基于融合自动编码器与生成对抗网络的通信方法及系统

1.本技术涉及智能通信技术领域，特别涉及一种基于融合自动编码器与生成对抗网络的通信方法及系统。


背景技术：

2.相关技术中，通信系统可以通过准确的信道模型来获取信道信息，并按其输入/输出信号的数学特点以及输入/输出信号之间关系的数学特点进行分类，以提高通信质量。
3.然而，相关技术中由于通信较为依赖信道模型，导致在信道较复杂的通信系统中无法获取准确的信道信息，增加了系统实现的复杂度，降低了通信系统的可靠性和准确性，亟待解决。


技术实现要素：

4.本技术是基于发明人对以下问题和认识作出的：
5.随着ai(artificial intelligence，人工智能)技术的成熟，将ai应用于无线通信的智能通信已成为热点研究方向之一，目前已经在信道估计、信道反馈、波束赋形、信号检测等无线通信领域取得优异性能，被认为6g趋势性技术之一，dl(deep learning，深度学习)作为ai中的一个重要子集，已受到学术界和产业界的广泛关注，不同于传统通信较依赖准确的信道模型来提高通信质量，dl强大的自适应非线性拟合能力能够学习变量之间复杂的相互关系，尤其是那些难以用数学模型准确描述的变量。
6.然而，对于信道较复杂的通信系统，如时间选择性信道、水下光信道、自由空间光信道、电力线信道等，传统通信方案很难获得准确的信道信息，从而降低了传统通信的可靠性，同时，为了降低功耗在接收端引入的量化也会为通信系统带来非线性，进一步影响信号传输的准确性，深度学习可以基于其非线性拟合能力将受多径衰落等因素干扰并量化后的信号拟合为发送信号，且无需信道信息，以更低的运算复杂度实现更优越的性能，因此，对于复杂的通信环境，发展基于深度学习的通信方法是十分重要的。
7.本技术提供一种基于融合自动编码器与生成对抗网络的通信方法及系统，以解决相关技术中由于通信较为依赖信道模型，导致在信道较复杂的通信系统中无法获取准确的信道信息，增加了系统实现的复杂度，降低了通信系统的可靠性和准确性等问题。
8.本技术第一方面实施例提供一种基于融合自动编码器与生成对抗网络的通信方法，包括以下步骤：通过自动编码器的编码网络对输入信号进行编码，得到真编码信号；对所述真编码信号进行调制，并由经过信道后的接收信号进行量化，得到量化信号；基于所述量化信号，通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号；由所述自动编码器的解码网络与所述生成对抗网络的判别器融合为初始网络，并基于预设的加权损失函数及有转折点的训练策略训练所述初始网络，得到判断编码信号的真假以与生成器博弈并将任一编码信号解码以恢复为传输信号的融合网络。
9.可选地，在本技术的一个实施例中，所述通过自动编码器的编码网络对输入信号
进行编码，得到真编码信号，包括：根据比特序列的每预设比特信息生成对应的符号，并由所述符号映射为相应的编码信息；基于所述编码信息进行归一化处理，得到所述真编码信号。
10.可选地，在本技术的一个实施例中，所述对所述真编码信号进行调制，包括：基于ook(on-off keying，二进制振幅键控)、bpsk(binary phase shift keying，二相相移键控)、qam(quadrature amplitude modulation，正交幅度调制)或者ofdm(orthogonal frequency division multiplexing，正交频分复用调制)调制方式对所述真编码信号进行调制；利用发送端发送所述调制后的真编码信号。
11.可选地，在本技术的一个实施例中，所述由经过信道后的接收信号进行量化，得到量化信号，包括：基于自适应量化方法，利用量化函数量化阈值为可训练参数，以自适应调整到最优阈值。
12.可选地，在本技术的一个实施例中，所述量化函数为近似单位阶跃函数。
13.可选地，在本技术的一个实施例中，所述有转折点的训练策略包括：在转折点前自动编码器的损失函数权重大于预设阈值，在转折点后则固定编码网络的参数，并且自动编码器和生成对抗网络的损失函数权重相同。
14.本技术第二方面实施例提供一种基于融合自动编码器与生成对抗网络的通信系统，包括：编码模块，用于通过自动编码器的编码网络对输入信号进行编码，得到真编码信号；第一处理模块，用于对所述真编码信号进行调制，并由经过信道后的接收信号进行量化，得到量化信号；拟合模块，用于基于所述量化信号，通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号；第二处理模块，用于由所述自动编码器的解码网络与所述生成对抗网络的判别器融合为初始网络，并基于预设的加权损失函数及有转折点的训练策略训练所述初始网络，得到判断编码信号的真假以与生成器博弈并将任一编码信号解码以恢复为传输信号的融合网络。
15.可选地，在本技术的一个实施例中，所述编码模块包括：生成单元，用于根据比特序列的每预设比特信息生成对应的符号，并由所述符号映射为相应的编码信息；处理单元，用于基于所述编码信息进行归一化处理，得到所述真编码信号。
16.可选地，在本技术的一个实施例中，所述第一处理模块包括：调制单元，用于基于二进制振幅键控ook、二相相移键控bpsk、正交幅度调制qam或者正交频分复用调制ofdm调制方式对所述真编码信号进行调制；发送单元，用于利用发送端发送所述调制后的真编码信号。
17.可选地，在本技术的一个实施例中，所述第一处理模块进一步用于基于自适应量化方法，利用量化函数量化阈值为可训练参数，以自适应调整到最优阈值。
18.可选地，在本技术的一个实施例中，所述量化函数为近似单位阶跃函数。
19.可选地，在本技术的一个实施例中，所述有转折点的训练策略包括在转折点前自动编码器的损失函数权重大于预设阈值，在转折点后则固定编码网络的参数，并且自动编码器和生成对抗网络的损失函数权重相同。
20.本技术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融合自动编码器与生成对抗网络的通信方法。
21.本技术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融合自动编码器与生成对抗网络的通信方法。
