1.基于深度学习和无线变换网络的MIMO端到端传输系统,包括发送器和接收器,其特征在于发送器包括编码器网络和预编码网络,接收器包括无线变换网络和解码器网络;
所述编码器网络由多个全连接的神经网络层组成,输入为转换为one‑hot向量后的符号向量集,输出为尚未添加功率约束的初始发送符号;
所述预编码网络为一个全连接的神经网络层,由一个输入层、一个隐含层和一个输出层构成,输入为信道矩阵,输出为预编码器,所述信道矩阵模拟瑞利衰落信道,所述预编码器将初始发送符号x与预编码器V作乘法操作,得到满足功率约束的发送符号 上述预编码器与信道矩阵配合用于对初始发送符号进行信道广播,输出接收符号,接收符号表示为:
其中,V表示预编码器,H表示信道矩阵,n表示高斯噪声,ρ表示归一化功率;
经过信道广播后,接收符号产生相位偏移和旋转,偏移信号为:其中,偏移量记为
所述无线变换网络为全连接的神经网络层,输入为接收符号,用于对接收符号产生的相位偏移和旋转进行校正,输出校正符号;
所述解码器网络由多个全连接的神经网络层组成,输入为校正符号,用于通过对校正符号进行乘法、加法和激活运算进行恢复,输出恢复后的发送符号向量。
2.根据权利要求1所述的基于深度学习和无线变换网络的MIMO端到端传输系统,其特征在于所述符号向量集中符号向量为从离散星座集合中提取的,为QPSK调制、16‑QAM调制或64‑QAM调制。
3.根据权利要求1所述的基于深度学习和无线变换网络的MIMO端到端传输系统,其特征在于所述编码器网络由四个全连接的神经网络层组成,每个神经网络层包括:输入层,所述输入层的维度由输入数据的长度决定,用于传输输入的符号向量集;
隐含层,所述隐含层共三层,上述三层隐含层依次连接并连接于输入层的输出端,每层使用的激活函数均为ReLU,每一层隐含层的神经元通过不同方式转换输入的数据以对符号向量进行编码;
输出层,所述输出层为线性全连接层,连接于隐含层的输出端,输出层的神经元对输入的数据进行转换,输出尚未添加功率约束的发送符号。
4.根据权利要求1所述的基于深度学习和无线变换网络的MIMO端到端传输系统,其特征在于所述预编码网络使用的激活函数为ReLU。
5.根据权利要求1所述的基于深度学习和无线变换网络的MIMO端到端传输系统,其特征在于所述无线变换网络由四个全连接的神经网络层组成,每个神经网络层包括:输入层,所述输入层共一层,用于传输输入的接收符号;
隐含层,所述隐含层共两层,两层隐含层依次连接并连接于输入层的输出端,每层隐含层的神经元对输入的数据进行乘法、加法和激活运算,上述两层隐含层使用的激活函数分别为tanh和ReLU;
输出层,所述输出层共一层,连接于隐含层的输出端,输出层使用的激活函数为tanh,输出层的输出为估计参数,估计参数与接收符号相乘得到校正符号。
6.根据权利要求1所述的基于深度学习和无线变换网络的MIMO端到端传输系统,其特征在于所述解码器网络由五层全连接神经网络层组成,每层神经网络层包括:输入层,所述输入层用于传输输入的数据;
隐含层,所述隐含层共三层,每层隐含层使用的激活函数依次为tanh、ReLU和ReLU,上述隐含层的神经元对输入的数据进行乘法、加法和激活运算以恢复校正符号;
输出层,所述输出层使用的激活函数为tanh,输出层的神经元对输入的数据进行乘法、加法和激活运算以输出恢复后的发送符号向量。
7.基于深度学习和无线变换网络的MIMO端到端传输系统构建方法,其特征在于包括如下步骤:
构建初始MIMO系统,所述初始MIMO系统为如权利要求1‑6任一项所述的基于深度学习和无线变换网络的MIMO端到端传输系统;
获取传输数据流,所述传输数据流为由符号向量组成的一组序列,所述符号向量为从一个离散星座集合提取的,所述离散星座集合支持QPSK调制、16‑QAM调制或64‑QAM调制;
将符号向量转换为one‑hot向量作为训练数据集;
将上述训练数据集输入初始MIMO系统,得到恢复后的发送符号向量;
构建损失函数,所述损失函数计算公式为:其中,si表示符号向量,表示恢复后的发送符号向量,N表示训练数据集中样本数量;
通过损失函数计算恢复后的发送符号向量与发送的符号向量之间的误差值,计算误差值的导数和上述MIMO系统的权重,使用adam优化器对损失函数进行优化,得到优化后MIMO系统。
8.基于深度学习和无线变换网络的MIMO传输方法,其特征在于包括如下步骤:通过如权利要求7所述的基于深度学习和无线变换网络的MIMO端到端传输系统构建方法,得到优化后MIMO系统;
获取待传输的数据流,所述数据流为由符号向量组成的一组序列,所述符号向量支持QPSK调制、16‑QAM调制或64‑QAM调制;
将符号向量转换为one‑hot向量作为测试数据集;
将上述测试输入优化后MIMO系统,得到恢复后的发送符号向量。