一种基于深度学习的自适应调制编码方法

本发明属于无线通信领域，涉及无线通信中的自适应调制编码技术，具体为一种基于深度学习的自适应调制编码方法。

背景技术：

1、在无线通信系统中，自适应调制编码(adaptive modulation and coding,amc)技术能够根据不同的信道条件实时选择信道编译码和调制解调方式，是提高信道资源利用率以及实现高速率和大容量通信的有效手段。在新无线电下行链路amc过程之后，用户设备必须向服务基站建议下一次传输中使用的调制编码方案(modulation and coding scheme,mcs)。然而，传统的amc技术在具有时变特征的无线信道中具有很大的局限性，其往往采用固定的mcs表，通过接收端反馈的信道状态，从mcs表中去索引对应的调制编码方案。这就会使得mcs表对于信道状态的划分往往是进行粗略的区间划分，不能对所有的信道状态都选择最合适的调制编码方案。其次，由于信道状态的快速变化，将根据当前信道状态信息选择的调制编码方案回传到发射端时，此时的信道状态可能已经发生了变化，而发射端依据过时的信道状态信息决策出来的调制编码方案已经不再适用当前的信道，因此极大地减弱传统自适应调制编码方案的有效性。

2、针对无线通信系统中自适应调制编码方案有效性差的研究分为两种方法：基于模型或传统的方法和基于机器学习的方法。现有技术中存在一种基于接收信号的信噪比估计的自适应调制方法，该方法通过预先定义的信噪比范围映射到特定的调制类别，通过查找表的方法来选择接收机中的mcs并通过反馈通知发射机，所有的方法都需要从接收机反馈到发射机，这种利用固定查找表的amc技术称为内环链路自适应。有文献中称这种仅基于信噪比或接收功率的自适应方法为注水算法。现有技术中还提出了外环链路自适应(outerloop link adaptation,olla)技术，它通过不断的更新偏移量来修改信噪比阈值，使得平均块错误率保持在预定义的目标之下。另外还有可增强型外环链路自适应技术，即使没有接受到数据的分组，也能够自适应的修改其步长以及根据接收条件更新其偏移量。以上传统的自适应调制编码方法试图通过反馈链路补偿信噪比估计的误差，但它们仍没有解决信道状态信息在反馈过程中的时延问题导致的自适应调制编码方案有效性差的问题，反而增加了系统的延迟。

3、最近，机器学习算法已经广泛的用于链路自适应。与基于模型的方法不同，基于机器学习的方法从先前的数据中学习链路自适应机制。在一些文献中使用注意力辅助k近邻(attention-aided k-nearest neighbor，a-knn)算法，在此基础上设计了一种对信道建模不确定具有免疫力的机器学习amc方法。利用其在线学习能力，提供了一种具有降维和数据聚类功能的amc分类器。但由于无线通信信道的快速变化，注意力辅助k近邻算法不能很好地对信道进行建模。一些文献采用了基于强化学习的自适应调制编码方法，把信道状态的转变建模为马尔科夫链，从而对信道状态进行了更为准确的建模，并根据q学习算法获得的状态-动作映射来选择mcs。一些文献采用基于深度q网络的自适应调制方法，该方法采用一系列过时的信道状态信息(channel state information,csi)作为系统的输入，与单q学习相比，它可以更有效的提取信道信息并在预期信道中选择适当的调制模式。虽然该方法增强了系统的性能，减少了决策的误差，但由于使用过时的csi，从而导致决策后的mcs并不适用于时变的无线信道，进而降低了系统的吞吐量。一些文献采用深度卷积神经网络(deepconvolutional neural network,dcnn)的方法，采用估计的信道状态信息和噪声标准偏差作为输入特征为多输入多输出的正交频分复用系统选择合适的调制编码方案。该网络解决了深度q网络中预测一系列未来的动作的问题，而仅仅预测下一次传输的mcs，但由于网络中的参数复杂以及操作次数多的问题提高了网络的复杂度。

