论文部分内容阅读
随着数据量的日益增多和5G等移动技术的发展,人类对于网络数据传输速率和可靠性有了更高的要求。然而传统的通信系统因为其模块化设计,并且需要基于理想的数学模型,因此不能在任意信道环境下达到最优的性能。与此同时,人工智能超越了传统的移动通信设计理念,提高了移动通信性能,为应对上述挑战提供了很大的可能,其中基于深度学习的端到端通信系统设计理念受到更多关注。为此,本文针对进一步提升无线通信系统的可靠性这一具体问题,将深度学习引入通信系统中,对基于深度学习的多输入多输出(Multiple-Input Multiple-Output,MIMO)系统进行研究。针对提高现有端到端通信系统的可靠性和泛化能力问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的空时分组码(Space-Time Block Coding,STBC)MIMO通信系统物理层方案。该方案将通信系统物理层表述、调制和解调过程联合起来形成端到端自编码器系统,将二进制比特流经过多层一维卷积层(Conv1D)进行编码和调制,学习到一个最好的编码调制方式,通过多个发射天线和接收天线进行发送和接收,最后通过多层Conv1D层译码成二进制比特流。仿真实验表明,提出的系统方案能够实现有效的空间分集增益,可以获得甚至超越传统STBC系统方案的误比特率(Bit Error Ratio,BER)性能。为了进一步提高系统的可靠性,利用CNN可以提取相邻比特信息的特点,提出了通过改变卷积核大小,并优化解码端网络结构的方法,增大了解码端的解码能力,在码速为1时便可获得采用卷积编码的性能改善效果。仿真实验证明,在调制阶数增大时也可以轻松获得较低的误比特率。同时,还提出了通过增大信道时隙的方法,寻求在空间分集增益的基础上,实现更高的可靠性,使得提出的系统方案具有非常大的潜力。为了对提出系统的泛化能力进行验证,通过改变信道矩阵将基于CNN的MIMO自编码器通信系统在不同的信道模型下进行训练和测试。仿真实验表明,系统可以针对实际信道设计专门的适合特定信道的调制方式和参数,在加性高斯白噪声信道、瑞利衰落信道和突发信道,以及瑞利相关衰落信道下可以获得有效的发射分集增益和接收分集增益,显著降低误比特率,可以有效对抗不同的衰落环境,具有较强的鲁棒性和泛化能力,有较大的推广意义。