＰＲＯＭ（登録商標）（Electrically Erasable Programmable Read Only Memory）等の、不揮発性または揮発性のメモリである。プロセッサ１０５は、ＣＰＵ（Central Processing Unit、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital Signal Processor）ともいう）である。

送信装置１００の要部をメモリ１０４およびプロセッサ１０５で実現する場合、入力信号処理部１、多重化処理部２、多重信号生成部３、評価関数計算部４、学習実行部５、パラメータ監視部６およびプルーニング部７として動作するための処理が記述されたプログラムをプロセッサ１０５が実行することにより、これらの各部が実現される。入力信号処理部１、多重化処理部２、多重信号生成部３、評価関数計算部４、学習実行部５、パラメータ監視部６およびプルーニング部７として動作するための処理が記述されたプログラムはメモリ１０４に予め格納されている。プロセッサ１０５は、メモリ１０４に格納されているプログラムを読み出して実行することにより、入力信号処理部１、多重化処理部２、多重信号生成部３、評価関数計算部４、学習実行部５、パラメータ監視部６およびプルーニング部７として動作する。

なお、入力信号処理部１、多重化処理部２、多重信号生成部３、評価関数計算部４、学習実行部５、パラメータ監視部６およびプルーニング部７の一部をメモリ１０４およびプロセッサ１０５で実現し、残りを図２に示す処理回路１０２と同様の専用のハードウェアで実現してもよい。

また、上記のプログラムは、メモリ１０４に予め格納されているものとしたがこれに限定されない。上記のプログラムは、ＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭなどの記憶媒体に書き込まれた状態でユーザに供給され、ユーザがメモリ１０４にインストールする形態であってもよい。

次に、送信装置１００の動作について説明する。送信装置１００の動作は、学習ステップ、プルーニングステップおよび運用ステップの３つのステップに分けられる。これら３つの各ステップの動作を以下で説明する。

＜学習ステップ＞
まず、学習ステップについて説明する。図４は、実施の形態１にかかる送信装置１００の学習ステップ時に動作する処理部を示す図である。破線で囲まれた各部で構成される学習動作ブロック１１０が学習ステップ時に動作する。

学習ステップでは、学習実行部５が、入力信号処理部１が出力する複数の拡散データと、評価関数計算部４が出力する評価関数の計算結果とに基づいて、多重化処理部２のＮＮのパラメータを更新していく。また、パラメータ監視部６が、ＮＮのパラメータの更新結果および多重信号生成部３が生成する多重信号の監視結果から、ＮＮのパラメータが多重信号出力の周波数、位相および振幅のいずれに関するものかを特定する。これにより、多重化処理部２に入力される複数の拡散データ、および、評価関数計算部４による評価関数の計算結果から、適切なＮＮのパラメータを学習できるという効果が得られる。

学習ステップの動作の詳細について、図５を参照しながら説明する。図５は、実施の形態１にかかる送信装置１００が学習ステップを実行する際の動作の一例を示すフローチャートである。

学習ステップにおいて、まず、送信装置１００は、２つ以上の拡散データを取得する（ステップＳ１）。ここでは、一例として図６に示すようなシンボルレートの信号Ａ～信号Ｄの４信号が外部から送信装置１００に入力されたものとして説明を続ける。すなわち、入力信号処理部１が信号Ａ～信号Ｄを取得する。図６は、実施の形態１にかかる送信装置１００に入力される複数の信号の一例を示す図である。図６に示すように、信号Ａ～信号Ｄは、シンボルレートがそれぞれ異なり、中心周波数は信号Ａおよび信号Ｄがｆ１、信号Ｂおよび信号Ｃがｆ２とする。また、信号Ａ～信号Ｄの各信号の制約条件（送信電力比および位相）はそれぞれ異なる。制約条件を送信電力比および位相で表す場合の例を示したが制約条件の要素はこれらに限定されない。