技术实现思路

1、为了克服现有技术中存在的不足，本发明提供一种基于深度学习的自适应调制编码方法，通过预测未来csi作为输入，可以选择更适合未来信道状态的mcs，使用一维卷积网络1d-cnn和长短期记忆网络lstm，降低了网络复杂度；还通过端到端学习避免了外环反馈的延迟问题；实现了在保持可接收阈值误码率的同时选择出可以实现最高比特率的mcs。

2、本发明为解决其技术问题所采用的技术方案是：

3、一种基于深度学习的自适应调制编码方法，步骤包括，使用改进的自适应无参数递归神经网络模型apf-rns学习无线通信的信道特征，并通过改进的apf-rns发射端预测信道状态信息csi；然后，将预测的信道状态信息csi作为输入特征，进入改进的apf-rns进行调制编码方案mcs选择；所述改进的apf-rns结合群体智能优化ao算法，引入自适应权重和自适应结构，同时采用一维卷积网络1d-cnn和长短期记忆网络lstm的组合，1d-cnn用于特征提取，lstm用于学习信道的行为。

4、基于上述方案，通过使用改进的自适应无参数递归神经网络模型apf-rns学习信道特征，并通过预测信道状态信息csi进行调制编码方案mcs选择，可以更好地适应不同的信道条件，从而提高无线通信系统的性能；改进的apf-rns结合群体智能优化ao算法，引入自适应权重和自适应结构，可以根据实时的信道状态信息进行动态调整，从而进一步提升系统性能；采用一维卷积网络1d-cnn和长短期记忆网络lstm的组合，1d-cnn用于特征提取，lstm用于学习信道的行为，可以更好地捕捉信道的时空特性，提高信道状态信息的预测准确性。

5、进一步的，所述改进的apf-rns使用发射端预测的r个csi作为训练amc分类器的特征向量，其表示为：

6、f＝[csi1,csi2,csi3,...,csir]

7、发射端在满足预设目标误码率的同时选择具有最高频谱效率的mcs，频谱效率考虑了调制模式和编码率，目标是选择比特率最高的方案；因此，特征向量f的函数如下式所示，最终，发射端使用改进的apf-rns预测的mcs方案进行无线数据传输：

8、

9、其中，i是所选mcs类的标签，se(mcsk,f)表示mcsk的频谱效率，ber(mcsk,f)表示mcsk的误码率，bert是误码率的可接受阈值，无线通信系统根据信道状态选择最佳的mcs，最佳的mcs定义为在满足预定义的传输质量的同时具有最大频谱效率的方法。

10、基于上述方案，通过使用发射端预测的信道状态信息csi作为特征向量，能够在满足预设目标误码率的同时选择具有最高频谱效率的调制编码方案mcs，频谱效率考虑了调制模式和编码率，目标是选择比特率最高的方案，因此，能够最大化无线通信系统的频谱利用率，提高数据传输速率。在选择mcs方案时，不仅考虑频谱效率，还考虑了预定义的传输质量要求，通过设置误码率的可接受阈值，可以在满足一定的传输质量要求的前提下选择最佳的mcs方案，保证数据传输的可靠性和稳定性。

11、进一步的，所述改进的apf-rns由依次设置的输入层、一维卷积网络1d-cnn、批量归一化层、长短期记忆网络lstm、全局平均池化层、批量归一化层、两个全连接层、软最大化层、输出层组成。

12、基于上述方案，一维卷积网络1d-cnn用于特征提取，可以从输入的信道状态信息中提取出有用的特征，长短期记忆网络lstm用于时序建模，可以捕捉信道状态信息的时序变化，通过这种组合，网络能够更好地理解信道的时空特性，提高信道状态信息的预测准确性；批量归一化层用于加速网络的训练过程，提高网络的收敛速度和稳定性。全局平均池化层用于减少特征的维度，降低计算复杂度，并且可以提取出更加鲁棒的特征表示。两个全连接层用于进一步处理特征，提取更高级别的特征表示。软最大化层用于将网络的输出映射到概率分布，使得输出更具有可解释性和可理解性。

