本申请公开了一种基于卷积自编码器的接收机纠错编码方法及装置，方法包括：对输入发射端的比特流信号外层编码，得到复数符号并分组；将分组后的每一块符号依次经过基于卷积神经网络的预设编码器扩展，得到预设倍扩展后的符号，并利用基于FTN的脉冲成型调制至模拟信号上；经信道传输后，以FTN采样并匹配滤波后得到采样符号，得到量化后的符号，依次经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号；聚合为新的复数符号，并解调得到重建码本，再经过外层解码得到重建的比特流信息。由此，解决了相关技术中的纠错编码方法
(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 115208515 A (43)申请公布日 2022.10.18 (21)申请号 4.3 (22)申请日 2022.07.06 (71)申请人 清华大学 地址 100084 北京市海淀区清华园1号 (72)发明人 王劲涛曾睿陆智麟张超 潘长勇 (74)专利代理机构 北京清亦华知识产权代理事 务所(普通合伙) 11201 专利代理师 李雪静 (51)Int.Cl. H04L 1/00 (2006.01) 权利要求书2页 说明书13页 附图3页 (54)发明名称 基于卷积自编码器的接收机纠错编码方法 及装置 (57)摘要 本申请公开了一种基于卷积自编码器的接 收机纠错编码方法及装置，方法包括：对输入发 射端的比特流信号外层编码，得到复数符号并分 组；将分组后的每一块符号依次经过基于卷积神 经网络的预设编码器扩展，得到预设倍扩展后的 符号，并利用基于FTN的脉冲成型调制至模拟信 号上；经信道传输后，以FTN采样并匹配滤波后得 到采样符号，得到量化后的符号，依次经过基于 卷积神经网络的预设解码器得到原始分组块长 的重建符号；聚合为新的复数符号，并解调得到 重建码本，再经过外层解码得到重建的比特流信 A 息。由此，解决了相关技术中的纠错编码方法无 5 法有效补偿接收机低精度量化对信道编码的性 1 5 8 能损失，且编码器存储和计算的开销较高等问 0 2 5 题。 1 1 N C CN 115208515 A 权利要求书 1/2页 1.一种基于卷积自编码器的接收机纠错编码方法，其特征在于，所述方法应用于单输 入单输出SISO点对点通信系统的低于预设精度的接收机中，包括以下步骤： 由输入发射端的比特流信号进行外层编码，得到编码后的码本，并将所述码本调制得 到复数符号，且将所述复数符号按预设块长进行分组； 将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行扩展，得到预设 倍扩展后的符号，并将所述扩展后的符号利用基于超奈奎斯特速率FTN的脉冲成型调制至 模拟信号上； 在所述模拟信号经信道传输后，以FTN采样并匹配滤波后得到采样符号，并经过接收机 对所述采样符号进行量化，得到量化后的符号，将所述量化后的符号经过基于卷积神经网 络的预设解码器得到原始分组块长的重建符号；以及 将所有分组的重建符号聚合为新的复数符号，并解调得到重建码本，以根据所述重建 码本进行外层解码得到重建的比特流信息。 2.根据权利要求1所述的方法，其特征在于，所述扩展后的符号的表示公式为： T x ＝f(d ,θ)＝[x ,x ,…,x ] ， k k e k1 k2 kGN 其中，d 表示分组后的每一块符号，θ表示所述的预设编码器f的网络参数，x 表示所述 k e k 基于卷积神经网络的预设编码器得到G倍扩展后的符号。 并且，所述重建符号的表示公式为： 其中，θ表示所述预设解码器g的网络参数，r 表示量化符号。 d k 3.根据权利要求1所述的方法，其特征在于，在纠错编码之前，还包括： 获取用于刻画信道状态的信道矩阵，并生成比特流数据，得到数据集； 利用所述数据集进行端到端训练，其中，在端到端的训练过程中，采用软量化函数近似 方式逐步增加温度因子，直至达到预设网络收敛条件，生成所述基于卷积神经网络的预设 编码器和/或所述基于卷积神经网络的预设解码器。 4.根据权利要求1‑3任一项所述的方法，其特征在于，所述基于卷积神经网络的预设编 码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到。 5.一种基于卷积自编码器的接收机纠错编码装置，其特征在于，所述装置应用于单输 入单输出SISO的点对点通信系统的低于预设精度的接收机中，包括： 分组模块，用于由输入发射端的比特流信号进行编码，得到编码后的码本，并将所述码 本调制得到复数符号，且将所述复数符号按预设块长进行分组； 扩展模块，用于将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行 扩展，得到预设倍扩展后的符号，并将所述扩展后的符号利用基于超奈奎斯特速率FTN的脉 冲成型调制至模拟信号上； 处理模块，用于在所述模拟信号经信道传输后，以FTN采样并匹配滤波后得到采样符 号，并经过接收机对所述采样符号进行量化，得到量化后的符号，将所述量化后的符号经过 基于卷积神经网络的预设解码器得到原始分组块长的重建符号；以及 重建模块，用于将所有分组的重建符号聚合为新的复数符号，并解调得到重建码本，以 根据所述重建码本得到重建的比特流信息。 2 2 CN 115208515 A 权利要求书 2/2页 6.根据权利要求5所述的装置，其特征在于，所述扩展后的符号的表示公式为： T x ＝f(d ,θ)＝[x ,x ,…,x ] ， k k e k1 k2 kGN 其中，d 表示分组后的每一块符号，θ表示所述的预设编码器f的网络参数，x 表示所述 k e k 基于卷积神经网络的预设编码器得到G倍扩展后的符号。 并且，所述重建符号的表示公式为： 其中，θ表示所述预设解码器g的网络参数，r 表示量化符号。 d k 7.