[go: up one dir, main page]

CN116599799A - 一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质 - Google Patents

一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN116599799A
CN116599799A CN202310569879.0A CN202310569879A CN116599799A CN 116599799 A CN116599799 A CN 116599799A CN 202310569879 A CN202310569879 A CN 202310569879A CN 116599799 A CN116599799 A CN 116599799A
Authority
CN
China
Prior art keywords
channel
channel transmission
transmission efficiency
neural network
recurrent neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310569879.0A
Other languages
English (en)
Inventor
刘博�
任建新
毛雅亚
张俊涛
吴翔宇
吴泳锋
孙婷婷
赵立龙
戚志鹏
李莹
王凤
哈特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202310569879.0A priority Critical patent/CN116599799A/zh
Publication of CN116599799A publication Critical patent/CN116599799A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/25—Arrangements specific to fibre transmission
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明公开了一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质，属于光传输技术领域，包括在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法；在信道传输过程中利用更新后的信道编码算法进行信道编码；计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤直至信道传输效率达到预设要求；本发明能够实现信道编码与其动态变化的最优匹配，在信道输入端将对信息传输的影响减到最小，有效提升信道传输效率和信道传输容量。

Description

一种基于门控循环神经网络的信道传输效率优化方法、装置、 系统及存储介质
技术领域
本发明涉及一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质，属于光传输技术领域。
背景技术
当今世界已进入以信息产业为主导的新经济发展时期，通信与网络已全面融入社会生产生活、成为世界信息产业高速发展的核心引擎，深刻改变着全球发展格局、利益格局、安全格局。就电信行业而言，竞争正在朝着提高数据速率以满足不同增长的服务需求的方向发展这是埃德霍尔姆带宽定律所预期的。根据香农公式的计算，光纤传输容量存在理论最大值，并且由于光纤非线性、光纤可用带宽资源、光电器件指标等问题的限制，现有传输容量与极限值还存在一个不小的差距。这是因为非线性香农极限的存在。根据香农公式的计算，单芯光纤传输容量存在理论最大值，并且由于光纤非线性、光纤可用带宽资源、光电器件指标等问题的限制，现有传输容量与极限值还存在一个不小的差距。为了消除这一间隔，让光纤传输真正地无限趋近香农极限，提高调制阶数成为一个常用手段。高阶调制格式让单个码元携带更多比特信息，尤其是高频谱利用率的高阶QAM调制格式对提高信道容量成效显著。但是，光纤信道存在的克尔效应限制了发射机的发射信号光功率，使得实际的通信系统无法获得高阶调制所需的更高光信噪比(Optical Signal Noise Ratio,OSNR)，对接收机灵敏度提出了更高要求。
综上所述，现有技术中仍存在以下问题：传输容量较低、传输效率较低。
发明内容
本发明的目的在于提供一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质，解决现有技术中存在的传输效率和传输容量较低的问题。
为实现以上目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于门控循环神经网络的信道传输效率优化方法，包括：
在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法；
在信道传输过程中利用更新后的信道编码算法进行信道编码；
计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤直至信道传输效率达到预设要求。
结合第一方面，进一步的，所述信道参数通过以下方法得到：将初始信号输入信道传输系统，经过信道传输后，生成信道参数。
结合第一方面，进一步的，所述信道参数在所述学习过程中作为所述门控循环神经网络的训练样本。
结合第一方面，进一步的，在所述门控循环神经网络中，信道参数的处理过程包括：
信道参数传入所述门控循环神经网络后，通过隐藏层进行特征信息的提取和学习，隐藏层在信息处理的过程中存在当前状态和历史状态，然后通过更新门来控制当前状态需要从历史状态中保留多少已经学习到的信道参数，以及需要从候选状态中接受多少信道参数，当更新门的值为1时，保留当前的候选状态，再将所述候选状态输入给重置门，当重置门的值为1时，候选状态和输入门控循环神经网络的信道参数以及历史状态相关，此时输出所述候选状态，根据候选状态建立动态的信道编码模型。
结合第一方面，进一步的，所述门控循环神经网络采用BPPT算法进行训练，从而完成自身参数的学习。