22.本技术实施例可以通过自动编码器的编码网络对输入信号进行编码，得到真编码信号且进行调制，并由经过信道后的接收信号进行量化，得到量化信号，从而通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号，并由自动编码器的解码网络与生成对抗网络的判别器融合为初始网络，并基于预设的加权损失函数及有转折点的训练策略训练初始网络，得到判断编码信号的真假以与生成器博弈并将任一编码信号解码以恢复为传输信号的融合网络，从而可以在信道较复杂的通信系统中获取准确的信道信息，有效的提升了通信系统的可靠性和准确性。由此，解决了相关技术中由于通信较为依赖信道模型，导致在信道较复杂的通信系统中无法获取准确的信道信息，增加了系统实现的复杂度，降低了通信系统的可靠性和准确性等问题。
23.本技术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，或通过本技术的实践了解到。
附图说明
24.本技术上述的和/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：
25.图1为根据本技术实施例提供的一种基于融合自动编码器与生成对抗网络的通信方法的流程图；
26.图2为本技术一个具体实施例的近似单位阶跃函数的示意图；
27.图3为本技术一个具体实施例的训练过程搭建的系统结构示意图；
28.图4为本技术一个具体实施例的测试过程搭建的系统结构示意图；
29.图5为根据本技术实施例的基于融合自动编码器与生成对抗网络的通信系统的结构示意图；
30.图6为根据本技术实施例的电子设备的结构示意图。
具体实施方式
31.下面详细描述本技术的实施例，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，旨在用于解释本技术，而不能理解为对本技术的限制。
32.下面参考附图描述本技术实施例的基于融合自动编码器与生成对抗网络的通信方法及系统。针对上述背景技术中心提到的相关技术中由于通信较为依赖信道模型，导致在信道较复杂的通信系统中无法获取准确的信道信息，增加了系统实现的复杂度，降低了通信系统的可靠性和准确性的问题，本技术提供了一种基于融合自动编码器与生成对抗网络的通信方法，在该方法中，可以通过自动编码器的编码网络对输入信号进行编码，得到真编码信号且进行调制，并由经过信道后的接收信号进行量化，得到量化信号，从而通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号，并由自动编码器的解码网络与生成对抗网络的判别器融合为初始网络，并基于预设的加权损失函数及有转折点
的训练策略训练初始网络，得到判断编码信号的真假以与生成器博弈并将任一编码信号解码以恢复为传输信号的融合网络，从而可以在信道较复杂的通信系统中获取准确的信道信息，有效的提升了通信系统的可靠性和准确性。由此，解决了相关技术中由于通信较为依赖信道模型，导致在信道较复杂的通信系统中无法获取准确的信道信息，增加了系统实现的复杂度，降低了通信系统的可靠性和准确性等问题。
33.具体而言，图1为本技术实施例所提供的一种基于融合自动编码器与生成对抗网络的通信方法的流程示意图。
34.如图1所示，该基于融合自动编码器与生成对抗网络的通信方法包括以下步骤：
35.在步骤s101中，通过自动编码器的编码网络对输入信号进行编码，得到真编码信号。
36.可以理解的是，本技术实施例可以通过下述步骤中的自动编码器的编码网络对输入信号进行编码，并得到真编码信号，其中，编码网络可以由多层全连接层组成，得到的真编码信号的维度高于信号所承载的比特数，从而可以增加冗余比特，以提高通信的可靠性。
37.可选地，在本技术的一个实施例中，通过自动编码器的编码网络对输入信号进行编码，得到真编码信号，包括：根据比特序列的每预设比特信息生成对应的符号，并由符号映射为相应的编码信息；基于编码信息进行归一化处理，得到真编码信号。
38.在实际执行过程中，本技术实施例可以根据比特序列的每比特信息作为一个组，并生成对应的一个组符号，并由符号映射为相应的编码信息，基于编码信息进行归一化处理，得到真编码信号，从而可以通过增加冗余来提高传输的可靠性，有效的提升了未编码的比特流信息抗干扰能力。
39.需要说明的是，预设比特信息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。
40.在步骤s102中，对真编码信号进行调制，并由经过信道后的接收信号进行量化，得到量化信号。
41.可以理解的是，本技术实施例可以对真编码信号进行调制，并由下述步骤中经过信道后的接收信号进行量化，得到量化信号，也就是说，以对真编码信号进行调制后发送，经过非理想信道到达接收端，通过接收端进行量化，得到量化信号，从而提升了通信系统的可行性的同时，提升非理想信道及量化对通信的可靠性。
42.可选地，在本技术的一个实施例中，对真编码信号进行调制，包括：ook、bpsk、qam或者ofdm调制方式对真编码信号进行调制；利用发送端发送调制后的真编码信号。
43.作为一种可能实现的方式，本技术实施例可以对真编码信号进行调制，例如，调制方法可以包括但不限于ook、bpsk、qam或者ofdm等，并利用非理想信道发送调制后的真编码信号，例如，非理想信道包括但不限于无线瑞利信道、无线莱斯信道、时间选择性信道、水下光信道、自由空间光信道、电力线信道等，从而可以实现在信道较复杂的通信系统中获取准确的信道信息，降低了系统实现的复杂度。
44.可选地，在本技术的一个实施例中，由经过信道后的接收信号进行量化，得到量化信号，包括：基于自适应量化方法，利用量化函数量化阈值为可训练参数，以自适应调整到最优阈值。
45.在一些实施例中，本技术实施例中的量化在训练过程中，可以基于自适应量化方
法，利用量化函数量化阈值为可训练参数，并且自适应调整到最优阈值，在训练完成后的测试过程中，可以为常规量化方法，从而量化阈值固定为测试过程中学习到的最优阈值，并作为优选，例如，可以是一比特量化，其中，训练过程中的自适应量化方法的量化函数为近似单位阶跃函数，测试过程中的常规量化方法的量化函数即为单位阶跃函数。
46.可选地，在本技术的一个实施例中，量化函数为近似单位阶跃函数。