次に、入力信号処理部１が、取得した拡散データのシンボルレートを調整する（ステップＳ２）。図６に示した４信号を多重する場合、それぞれのシンボルレートの最小公倍数は１２．２７６ＭＨｚのため、入力信号処理部１は、信号Ａは１２倍、信号Ｂは６倍、信号Ｃは２倍のオーバーサンプル処理を行い、全ての拡散データのシンボルレートを一致させる。シンボルレートを一致させた結果、多重させる信号がＭ個の値を取り、多重させる信号の数をＮとすると、取りうる値はＭ＾Ｎ個（Ｍ^N個）となる。今回の例では、２値を取る４信号を多重するため、Ｍ＝２，Ｎ＝４であり、４信号の取りうる値は、図７に示すような２＾４＝１６パターンのいずれかの組合せとなる。図７は、実施の形態１にかかる送信装置１００が多重する信号の取り得るパターンを示す図である。なお、シンボルレートを調整せず、異なるシンボルレートを維持したまま信号を多重させる場合はこの動作は省略することができる。

次に、入力信号処理部１でシンボルレートが調整された４信号を、多重化処理部２に入力し、ＮＮの出力を得る（ステップＳ３）。ＮＮの出力は、多重化処理部２の出力、すなわち、入力信号処理部１でシンボルレートが調整された４信号の多重結果となる。

ここで、ＮＮの説明を行う。図８は、実施の形態１にかかる送信装置１００の多重化処理部２に適用されるニューラルネットワークの構成例を示す図である。ＮＮは図８に示すように、入力層、任意の数の中間層である隠れ層、出力層から構成される。ＮＮの入力層は、複数個の入力ノード（ニューロン）を有する（ここでは４つ）。隠れ層は、複数（ここでは３層）である。出力層は、信号多重結果を表す出力ノードを有する（ここでは実数値、虚数値の２つ）。なお、層数およびノード数（ニューロン数）は、一例である。ＮＮは、入力層と隠れ層のノード間が全て結合（全結合層）し、隠れ層と出力層のノード間が全て結合している。入力層、隠れ層および出力層には、任意の数のノードが存在する。このノードは、入力を受け取り、値を出力する関数である。入力層には、入力ノードとは別に独立した値を入れるバイアスノードがある。構成は、複数のノードを持つ層を重ねることで構築される。各層のノードは、受け取った入力に対して重みをかけ、受け取った入力を活性化関数で変換して次層に出力する。活性化関数の例は、シグモイド（sigmoid）関数などの非線形関数、ＲｅＬＵ（Rectified Linear Unit function：正規化線形関数）などである。

学習ステップの説明に戻り、次に、多重信号生成部３が、多重化処理部２のＮＮの出力２シンボルを実数値および虚数値とし、これらの値を複素平面とも呼ばれるＩＱ平面にマッピングして多重信号を生成する（ステップＳ４）。この時、多重化処理部２のＮＮが出力する多重化された拡散データの信号点をそのままマッピングすることも可能であるし、定包絡線上に信号点をマッピングすることも可能である。

次に、評価関数計算部４が、多重信号生成部３で生成された多重信号に基づいて評価関数を計算する（ステップＳ５）。具体的には、評価関数計算部４は、多重信号に課せられる制約条件に基づいて評価関数を計算する。多重信号に課せられる制約条件は、例えば、多重信号の振幅および多重信号に含まれる複数の信号の間の位相差で定義される。評価関数計算部４は、例えば、多重信号生成部３が生成した多重信号が示す信号点と多重信号のレプリカが示す信号点との距離を評価関数として計算する。また、評価関数計算部４は、多重信号生成部３が生成した多重信号に含まれる複数の信号の間の位相差が、多重化される前の複数の信号の間の位相差を保持しているか、すなわち、多重化後の複数の信号の位相差が多重化前の複数の信号の間の位相差を保持しているか、を評価関数として計算する。

評価関数の計算例を図９および図１０を用いて説明する。図９は、実施の形態１にかかる評価関数計算部４による評価関数の計算方法を説明するための第１の図、図１０は、実施の形態１にかかる評価関数計算部４による評価関数の計算方法を説明するための第２の図である。