第二方面，本发明还提供了一种基于门控循环神经网络的信道传输效率优化装置，包括：
信道编码算法更新模块：用于在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法；
信道编码模块：用于在信道传输过程中利用更新后的信道编码算法进行信道编码；
轮询优化模块：用于计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤直至信道传输效率达到预设要求。
第三方面，本发明还提供了一种基于门控循环神经网络的信道传输效率优化系统，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现如第一方面任一项所述的基于门控循环神经网络的信道传输效率优化方法的操作。
第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面中任一项所述的基于门控循环神经网络的信道传输效率优化方法的操作。
与现有技术相比，本发明所达到的有益效果是：
本发明提供的一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质，通过门控循环神经网络学习动态变化中的信道参数，不断优化信道编码算法，做到信道编码与其动态变化的最优匹配，在信道输入端将对信息传输的影响减到最小，有效提升信道传输效率和信道传输容量，引入门控机制来控制信道参数的累积速度，包括有选择地加入新的信道参数，并有选择地遗忘掉之前累积的信道参数，解决神经网络在学习大量参数序列时出现的梯度消失和爆炸问题，最终更新相关的信道编码算法，实现与信道变化的动态匹配；
结合随时间的反向传播算法(BPTT)进行信道参数的学习，可以将错误的信息按照时间逆序一步步地反向往前传，可以更加有效地利用训练集地更多数据，使得门控循环神经网络能够更精准地给出匹配地信道编码模型。
附图说明
图1是本发明实施例提供的一种基于门控循环神经网络的信道传输效率优化方法的流程图之一；
图2是本发明实施例提供的一种基于门控循环神经网络的信道传输效率优化方法的流程图之二；
图3是本发明实施例提供的门控循环神经网络的学习过程示意图；
图4是本发明实施例提供的门控循环神经网络的参数学习过程示意图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
针对本发明所要解决的少模多芯光纤信道在数据传输过程中存在的色散效应等带来的信道损耗问题，利用人工智能技术在信道编码上解决信道损耗问题是一种可行途径。如今，以深度学习网络(Deep Neural Network,DNN)，循环神经网络(Recurrent NeuralNetwork，RNN)为代表的算法也可运用于光纤通信中，以实现高效的联合信道估(ChannelEstimation,CE)和信号检测(SignalDetection,SD)，可兼顾光纤传输系统性能优化和运算复杂度降低。循环神经网络(Recurrent Neural Network，RNN)是一类具有短期记忆能力的神经网络，因此计算能力十分强大，可以有效地处理长序列类型的数据。并且和前馈神经网络相比，循环神经网络更加符合生物神经网络的结构。在循环神经网络中，神经元不但可以接受其他神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。这种特征使RNN可以很好地模拟处于动态变化中的信道，及时更新信道参数，不断优化关于信道编码的算法。循环神经网络已经被广泛应用在语音识别、语言模型以及自然语言生成等任务上。循环神经网络的参数学习可以通过随时间反向传播算法来学习，随时间反向传播算法即按照时间的逆序将错误信息一步步地往前传递。结合门控机制(Gating Mechanism)，可以处理长的信道参数序列，能够更全面的学习和模拟动态信道，给出更优的信道编码算法。
如图1所示，本发明实施例提供了一种基于门控循环神经网络的信道传输效率优化方法，包括以下步骤：
S1、在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法。
信道参数通过以下方法得到：将初始信号输入信道传输系统，经过信道传输后，生成信道参数。信道参数在所述学习过程中作为所述门控循环神经网络的训练样本。
当传入的数据序列较长时，会存在梯度爆炸和消失问题。本发明的创新点在循环神经网络中引入门控机制来控制信道参数更新的方式。在数字电路中，门(gate)为一个二值变量{0,1}，0代表关闭状态，不许任何信息通过；1代表开放状态，允许所有信息通过。如图3所示，训练样本传入门控循环神经网络后，经过其中的隐藏层进行特征信息的提取和学习，隐藏层在信息处理的过程中存在当前状态和历史状态(分别用ht和ht-1表示)。接下来进行数据筛选环节，GRU网络引入一个更新门(Zt)来控制当前状态需要从历史状态中保留多少已经学习到的信道参数(不经过非线性变换)，以及需要从候选状态中接受多少信道参数。GRU网络直接使用一个门来控制输入和遗忘的信道参数之间的平衡。当更新门的值为0时，当前状态ht和前一时刻的状态ht-1之间为非线性函数关系；当更新门的值为1时，ht和ht-1之间为线性函数关系，保留当前的候选状态hm。再将状态hm输入给重置门Rt,依据重置门Zt的输出来判断候选状态hm是否依赖ht-1，检验两个状态是否有联系。若Rt＝1时，候选状态hm和输入的训练样本X以及历史状态ht-1相关。此时输出hm，依据hm建立动态的信道编码模型。
相较于RTRL算法，在GRU网络参数学习方面，选择BPPT算法进行参数学习，可以将错误的信息按照时间逆序一步步地反向往前传，可以更加有效地利用训练集的更多数据，使GRU网络能够更精准地给出匹配的信道编码模型。
如图4所示，输入初始训练集D＝{x(n),y(n)}(信道参数)，l代表神经网络的层数。首先从第1层道第l层依次计算每层的参数，这里包括净输入值Z(l)和激活值α(l)。其中Z(l)的计算方法为：
Z(l)＝W(l)+α(l-1)+b(l)(W是对应层的权重矩阵，b是偏置向量)；
再反向传播计算每层的误差项δ(l),δ(l)的计算方法为：
每层的误差项δ(l)计算完成伴随着计算同层的参数导数，计算方法为：