47.其中，量化函数为近似单位阶跃函数，近似单位阶跃函数为：
[0048][0049]
其中，f
sigmoid
为近似单位阶跃函数，为缩放参数。
[0050]
在步骤s103中，基于量化信号，通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号。
[0051]
可以理解的是，本技术实施例可以基于量化信号，将量化信号作为条件信息，通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号，其中，生成器相当于自适应信道均衡器，可以由多层一维卷积层和全连接层组成，可以对随机噪声进行拟合，使其逼近发送信号，从而可以在信道状态信息未知的情况下实现信道自均衡，降低通信系统实现的复杂度。
[0052]
在步骤s104中，由自动编码器的解码网络与生成对抗网络的判别器融合为初始网络，并基于预设的加权损失函数及有转折点的训练策略训练初始网络，得到判断编码信号的真假以与生成器博弈并将任一编码信号解码以恢复为传输信号的融合网络。
[0053]
可以理解的是，本技术实施例可以将自动编码器的解码网络与生成对抗网络的判别器融合为一个网络，即初始网络，并基于加权损失函数及有转折点的训练策略训练初始网络，该融合网络可以判断编码信号的真假以与生成器博弈，并可以将任一编码信号解码，以恢复为传输信号的融合网络，从而可以在信道状态信息未知的情况下实现信道自均衡，有效的提升非理想信道及量化对通信可靠性，降低系统实现的复杂度，提升系统通信性能。
[0054]
其中，融合网络可以同时实现判别器判断编码信号真假，以及解码网络对编码信号进行解码，可以由多层一维卷积层和全连接层组成，输入为真编码信号或假编码信号，并以量化信号作为条件信息，输出为解码后的信号及判断编码信号为真的概率。
[0055]
其中，加权损失函数是常规生成对抗网络的损失函数与自动编码器的损失函数的加权和，在训练过程中二者的加权值可调整。
[0056]
其中，在本技术的一个实施例中，有转折点的训练策略包括：在转折点前自动编码器的损失函数权重大于预设阈值，在转折点后则固定编码网络的参数，并且自动编码器和生成对抗网络的损失函数权重相同。
[0057]
在实际执行过程中，有转折点的训练策略在转折点前自动编码器的损失函数权重更高，更侧重对收发端通信可靠性的训练，在转折点后则固定编码网络的参数，更有利于对生成对抗网络的训练，同时自动编码器和生成对抗网络的损失函数权重相同。
[0058]
需要说明的是，预设阈值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。
[0059]
下面以一些具体实施例对本技术实施例的工作原理进行详细阐述。
[0060]
具体实施例一
[0061]
例如，本技术实施例可以采用ook调制方式对真编码信号进行调制，其中，信道为水下光信道，利用一比特量化降低能耗，具体步骤如下：
[0062]
步骤s11，本技术实施例通过自动编码器的编码网络对输入信号进行编码，得到的编码信号称为真编码信号。
[0063]
具体地，本技术实施例可以将比特序列的每k比特信息作为一个组，组成一个符号si，则符号类型的数量是m＝2k，编码网络的输入是si的one-hot表示，即将m维零向量的第i个值设为1，其中，编码网络由若干全连接层组成，用于将符号si映射为编码信号并在最后进行归一化，以第j层全连接层为例，其过程可以表示为：
[0064]hj
＝f
relu
(w
jhj-1
+bj)，
[0065]
其中，hj、wj、bj分别为第j层的特征向量、权值矩阵以及偏移量，f
relu
为实现非线性拟合的激活函数。
[0066]
另外，由于未编码的比特流信息抗干扰能力较差，编码网络可以通过增加冗余，从而提高传输的可靠性。
[0067]
步骤s12，本技术实施例可以将真编码信号进行ook调制后发送，并经过水下光信道到达接收端，接收端进行一比特量化并得到量化信号，并将量化信号作为条件信息，通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号。
[0068]
需要说明的是，ook调制是一种二进制调制方法，因其简单易实现而在光通信中被广泛采用，水下无线光通信主要受到吸收和散射作用的影响，光子与其他粒子碰撞会造成光子的能量损失，以及光子传播方向的偏移会导致接收器探测到的光子数量减少，从而导致功率衰减，同时由于多次散射，光子可能在不同的时隙到达接收器，导致多径效应，而这些干扰很难用数学公式准确描述，因此自动编码器与生成对抗网络融合的具有显著的优势。
[0069]
进一步地，接收端的一比特量化可以降低功耗，量化值可以通过将接收信号y与阈值t进行比较决定，由于水下光通道多径衰落的影响，无法确定最优阈值，因此，可以将其作为可训练参数，在训练过程中自适应调整到能使系统误码率最低的最优阈值，并且优化阈值t，量化函数为光滑可导的，从而使损失函数的梯度可以被反向传播，因此，常规的单位阶跃函数并不适用，进而本技术实施例采用如下的近似单位阶跃函数，即：
[0070][0071]
其中，γ为缩放参数。
[0072]
另外，当缩放参数γ为较大的非负实数时，该函数的效果十分逼近单位阶跃函数，且光滑可导。
[0073]
如图2所示，图2为本技术实施例中的近似单位阶跃函数的示例，其中，阈值t设置为2，γ从小到大依次为10、20、100，由此可得，γ越大，该函数越逼近单位阶跃函数，因此，在训练时，近似单位阶跃函数可以帮助系统实现自适应优化阈值t的目标，在测试时，为了模拟实际应用，可以采用常规的单位阶跃函数作为量化函数，阈值t固定为训练过程得到的最优阈值。
[0074]
具体地，本技术实施例经过一比特量化后得到的量化信号q包含真编码信号er的信息，因此，可以将其作为条件信息，与随机信号一起输入生成器，得到逼近真编码信号er的假编码信号ef，实现信道均衡的目标，生成器包含多层一维卷积层，学习水下光信道对发送信号的影响，然后，为了模拟编码信号er，可以在一维卷积层后面添加了若干全连接层，并在最后进行归一化，从而经过生成器均衡后得到的假编码信号ef会输入解码网络进行解码，更有利于对符号si的重构。
[0075]