図９は、多重化処理部２のＮＮから出力された２つの結果を実数成分、虚数成分とし、その信号点をマッピングした結果を示している。この例では、評価関数計算部４は、多重信号の信号点ｋの座標位置（図中の四角形）から目標とする包絡線（図中の実線）までの距離Δｄｋを計算し、これを評価関数の計算結果とする。評価関数計算部４は、全ての信号点に関してΔｄｋを計算し、和を取ったものを評価関数の１つとする。本実施の形態では図６および図７に示す４信号が多重化されるとしているので、評価関数計算部４は、１６の信号点のそれぞれに関してΔｄｋを計算し、和を取ったものを評価関数の１つとする。

図１０は、多重信号と、多重される対象の信号の中の信号ｍのレプリカ信号を、定められた数のシンボル毎にずらして得られる各信号との相関を計算した結果を示している（破線）。なお、図中の実線は理想値を示し、レプリカ信号同士の相関を計算した結果である。評価関数計算部４は、全ての多重させる信号、本実施の形態の場合は上述した信号Ａ～信号Ｄの４信号に対して、図１０に示すような２つの相関値のピーク（シンボル遅れが０の値）の差分ΔＣｏｒｒ．ｍを計算し、それらの和を取ったものを評価関数の１つとする。

評価関数計算部４は、図９および図１０を用いて説明した上記の２つの評価関数の和を取り、これを最終的な評価関数とする。評価関数計算部４が計算する最終的な評価関数をＥｒｒとし、これを数式で表すと以下の式（１）となる。なお、汎化能力を高めるために、第２項に正の値を取る正則化項μを乗算する。評価関数Ｅｒｒは０以上の正の値を取り、この値が小さいほどＮＮにより多重化された信号の性能が良いことになり、ＮＮによる多重化処理の性能が良いといえる。

次に、学習実行部５が、多重化処理部２のＮＮを更新する（ステップＳ６）。具体的には、学習実行部５は、ＮＮのパラメータである各層の重みを更新する学習動作を行う。この学習動作において、学習実行部５は、式（１）で表される評価関数を計算し、それを基にＮＮの各層の重みを調整する。学習動作は、誤差すなわち評価関数を最小化する最適化問題を解くことであり、最適化問題の解法は誤差逆伝播法（Back Propagation）を使うのが一般的である。誤差逆伝播法では、誤差をＮＮの出力層から伝播させていき、各層の重みを調整する。誤差逆伝播法は、具体的には、各層の重みの更新量を出力層側から得た値を使用して計算し、入力層の方向へ各層の重みの更新量を決定する値を計算しながら伝播させていく方法である。

次に、パラメータ監視部６が、ＮＮのどのパラメータを変化させることで、多重信号の周波数、位相および振幅のいずれに影響を与えるかを特定する（ステップＳ７）。例えば、パラメータ監視部６は、学習過程１回で値が最も大きく変化したものから順に、一定数のＮＮのパラメータを記録する。パラメータ監視部６はパラメータを全て記録してもよい。パラメータ監視部６は、その後、学習前および学習後の各多重信号の周波数スペクトルから中心周波数の変化量を計算する。この変化量の計算は一般的なものなので、ここでは省略する。中心周波数の変化量が定められたしきい値を超えた場合、ＮＮのパラメータのうち、変化量が大きい上位Ｎ％を周波数に影響を与えるパラメータとして記録する。中心周波数の変化量が大きいパラメータは、周波数に与える影響が大きいパラメータであり、重要度が高いパラメータとなる。パラメータ監視部６は、同様の処理を、多重信号の位相、振幅についても行い、ＮＮのどのパラメータが周波数、位相および振幅のいずれに関するものかを特定する。

図４に示す学習動作ブロック１１０の各部は、上述した動作を繰り返し実行する。学習動作ブロック１１０の各部は、予め定められた条件を満たすまで、例えば、学習の実行回数が所定回数に達する、評価関数計算部４による評価関数の計算結果が所定のしきい値を下回る、などの条件を満たすまで、上述した動作を繰り返し、学習を行う（ステップＳ８）。

