[发明专利]一种降低基于自动编码器的通信物理层传输系统复杂度的方法

说明书

本发明涉及一种降低基于自动编码器的通信物理层传输系统复杂度的方法，属于移动通信技术领域。该方法包括：生成一系列二进制比特流；对比特流按多元数字频带调制方式组合成比特对并将比特对转换成整数；在基本的自动编码器网络中引入嵌入层并构建物理层传输系统；利用转换后的整数索引训练自动编码器网络并实现物理层数据传输过程。本发明提出了一种低复杂度自动编码器网络结构来实现通信物理层传输系统，能够降低传输系统的复杂度和系统储存开销。

技术领域

本发明属于移动通信技术领域，涉及一种降低基于自动编码器的通信物理层传输系统复杂度的方法。

背景技术

移动通信系统中的物理层技术在十几年内已经取得了长足的进步。物理层中大多数信号处理算法在信息论和统计理论等数学理论中有着坚实的基础，并且对于大多数线性、平稳的数学模型而言通常是最佳的。但是在实际通信系统中，许多非线性的信道因素(如非线性功率放大器、有限分辨率量化等)使得传统数学模型只能逼近最优解。因此，深度学习对于非线性特征强大的抽象能力使得基于深度学习的通信系统能够取得相对于传统系统更好的表现。另一方面，传统的物理层传输系统是将信号处理过程分割成一系列独立的模块，每个模块实现不同的功能(如信源编码、信道编码、调制、信道均衡等)。尽管这种方式已经被实践证明是有效的和可控的，但是对每个独立模块的单独优化并不能确保端到端通信取得最优的表现。因此，对通信系统中各个功能模块联合优化是未来的必然趋势。运用传统的数学统计方法进行联合优化会使得系统的复杂度大大增加，而深度学习中的神经网络由于是一体化结构并且已经实现了在并发体系结构上的高度并行化数据处理，因此，基于深度学习的物理层传输系统将打破传统通信系统的限制并能够实现低能耗、高效率的信号处理过程。

英文文献“Deep Learning Based Communication Over the Air”(SCI索引号：WOS:000426010500011)中利用了软件无线电平台和深度学习库将基于自动编码器的通信物理层传输系统应用在实际信道环境中，提出了一种新的神经网络解决帧同步问题以及提出了一种基于迁移学习的方法来应对在实际信道中遇到的挑战。英文文献“Backpropagating Through the Air:Deep Learning at Physical Layer WithoutChannel Models”(SCI索引号： WOS:000449977700025)中引入了同步扰动随机逼近算法来模拟误差反向传播过程中信道层的梯度，解决了基于自动编码器的通信物理层传输系统在实际通信环境中应用时信道模型未知的问题。但是，使用上述方法，当输入符号比特位数增加时，深度学习中神经网络模型的复杂度会大大增加，训练数据的需求也会大大增加，接收端误比特率也会相应增加，大大的增加了传输系统的复杂度和开销。

发明内容

有鉴于此，本发明的目的在于提供一种基于自动编码器的低复杂度通信物理层传输系统，解决当输入符号中包含的比特数增加时，基于自动编码器的通信物理层传输系统复杂度过大的问题。即在尽量不影响接收端误比特率的条件下对网络结构进行了简化，使得系统能够以低复杂度、高存储效率地实现通信物理层传输过程。

为达到上述目的，本发明提供如下技术方案：

一种降低基于自动编码器的通信物理层传输系统复杂度的方法，主要包括：首先生成一系列二进制比特流；然后对比特流按多元数字频带调制方式组合成比特对并将比特对转换成整数；其次在基本的自动编码器网络中引入嵌入层并构建物理层传输系统；最后利用转换后的整数索引训练自动编码器网络并实现物理层数据传输过程。该方法具体包括以下步骤：

S1：生成二进制比特流；

S2：将二进制比特流按M元数字频带调制方式组合成比特对；

S3：将S2中的比特对转换为整数索引值；

S4：构建初步的基于自动编码器网络的通信物理层传输系统；