步骤s13，本技术实施例可以将自动编码器的解码网络与生成对抗网络的判别器融合为一个网络，该网络不仅能判断编码信号的真假以与生成器博弈，还能将编码信号解码，恢复为输入信号。
[0076]
其中，判别器可以将编码网络产生的真编码信号er与生成器产生的假编码信号ef区分开来，而解码网络旨在从编码信号中恢复出符号si，可以看出，判别器和解码网络可以输入相同的信息，同时为判别器和解码网络共享同一个网络奠定了基础。
[0077]
进一步地，从判别器和解码网络的输出来看，判别器解决的是二分类问题，而解码网络解决的是m分类问题，每个类别代表一种符号si，为了使判别器和解码网络能够共享同一个网络dd以减小系统的整体规模，并避免二者输出目标不同导致的相互干扰问题，dd的输出维度变为m+1，前m个元素负责m分类任务以恢复符号si，最后一个元素用于判断编码信号的真假，当编码信号为真编码信号er时，则期望最后一个元素的值接近1，当编码信号为假编码信号ef时，则期望最后一个元素的值接近0。
[0078]
另外，为了使dd可以区分真假编码信号，并且可以判断编码信号是否对应了正确的量化信号，量化信号q也被用作共享网络输入的一部分，同时，量化信号q也包含了符号si的信息，有利于对符号si的重构。
[0079]
步骤s14，本技术实施例基于加权损失函数及有转折点的训练策略，保证了自动编码器的端到端训练及生成对抗网络的博弈训练可以同时进行，并对训练完成的系统进行性能测试。
[0080]
综上，dd不仅可以判断编码信号的真假，还可以将其重构为发送符号，因此，损失函数为两个目标的加权和，即：
[0081][0082]
其中，α为权衡判别能力和符号重构准确性的权重系数，为如下所示的判别真假的目标。
[0083]
判别真假的目标的表达式为：
[0084][0085]
其中，ddb(
·
)给出了dd将编码信号判断为真编码信号的概率。
[0086]
和分别是从真假编码信号中恢复发送符号si的目标，表示为：
[0087][0088][0089]
其中，ddm(
·
)为对发送符号的重构。
[0090]
对于生成器，可以生成足够逼真的编码信号迷惑dd，该目标可以表示为：
[0091]
[0092]
此外，生成器可以通过dd确定应该将假编码信号重构为哪种类型的符号si，因此，也可以由描述，生成器的损失函数也为上述两部分的加权和，可以表示为：
[0093][0094]
其中，β为权重系数。
[0095]
如图3所示，在训练时，发送的符号si首先经过编码网络得到真编码信号er，然后依次经过二值化、ook调制、水下光信道、一比特量化和生成器得到假编码信号ef，dd可以区分真假编码信号，并根据量化信号q将它们还原为符号si，在训练过程中，编码网络的参数与判别器参数作为一组进行优化，从而可以实现自动编码器的端到端联合优化，同时编码网络参数的梯度只经过dd即可得到，使得ook调制的二值化过程不会对编码网络梯度的反向传播造成影响，而生成器参数作为另一组，两组参数交替循环训练，从而保证了生成对抗网络的博弈优化。
[0096]
另外，训练过程中包含一个关键的转折点，在转折点前更侧重于对符号恢复准确度的训练，即和的权重更高，可以使通信系统得到一个基于理想信道的最优标准，而可以防止过拟合，而在转折点后，编码网络的参数会固定，从而使生成器和dd都有固定的条件信息，即量化信号q，更有利于训练的稳定性，转折点后权重都变为0.5，从而使生成器的拟合能力逐步提升，而真假编码信号的逐渐接近，也会进一步提高dd恢复发送符号的准确性。
[0097]
如图4所示，为测试过程，结构比训练时简单，因为无需dd区分真假编码信号，来自编码器的真编码信号er不会直接进入dd，只会依次经过ook调制、水下光信道和一比特量化，得到量化信号q。训练好的生成器根据量化信号q得到逼近真编码信号er的假编码信号ef，并输入dd进行符号si的恢复。
[0098]
具体实施例二
[0099]
又例如，本技术实施例可以采用bpsk调制方式对真编码信号进行调制，其中，信道为无线瑞利信道，利用一比特量化降低能耗，该方法包括以下步骤：
[0100]
步骤s21，通过自动编码器的编码网络对输入信号进行编码，得到的编码信号称为真编码信号。
[0101]
具体地，本技术实施例可以将比特序列的每k比特信息作为一个组，组成一个符号si，则符号类型的数量是m＝2k，编码网络的输入是si的one-hot表示，即将m维零向量的第i个值设为1，其中，编码网络由若干全连接层组成，用于将符号si映射为编码信号并在最后进行归一化，以第j层全连接层为例，其过程可以表示为：
[0102]hj
＝f
relu
(w
jhj-1
+bj)，
[0103]
其中，hj、wj、bj分别为第j层的特征向量、权值矩阵以及偏移量，f
relu
为实现非线性拟合的激活函数。
[0104]
另外，由于未编码的比特流信息抗干扰能力较差，编码网络可以通过增加冗余，从而提高传输的可靠性。
[0105]
步骤s22，本技术实施例可以将真编码信号进行bpsk调制后发送，经过无线瑞利信道到达接收端，接收端进行一比特量化，得到量化信号，将量化信号作为条件信息，通过生
成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号。
[0106]
进一步地，接收端的一比特量化可以降低功耗，量化值是通过将接收信号y与阈值t进行比较决定，由于受信道干扰，无法确定最优阈值，因此，将其作为可训练参数，在训练过程中，自适应调整到能使系统误码率最低的最优阈值，并优化阈值t，且量化函数光滑可导，从而使损失函数的梯度可以被反向传播，因此，常规的单位阶跃函数并不适用，进而本技术实施例采用如下的近似单位阶跃函数，即：
[0107][0108]
其中，γ为缩放参数。
[0109]
另外，当缩放参数γ为较大的非负实数时，该函数的效果十分逼近单位阶跃函数，且光滑可导，因此，在训练时，近似单位阶跃函数可以帮助系统实现自适应优化阈值t的目标，在测试时，为了模拟实际应用，采用常规的单位阶跃函数作为量化函数，阈值t固定为训练过程得到的最优阈值。
[0110]
具体地，本技术实施例经过一比特量化后得到的量化信号q包含真编码信号er的信息，因此，可以将其作为条件信息，与随机信号一起输入生成器，得到逼近真编码信号er的假编码信号ef，实现信道均衡的目标，生成器包含多层一维卷积层，学习信道对发送信号的影响，然后，为了模拟编码信号er，可以在一维卷积层后面添加了若干全连接层，并在最后进行归一化，从而经过生成器均衡后得到的假编码信号ef会输入解码网络进行解码，更有利于对符号si的重构。