＜プルーニングステップ＞
つづいて、プルーニングステップについて説明する。図１１は、実施の形態１にかかる送信装置１００のプルーニングステップ時に動作する処理部を示す図である。破線で囲まれた各部で構成されるプルーニング動作ブロック１２０がプルーニングステップ時に動作する。

プルーニングステップでは、プルーニング部７が、パラメータ監視部６で特定された、多重化処理部２のＮＮパラメータと多重信号の周波数、位相および振幅との関係性から、予め定められたプルーニング率に従い、プルーニング対象のＮＮパラメータを決定する。その後、プルーニング部７が、プルーニング対象に決定したＮＮパラメータを０にするプルーニング処理を行う。これにより、多重信号の周波数、位相および振幅のそれぞれに対する影響が大きい、重要度が高いＮＮパラメータを優先的に残すことができる。すなわち、プルーニングによる性能劣化を最小限に抑えつつＮＮの演算量を削減することができる。

プルーニングステップの詳細について、図１２を参照しながら説明する。図１２は、実施の形態１にかかる送信装置１００がプルーニングステップを実行する際の動作の一例を示すフローチャートである。

プルーニングステップにおいて、プルーニング部７は、まず、上述した学習ステップのステップＳ７においてパラメータ監視部６が特定した結果、具体的には、多重信号の周波数、位相および振幅のそれぞれに対する影響が大きい、重要度の高いパラメータの特定結果に基づいて、プルーニング対象のパラメータを決定する（ステップＳ９）。例えば、プルーニング率が５０％の場合、多重信号の周波数、位相および振幅のそれぞれに関して、重要度が最も高いものから上位５０％のパラメータを残すように、重要度が下位５０％のパラメータをプルーニングの対象に決定する。

プルーニング部７は、次に、ステップＳ９での決定結果に従いプルーニングを行う（ステップＳ１０）。すなわち、プルーニング部７は、ステップＳ９でプルーニングの対象に決定したパラメータを０に設定する。

＜運用ステップ＞
つづいて、運用ステップについて説明する。図１３は、実施の形態１にかかる送信装置１００の運用ステップ時に動作する処理部を示す図である。破線で囲まれた各部で構成される運用動作ブロック１３０が運用ステップ時に動作する。

運用ステップでは、多重化処理部２が、入力信号処理部１から入力される拡散データを対象として、上述した学習ステップおよびプルーニングステップで最適化されたＮＮを利用した多重化を行う。また、多重信号生成部３が、多重化処理部２から入力される多重結果をＩＱ平面にマッピングし、多重信号として送信装置１００の外部に出力する。これにより、送信装置１００が出力する多重信号は、低ＰＡＰＲ特性および受信機での逆拡散時の良好な相関特性の両方が実現された信号となる。

運用ステップの詳細について、図１４を参照しながら説明する。図１４は、実施の形態１にかかる送信装置１００が運用ステップを実行する際の動作の一例を示すフローチャートである。

運用ステップにおいては、まず、入力信号処理部１が、２つ以上の拡散データを取得し（ステップＳ１ａ）、取得した拡散データのシンボルレートを調整する（ステップＳ２ａ）。次に、多重化処理部２が、入力信号処理部１でシンボルレートが調整された拡散データのそれぞれをＮＮに入力してＮＮの出力を得る（ステップＳ３ａ）。次に、多重信号生成部３が、多重化処理部２のＮＮの出力をＩＱ平面にマッピングして多重信号を生成する（ステップＳ４ａ）。これらのステップＳ１ａ～Ｓ４ａは、上述した学習ステップのステップＳ１～Ｓ４と同様の処理であるため、詳細については説明を省略する。

以上のように、本実施の形態の送信装置１００は、生成する多重信号の制約条件と、設定した評価関数とに基づいて、信号の多重処理に用いるＮＮの学習を行い、さらに、ＮＮのパラメータが周波数、位相および振幅のいずれに関するものかを特定するとともに、各パラメータの重要度を特定し、重要度の高いパラメータを残すプルーニング処理を行う。これにより、プルーニングによりＮＮの演算量を削減する場合の性能劣化を抑制することができる。すなわち、プルーニングによるＮＮの性能劣化を最小限に抑えて多重信号を生成できる。

