[发明专利]基于深度学习的空间调制接收端译码方法

说明书

本发明提供了一种基于深度学习的空间调制接收端译码方法，包括：构造深度神经译码网络，并初始化训练参数；在空间调制系统发射机发送训练序列，接收机接受信号，由此产生大量训练数据，同时发射机随机发射信号，以此生成验证数据集；利用训练数据集对构建的神经网络模型进行训练，得到训练好的神经网络，然后用验证集验证网络评估神经网络，若不符合要求，改变参数继续训练直至神经网络收敛；将训练好的升级网络部署在空间调制的接收端，对接受信号y进行译码，得到发射符号的估计。

技术领域

本发明涉及无线通信技术领域，特别涉及一种基于深度学习的空间调制译码方法。

背景技术

近年来，随着无线通信技术与无线容量需求的迅猛增长，能效性问题愈发引起了人们的关注。空间调制，其基本思想是利用激活天线的索引和幅度相位信号来传输信息。空间调制技术是介于贝尔实验室空时分结构与空时分组码之间的中间路线，能够实现空间复用与空间分集的良好平衡。作为一种新兴的传输技术，空间调制近些年来引起了学术界和工业界的广泛关注。

深度学习是机器学习领域的技术之一，在图像、语音、自然语言等领域被广泛应用。由于数据学习能力强，深度学习最近被引入无线物理层。如毫米波信道估计，信道状态信息反馈，数据检测，并取得了优异的成绩。

本文开发了一种用于空间调制接收端译码检测的深度学习网络，在已有的深度学习检测器改变基本层内连接，得到了该网络的结构，通过深度学习提高了译码性能。

仿真结果表明，该算法从大量数据中学习最优参数，性能明显优于迫零算法和MMSE算法。

发明内容

本发明的目的在于提供一种基于深度学习的空间调制接收端译码方法，包括以下步骤：

S1，构造深度神经译码网络，并初始化训练参数；

S2，在空间调制系统发射机发送训练序列，接收机接受信号，由此产生大量训练数据，同时发射机随机发射信号，以此生成验证数据集；

S3，利用训练数据集对构建的神经网络模型进行训练，得到训练好的神经网络，然后用验证集验证网络评估神经网络，若不符合要求，改变参数继续训练直至神经网络收敛；

S4，将训练好的升级网络部署在空间调制的接收端，对接受信号y进行译码，得到发射符号的估计。

进一步地，步骤S1中所构建神经网络的每一层都是一样的，每一层中H 表示信道矩阵，Y表示天线接收的信号，S_k E_k表示神经网络第k层输出的星座图符号和天线符号向量，V_k为第k层到第k+1层网络的隐藏连接量。

进一步地，在神经网络译码结的每一层内分块设计输入和输出，同时把天线索引和星座图索引分开译码。

进一步地，训练数据由发射机发射训练序列，接收机保存接收信号和信道状态信息，其中把发射符号按照天线索引和星座图符号对接收到的信号添加标签，以此构成训练数据集。

进一步地，采用分批处理的随机梯度下降算法训练网络，同时采用指数衰减的学习率；其中，每一百次迭代训练后采用验证集决定是否提前终止训练。

本发明与现有技术相比，具有以下优点：本发明提出的基于深度学习的译码方法，具有如下优点：1.本方法实现了神经网络与空间调制的结合；2. 本方法相比于最大似然译码算法，采用并行神经网络译码，降低译码复杂度，加快译码时间；3.与迫零算法和MMSE算法相比，本方法误码率方面的性能有较大的提升。

下面结合说明书附图对本发明作进一步描述。

附图说明

图1为基于深度学习的算法的译码结构框图。

图2所示为基于深度学习的算法设计框图。