[0111]
步骤s23，本技术实施例将自动编码器的解码网络与生成对抗网络的判别器融合为一个网络，该网络不仅能判断编码信号的真假以与生成器博弈，还能将编码信号解码，恢复为输入信号。
[0112]
其中，判别器的作用是将编码网络产生的真编码信号er与生成器产生的假编码信号ef区分开来，而解码网络旨在从编码信号中恢复出符号si，可以看出，判别器和解码网络可以输入相同的信息，同时为判别器和解码网络共享同一个网络奠定了基础。
[0113]
进一步地，从判别器和解码网络的输出来看，判别器解决的是二分类问题，而解码网络解决的是m分类问题，每个类别代表一种符号si，为了使判别器和解码网络能够共享同一个网络dd以减小系统的整体规模，并避免二者输出目标不同导致的相互干扰问题，dd的输出维度变为m+1，前m个元素负责m分类任务以恢复符号si，最后一个元素用于判断编码信号的真假，当编码信号为真编码信号er时，则期望最后一个元素的值接近1，当编码信号为假编码信号ef时，则期望最后一个元素的值接近0。
[0114]
另外，为了使dd不仅能够区分真假编码信号，并且能够判断编码信号是否对应了正确的量化信号，量化信号q也被用作共享网络输入的一部分，同时，量化信号q也包含了符号si的信息，有利于对符号si的重构。
[0115]
步骤s24，本技术实施例基于加权损失函数及有转折点的训练策略，保证了自动编码器的端到端训练及生成对抗网络的博弈训练可以同时进行，并对训练完成的系统进行性能测试。
[0116]
综上，dd不仅可以判断编码信号的真假，还可以将其重构为发送符号，因此，损失函数为两个目标的加权和，即：
[0117][0118]
其中，α为权衡判别能力和符号重构准确性的权重系数，为如下所示的判别真假的目标。
[0119]
判别真假的目标的表达式为：
[0120][0121]
其中，ddb(
·
)给出了dd将编码信号判断为真编码信号的概率。
[0122]
和分别是从真假编码信号中恢复发送符号si的目标，表示为：
[0123][0124][0125]
其中，ddm(
·
)为对发送符号的重构。
[0126]
对于生成器，可以生成足够逼真的编码信号来迷惑dd，该目标表示为：
[0127][0128]
此外，生成器可以通过dd确定应该将假编码信号重构为哪种类型的符号si，因此，也可以由描述，生成器的损失函数也为上述两部分的加权和，可以表示为：
[0129][0130]
其中，β为权重系数。
[0131]
在训练时，发送的符号si首先经过编码网络得到真编码信号er，然后依次经过bpsk调制、无线瑞利信道、一比特量化和生成器得到假编码信号ef，dd用于区分真假编码信号，并根据量化信号q将它们还原为符号si，训练过程中编码网络的参数与判别器参数作为一组进行优化，从而可以实现自动编码器的端到端联合优化，同时编码网络参数的梯度只经过dd即可得到，使得bpsk调制的二值化过程不会对编码网络梯度的反向传播造成影响，而生成器参数作为另一组，两组参数交替循环训练，从而保证了生成对抗网络的博弈优化。
[0132]
另外，训练过程中包含一个关键的转折点，在转折点前更侧重于对符号恢复准确度的训练，即和的权重更高，可以使通信系统得到一个基于理想信道的最优标准，而可以防止过拟合，而在转折点后，编码网络的参数会固定，从而使生成器和dd都有固定的条件信息，即量化信号q，更有利于训练的稳定性，转折点后权重都变为0.5，从而使生成器的拟合能力逐步提升，而真假编码信号的逐渐接近也会进一步提高dd恢复发送符号的准确性。
[0133]
测试过程的结构比训练时简单，因为无需dd来区分真假编码信号，来自编码器的真编码信号er不会直接进入dd，只会依次经过bpsk调制、无线瑞利信道和一比特量化，得到量化信号q，训练好的生成器根据量化信号q得到逼近真编码信号er的假编码信号ef，并输入dd进行符号si的恢复。
[0134]
具体实施例三
[0135]
再例如，本技术实施例可以采用16qam调制方式对真编码信号进行调制，其中，信
道为无线莱斯信道，利用二比特量化降低能耗，该方法包括以下步骤：
[0136]
步骤31，本技术实施例通过自动编码器的编码网络对输入信号进行编码，得到的编码信号称为真编码信号。
[0137]
具体地，本技术实施例可以将比特序列的每k比特信息作为一个组，组成一个符号si，则符号类型的数量是m＝2k，编码网络的输入是si的one-hot表示，即将m维零向量的第i个值设为1，其中，编码网络由若干全连接层组成，用于将符号si映射为编码信号并在最后进行归一化，以第j层全连接层为例，其过程可以表示为：
[0138]hj
＝f
relu
(w
jhj-1
+bj)，
[0139]
其中，hj、wj、bj分别为第j层的特征向量、权值矩阵以及偏移量，f
relu
为实现非线性拟合的激活函数。
[0140]
另外，由于未编码的比特流信息抗干扰能力较差，编码网络可以通过增加冗余，从而提高传输的可靠性。
[0141]
步骤s32，本技术实施例可以将真编码信号进行16qam调制后发送，经过无限莱斯信道到达接收端，接收端进行二比特量化，得到量化信号，将量化信号作为条件信息，通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号。
[0142]
进一步地，接收端的二比特量化可以降低功耗，量化值是通过将接收信号y与阈值ti(i＝1,2)进行比较来决定的，然而，受信道干扰，无法确定最优阈值，因此，可以将其作为可训练参数，在训练过程中，自适应调整到能使系统误码率最低的最优阈值，可以优化阈值ti，同时量化函数为光滑可导的，从而使损失函数的梯度能够被反向传播，因此，常规的单位阶跃函数并不适用，而是采用如下的近似单位阶跃函数，即：
[0143][0144]
其中，γ为缩放参数。
[0145]
另外，当缩放参数γ为较大的非负实数时，该函数的效果十分逼近单位阶跃函数，且光滑可导，因此，在训练时，近似单位阶跃函数可以帮助系统实现自适应优化阈值ti的目标，在测试时，为了模拟实际应用，采用常规的单位阶跃函数作为量化函数，阈值ti固定为训练过程得到的最优阈值。