実施の形態２．
実施の形態１にかかる送信装置１００は、装置内で多重化処理部２のニューラルネットワークの学習を行い、学習した後に、学習済みのニューラルネットワークを用いて多重信号を生成して送信する。しかし、送信装置１００を組み込む機器の計算機資源が逼迫した状況にあり、オンボード上で学習が行えない可能性がある。そこで、本実施の形態では、別の機器の計算機資源を活用し、学習は別の機器で行い、別の機器で学習済みのパラメータを用いてニューラルネットワークのパラメータを更新する構成について説明する。

図１５は、実施の形態２にかかる送信装置１００ａおよび学習装置２００の機能構成例を示す図である。

本実施の形態にかかる送信装置１００ａは、入力信号処理部１と、多重化処理部２と、多重信号生成部３と、多重条件送信部８と、学習結果設定部１０とを備える。送信装置１００ａの入力信号処理部１、多重化処理部２および多重信号生成部３は、実施の形態１にかかる送信装置１００の入力信号処理部１、多重化処理部２および多重信号生成部３と同様の処理を行う構成要素であるため、処理の詳細については説明を省略する。

学習装置２００は、入力信号処理部２１と、多重化処理部２２と、多重信号生成部２３と、評価関数計算部２４と、学習実行部２５と、パラメータ監視部２６と、プルーニング部２７と、学習結果送信部２８とを備える。学習装置２００の入力信号処理部２１、多重化処理部２２、多重信号生成部２３、評価関数計算部２４、学習実行部２５、パラメータ監視部２６およびプルーニング部２７は、実施の形態１にかかる送信装置１００の入力信号処理部１、多重化処理部２、多重信号生成部３、評価関数計算部４、学習実行部５、パラメータ監視部６およびプルーニング部７と同様の処理を行う構成要素であるため、処理の詳細については説明を省略する。

以下、実施の形態１と異なる点を説明する。

送信装置１００ａの多重条件送信部８は、入力信号処理部１から、多重する各信号の制約条件を読み出し、学習装置２００の入力信号処理部２１に送信する。なお、多重条件送信部８が制約条件を送信する手段は一般的な構成であり、従来同等のため詳細説明を省略する。

学習装置２００の学習結果送信部２８は、多重化処理部２２から、学習済みのＮＮのパラメータを読み出し、送信装置１００ａの学習結果設定部１０に送信する。この時に送信するＮＮのパラメータはプルーニング処理が実施済みのＮＮのパラメータである。なお、学習結果送信部２８がＮＮのパラメータを送信する手段は一般的な構成であり、従来同等のため詳細説明を省略する。

送信装置１００ａの学習結果設定部１０は、学習装置２００の学習結果送信部２８から学習済みのＮＮのパラメータを受信し、受信したパラメータを多重化処理部２のＮＮに書き込む。

次に、送信装置１００ａの動作について説明する。本実施の形態では、送信装置１００ａの計算機資源が枯渇しており、オンボードで学習が行えない場合も、別の機器である学習装置２００の計算機資源を活用し、信号の多重化処理に適したＮＮのパラメータを学習し、さらに、プルーニング処理を実施することで、多重化処理部２が使用するＮＮの最適化を行う。

送信装置１００ａの動作の詳細について、実施の形態１と同様に、学習ステップ、プルーニングステップおよび運用ステップに分けて説明する。ただし、実施の形態１と共通の動作については説明を省略する。

＜学習ステップ＞
図１６は、実施の形態２にかかる送信装置１００ａおよび学習装置２００が学習ステップを実行する際の動作の一例を示すフローチャートである。なお、実施の形態１と同様の動作については説明を省略する。図１６内の破線で囲んだ部分は送信装置１００ａで実施する動作であり、その他は学習装置２００で実施する動作である。