根据权利要求5所述的装置，其特征在于，还包括： 计算模块，用于在纠错编码之前，获取用于刻画信道状态的信道矩阵，并生成比特流数 据，得到数据集； 训练模块，用于在纠错编码之前，利用所述数据集进行端到端训练，其中，在端到端的 训练过程中，采用软量化函数近似方式逐步增加温度因子，直至达到预设网络收敛条件，生 成所述基于卷积神经网络的预设编码器和/或所述基于卷积神经网络的预设解码器。 8.根据权利要求5‑7任一项所述的装置，其特征在于，所述基于卷积神经网络的预设编 码器的预设倍扩展由脉冲成型的根号升余弦滚降系数得到。 9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所 述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1‑4任一项所 述的基于卷积自编码器的接收机纠错编码方法。 10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器 执行，以用于实现如权利要求1‑4任一项所述的基于卷积自编码器的接收机纠错编码方法。 3 3 CN 115208515 A 说明书 1/13页 基于卷积自编码器的接收机纠错编码方法及装置 技术领域 [0001] 本申请涉及通信技术领域，特别涉及一种基于卷积自编码器的接收机纠错编码方 法及装置。 背景技术 [0002] 相关技术中，面向低精度接收机的基于深度学习的纠错编码方法，通过自编码器 实现了对低精度量化导致的性能损失的补偿，在低精度量化的非线性失真影响下，可以降 低性能损失。 [0003] 然而，相关技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的 性能损失，且编码器存储和计算的开销较高等问题，亟待解决。 发明内容 [0004] 本申请提供一种基于卷积自编码器的接收机纠错编码方法及装置，以解决相关技 术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失，且编码器存 储和计算的开销较高等问题。 [0005] 本申请第一方面实施例提供一种基于卷积自编码器的接收机纠错编码方法，其特 征在于，所述方法应用于SISO(Single Input Single Output，单输入单输出)的点对点通 信系统的低于预设精度的接收机中，包括以下步骤：由输入发射端的比特流信号进行外层 编码，得到编码后的码本，并将所述码本调制得到复数符号，且将所述复数符号按预设块长 进行分组；将分组后的每一块符号依次经过基于卷积神经网络的预设编码器进行扩展，得 到预设倍扩展后的符号，并将所述扩展后的符号利用基于FTN(Faster‑Than‑Nyquist signaling，超奈奎斯特)的脉冲成型调制至模拟信号上；在所述模拟信号经信道传输后，以 FTN速率采样并匹配滤波后得到采样符号，并经过接收机对所述采样符号进行量化，得到量 化后的符号，将所述量化后的符号经过基于卷积神经网络的预设解码器得到原始分组块长 的重建符号；将所有分组的重建符号聚合为新的复数符号，并解调得到重建码本，以根据所 述重建码本进行外层解码得到重建的比特流信息。 [0006] 可选地，在本申请的一个实施例中，所述扩展后的符号的表示公式为： [0007] T x ＝f(d ,θ)＝[x ,x ,…,x ] ， k k e k1 k2 kGN [0008] 其中，d 表示分组后的每一块符号，θ表示所述的预设编码器f的网络参数，x表示 k e k 所述基于卷积神经网络的预设编码器得到G倍扩展后的符号。 [0009] 并且，所述重建符号的表示公式为： [0010] [0011] 其中，θ表示所述预设解码器g的网络参数，r 表示量化符号。 d k [0012] 可选地，在本申请的一个实施例中，本申请实施例的方法还包括：获取用于刻画信 道状态的信道矩阵，并生成比特流数据，得到数据集；利用所述数据集进行端到端训练，其 中，在端到端的训练过程中，采用软量化函数近似方式逐步增加温度因子，直至达到预设网 4 4 CN 115208515 A 说明书 2/13页 络收敛条件，生成所述基于卷积神经网络的预设编码器和/或所述基于卷积神经网络的预 设解码器。 [0013] 可选地，在本申请的一个实施例中，所述基于卷积神经网络的预设编码器的预设 倍扩展由脉冲成型的根号升余弦滚降系数得到。 [0014] 本申请第二方面实施例提供一种基于卷积自编码器的接收机纠错编码装置，其特 征在于，所述装置应用于SISO的点对点通信系统的低于预设精度的接收机中，包括：分组模 块，用于由输入发射端的比特流信号进行外层编码，得到编码后的码本，并将所述码本调制 得到复数符号，且将所述复数符号按预设块长进行分组；扩展模块，用于将分组后的每一块 符号依次经过基于卷积神经网络的预设编码器进行扩展，得到预设倍扩展后的符号，并将 所述扩展后的符号利用基于FTN的脉冲成型调制至模拟信号上；处理模块，用于在所述模拟 信号经信道传输后，以FTN采样并匹配滤波后得到采样符号，并经过接收机对所述采样符号 进行量化，得到量化后的符号，将所述量化后的符号经过基于卷积神经网络的预设解码器 得到原始分组块长的重建符号；重建模块，用于将所有分组的重建符号聚合为新的复数符 号，并解调得到重建码本，以根据所述重建码本进行外层解码得到重建的比特流信息。 [0015] 可选地，在本申请的一个实施例中，所述扩展后的符号的表示公式为： [0016] T x ＝f(d ,θ)＝[x ,x ,…,x ] ， k k e k1 k2 kGN [0017] 其中，d 表示分组后的每一块符号，θ表示所述的预设编码器f的网络参数，x表示 k e k 所述基于卷积神经网络的预设编码器得到G倍扩展后的符号。 [0018] 并且，所述重建符号的表示公式为： [0019] [0020] 其中，θ表示所述预设解码器g的网络参数，r 表示量化符号。 d k [0021] 可选地，在本申请的一个实施例中，本申请实施例的装置还包括：计算模块，用于 在纠错编码之前，获取用于刻画信道状态的信道矩阵，并生成比特流数据，得到数据集；训 练模块，用于在纠错编码之前，利用所述数据集进行端到端训练，其中，在端到端的训练过 程中，采用软量化函数近似方式逐步增加温度因子，直至达到预设网络收敛条件，生成所述 基于卷积神经网络的预设编码器和/或所述基于卷积神经网络的预设解码器。 [0022] 可选地，在本申请的一个实施例中，所述基于卷积神经网络的预设编码器的预设 倍扩展由脉冲成型的根号升余弦滚降系数得到。 [0023] 本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存 储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述 实施例所述的基于卷积自编码器的接收机纠错编码方法。 [0024] 本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质 存储计算机程序，该程序被处理器执行时实现如上的基于卷积自编码器的接收机纠错编码 方法。 [0025] 本申请实施例可以将外层编码得到的码本调制得到复数符号并分组，并将分组后 的每一块符号依次经过基于卷积神经网络的预设编码器扩展，且利用基于FTN的脉冲成型 调制至模拟信号上，经信道传输后，以FTN采样并匹配滤波后得到采样符号经接收机量化， 从而得到原始分组块长的重建符号，并聚合为新的复数符号，经解调得到重建码本，进而外 5 5 CN 115208515 A 说明书 3/13页 层解码得到重建的比特流信息，从而可以有效的补偿接收机低精度量化对信道编码的性能 损失，减少编码器存储和计算的开销。由此，解决了相关技术中的纠错编码方法无法有效补 偿接收机低精度量化对信道编码的性能损失，且编码器存储和计算的开销较高等问题。 [0026] 本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本申请的实践了解到。 附图说明 [0027] 本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得 明显和容易理解，其中： [0028] 图1为根据本申请实施例提供的一种基于卷积自编码器的接收机纠错编码方法的 流程图； [0029] 图2为本申请一个具体实施例的基于卷积自编码器的接收机纠错编码方法的流程 图； [0030] 图3为本申请一个具体实施例的基于卷积自编码器接收机纠错编码的端到端训练 核心的流程图； [0031] 图4为本申请一个具体实施例的经恰当训练后的卷积自编码器对应的纠错编码方 法的误码率性能曲线为根据本申请实施例的基于卷积自编码器的接收机纠错编码装置的结构示意 图； [0033] 图6为根据本申请实施例提供的电子设备的结构示意图。 具体实施方式 [0034] 下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。 [0035] 下面参考附图描述本申请实施例的基于卷积自编码器的接收机纠错编码方法及 装置。针对上述背景技术中心提到的相关技术中的纠错编码方法无法有效补偿接收机低精 度量化对信道编码的性能损失，且编码器存储和计算的开销较高等问题，本申请提供了一 种基于卷积自编码器的接收机纠错编码方法，在该方法中，可以将外层编码得到的码本调 制得到复数符号并分组，并将分组后的每一块符号依次经过基于卷积神经网络的预设编码 器扩展，且利用基于FTN的脉冲成型调制至模拟信号上，经信道传输后，以FTN采样并匹配滤 波后得到采样符号经接收机量化，从而得到原始分组块长的重建符号，并聚合为新的复数 符号，经解调得到重建码本，进而外层解码得到重建的比特流信息，从而可以有效的补偿接 收机低精度量化对信道编码的性能损失，减少编码器存储和计算的开销。由此，解决了相关 技术中的纠错编码方法无法有效补偿接收机低精度量化对信道编码的性能损失，且编码器 存储和计算的开销较高等问题。 [0036] 具体而言，图1为本申请实施例所提供的一种基于卷积自编码器的接收机纠错编 码方法的流程示意图。 [0037] 如图1所示，该基于卷积自编码器的接收机纠错编码方法包括以下步骤： 6 6 CN 115208515 A 说明书 4/13页 [0038] 在步骤S101中，由输入发射端的比特流信号进行外层编码，得到编码后的码本，并 将码本调制得到复数符号，且将复数符号按预设块长进行分组。 [0039] 可以理解的是，本申请实施例可以由发射端将输入比特流信号s输入外编码器，得 到编码后的码本c，编码后的码本c经数字调制得到复数符号矢量d，其中，矢量的每个元素 都从数字星座图对应的有限集中选取，此时可以将复数符号矢量d按块长N分组，从而得到 一系列块长为N的符号矢量，提高复数符号的精确性的同时，提升下述步骤中基于卷积神经 网络的预设编码器进行扩展的效率。 [0040] 本领域技术人员应该理解到的是，本申请实施例可以根据预设通信需求或预设通 信系统确定纠错编码方法所使用的外编码器及其码率、数字星座调制方式等。 [0041] 举例而言，对于SISO的点对点通信系统，可以根据现有通信系统确定外编码器的 编码类型和编码效率η，以及确定M元调制方式，可以将长度为k bits的输入比特流信号s经 过外编码器后，得到长度为n bits的编码后的码本c，满足如下公式： [0042] η＝k/n [0043] 其中，η表示编码效率。 [0044] 接着，编码后的码本c经过M元调制后得到n/log M的复数符号d，并将复数符号d 2 按预设块长，如块长N分组，具体公式如下所示： [0045] [0046] 其中，d表示复数符号，满足 S＝n/(N log M),N＜＜n/log M。 2 2 [0047] 在步骤S102中，将分组后的每一块符号依次经过基于卷积神经网络的预设编码器 进行扩展，得到预设倍扩展后的符号，并将扩展后的符号利用基于FTN的脉冲成型调制至模 拟信号上。 [0048] 在实际执行过程中，本申请实施例可以将分组后的每一块符号d 依次经过基于卷 k 积神经网络的预设编码器进行扩展，例如，经过基于卷积神经网络的自编码器进行扩展，得 到预设倍扩展后的符号，例如，G倍扩展后的符号x ，其中，每一个新符号块的长度为GN。 k [0049] 需要说明的是，预设编码器和预设倍扩展由本领域技术人员根据实际情况进行设 置，在此不作具体限定。 [0050] 另外，自编码器可以先通过残差网络抽取信道特征及量化影响以得到多个通道特 征图，再通过时序分布的全连接层对各通道特征进行综合，最终对输入符号增加冗余实现 预编码，以对抗非线性失线] 举例而言，射频链路采用FTN技术，将x 经脉冲成型调制到模拟信号x(t)上，其速 k 率提升的倍数为G，其中，FTN技术会引入ISI(Inter Symbol Interference，符号间串扰)以 及有色噪声，可以经过训练良好的神经网络对其进行补偿，从而在提升传输速率的同时，无 需增加额外带宽。 [0052] 作为一种可能实现的方式，本申请实施例分组后的每一块符号d 依次经过基于卷 k 积神经网络的自编码器得到经过G倍扩展后的符号，扩展后的符号x 的表示公式为： k [0053] x ＝f(d ,θ)＝[x ,x ,…,x ]T k k e k1 k2 kGN [0054] 其中，d 表示分组后的每一块符号，θ表示预设编码器f的网络参数，x表示基于卷 k e k 积神经网络的预设编码器得到G倍扩展后的符号。 7 7 CN 115208515 A 说明书 5/13页 [0055] 其中，自编码器通过学习调制符号d 的最优表示特征合理的增加冗余，可以得到G k 被扩展后的待发送符号x ，以对抗低精度量化引入的非线] 需要说明的是，本申请实施例中的低精度为预设精度，可以由本领域技术人员根 据实际情况进行设置，在此不作具体限定。 [0057] 射频链路利用FTN传输技术，所有的待发送符号经脉冲成型后调制到模拟信号x (t)上，即： [0058] [0059] 其中，ρ表示发射功率，p(t)表示滚降系数为α的根号升余弦脉冲成型函数，T 表示 t 满足奈奎斯特传输的符号周期。 [0060] 另外，FTN传输技术可以利用根号升余弦滚降滤波器脉冲成型产生的剩余带宽，因 此，相比与不作任何扩展的系统，不会引入额外的带宽开销，此外，由于非正交的传输，FTN 还会引入ISI和有色噪声，可以经过训练良好的神经网络对其进行补偿，从而有效的降低了 用户端自编码器的部署开销。 [0061] 可选地，在本申请的一个实施例中，基于卷积神经网络的预设编码器的预设倍扩 展由脉冲成型的根号升余弦滚降系数得到。 [0062] 在实际执行过程中，基于卷积神经网络的预设编码器的预设倍扩展由脉冲成型的 根号升余弦滚降系数得到，例如，预设倍可以为G倍，G的取值范围与系统设计时确定的根号 升余弦滤波器的滚降系数α相关，且满足如下公式： [0063] G ＝2(1+α) max [0064] 其中，α表示根号升余弦滤波器的滚降系数。 [0065] 在步骤S103中，在模拟信号经信道传输后，以超奈奎斯特速率FTN采样并匹配滤波 后得到采样符号，并经过接收机对采样符号进行量化，得到量化后的符号，将量化后的符号 经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号。 [0066] 可以理解的是，本申请实施例可以在接收机接收到经过信道传输的模拟信号y(t) 后，以FTN采样并匹配滤波后得到块长为GN的采样符号y ，经接收机低精度量化，得到量化 k 后的符号r ，量化后的符号r经过基于卷积神经网络的自解码器G倍降维后得到原始分组块 k k 长为N的重建符号 从而可以有效的降低自解码器的存储和计算的复杂度，降低纠错编码 系统的功耗。 [0067] 其中，自解码器可以通过卷积层和残差收缩模块从有严重量化失真的冗余符号中 提取发送端符号信息，消除FTN带来的ISI和有色噪声的影响，再通过时序分布的全连接层 重建发送符号。 [0068] 需要说明的是，预设解码器由本领域技术人员根据实际情况进行设置，在此不作 具体限定。 [0069] 在部分实施例中，传输信号x(t)经过信道后，经匹配滤波得到接收信号y(t)，如下 公式所示： 8 8 CN 115208515 A 说明书 6/13页 [0070] [0071] 2 其中，*表示线性卷积，n(t)表示零均值高斯白噪声且每个时刻方差为σ。 [0072] 经FTN技术可以在t时刻采样，即： [0073] [0074] 其中，N表示块长。 [0075] 得到的接收符号可以满足下式，即： [0076] [0077] 其中，q [m‑i]满足如下公式： k [0078] [0079] 而n 满足如下公式： km [0080] [0081] 其中，n 为Ungerboeck模型表示的有色噪声。 km [0082] 需要说明的是，当m≠i时，q [m‑i]≠0，因此，会产生ISI，而n 为Ungerboeck模型 k km 表示的有色噪声，每一块采样符号y 可以表示为： k [0083] y ＝[y ,y ,…,y ] k k1 k2 kGN [0084] 每一块采样符号y 经过低精度接收机量化后得到量化符号r ，可以表示为： k k [0085] r ＝Q(y) k k [0086] 再经过基于卷积神经网络的自解码器得到重建符号 重建符号 的表示公式 为： [0087] [0088] 其中，θ表示预设解码器g的网络参数，r 表示量化符号。 d k [0089] 其中，自解码器从G倍扩展的带冗余的量化符号中提取原始符号特征，对传输符号 进行重建，同时去掉冗余并进行压缩，将维度与原始调制后的符号保持一致，从而有效的降 低用户端的存储和功率开销。 [0090] 在步骤S104中，将所有分组的重建符号聚合为新的复数符号，并解调得到重建码 本，以根据重建码本进行外层解码得到重建的比特流信息。 [0091] 在实际执行过程中，本申请实施例可以将所有分组的重建符号块聚合为复数符号 并经数字解调得到重建码本 最后重建码本 经过外解码器得到重建的比特流信息 例如，经过M元解调后得到长度为n bits重建码本 再按照编码效率η的外解码器进行解 9 9 CN 115208515 A 说明书 7/13页 码，得到k bits长的重建比特流信息 从而完成完整的通信传输过程，有效的降低了用户 端自编码器的部署开销的同时，降低了纠错编码系统的功耗。 [0092] 其中，接收端将所有分组符号块 进行聚合，得到n/log M的重建符号 满足如 2 下公式： [0093] [0094] 其中，表示重建符号。 [0095] 可选地，在本申请的一个实施例中，本申请实施例的方法还包括：获取用于刻画信 道状态的信道矩阵，并生成比特流数据，得到数据集；利用数据集进行端到端训练，其中，在 端到端的训练过程中，采用软量化函数近似方式逐步增加温度因子，直至达到预设网络收 敛条件，生成基于卷积神经网络的预设编码器和/或基于卷积神经网络的预设解码器。 [0096] 作为一种可能实现的方式，本申请实施例可以首先构建数据集，可以基于信道状 态生成或利用通信系统从实际通信场景中采集，以获得足够用于刻画信道条件的信道矩 阵，并生成批量原始比特流数据，经外编码器和调制处理后得到复数符号，按原始分组块长 N划分，从而将信道矩阵和复数符号作为训练数据，按合适的比例拆分成训练集和测试集， 并使得两个集合没有重复数据。 [0097] 接着，本申请实施例可以将利用数据集进行端到端训练，例如，自编码器和自解码 器经信道连接在一起进行端到端的训练，具体而言，将真值作为自编码器的输入，而自编码 器的输出作为发射端传输的符号，经FTN调制、信道传输、FTN解调和低精度接收量化后，送 入自解码器输出重建复数符号，并与真值计算MSE(Mean Square Error，均方误差)，整个自 编解码器网络前向传播计算损失函数MSE的值，并通过该损失函数值进行反向传播，在使用 链式法则获取各层梯度后，利用合理初始化的Adam优化器给出自适应的学习率，然后对各 层参数分别进行更新，从而实现基于卷积自编码器的纠错编码方法的端到端的低于预设精 度的接收机训练策略，有效的提高传输性能。 [0098] 需要说明的是，预设精度由本领域技术人员根据实际情况进行设置，在此不作具 体限定。 [0099] 在一些实施例中，本申请实施例中自编码器和自解码器网络需要通过端到端训练 的方式来获取合理冗余特征表示/有效信息提取的能力，端到端的训练过程用可导的软量 化函数替代理想阶梯量化函数，即采用软量化函数近似方式逐步增加温度因子T，使得可求 导的软量化函数逐渐逼近真实的硬量化阶梯函数，直至达到预设网络收敛条件，生成基于 卷积神经网络的预设编码器和/或基于卷积神经网络的预设解码器，例如，自编码器和自解 码器，保持端到端训练，逐步增加温度因子T并且减少学习率直到网络收敛，即可获取基于 卷积神经网络的自编码器设计和自解码器设计，有效避免了梯度失配问题。 [0100] 其中，设当前迭代周期的温度因子为T，则其对应的软量化函数为： [0101] [0102] 其参数更新求梯度的计算方式为： [0103] 10 10 CN 115208515 A 说明书 8/13页 [0104] 完成当前迭代周期后，对温度因子T进行更新： [0105] T←T+ΔT [0106] 需要注意的是，虽然网络训练时采用软量化函数辅助反向传播过程，但测试时仍 采用理想阶梯量化函数，即实际部署的纠错编码方法仍然采用不可导的量化函数。 [0107] 其中，自编码器和自解码器都可以部署在基站端和用户端，如TDD(Time Division Duplex，时分双工)系统共用一套训练好的自编解码器，或FDD(Frequency Division Duplex，频分双工)系统针对上下行信道分别训练一套。时序分布的全连接层相比于一般的 全连接层，在节省计算量和存储量的条件下仍能实现符号间信息的交互，本申请实施例利 用卷积神经网络和时序分布全连接层，从而替换原本自编码器中的全连接层，有效的降低 了存储量和计算量，另外，提出的卷积自编码器的参数量为原始全连接层自编码器的八分 之一，有利于资源受限的用户设备进行网络部署，从而降低整个通信系统的功耗。 [0108] 如图2所示，为本申请的一个具体实施例基于卷积自编码器的纠错编码方法，下面 对具体实施例的工作原理进行详细阐述。 [0109] S201：发射端将要传输的信息转换为比特流，且按比特位数分组传输，每组传输的 信息比特流为s。 [0110] S202：对固定长度的输入比特流s采用给定编码方式和编码效率的外编码器进行 编码，得到编码后的码本比特流c，其中，本申请可以选用1/3的Turbo编码、1/3的LDPC编码、 1/2的卷积编码等，且对编码生成矩阵不做限制。 [0111] S203：对码本比特流c按给定数字星座图进行调制，得到有限集元素组成的符号矢 量d，并将符号矢量d按块长为N分组为 对每个分组符号矢量d 分别传 k 输，其中，本申请中可以选用PSK、QAM、ASK等调制方式，但不建议使用无法用星座图表示的 FSK调制。 [0112] S204：将d 输入训练好的卷积自编码器，得到扩展G倍的符号x ，扩展后的符号带有 k k 一定的冗余信息，以对抗量化带来的非线：将扩展后的符号块x 利用FTN脉冲成型并调制到载波信号x(t)上，传输速率 k 得到提升，且引入自编码器对符号扩展后与不经过符号扩展相比，在不增加额外带宽消耗 的条件下，使得传输有效符号的速率保持不变。 [0114] S206：载波信号x(t)经过无线信道进行传输得到接收信号y(t)，接收信号中可能 含有噪声，根据无线信道的不同，信道的冲激响应和噪声的种类也不同，本申请不对信道条 件做任何假设。 [0115] S207：接收信号y(t)经FTN采样以及匹配滤波后，得到接收符号y ，再经过接收机 k 的低精度量化后得到量化符号r ，由于FTN技术的引入，接收符号中存在严重的ISI，且信道 k 的白噪声经作用后等效于有色噪声，但经后续自解码器处理容易被消除，本申请中接收机 的量化位数比常见的硬件的8bit精度低即可。 [0116] S208：将量化符号r 输入训练好的卷积自解码器，降维G倍以得到块长为N的重建 k 符号 量化符号r 中的ISI和有色噪声，以及量化引入的误差，都可以通过恰当训练的卷 k 积神经网络进行补偿。 [0117] S209：将分组的重建符号矢量 聚合为重建符号矢量 再经过给定的数字星座 11 11 CN 115208515 A 说明书 9/13页 图进行解调，获取重建码本 为了利于外解码器解码，本申请中可以使用软判决解调，获取 对应的比特软信息 [0118] S210：将重建码本或比特软信息 输入外解码器，按给定的编码方式和编码效率进 行译码得到重建比特流 本申请可利用迭代译码以获取更好的译码性能。 [0119] S211：接收端将重建比特流 转换为对应格式的信息，例如文本、图片、语音等。 [0120] 综上，本申请实施例可以使用卷积自编码器对低精度接收机引入的非线性失真进 行补偿，通过用卷积层和时序分布的全连接层替代一般的全连接层，可以将存储量压缩到 原本的1/8，同时也可以降低相同信噪比条件下的误码率。 [0121] 如图3所示，为本申请的一个具体实施例基于卷积自编码器的纠错编码方法的端 到端训练策略，下面对具体实施例的工作原理进行详细阐述。 [0122] S301：在训练过程的每一个迭代周期中，逐渐增加温度因子T的数值，使得对应的 软量化函数逐渐逼近理想的阶梯量化函数，T从较低值开始，软量化函数的梯度更大，更有 利于自编码器参数的更新。 [0123] S302：在训练过程中，使用软量化函数替代阶梯量化函数实现低精度量化，批处理 载入复数符号和信道矩阵等数据，进行整个自编解码器的前向计算，得到重建复数符号。 [0124] S303：利用原始符号和重建符号求出损失函数MSE。 [0125] S304：基于损失函数MSE进行反向传播，使用链式法则自动求导获取各层梯度。 [0126] S305：结合计算的各层梯度，利用优化器，如Adam和对应的学习率，对整个自编解 码器网络进行参数更新，当所有数据都参与训练后，执行步骤S301，进行下一个周期的迭 代。 [0127] 如图4所示，本申请实施例可以经过训练得到的自编解码器以及纠错编码方法的 误码率性能曲线，可以看到对于AWGN信道下的16‑QAM调制，不含自编码器网络的Turbo编码 在1‑bit量化下无法有效重建发射符号，而基于卷积自编码器的Turbo编码方案能够有效从 量化符号中提取并恢复原始符号，此外，相比于低通滤波，采用软量化辅助自编解码器的端 到端训练，能够有效解决梯度失配的问题。 [0128] 下面以一个具体实施例对本申请实施例的工作原理进行详细阐述，具体包括以下 步骤： [0129] 步骤S1：对于一个SISO系统，其采用编码效率为η＝1/3的Turbo码作为外编码器， 采用16‑QAM调制方式，Turbo编码的输入为k＝6144bit的比特流信号s，咬尾输出为n＝ 18444bit的码本c，按16‑QAM调制得到4611个复数符号d，将d按N＝64切分成73块，长度不足 64的块末尾补零对齐，每一块d 将实部和虚部作为两个特征通道，得到维度为2×64的符 k 号，作为自编码器的输入。 [0130] 步骤S2：将分组后的每一块符号d 输入自编码器网络得到G倍扩展后的符号x ，其 k k 中取G＝3，自编码器由1个残差结构和1个时序分布全连接层级联而成。 [0131] 其中，残差结构的残差分支包含1×11、1×5、1×3的卷积层，其通道数分别为128、 64、32，残差结构的跳跃分支包含一个1×1的卷积，其通道数为32，每个卷积层后都紧跟一 个批归一化层和一个ReLU激活函数，残差结构两条分支得到的特征相加，作为时序分布全 连接层的输入，得到维度为6×64的特征，再经过变形得到2×192的待发射符号x ，再利用 k FTN传输技术和滚降系数为α＝0.5的根号升余弦滤波器调制到模拟信号x(t)上。 12 12 CN 115208515 A 说明书 10/13页 [0132] 步骤S3：假设传输环境为AWGN信道，且接收机低精度量化为1bit。接收机接收到传 输的模拟信号y(t)后，经FTN技术采样并匹配滤波以得到采样符号y ，在经过1bit量化后得 k 到r ，对应的维度为2×192。对于1bit量化，每个符号的实部满足(虚部也一样)： k [0133] [0134] 接着，量化后的符号r 经过自解码器网络得到块长为2×64的重建符号 自解码 k 器由2个卷积层、6个残差压缩扩张模块和1个时序分布全连接层构成，2个卷积层卷积核都 为1×5，而通道数分别为256、20，每一个残差压缩扩张模块都包含两个1×(2r+1)的卷积 层、一个对卷积后的特征学习各通道注意力权重并对特征进行乘性加权的子网络、一个包 含1×1卷积层的跳跃连接，其中子网络包含平均池化层、全连接层、ReLU激活函数、全连接 层、Sigmoid激活函数，每个通道仅对应一个权值，每一层仅对应一个通道数，其中r和通道 维度分别为(10,128)、(5,128)、(3,64)、(2,64)、(2,32)、(1,32)。 [0135] 其中，每个卷积层后都紧跟一个批归一化层和一个ReLU激活函数，量化后的2× 192的符号首先经过第一个卷积层得到256×192的特征，接着依次经过6个残差压缩扩张模 块，分别得到128×192、128×192、64×192、64×192、32×192、32×192的特征，再经过第二 个卷积层得到20×192的特征，最后变形为60×64的特征经过时序分布的全连接层得到2× 64的重建符号 [0136] 步骤S4：将所有分组的符号块聚合为重建符号 去掉补零并实部、虚部合并后得 到4611个复数符号，再经过16‑QAM软解调得到18444的软判决输出 最后送入Turbo外解码 器迭代解码，得到长度为6144bit的重建比特流信息 [0137] 综上，本申请实施例可以训练数据由AWGN信道模型按不同信噪比条件进行生成， 在 条件下，基于Adam优化器对批量数据进行训练后，可以通过上述卷积自编码器 和自解码器网络，在 为[‑2,13]dB范围内进行传输。 [0138] 根据本申请实施例提出的基于卷积自编码器的接收机纠错编码方法，可以将外层 编码得到的码本调制得到复数符号并分组，并将分组后的每一块符号依次经过基于卷积神 经网络的预设编码器扩展，且利用基于FTN的脉冲成型调制至模拟信号上，经信道传输后， 以超奈奎斯特速率FTN采样并匹配滤波后得到采样符号经接收机量化，从而得到原始分组 块长的重建符号，并聚合为新的复数符号，经解调得到重建码本，进而外层解码得到重建的 比特流信息，从而可以有效的补偿接收机低精度量化对信道编码的性能损失，减少编码器 存储和计算的开销。