13、进一步的，所述输入层使用ao算法来确定神经网络模型的隐藏层单元数和学习率的最优值，预测出csi，一维卷积网络1d-cnn从输入的csi矩阵中提取特征，批量归一化层对一维卷积网络1d-cnn的输出归一化，然后，采用长短期记忆网络lstm，把每个时间步长的特征向量转换为特征的矢量，基于预测出的csi步长学习输入的不同部分之间的相关性；使用全局平均池化层对特征进行重塑，将特征图转为特征向量；然后，由批量归一化层执行归一化操作后，数据进入分类器部分，分类器由两个全连接层组成，第一层全连接层对特征向量进行降维处理，第二层全连接层输出分类结果；软最大化层获得每个mcs类别的概率，并选择满足误码率约束且频谱效率最高的调制编码方案。

14、基于上述方案，通过使用ao算法确定神经网络模型的隐藏层单元数和学习率的最优值，可以根据具体问题的需求自适应地确定网络结构，从而提高网络的性能和适应性；一维卷积网络1d-cnn从输入的csi矩阵中提取特征，批量归一化层对1d-cnn的输出进行归一化，这种组合能够更好地提取信道特征，并保证特征的一致性和稳定性。通过引入长短期记忆网络lstm，将每个时间步长的特征向量转换为特征的矢量，并学习输入的不同部分之间的相关性，这样可以更好地利用时序信息，提高调制编码的准确性和效率。通过两个全连接层的分类器，对特征向量进行降维处理和输出分类结果，软最大化层能够获得每个mcs类别的概率，并选择满足误码率约束且频谱效率最高的调制编码方案，可以提高系统的性能和效率。

15、进一步的，所述一维卷积网络1d-cnn的卷积核被设计为捕获csi矩阵的局部特征。

16、基于上述方案，将一维卷积网络1d-cnn的卷积核设计为捕获csi矩阵的局部特征可以提高特征提取的效果，减少计算复杂度，并更好地捕获信道状态信息中的空间相关性和模式，有助于改进调制编码方法的性能和适应性。

17、进一步的，所述长短期记忆网络lstm设计为传递时间步长的特征向量，内部记忆单元负责存储上下文信息。

18、基于上述方案，将lstm网络设计为传递时间步长的特征向量，并利用内部记忆单元存储上下文信息，可以提高调制编码方法对时序信息的建模能力，解决长期依赖问题，提高上下文感知性能，以及提高系统的鲁棒性和泛化能力。

19、本发明的有益效果包括：

20、本发明提出使用改进自适应无参数递归神经网络的方法预测信道状态信息，并将预测的信道状态信息作为输入，同时采用一维卷积网络(one-dimensional convolutionalnetwork,1d-cnn)和长短期记忆网络(long short-term memory,lstm)单元的组合，1d-cnn用于特征提取，lstm用于学习信道的行为。该方法汲取了深度学习的以下优点：可以从数据中直接学习、独立于可能与真实世界条件不同的预先假设条件、无外环反馈的更高精度以及神经网络的并行实现从而得到的快速处理。具体来说，相比注意力辅助k近邻算法，本发明通过使用lstm神经网络，可以更好地学习和建模信道的时序相关性，适应信道的变化。相比深度q网络，本发明通过预测未来csi作为输入，可以选择更适合未来信道状态的mcs。相比深度卷积神经网络，本发明使用1d卷积网络和lstm，降低了网络复杂度。还通过端到端学习避免了外环反馈的延迟问题。基于这些优点实现了在保持可接收阈值误码率的同时选择出可以实现最高比特率的mcs。

21、相比于现有技术,本发明提供了一个全面和高效的解决方案，不仅提高了信道状态信息的预测精度，还有效地提取了信道特征并进行了优化的调制编码方案选择。这些设计确保了频谱效率的最大化，并克服了传统方法中的多种技术挑战，如反馈时延、固定查找表的局限性、链路自适应方法的模型不准确性等问题。综上，该发明具有预测csi避免反馈时延、卷积网络提取时序特征、lstm学习信道相关性等优点,能够实现频谱效率更高的自适应调制编码,从而推动了该技术的进步。