図１６に示すフローチャートのステップＳ１およびＳ２は、実施の形態１の動作を示す図５のフローチャートのステップＳ１およびＳ２と同じ処理である。また、図１６に示すフローチャートのステップＳ３ａ～Ｓ８ａは、図５に示すフローチャートのステップＳ３～Ｓ８と同様の処理であるが、学習装置２００において実行される点が異なる。これらのステップＳ１～Ｓ２、Ｓ３ａ～Ｓ８ａについては説明を省略する。

ステップＳ２において入力信号処理部１が拡散データのシンボルレートを調整すると、次に、多重条件送信部８が、入力信号処理部１から多重する信号の制約条件を取得して学習装置２００の入力信号処理部２１に送信する（ステップＳ１１）。多重条件送信部８が送信する制約条件の一例は、図６に示す、多重化処理部２が多重する対象の各信号の送信電力比および位相である。制約条件は、例えば、多重条件送信部８のメモリに書き込まれ、データ圧縮が行われた後に、送信装置１００ａから学習装置２００へ、両装置に設置されたアンテナから無線通信で送信される。

学習装置２００は、ステップＳ１１で受信した制約条件を用いてステップＳ３ａ～Ｓ８ａを実行することでＮＮの学習、すなわち、ＮＮパラメータの更新を行う。

＜プルーニングステップ＞
図１７は、実施の形態２にかかる送信装置１００ａおよび学習装置２００がプルーニングステップを実行する際の動作の一例を示すフローチャートである。なお、実施の形態１と同様の動作については説明を省略する。図１７内の破線で囲んだ部分は送信装置１００ａで実施する動作であり、その他は学習装置２００で実施する動作である。

図１７に示すフローチャートのステップＳ９ａ～Ｓ１０ａは、図１２に示すフローチャートのステップＳ９～Ｓ１０と同様の処理であるが、学習装置２００において実行される点が異なる。これらのステップＳ９ａ～Ｓ１０ａについては説明を省略する。

学習装置２００においてステップＳ９ａおよびＳ１０ａを実行した後、学習結果送信部２８が、送信装置１００ａにＮＮのパラメータを送信する（ステップＳ１２）。学習結果送信部２８がＮＮパラメータを送信する手順は、送信装置１００ａの多重条件送信部８が信号の制約条件を送信する手順と同様であるため、説明を省略する。

送信装置１００ａの学習結果設定部１０は、学習装置２００の学習結果送信部２８が送信したＮＮパラメータを受信すると、受信したＮＮパラメータに従い、多重化処理部２を構成するＮＮのパラメータを更新する。この処理によって、学習装置２００の多重化処理部２２のＮＮパラメータと送信装置１００ａの多重化処理部２のＮＮパラメータとが完全に一致し、両者が同じ多重信号を生成できるようになる。

＜運用ステップ＞
学習済みのＮＮを利用して送信装置１００ａが多重信号を生成する運用ステップの動作は実施の形態１と同じであるため、説明を省略する。

以上のように、実施の形態２にかかる送信装置１００ａは、多重化処理の対象の信号の制約条件を外部の学習装置２００へ送信し、学習装置２００は、受信した制約条件に基づいて学習を行い、信号を多重化するＮＮのパラメータを更新する。また、学習装置２００は、プルーニングを行い、得られた学習結果、具体的には、ＮＮのパラメータを、送信装置１００ａへ送信する。送信装置１００ａは、学習装置２００での学習結果に基づいて、多重化処理部２のＮＮのパラメータを更新する。これにより、送信装置１００ａの計算機資源が枯渇しておりオンボードで学習が行えない場合でも、多重化処理部２のＮＮのパラメータを更新することができ、実施の形態１にかかる送信装置１００と同様の効果を得ることができる。

なお、図１５に示す構成では送信装置１００ａから学習装置２００に制約条件を送信することとしたが、学習装置２００が予め制約条件を保持していてもよい。

以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、実施の形態同士を組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１，２１ 入力信号処理部、２，２２ 多重化処理部、３，２３ 多重信号生成部、４，２４ 評価関数計算部、５，２５ 学習実行部、６，２６ パラメータ監視部、７，２７ プルーニング部、８ 多重条件送信部、１０ 学習結果設定部、２８ 学習結果送信部、１００，１００ａ 送信装置、１１０ 学習動作ブロック、１２０ プルーニング動作ブロック、１３０ 運用動作ブロック、２００ 学習装置。