[0146]
具体地，本技术实施例经过二比特量化后得到的量化信号q包含真编码信号er的信息，因此，可以将其作为条件信息，与随机信号一起输入生成器，得到逼近真编码信号er的假编码信号ef，实现信道均衡的目标，生成器包含多层一维卷积层，学习信道对发送信号的影响，然后，为了模拟编码信号er，在一维卷积层后面添加了若干全连接层，并在最后进行归一化，经过生成器均衡后得到的假编码信号ef会输入解码网络进行解码，更有利于对符号si的重构。
[0147]
步骤s33，本技术实施例可以将自动编码器的解码网络与生成对抗网络的判别器融合为一个网络，该网络不仅能判断编码信号的真假以与生成器博弈，还能将编码信号解码，恢复为输入信号。
[0148]
其中，判别器可以将编码网络产生的真编码信号er与生成器产生的假编码信号ef区分开来，而解码网络旨在从编码信号中恢复出符号si，可以看出，判别器和解码网络可以输入相同的信息，同时为判别器和解码网络共享同一个网络奠定了基础。
[0149]
进一步地，从判别器和解码网络的输出来看，判别器解决的是二分类问题，而解码网络解决的是m分类问题，每个类别代表一种符号si，为了使判别器和解码网络能够共享同一个网络dd以减小系统的整体规模，并避免二者输出目标不同导致的相互干扰问题，dd的输出维度变为m+1，前m个元素负责m分类任务以恢复符号si，最后一个元素用于判断编码信号的真假，当编码信号为真编码信号er时，则期望最后一个元素的值接近1，当编码信号为假编码信号ef时，则期望最后一个元素的值接近0。
[0150]
另外，为了使dd不仅能够区分真假编码信号，而且能够判断编码信号是否对应了正确的量化信号，量化信号q也被用作共享网络输入的一部分，同时，量化信号q也包含了符号si的信息，有利于对符号si的重构。
[0151]
步骤s34，本技术实施例基于加权损失函数及有转折点的训练策略，保证了自动编码器的端到端训练及生成对抗网络的博弈训练可以同时进行，并对训练完成的系统进行性能测试。
[0152]
综上，dd不仅可以判断编码信号的真假，还可以将其重构为发送符号，因此，损失函数为两个目标的加权和，即：
[0153][0154]
其中，α为权衡判别能力和符号重构准确性的权重系数，为如下所示的判别真假的目标。
[0155]
判别真假的目标的表达式为：
[0156][0157]
其中，ddb(
·
)给出了dd将编码信号判断为真编码信号的概率。
[0158]
和分别是从真假编码信号中恢复发送符号si的目标，表示为：
[0159][0160][0161]
其中，ddm(
·
)为对发送符号的重构。
[0162]
对于生成器，可以生成足够逼真的编码信号来迷惑dd，该目标表示为：
[0163][0164]
此外，生成器可以通过dd确定应该将假编码信号重构为哪种类型的符号si，因此，也可以由描述，生成器的损失函数也为上述两部分的加权和，可以表示为：
[0165][0166]
其中，β为权重系数。
[0167]
在训练时，发送的符号si首先经过编码网络得到真编码信号er，然后依次经过16qam调制、无线莱斯信道、二比特量化和生成器得到假编码信号ef，dd用于区分真假编码信号，并根据量化信号q将它们还原为符号si，训练过程中编码网络的参数与判别器参数作为一组进行优化，从而可以实现自动编码器的端到端联合优化，而生成器参数作为另一组，两组参数交替循环训练，从而保证了生成对抗网络的博弈优化。
[0168]
另外，训练过程中包含一个关键的转折点，在转折点前更侧重于对符号恢复准确度的训练，即和的权重更高，可以使通信系统得到一个基于理想信道的最优标准，而可以防止过拟合。而在转折点后，编码网络的参数会固定，从而使生成器和dd都有固定的条件信息，即量化信号q，更有利于训练的稳定性，转折点后权重都变为0.5，从而使生成器的拟合能力逐步提升，而真假编码信号的逐渐接近也会进一步提高dd恢复发送符号的准确性。
[0169]
测试过程的结构比训练时简单，因为无需dd来区分真假编码信号，来自编码器的真编码信号er不会直接进入dd，只会依次经过16qam调制、莱斯信道和二比特量化，得到量化信号q，训练好的生成器根据量化信号q得到逼近真编码信号er的假编码信号ef，并输入dd进行符号si的恢复。
[0170]
具体实施例四
[0171]
举例而言，本技术实施例可以采用ofdm调制方式对真编码信号进行调制，其中，信道为自由空间光信道，并利用八比特量化降低能耗，该方法包括以下步骤：
[0172]
步骤s41，本技术实施例通过自动编码器的编码网络对输入信号进行编码，得到的编码信号称为真编码信号。
[0173]
具体地，本技术实施例可以将比特序列的每k比特信息作为一个组，组成一个符号si，则符号类型的数量是m＝2k，编码网络的输入是si的one-hot表示，即将m维零向量的第i个值设为1，其中，编码网络由若干全连接层组成，用于将符号si映射为编码信号并在最后进行归一化，以第j层全连接层为例，其过程可以表示为：
[0174]hj
＝f
relu
(w
jhj-1
+bj)，
[0175]
其中，hj、wj、bj分别为第j层的特征向量、权值矩阵以及偏移量，f
relu
为实现非线性拟合的激活函数。
[0176]
另外，由于未编码的比特流信息抗干扰能力较差，编码网络可以通过增加冗余，从而提高传输的可靠性。
[0177]
步骤s42，本技术实施例可以将真编码信号进行ofdm调制后发送，经过自由空间光信道到达接收端，接收端进行八比特量化，得到量化信号，将量化信号作为条件信息，通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号。
[0178]
进一步地，接收端的八比特量化可以降低功耗，量化值是通过将接收信号y与阈值ti(i＝1,2,
…
,8)进行比较决定，然而，受信道干扰，无法确定最优阈值，因此，可以将其作为可训练参数，在训练过程中，自适应调整到能使系统误码率最低的最优阈值，并且优化阈值ti，同时量化函数为光滑可导的，从而使损失函数的梯度能够被反向传播，因此常规的单位阶跃函数并不适用，而是采用如下的近似单位阶跃函数，即：
[0179][0180]
其中，γ为缩放参数。
[0181]
