基于自编码器的无线通信系统

通信技术

• Communications Technology

12 •电子技术与软件工程 Electronic Technology & Software Engineering

【关键词】无线通信自编码器深度学习

无线通信系统至今已经从1G 发展到了5G ，并取得了较为成功的商业价值。相比于较为成熟的4G 系统，5G 的出现使得峰值速率、频谱利用率、用户体验速率等指标大幅度提高。然而，5G 的不仅针对传统的移动电话业务，更要与虚拟现实、物联网等智能应用领域相结合。在未来，超密集组网在5G 中的大量应用使得频谱利用率大幅度提高，并由此产生海量的无线通信系统大数据[1]。

近年来，人工智能特别是深度学习在图像处理、自然语言处理方面取得了较为突出的成果[2]。因此，研究人员尝试将其与无线通信系统的各个层面相结合，并已经取得一定的研究进展[3] 。参考文献[4,5]对深度学习在无线通信系统中物理层的应用做了全面总结，包括卷积神经网络、自编码器神经网络、循环神经网络等在信号检测、信道估计、信道状态信息的反馈重建等中的应用。参考文献[6]利用深度神经网络(deep neural network, DNN)将整个正交频分复用系统(orthogonal frequency division multiplexing, OFDM)视为一个整体，实现了信道估计和信号检测。

自编码器(autoencoder, AE)深度神经网络是一种无监督学习算法，它使用了反向传播算法，并让目标值等于输入值[2]。自编码器分为两个过程：编码和解码。编码过程将原始数据映射到隐藏空间，解码数据将数据从隐藏空间映射到原始数据空间。这种神经网络可将传统的无线通信系统重构为端到端的任务系统，规避了在传统无线通信系统中每个组成模块只能单独被优化的不足，相比较于已有系统，其

基于自编码器的无线通信系统

文/王轲1 马胜前2

对整个系统的性能提升明显。

本文基于自编码器神经网络提出将传统无线通信系统重构为端到端的自编码器任务。仿真结果表明，在特定的信道环境下，无线通信系统经过自编码器神经网络的全局优化，系统整体性能提升明显。

1 无线通信系统的一般模型

如图1所示，在最简情况下，无线通信系统由发送端，无线信道和接收端三部分组成。原始信息为s ∈M={1,2,…,M}，通过n 条独立信道传输至接收端。原始信息s 经过发送端变为x ，这种变化的实质为发送端中做映射f:M →R n ，即x=f(s)∈R n 。同理，接收端的实质也为一种映射，即g:R n →M 。此外，无线信道被定义为条件概率分布函数p(y|x)，其中y ∈R n 表示接收端接收到的信号，y 再通过映射g ，最终得到重建原始发射信息^s 。

2 自编码器

1986年Rumelhart 首次提出自编码器的概念，并将其用于高维数据的低维表示与处理，促进了神经网络的发展[7]。自编码器是一种前馈无返回的神经网络，由输入层，隐含层和输出层组成。典型的自动编码器结构如图2所示。输入层到隐含层的映射关系可以看作是一个编码过程，通过映射函数f 把发射

端输出向

量x 映射到隐含层，并输出y 。从隐含层到输出层的过程相当于一个解码过程，把隐含层的输出y 通过映射函数g “重构”为输入向量x 。由于自编码器的隐含层节点数少于输入和输出节点数，那么其可以用于降维和数据压缩。自动编码器采用反向传播法来进行训练，但其需要大量的训练样本，随着网络结构越来越复杂，计算量也随之增大。

3 基于自编码器的无线通信系统

自编码器的实质是学习如何非线性压缩并重构输入向量。但是在本文所涉及到的自编码器中，通常不是移除冗余信息，而是适当加入冗余信息(例如噪声，衰落等)，这样才能对无线信道做出较为可靠的表示。