其中，α(l-1)表示第l-1层的激活值，T表示转置，n表示神经网络的层数，y表示网络输出，W(l)表示第l层的权重矩阵，b(l)表示第l层的权重偏置。
紧接着GRU网络更新信道编码算法，更新后的算法经过验证集V验证后若达到学习率a的标准则GRU网络输出相应的算法，反之则继续参数学习的过程，不断更新信道编码算法，直至满足学习率a为止。
S2、在信道传输过程中利用更新后的信道编码算法进行信道编码。
S3、计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤S1和S2直至信道传输效率达到预设要求。
以上就是本发明提出的基于门控循环神经网络的信道编码优化方案，将从信道输出的信号作为该神经网络的训练集，结合随时间的反向传播算法，进行参数逆向学习，计算梯度。大幅提高了循环神经网络数据学习的范围，有效地解决了简单循环网络存在的长程依赖问题，避免了因数据冗余而带来的高复杂度，最终不断的更新优化信道编码算法，直到达到信道编码与动态变化的信道参数最优匹配，从而在信号发射端将影响降低到最小，有效提升信道传输容量。
实施例2
如图2所示，本发明实施例还提供了一种基于门控循环神经网络的信道传输效率优化方法，包括以下步骤：
初始信号经过信道传输后，生成初始参数X传作为GRU网络的训练样本，经过GRU学习后将输出相应的信道编码模型，以该信道编码模型来更新信道编码算法，再以更新后的信道编码算法进行信道编码，经过信道传输去检验在该算法下信道的传输效率是否提升。若有显著提升(达到预设要求)，则该算法可以作为目标算法用于整个传输系统；反之则继续依照学习准则继续让GRU网络学习，直到输出的信道编码算法有益于传输效率的显著提升(达到预设要求)为止。
实施例3
本发明实施例提供了一种基于门控循环神经网络的信道传输效率优化装置，包括：
信道编码算法更新模块：用于在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法；
信道编码模块：用于在信道传输过程中利用更新后的信道编码算法进行信道编码；
轮询优化模块：用于计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤直至信道传输效率达到预设要求。
实施例4
本发明实施例提供了一种基于门控循环神经网络的信道传输效率优化系统，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现如下所述的基于门控循环神经网络的信道传输效率优化方法的操作：
在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法；
在信道传输过程中利用更新后的信道编码算法进行信道编码；
计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤直至信道传输效率达到预设要求。
实施例5
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如下所述的基于门控循环神经网络的信道传输效率优化方法的操作：
在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法；
在信道传输过程中利用更新后的信道编码算法进行信道编码；
计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤直至信道传输效率达到预设要求。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于门控循环神经网络的信道传输效率优化方法，其特征在于，包括：
在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法；
在信道传输过程中利用更新后的信道编码算法进行信道编码；
计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤直至信道传输效率达到预设要求。
2.根据权利要求1所述的一种基于门控循环神经网络的信道传输效率优化方法，其特征在于，所述信道参数通过以下方法得到：将初始信号输入信道传输系统，经过信道传输后，生成信道参数。
3.根据权利要求1所述的一种基于门控循环神经网络的信道传输效率优化方法，其特征在于，所述信道参数在所述学习过程中作为所述门控循环神经网络的训练样本。
4.根据权利要求1所述的一种基于门控循环神经网络的信道传输效率优化方法，其特征在于，在所述门控循环神经网络中，信道参数的处理过程包括：
信道参数传入所述门控循环神经网络后，通过隐藏层进行特征信息的提取和学习，隐藏层在信息处理的过程中存在当前状态和历史状态，然后通过更新门来控制当前状态需要从历史状态中保留多少已经学习到的信道参数，以及需要从候选状态中接受多少信道参数，当更新门的值为1时，保留当前的候选状态，再将所述候选状态输入给重置门，当重置门的值为1时，候选状态和输入门控循环神经网络的信道参数以及历史状态相关，此时输出所述候选状态，根据候选状态建立动态的信道编码模型。
5.根据权利要求1所述的一种基于门控循环神经网络的信道传输效率优化方法，其特征在于，所述门控循环神经网络采用BPPT算法进行训练，从而完成自身参数的学习。
6.一种基于门控循环神经网络的信道传输效率优化装置，其特征在于，包括：
信道编码算法更新模块：用于在训练好的门控循环神经网络中利用预先获取的信道参数按照预设的学习准则进行学习，得到信道编码模型，利用所述信道编码模型更新信道传输系统中的信道编码算法；
信道编码模块：用于在信道传输过程中利用更新后的信道编码算法进行信道编码；
轮询优化模块：用于计算信道传输过程中的信道传输效率，若信道传输效率达到预设要求则完成优化，若信道传输效率未达到预设要求则轮询上述步骤直至信道传输效率达到预设要求。
7.一种基于门控循环神经网络的信道传输效率优化系统，其特征在于，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现如权利要求1-5任一项所述的基于门控循环神经网络的信道传输效率优化方法的操作。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1-5中任一项所述的基于门控循环神经网络的信道传输效率优化方法的操作。
