[发明专利]一种LSTM与ResNets辅助的深度学习端到端智能通信方法与系统有效
申请号: | 202111113281.8 | 申请日: | 2021-09-18 |
公开(公告)号: | CN113852434B | 公开(公告)日: | 2023-07-25 |
发明(设计)人: | 张皓天;姜园;张琳 | 申请(专利权)人: | 中山大学 |
主分类号: | H04B17/391 | 分类号: | H04B17/391;H04W24/02;H04W24/06;G06N3/0442;G06N3/0464;G06N3/084;G06N3/096 |
代理公司: | 广州粤高专利商标代理有限公司 44102 | 代理人: | 林丽明 |
地址: | 510275 广东*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 lstm resnets 辅助 深度 学习 端到端 智能 通信 方法 系统 | ||
1.一种LSTM与ResNets辅助的深度学习端到端智能通信方法,其特征在于,包括以下步骤:
S1:随机生成二进制数据作为用户待发送数据;
S2:设定仿真信道环境;
S3:初始化深度神经网络,所述深度神经网络包括发送块、噪声层和接收块,步骤S1随机生成的二进制数据经所述发送块处理后输出至噪声层中;
S4:所述噪声层根据步骤S2设定的仿真信道环境对经发送块处理后的信号进行加扰加噪,并发送至所述接收块中;
S5:所述接收块使用与所述发送块相反的处理后得到估计的用户数据;
S6:根据步骤S5得到的估计的用户数据与步骤S1中用户待发送数据之间的差异,训练所述深度神经网络;
S7:将训练完成后的发送块设置于通信发送端,将需要发送的二进制数据比特作为发送块的输入向量,并将发送块的输出向量作为发送信号发射至无线信道中,将训练完成后的接收块设置于通信接收端,通信接收端接收到信号后,将其作为接收块的输入向量,经过处理后得到估计的用户发送数据;
步骤S3中所述深度神经网络的发送块包括一个LSTM层、一个全连接层和一个正则化层,其中LSTM层的输入为用户待发送数据,LSTM层的输出与LSTM层的输入叠加后作为全连接层的输入,形成ResNets结构,全连接的输出为正则化层的输入,正则化层的输出为噪声层的输入;
所述用户待发送数据先转换为one-hot向量后,再输入至发送块的LSTM层;
所述深度神经网络的接收块包括两个全连接层和一个带ResNets结构的LSTM单元,其中:
其中一个全连接层的输入为噪声层的输出,输出为带ResNets结构的LSTM单元的输入,带ResNets结构的LSTM单元的输出与一个全连接层的输出叠加作为另一个全连接层的输入,另一个全连接层的输出为用户待发送数据先转换为one-hot向量的映射得到的概率向量,将概率向量中最大元素的序号判断为用户发送信息,并以此得到估计的用户数据;
步骤S6根据步骤S5得到的估计数据与步骤S1中随机生成的二进制数据之间的差异,训练所述深度神经网络,具体为:
通过预设定的损失函数,将根据深度神经网络输出的估计的用户数据与用户待发送数据来计算二者间的损失函数值,定量地衡量实际输出与期望输出间的差异,随后,通过反向传播算法,计算得到损失值对深度神经网络中各个可训练参数的偏导,以此利用预设定的优化算法对深度神经网络参数进行更新,从而减少深度神经网络的估计的用户数据与用户待发送数据之间的差异。
2.根据权利要求1所述的LSTM与ResNets辅助的深度学习端到端智能通信方法,其特征在于,步骤S2中设定信道仿真环境,具体为:
当实际信道环境已知,在直接按照已知的实际信道环境的概率分布进行仿真;
若实际信道环境未知,则通过对抗生成网络自适应地拟合、学习未知信道的概率分布进行仿真。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中山大学,未经中山大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111113281.8/1.html,转载请声明来源钻瓜专利网。