[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

说明书

本发明公开了一种LSTM与ResNets辅助的深度学习端到端智能通信方法，方法在端到端智能通信系统中应用长短期记忆单元来对实际通信系统中的分组比特序列进行联合编解码以及调制解调处理，以提升系统的误码率性能；同时，本发明提出在端到端智能通信系统中应用残差网络结构来有效提升神经网络的收敛速度，避免可能出现的梯度消失与梯度爆炸问题。

技术领域

本发明涉及通信技术领域，更具体地，涉及一种LSTM与ResNets辅助的深度学习端到端智能通信方法与系统。

背景技术

作为一种强大的机器学习算法，深度学习技术能高效地学习用户所需求的线性或非线性映射，并已广泛应用于图像分类、语音识别、语言翻译等各个领域。另一方面，在2019年3月举办的全球首届6G峰会中也提出，未来的通信系统需要加强与人工智能、机器学习深度融合，以进一步提升通信系统性能、实现智能通信。

目前已有的深度学习与通信系统相结合的研究，通常仅局限于使用深度学习对通信系统中的一个模块进行优化，例如解调、解码等。此种不同模块分别进行优化的思想，很可能无法取得全局最优值，进而限制系统所能达到的性能上限。与此同时，传统优化算法与模块化的基于深度学习的优化算法，二者在通信环境未知的情况下均难以取得令人满意的性能，这大大限制了5G等高速率通信系统在复杂环境下的实用性。最后，近年来通信技术的加速更新换代，也对通信基础设施的建设成本与设备的兼容可升级性带来了考验，这也更加凸显了智能通信系统能根据需求低成本地切换神经网络结构与调整参数的优势。

为了在解决上述问题的同时发挥深度学习的优势，基于深度学习的端到端智能通信系统被提出。该系统将整个传输系统视为一个黑盒模型，并通过神经网络实现对收发端各组成部分的联合优化，从而提供一个全局最优的，包含编码、调制、解调、解码过程实现的端到端智能通信系统。相比传统通信系统与分模块优化的机器学习辅助的通信系统，该端到端智能通信系统能有效适应未知通信环境以及通信设备或信道施加的非线性。同时，得益于深度学习技术的使用，该通信系统能快速、低成本地实现对通信算法与参数的优化。

不过，目前已有的端到端智能通信系统仍存在不足之处，其中最主要的就是在使用的神经网络结构上缺少针对通信应用的改良，故该系统在性能上仍有较大的提升空间。

公开日为2019年11月15日，公开号为CN110460402A的中国专利公开了一种基于深度学习的端到端通信系统建立方法。本发明方法分为两个阶段。首先是建立自编码器神经网络并复杂化信道层，以随机数仿真为训练集对网络进行初步训练，以获得一个对信道干扰有适应性的编码方式。之后是通过USRP收集大量实际信道下的通信数据并以此来作为训练集对译码层进行单独训练使其针对实际情况下的通信具有更好的性能。同样的，该专利虽然使用深度学习，但在使用的神经网络结构上缺少针对通信应用的改良。

发明内容

本发明的首要目的是提供一种LSTM与ResNets辅助的深度学习端到端智能通信方法，有效地利用用户数据，提升系统的通信性能。

本发明的进一步目的是提供一种LSTM与ResNets辅助的深度学习端到端智能通信系统

为解决上述技术问题，本发明的技术方案如下：

一种LSTM与ResNets辅助的深度学习端到端智能通信方法，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；