CN202310569879.0A 2023-05-19 2023-05-19 一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质 Pending CN116599799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310569879.0A CN116599799A (zh) 2023-05-19 2023-05-19 一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310569879.0A CN116599799A (zh) 2023-05-19 2023-05-19 一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN116599799A true CN116599799A (zh) 2023-08-15

Family

ID=87600344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310569879.0A Pending CN116599799A (zh) 2023-05-19 2023-05-19 一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116599799A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598859A (zh) * 2019-08-01 2019-12-20 北京光锁科技有限公司 基于门控循环神经网络的非线性均衡方法
CN113269077A (zh) * 2021-05-19 2021-08-17 青岛科技大学 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN115441993A (zh) * 2022-09-01 2022-12-06 中国人民解放军国防科技大学 一种信道编解码方法、装置、设备及存储介质
CN115706612A (zh) * 2021-08-04 2023-02-17 中兴通讯股份有限公司 信道状态信息的反馈方法、接收方法及终端、基站、介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598859A (zh) * 2019-08-01 2019-12-20 北京光锁科技有限公司 基于门控循环神经网络的非线性均衡方法
CN113269077A (zh) * 2021-05-19 2021-08-17 青岛科技大学 基于改进门控网络和残差网络的水声通信信号调制方式识别方法
CN115706612A (zh) * 2021-08-04 2023-02-17 中兴通讯股份有限公司 信道状态信息的反馈方法、接收方法及终端、基站、介质
CN115441993A (zh) * 2022-09-01 2022-12-06 中国人民解放军国防科技大学 一种信道编解码方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113642653B (zh) 基于结构优化算法的复值神经网络的信号调制识别方法
CN116523079A (zh) 一种基于强化学习联邦学习优化方法及系统
CN114157539A (zh) 一种数据知识双驱动的调制智能识别方法
CN113988449B (zh) 基于Transformer模型的风电功率预测方法
CN113726545B (zh) 基于知识增强生成对抗网络的网络流量生成方法及装置
EP4350572A1 (en) Method, apparatus and system for generating neural network model, devices, medium and program product
CN111788585B (zh) 一种深度学习模型的训练方法、系统
CN112862001A (zh) 一种隐私保护下的去中心化数据建模方法
CN110190909B (zh) 一种用于光通信的信号均衡方法及装置
AU2023226755A1 (en) Single image concept encoder for personalization using a pretrained diffusion model
CN111695696A (zh) 一种基于联邦学习的模型训练的方法及装置
CN114048328B (zh) 基于转换假设和消息传递的知识图谱链接预测方法及系统
CN109361404A (zh) 一种基于半监督深度学习网络的ldpc译码系统及译码方法
CN118673999B (zh) 大模型微调方法、装置、设备、介质及程序产品
Zheng et al. Edge-labeling based modified gated graph network for few-shot learning
CN113919401A (zh) 基于星座图特征的调制类型识别方法、装置、计算机设备
CN117596100A (zh) 基于神经网络的信号参数估计方法、装置、介质及设备
KR102393761B1 (ko) 이미지 처리를 위한 인공 신경망 모델 학습 방법 및 시스템
CN116599799A (zh) 一种基于门控循环神经网络的信道传输效率优化方法、装置、系统及存储介质
CN118469408B (zh) 火电厂运行人员绩效数据处理方法及系统
CN116796850A (zh) 模型训练方法、装置、设备及存储介质
CN116663516B (zh) 表格机器学习模型训练方法、装置、电子设备及存储介质
CN119519945A (zh) 一种基于贝叶斯的量子密钥分发的参数优化方法及系统
CN119292663A (zh) 基于申威处理器Transformer移植的高性能并行实现方法及系统
CN117634580A (zh) 一种神经网络模型的数据处理方法、训练方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination