[发明专利]一种降低通信系统接收信号的噪声的方法及接收端和通信系统

说明书

本发明涉及一种降低通信系统接收信号的噪声的方法及接收端和通信系统。在接收端的解调单元和解码单元之间设置降噪单元，对解调后的信号进行降低噪声的处理；降噪单元采用机器学习算法，充分利用纠错编码的冗余信息，以降低译码序列的噪声。本发明首先基于已知序列对降噪模块网络进行训练，得到网络结构和参数，而后根据训练结果构建降噪单元；当接收机接收到信息序列时，信息序列首先通过降噪单元进行降噪，而后进行信息的纠错解码。本发明提出的降噪模块及其降噪方法可大大降低纠错解码的误码率，提高系统性能。

技术领域

本发明属于通信技术领域，具体涉及一种降低通信系统接收信号的噪声的方法及接收端和通信系统。

背景技术

在通信系统中，发端的纠错编码和收端的纠错解码是必不可少的两个单元模块，其做法是在原始的信息系列中加入冗余，进而在收端可对接收的错误序列进行纠正。图1为现有通信系统框图。

在通信系统中，接收信号受到通道噪声、其他信号对其干扰等影响。现有系统中采用低通滤波的方式消除频带外的噪声，采用均衡等方法去除信号之间的干扰后，信号将进入纠错解码模块进行解码。其解码特性取决于信号中的残余噪声能量，然而传统的低通滤波的方法只能滤除频带之外的噪声，而无法滤除信号频带内的噪声。

对于译码算法而言，传统的译码算法一般采用基于码字欧几里德距离最小化的序列译码或迭代译码算法，这类算法精确度高，是传统通信系统接收机中普遍采用的方法，然而其复杂度较高。另一方面，近年来，深度学习(Deep Learning，DL)由于其强大的解决复杂问题的能力，吸引了全世界的广泛关注。由于深度学习的助力，推进了大量领域的进步，如计算机视觉，自然语言处理，无人驾驶等。在通信系统领域，也出现了机器学习进行纠错解码的研究成果，例如基于神经网络的信道译码器称为神经网络译码器(neural networkdecoder，NND)。对于NND而言，只需要将信道接收到的符号经过堆叠的预训练好的神经网络层，就可以在神经网络的输出端得到译码结果。

然而无论传统的序列译码还是基于神经网络的译码算法，译码单元的输入信号都是带有噪声能量的，该噪声是与接收有用信号同频带的噪声，无法通过滤波器进行滤除。这些残留噪声的大小是影响系统误码性能的决定性因素。如果能够采用某种方法减低该噪声，则系统性能将大幅度提高。然而，基于现有的通信理论和算法，这些噪声是无法去除的。

发明内容

本发明针对上述问题，提供一种降低通信系统接收信号的噪声的方法及接收端和通信系统，基于深度学习的方法来降低通信系统接收信号的噪声，并对降噪后的编码信号进行译码。

本发明包括以下内容：

1.在接收端低通滤波及解调单元之后、纠错解码单元之前插入去除噪声的单元(降噪单元)，用来降低信号通过滤波等操作后的残留噪声。

2.降噪单元采用深度学习，构建降噪单元的结构并进行优化。该过程首先基于已知的信息序列对网络进行训练，得到网络参数，完成降噪单元。而后未知的信息序列可通过该降噪单元降低信号中的噪声，并将降噪后的信息序列进行纠错解码。

3.本发明所述方法包含了任何通过训练方法得到降噪单元结构与参数的方法。

4.本发明所述方法适用于任何纠错解码方法，包括传统的序列解码、以及近期出现的基于机器学习的译码算法。

5.本发明所述方法也包括了将降噪单元、解码单元等独立单元联合，构成统一单元并进行迭代优化的算法。

具体来说，本发明采用的技术方案如下：

本发明首先提供一种降低通信系统接收信号的噪声的方法，包括以下步骤：

在接收端的解调单元和解码单元之间设置降噪单元；所述降噪单元是基于已知的信息序列采用深度学习算法训练网络参数得到的降噪单元；