整个系统框图如图3所示。在发送端由两层组成。第一层为前向反馈神经网络构成的多重密集层，第二层为归一化层，其目的是确保发射端输出向量x 符合相关参数约束。无线信道部分是用一个方差恒定为β的加性噪声层表示。在接收端，则由前向反馈神经网络构成的多重密集层与含有softmax 激活函数的密集层构成，那么接收端输出为全部信息的条件概率分布向量p ∈(0,1)M 。在实际的端到端自编码器训练过程中，原始信息s ∈

M 作为训练集，随机梯度下

降法(Stochastic Gradient Descent, SGD)作为主要优化算法，损失函数采用交叉熵损失函数。

●课题：西北师范大学知行学院院级特专业项目。

卷积编码图1：最简无线通信系统模型

图2：典型的自编码器

Communications Technology •

通信技术

Electronic Technology & Software Engineering 电子技术与软件工程• 13

4 仿真结果

本文模型的仿真基于keras 深度学习框架平台，原始信息比特数为25000。发射和接收端密集层均采用线性整流函数（Rectiﬁed Linear Unit, ReLU ）作为激活函数，接收端的输出层采用softmax 函数作为激活函数。整个网络使用自适应矩估计(the adaptive moment estimation ，ADAM) 优化器进行优化。在噪声层中规定使用信道为2路，单位时间传输比特数为2比特，即系统运行速率为R=1[bit/channel]。通过仿真得出基于自编码器的无线通信系统与传统经过BPSK 调制的无线通信系统的误块率(block error rate ， BLER)对比曲线如图4所示。从图4可以看出，无论信噪比高低，基于自编码器的无线通信系统的系统性能都明显优于传统BPSK 调制的无线通信系统。

5 结语

本文利用自编码器神经网络，将传统无线通信系统重构为端到端的自编码器任务，并对系统进行整体优化，达到一定程度上的最优。仿真结果表明，与传统无线通信系统相比，基于自编码器神经网络的无线通信系统展示出更加优异的性能。在今后，人工智能尤其是深度学习必然会在无线通信中有更加广泛的应用，体现出下一代通信技术智能化的特点。

参考文献

[1]尤肖虎，潘志文，高西奇，等.5G 移动通

信发展趋势与若干关键技术[J].中国科学：信息科学,2014,44(5):551-563.[2]周志华.机器学习（第一版）[M].清华大

学出版社

,2016.

图

3：利用自编码器重构的无线通信系统模型

[3]张静，金石，温朝凯，等.基于人工智能

的无线传输技术最新研究进展[J].电信科学,2018,34(08): 46-55.

[4]W A N G T i a n q i ,W E N C h a o k a i ,W A N G

H a n g q i n g ,e t a l ．D e e p l e a r n i n g f o r w i r e l e s s p h y s i c a l l a y e r : Opportunities and challenges[J].W i r e l e s s C o m m u n i c a t i o n O v e r Zigbee for Automotive Inclination Measurement China Communications, 2017,14(11): 92-111

[5]O’SHEA T，HOYDIS J．An introduction

to deep learning for the physical l a y e r [J ].I E E E T r a n s a c t i o n s o n C o g n i t i v e C o m m u n i c a t i o n s a n d Networking,2017,3(4): 563-575

[6]H. Ye, G. Y. Li, and B.-H. F. Juang.

Power of deep learning for channel

estimation and signal detection in OFDM systems[J].IEEE Wireless Communications Letters,2018,7(1): 114-117

[7]曲建岭，杜辰飞，邸亚洲，等.深度自动

编码器的研究与展望[J].计算机与现代化,2014(08):128-134.

作者简介

王轲(1989-)，男，甘肃省兰州市人。硕士学历。助教。主要研究方向为无线通信、深度学习。

作者单位

1.西北师范大学知行学院计算机与电子工程系甘肃省兰州市　730070

2.西北师范大学物理与电子工程学院　甘肃省兰州市　730070

图4：自编码器与BPSK 系统性能对比

本文发布于:2024-09-22 09:52:40，感谢您对本站的认可！