[发明专利]基于神经网络的信道均衡方法、译码方法及对应设备

说明书

本发明公开了一种基于神经网络的信道均衡方法和译码方法以及对应的设备，其中译码方法包括：S1：基于卷积神经网络，构建适用于存在码间干扰的线性信道均衡器以及非线性信道均衡器，利用反向传播算法对其进行训练得到最优解；S2：在卷积神经网络信道均衡器后面级联一个全连接的神经网络译码器，对经过信道均衡器后的恢复信号进行信道译码。本发明能够有效提升误码率性能，并且具有较强的自适应性。

技术领域

本发明涉及通信技术领域，尤其涉及一种基于神经网络的信道均衡方法、译码方法及对应设备。

背景技术

人工神经网络(Artificial Neural Network，ANN)是机器学习(MachineLearning，DL)中一种重要的数学模型，其具有强大的提取高维数据隐藏特征的能力，近几年在：目标识别、图像分类、药物发现、自然语言处理以及围棋等诸多领域，都取得了重大突破并且大大改善了原有的系统性能。因而人工神经网络被全世界学者广泛研究并且在商业应用中广泛部署。

信道均衡技术(Channel Equalization)是为了提高衰落信道中系统的传输性能而采取的一种抗衰落措施。它主要是为了消除或是减弱无线通信时的多径时延带来的码间串扰(Inter-symbol Interference，ISI)。大体上分为：线性与非线性均衡。对于带通信道的均衡较为困难，一般都是待接收端解调后在基带进行均衡，因此基带均衡技术有广泛应用。在实际中一般是加入自适应滤波器来实现信道均衡。近几年机器学习领域的一些非线性方法被用于一些复杂信道的均衡器实现，比如：支持向量机(Support Vector Machine，SVM)、高斯过程分类(Gaussian Process Classification，GPC)。

下面对信道均衡进行简单介绍。

通信网络信道模型如图1所示，其中，发送端的信号m经过信道编码器编码和调制后形成信号s，经由信道传输，接收端接收到的信号为r，均衡器的任务是将r尽可能大的概率恢复到原始传输信号s，实际恢复估计的信号为译码器的任务是将尽可能大的概率恢复到原始发送信号m，最后实际译码得到的信号为

其中，多径衰落信道的码间干扰可以用以下有限长度的FIR滤波器与传输信号的线性卷积来表示：v＝s*h，其中s表示经过信道编码器编码和调制后的信道输入，h为等效的滤波器系数向量，*表示线性卷积运算，而v表示带有码间干扰的传输信号。

由于通信系统中具有各种放大器和混合气等非线性器件，因此可能会对信号造成非线性失真效应，通常非线性失真用以下的函数来表示：r_i＝g[v_i]+n_i，其中g[·]表示等效的非线性失真函数，而n_i表示所传输信号第i位v_i上收到的高斯白噪声，r_i表示接收到的第i位信号。存在非线性失真、码间干扰和噪声的信道简称为非线性信道，而不存在非线性失真，只存在码间干扰和噪声的信道简称为线性信道。

信道均衡器的任务是将接收到的信号矢量r＝[r₁,r₂,...]尽可能以大的概率恢复到原始传输信号s。最大似然估计方法中是首先传输一段训练序列s⁰和r⁰，之后利用以下的最大似然估计估计出信道参数的最优估计经过训练之后，利用估计的信道参数可以按照以下概率恢复出接收信号：i＝1,2,...,N，虽然最大似然估计取得的性能较优，但是需要每次传输之前先传输训练序列对信道进行估计，并且需要较为准确地知道信道条件，无法实现盲均衡。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种基于神经网络的信道均衡方法、译码方法及对应设备，本发明具有高性能和强自适应性，还可以实现盲均衡。

技术方案：本发明所述的基于神经网络的信道均衡方法包括：