Claims (8)

1. 複数のデータが多重化された多重化データに基づいて多重信号を生成する多重信号生成部と、
   前記多重信号の振幅と前記多重信号に含まれる複数のデータの間の位相差とで定義される制約条件に基づきパラメータが調整済のニューラルネットワークで前記複数のデータを多重化して前記多重信号を生成する多重化処理部と、
   を備え、
   前記ニューラルネットワークは、パラメータの更新内容と、更新後のパラメータを用いて生成した多重化データに基づき生成された多重信号とに基づいてプルーニングが実施されている、
   ことを特徴とする送信装置。
2. 前記多重化処理部は、それぞれがＭ値（Ｍは２以上）をとるＮ個（Ｎは２以上）のデータを前記ニューラルネットワークで多重化してＭ^N個の信号点で表される前記多重化データを生成する、
   ことを特徴とする請求項１に記載の送信装置。
3. 前記ニューラルネットワークのパラメータの更新内容と、更新後のパラメータを用いて生成した多重化データに基づき生成された多重信号とを監視し、前記ニューラルネットワークの各パラメータが前記多重信号の周波数、位相および振幅のいずれに関するものかを特定するパラメータ監視部と、
   前記パラメータ監視部による特定結果に基づいて前記ニューラルネットワークのプルーニングを行うプルーニング部と、
   を備えることを特徴とする請求項１または２に記載の送信装置。
4. 前記制約条件と、前記多重信号とに基づいて、前記ニューラルネットワークの評価関数を計算する評価関数計算部と、
   前記評価関数に基づいて前記ニューラルネットワークのパラメータを更新する学習実行部と、
   を備えることを特徴とする請求項１から３のいずれか一つに記載の送信装置。
5. 学習装置でパラメータの調整およびプルーニングが実施された状態のニューラルネットワークのパラメータを前記学習装置から取得し、取得したパラメータに従い、前記多重化処理部が備えるニューラルネットワークのパラメータを更新する学習結果設定部、
   を備えることを特徴とする請求項１または２に記載の送信装置。
6. 複数のデータが多重化された多重化データに基づいて多重信号を生成する第１ステップと、
   前記多重信号の振幅と前記多重信号に含まれる複数のデータの間の位相差とで定義される制約条件に基づきパラメータが調整済のニューラルネットワークで前記複数のデータを多重化して前記多重信号を生成する第２ステップと、
   を含み、
   前記ニューラルネットワークは、パラメータの更新内容と、更新後のパラメータを用いて生成した多重化データに基づき生成された多重信号とに基づいてプルーニングが実施されている、
   ことを特徴とする送信方法。
7. 複数のデータが多重化された多重化データに基づいて生成した多重信号を送信する送信装置を制御する制御回路であって、
   前記多重信号の振幅と前記多重信号に含まれる複数のデータの間の位相差とで定義される制約条件に基づきパラメータが調整済のニューラルネットワークで前記複数のデータを多重化して前記多重信号を生成する処理、
   を前記送信装置に実行させ、
   前記ニューラルネットワークは、パラメータの更新内容と、更新後のパラメータを用いて生成した多重化データに基づき生成された多重信号とに基づいてプルーニングが実施されている、
   ことを特徴とする制御回路。
8. 複数のデータが多重化された多重化データに基づいて生成した多重信号を送信する送信装置を制御するプログラムを記憶する記憶媒体であって、
   前記プログラムは、
   前記多重信号の振幅と前記多重信号に含まれる複数のデータの間の位相差とで定義される制約条件に基づきパラメータが調整済のニューラルネットワークで前記複数のデータを多重化して前記多重信号を生成する処理、
   を前記送信装置に実行させ、
   前記ニューラルネットワークは、パラメータの更新内容と、更新後のパラメータを用いて生成した多重化データに基づき生成された多重信号とに基づいてプルーニングが実施されている、
   ことを特徴とする記憶媒体。

Images