另外，当缩放参数γ为较大的非负实数时，该函数的效果十分逼近单位阶跃函数，且光滑可导，因此，在训练时，近似单位阶跃函数可以帮助系统实现自适应优化阈值ti的目标，在测试时，为了模拟实际应用，采用常规的单位阶跃函数作为量化函数，阈值ti固定为
训练过程得到的最优阈值。
[0182]
进一步地，本技术实施例可以经过八比特量化后得到的量化信号q包含真编码信号er的信息，因此，可以将其作为条件信息，与随机信号一起输入生成器，得到逼近真编码信号er的假编码信号ef，实现信道均衡的目标，生成器包含多层一维卷积层，学习信道对发送信号的影响，然后，为了模拟编码信号er，在一维卷积层后面添加了若干全连接层，并在最后进行归一化。经过生成器均衡后得到的假编码信号ef会输入解码网络进行解码，更有利于对符号si的重构。
[0183]
步骤s43，本技术实施例可以将自动编码器的解码网络与生成对抗网络的判别器融合为一个网络，该网络不仅能判断编码信号的真假以与生成器博弈，还能将编码信号解码，恢复为输入信号。
[0184]
其中，判别器的作用是将编码网络产生的真编码信号er与生成器产生的假编码信号ef区分开来，而解码网络旨在从编码信号中恢复出符号si，可以看出，判别器和解码网络可以输入相同的信息，同时为判别器和解码网络共享同一个网络奠定了基础。
[0185]
进一步地，从判别器和解码网络的输出来看，判别器解决的是二分类问题，而解码网络解决的是m分类问题，每个类别代表一种符号si，为了使判别器和解码网络能够共享同一个网络dd以减小系统的整体规模，并避免二者输出目标不同导致的相互干扰问题，dd的输出维度变为m+1，前m个元素负责m分类任务以恢复符号si，最后一个元素用于判断编码信号的真假，当编码信号为真编码信号er时，则期望最后一个元素的值接近1，当编码信号为假编码信号ef时，则期望最后一个元素的值接近0。
[0186]
另外，为了使dd不仅能够区分真假编码信号，而且能够判断编码信号是否对应了正确的量化信号，量化信号q也被用作共享网络输入的一部分，同时，量化信号q也包含了符号si的信息，有利于对符号si的重构。
[0187]
步骤s44，本技术实施例基于加权损失函数及有转折点的训练策略，保证了自动编码器的端到端训练及生成对抗网络的博弈训练可以同时进行，并对训练完成的系统进行性能测试。
[0188]
综上，dd不仅可以判断编码信号的真假，还可以将其重构为发送符号，因此，损失函数为两个目标的加权和，即：
[0189][0190]
其中，α为权衡判别能力和符号重构准确性的权重系数，为如下所示的判别真假的目标。
[0191]
判别真假的目标的表达式为：
[0192][0193]
其中，ddb(
·
)给出了dd将编码信号判断为真编码信号的概率。
[0194]
和分别是从真假编码信号中恢复发送符号si的目标，表示为：
[0195][0196]
[0197]
其中，ddm(
·
)为对发送符号的重构。
[0198]
对于生成器，可以生成足够逼真的编码信号来迷惑dd，该目标表示为：
[0199][0200]
此外，生成器可以通过dd确定应该将假编码信号重构为哪种类型的符号si，因此，也可以由描述，生成器的损失函数也为上述两部分的加权和，可以表示为：
[0201][0202]
其中，β为权重系数。
[0203]
在训练时，发送的符号si首先经过编码网络得到真编码信号er，然后依次经过ofdm调制、自由空间光信道、八比特量化和生成器得到假编码信号ef，dd用于区分真假编码信号，并根据量化信号q将它们还原为符号si，训练过程中编码网络的参数与判别器参数作为一组进行优化，从而可以实现自动编码器的端到端联合优化，而生成器参数作为另一组，两组参数交替循环训练，从而保证了生成对抗网络的博弈优化。
[0204]
另外，训练过程中包含一个关键的转折点，在转折点前更侧重于对符号恢复准确度的训练，即和的权重更高，可以使通信系统得到一个基于理想信道的最优标准，而可以防止过拟合，而在转折点后，编码网络的参数会固定，从而使生成器和dd都有固定的条件信息，即量化信号q，更有利于训练的稳定性，转折点后权重都变为0.5，从而使生成器的拟合能力逐步提升，而真假编码信号的逐渐接近也会进一步提高dd恢复发送符号的准确性。
[0205]
进一步地，测试过程的结构比训练时简单，因为无需dd来区分真假编码信号，来自编码器的真编码信号er不会直接进入dd，只会依次经过ofdm调制、自由空间光信道和八比特量化，得到量化信号q，训练好的生成器根据量化信号q得到逼近真编码信号er的假编码信号ef，并输入dd进行符号si的恢复。
[0206]
根据本技术实施例提出的基于融合自动编码器与生成对抗网络的通信方法，可以通过自动编码器的编码网络对输入信号进行编码，得到真编码信号且进行调制，并由经过信道后的接收信号进行量化，得到量化信号，从而通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号，并由自动编码器的解码网络与生成对抗网络的判别器融合为初始网络，并基于预设的加权损失函数及有转折点的训练策略训练初始网络，得到判断编码信号的真假以与生成器博弈并将任一编码信号解码以恢复为传输信号的融合网络，从而可以在信道较复杂的通信系统中获取准确的信道信息，有效的提升了通信系统的可靠性和准确性。由此，解决了相关技术中由于通信较为依赖信道模型，导致在信道较复杂的通信系统中无法获取准确的信道信息，增加了系统实现的复杂度，降低了通信系统的可靠性和准确性等问题。
[0207]
其次参照附图描述根据本技术实施例提出的基于融合自动编码器与生成对抗网络的通信系统。
[0208]
图5是本技术实施例的基于融合自动编码器与生成对抗网络的通信系统的方框示意图。
[0209]
如图5所示，该基于融合自动编码器与生成对抗网络的通信系统10包括：编码模块
100、第一处理模块200、拟合模块300和第二处理模块400。
[0210]
具体地，编码模块100，用于通过自动编码器的编码网络对输入信号进行编码，得到真编码信号。
[0211]
第一处理模块200，用于对真编码信号进行调制，并由经过信道后的接收信号进行量化，得到量化信号。
[0212]
拟合模块300，用于基于量化信号，通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号。
[0213]
第二处理模块400，用于由自动编码器的解码网络与生成对抗网络的判别器融合为初始网络，并基于预设的加权损失函数及有转折点的训练策略训练初始网络，得到判断编码信号的真假以与生成器博弈并将任一编码信号解码以恢复为传输信号的融合网络。
[0214]
可选地，在本技术的一个实施例中，编码模块100包括：生成单元和处理单元。
[0215]
其中，生成单元，用于根据比特序列的每预设比特信息生成对应的符号，并由符号映射为相应的编码信息。
[0216]
处理单元，用于基于编码信息进行归一化处理，得到真编码信号。
[0217]
可选地，在本技术的一个实施例中，第一处理模块200包括：调制单元和发送单元。
[0218]
其中，调制单元，用于基于二进制振幅键控ook、二相相移键控bpsk、正交幅度调制qam或者正交频分复用调制ofdm调制方式对真编码信号进行调制。
[0219]
发送单元，用于利用发送端发送调制后的真编码信号。
[0220]
可选地，在本技术的一个实施例中，第一处理模块200进一步用于基于自适应量化方法，利用量化函数量化阈值为可训练参数，以自适应调整到最优阈值。
[0221]
可选地，在本技术的一个实施例中，量化函数为近似单位阶跃函数。
[0222]
可选地，在本技术的一个实施例中，有转折点的训练策略包括在转折点前自动编码器的损失函数权重大于预设阈值，在转折点后则固定编码网络的参数，并且自动编码器和生成对抗网络的损失函数权重相同。
[0223]
需要说明的是，前述对基于融合自动编码器与生成对抗网络的通信方法实施例的解释说明也适用于该实施例的基于融合自动编码器与生成对抗网络的通信系统，此处不再赘述。
[0224]
根据本技术实施例提出的基于融合自动编码器与生成对抗网络的通信系统，可以通过自动编码器的编码网络对输入信号进行编码，得到真编码信号且进行调制，并由经过信道后的接收信号进行量化，得到量化信号，从而通过生成对抗网络的生成器将随机信号拟合为逼近真编码信号的假编码信号，并由自动编码器的解码网络与生成对抗网络的判别器融合为初始网络，并基于预设的加权损失函数及有转折点的训练策略训练初始网络，得到判断编码信号的真假以与生成器博弈并将任一编码信号解码以恢复为传输信号的融合网络，从而可以在信道较复杂的通信系统中获取准确的信道信息，有效的提升了通信系统的可靠性和准确性。由此，解决了相关技术中由于通信较为依赖信道模型，导致在信道较复杂的通信系统中无法获取准确的信道信息，增加了系统实现的复杂度，降低了通信系统的可靠性和准确性等问题。
[0225]
图6为本技术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：
[0226]
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
序。
[0227]
处理器602执行程序时实现上述实施例中提供的基于融合自动编码器与生成对抗网络的通信方法。
[0228]
进一步地，电子设备还包括：
[0229]
通信接口603，用于存储器601和处理器602之间的通信。
[0230]
存储器601，用于存放可在处理器602上运行的计算机程序。
[0231]
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。
[0232]
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、控制总线等。为便于表示，图6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。
[0233]
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。
[0234]
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技术实施例的一个或多个集成电路。
[0235]
本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融合自动编码器与生成对抗网络的通信方法。
[0236]
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技术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。
[0237]
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。在本技术的描述中，“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。
[0238]
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，并且本技术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，这应被本技术的实施例所属技术领域的技术人员所理解。
[0239]
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
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。
[0240]
应当理解，本技术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，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。
[0241]
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。
[0242]
此外，在本技术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。
[0243]
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技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。