由此，解决了相关技术中的纠错编码方法无法有效补偿接收机低精度 量化对信道编码的性能损失，且编码器存储和计算的开销较高等问题。 [0139] 其次参照附图描述根据本申请实施例提出的基于卷积自编码器的接收机纠错编 码装置。 [0140] 图5是本申请实施例的基于卷积自编码器的接收机纠错编码装置的方框示意图。 [0141] 如图5所示，该基于卷积自编码器的接收机纠错编码装置10包括：分组模块100、扩 展模块200、处理模块300和重建模块400。 13 13 CN 115208515 A 说明书 11/13页 [0142] 具体地，分组模块100，用于由输入发射端的比特流信号进行外层编码，得到编码 后的码本，并将码本调制得到复数符号，且将复数符号按预设块长进行分组。 [0143] 扩展模块200，用于将分组后的每一块符号依次经过基于卷积神经网络的预设编 码器进行扩展，得到预设倍扩展后的符号，并将扩展后的符号利用基于FTN的脉冲成型调制 至模拟信号上。 [0144] 处理模块300，用于在模拟信号经信道传输后，以超奈奎斯特速率FTN采样并匹配 滤波后得到采样符号，并经过接收机对采样符号进行量化，得到量化后的符号，将量化后的 符号经过基于卷积神经网络的预设解码器得到原始分组块长的重建符号。 [0145] 重建模块400，用于将所有分组的重建符号聚合为新的复数符号，并解调得到重建 码本，以根据重建码本进行外层解码得到重建的比特流信息。 [0146] 可选地，在本申请的一个实施例中，扩展后的符号的表示公式为： [0147] T x ＝f(d ,θ)＝[x ,x ,…,x ] ， k k e k1 k2 kGN [0148] 其中，d 表示分组后的每一块符号，θ表示所述的预设编码器f的网络参数，x表示 k e k 所述基于卷积神经网络的预设编码器得到G倍扩展后的符号。 [0149] 并且，重建符号的表示公式为： [0150] [0151] 其中，θ表示预设解码器g的网络参数，r 表示量化符号。 d k [0152] 可选地，在本申请的一个实施例中，本申请实施例的装置10还包括：计算模块和训 练模块。 [0153] 其中，计算模块，用于在纠错编码之前，获取用于刻画信道状态的信道矩阵，并生 成比特流数据，得到数据集。 [0154] 训练模块，用于在纠错编码之前，利用数据集进行端到端训练，其中，在端到端的 训练过程中，采用软量化函数近似方式逐步增加温度因子，直至达到预设网络收敛条件，生 成基于卷积神经网络的预设编码器和/或基于卷积神经网络的预设解码器。 [0155] 可选地，在本申请的一个实施例中，基于卷积神经网络的预设编码器的预设倍扩 展由脉冲成型的根号升余弦滚降系数得到。 [0156] 需要说明的是，前述对基于卷积自编码器的接收机纠错编码方法实施例的解释说 明也适用于该实施例的基于卷积自编码器的接收机纠错编码装置，此处不再赘述。 [0157] 根据本申请实施例提出的基于卷积自编码器的接收机纠错编码装置，可以将外层 编码得到的码本调制得到复数符号并分组，并将分组后的每一块符号依次经过基于卷积神 经网络的预设编码器扩展，且利用基于FTN的脉冲成型调制至模拟信号上，经信道传输后， 以超奈奎斯特速率FTN采样并匹配滤波后得到采样符号经接收机量化，从而得到原始分组 块长的重建符号，并聚合为新的复数符号，经解调得到重建码本，进而外层解码得到重建的 比特流信息，从而可以有效的补偿接收机低精度量化对信道编码的性能损失，减少编码器 存储和计算的开销。由此，解决了相关技术中的纠错编码方法无法有效补偿接收机低精度 量化对信道编码的性能损失，且编码器存储和计算的开销较高等问题。 [0158] 图6为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括： [0159] 存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程 14 14 CN 115208515 A 说明书 12/13页 序。 [0160] 处理器602执行程序时实现上述实施例中提供的基于卷积自编码器的接收机纠错 编码方法。 [0161] 进一步地，电子设备还包括： [0162] 通信接口603，用于存储器601和处理器602之间的通信。 [0163] 存储器601，用于存放可在处理器602上运行的计算机程序。 [0164] 存储器601可能包含高速RAM存储器，也可能还包括非易失性存储器(non‑ volatile memory)，例如至少一个磁盘存储器。 [0165] 如果存储器601、处理器602和通信接口603独立实现，则通信接口603、存储器601 和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构 (Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线] 可选地，在具体实现上，如果存储器601、处理器602及通信接口603，集成在一块芯 片上实现，则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。 [0167] 处理器602可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者 是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配 置成实施本申请实施例的一个或多个集成电路。 [0168] 本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序 被处理器执行时实现如上的基于卷积自编码器的接收机纠错编码方法。 [0169] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示 例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任 一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技 术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结 合和组合。 [0170] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性 或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者 隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个 等，除非另有明确具体的限定。 [0171] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括 一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分， 并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序， 包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的 实施例所属技术领域的技术人员所理解。 [0172] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用 于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供 15 15 CN 115208515 A 说明书 13/13页 指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执 行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设 备而使用。就本说明书而言，计算机可读介质可以是任何可以包含、存储、通信、传播或传 输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装 置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连 接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)， 可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器 (CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介 质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适 方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。 [0173] 应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述 实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件 或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术 中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散 逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程 门阵列(FPGA)等。 [0174] 本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步 骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介 质中，该程序在执行时，包括方法实施例的步骤之一或其组合。 [0175] 此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以 是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模 块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如 果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机 可读取存储介质中。 [0176] 上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描 述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限 制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变 型。 16 16 CN 115208515 A 说明书附图 1/3页 图1 图2 17 17 CN 115208515 A 说明书附图 2/3页 图3 图4 18 18 CN 115208515 A 说明书附图 3/3页 图5 图6 19 19
2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。
3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
一种光热增强降解抗生素污染物的复合纳米纤维膜及其制备方法与应用.pdf
用于离子型稀土矿淋洗尾水处理的阻垢剂和处理离子型稀土矿淋洗尾水的方法.pdf
2025-2026学年小学心理健康六年级上册北师大版（2019）教学设计合集.docx
原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者
