千人智库官方二维码

首页  >   千人智库 > 学术进展 > 信息科学
浅析一种基于深度神经网络的译码器抽象方法
时间:2019-06-14 09:28:59来源:汉斯出版社
提交需求
提要:在通信系统的仿真中,能否准确模拟出链路级译码结果对系统级仿真结果的可信度有重要意义。

计算机仿真技术对通信的发展做出了不可忽视的贡献。但随着通信系统变得越来越庞大和复杂,通信系统仿真也面临着挑战。虽然计算机的计算能力也在快速提高,但对于有一定规模的蜂窝网络来说,设计一个包含全部用户全部通信环节的完整仿真平台仍然是不可行的,其瓶颈主要在于物理层通信,特别是Turbo/LDPC译码等环节耗时过大。

(图片来源于网络,侵删)

为了解决这一问题,实际当中普遍采用了系统级和链路级分离的方法。系统级仿真平台完全忽略物理层,将物理层通信过程抽象为一个伯努利随机事件,用预估的方法来模拟译码效果。系统级通过与链路级之间的L2S接口(L2S)将整个物理层映射为误块率(BLER),从而大大降低了系统级仿真的计算复杂度。与此同时,L2S接口的准确度也成为关键问题。如果L2S接口提供的BLER有偏差,有可能导致系统级的输出结果不可信。

对于AWGN信道,BLER完全由信噪比这一个标量决定。此时系统级仿真平台只需要存储AWGN信道下各种调制编码方式(MCS)的BLER曲线即可。但蜂窝网络中的物理层极少是AWGN信道。实际信道普遍存在衰落及各类干扰。特别在现代的蜂窝系统中,造成译码错误的主因往往不是加性白高斯噪声,而是各类非高斯非白的干扰,包括符号间干扰、用户间干扰、天线间干扰、小区间干扰、子载波干扰等等。对于此类信道来说,给定码字的平均SNR或SINR并不能给定BLER。

为此,人们提出了各种改进的L2S接口技术,包括EESM、MIESM、基于判决域的方法、针对MIMO最大似然检测的SNR映射方法、基于机器学习的EESM等。上述方法基本上都是将具体的实际信道表征为一个SINR向量,再通过某种算法将此向量映射为对BLER等效的AWGN信道的等效信噪比,然后通过查AWGN信道的错误率曲线获得BLER的估计值。然而,对于具体的信道,决定BLER的因素非常复杂,给定一组SINR并不能给定BLER。因此这些方法一般都需要针对具体的场景调整参数或进行修正。

值得注意的是,链路级仿真的大部分时间消耗集中在信道译码过程上。例如对于采用LDPC码的系统来说,和积译码的耗时一般能占到链路级仿真总耗时的99%以上。因此,如果能将译码器进行抽象,使这部分的计算量大幅下降,那么系统级仿真就可以考虑纳入整个物理层,而不必将其等效成一个BLER。从这一点出发,本文提出对译码器进行抽象的方法。通过将译码器的软输入进行特征提取,然后借助深度神经网络(DNN)来直接识别码字能否译对。

在通信系统的仿真中,能否准确模拟出链路级译码结果对系统级仿真结果的可信度有重要意义。汉斯出版社《无线通信》期刊中,有论文提出了一种基于 DNN 的译码器抽象方法,该方法从译码器输入的软信息中提取了三个特征量作 为 DNN 结构的直接输入,用来预测每个码字的译码结果是成功还是失败。仿真结果表明,相比于 EESM, 所提方法有更好的译码结果预测准确率及 BLER 准确率。

文章来源:https://www.hanspub.org/journal/PaperInformation.aspx?paperID=30744

标签
浅析 一种 基于 深度 神经网络 译码器 抽象 方法

版权声明:千人智库网系千人智库唯一官方网站,凡转载本网内容请注明来源与作者。

作者系郭珊珊

评论详情

   暂无相关评论!
RSS订阅