基于多标签分类算法的多输入多输出智能接收机模型

doi:10.11772/j.issn.1001-9081.2021081535

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (10): 3124-3129.DOI: 10.11772/j.issn.1001-9081.2021081535

• 网络与通信 • 上一篇

基于多标签分类算法的多输入多输出智能接收机模型

王安义, 张衡

西安科技大学通信与信息工程学院，西安 710054

收稿日期:2021-08-30 修回日期:2021-11-25 接受日期:2021-11-25 发布日期:2022-01-07 出版日期:2022-10-10
通讯作者: 张衡
作者简介:第一联系人：王安义（1968—），男，陕西西安人，教授，博士，主要研究方向：宽带数字移动通信、智能信息处理、智能煤矿
张衡（1995—），男，江苏淮安人，硕士研究生，主要研究方向：多输入多输出（MIMO）检测和译码。805435784@qq.com
基金资助:
国家自然科学基金联合基金资助项目(U19B2015)

Multi-input multi-output intelligent receiver model based on multi-label classification algorithm

Anyi WANG, Heng ZHANG

College of Communication and Information Engineering，Xi’an University of Science and Technology，Xi’an Shaanxi 710054，China

Received:2021-08-30 Revised:2021-11-25 Accepted:2021-11-25 Online:2022-01-07 Published:2022-10-10
Contact: Heng ZHANG
About author:WANG Anyi， born in 1968， Ph. D. ， professor. His research interests include broadband digital mobile communication， intelligent information processing， intelligent coal mine.
ZHANG Heng， born in 1995， M. S. candidate. His research interests include Multi-Input Multi-Output （MIMO） detection and decoding.
Supported by:
National Natural Science Foundation of China Joint Fund(U19B2015)

摘要/Abstract

摘要：

传统无线通信系统由发射机和接收机组成，待传输的信息经过信道编码、调制、成型后通过天线发射出去。由于信道衰落、噪声和干扰等因素的影响，到达接收机的信号会存在较严重的失真，接收机需要从失真的信号中尽可能地恢复出原始信息。为解决此问题，提出基于多标签分类神经网络的多输入多输出（MIMO）智能接收机模型。该模型利用深度神经网络（DNN）替代接收机从信号到信息之间的整个信息恢复环节，并采用多标签分类算法代替多个二分类器实现多个比特的信息流恢复，而训练数据集为包含二进制相移键控（BPSK）与正交相移键控（QPSK）两种调制方式以及汉明编码与循环编码两种方式的正交信号。实验结果表明在噪声、瑞利衰落、干扰等情况下，使用传统Alamouti译码方法的接收机误码率（BER）为1E-3时，智能接收机已经实现了BER为0的恢复信息；在保持BER性能相同时，所提多标签分类算法比对比模型的多个二分类器算法在每个批次的训练时间上减少了约4 min。

关键词: 无线通信系统, 信息恢复, 深度神经网络, 智能接收机, 多个二分类器, 多标签分类

Abstract:

The traditional wireless communication system is composed of transmitters and receivers. The information to be transmitted is transmitted through antenna after channel coding， modulation， and shaping. Due to the influence of factors such as channel fading， noise， and interference， signals arriving at the receiver will have serious distortion， and the receiver needs to recover original information from distorted signals as much as possible. To solve this problem， a Multi-Input Multi-Output （MIMO） intelligent receiver model based on multi-label classification neural network was proposed. In this model， Deep Neural Network （DNN） was used to replace the entire information recovery link of receiver from signals to information， and multi-label classification algorithm was used to replace multiple binary classifiers to achieve multi-bit information flow recovery. The training dataset has quadrature signals that contains two modulation modes including Binary Phase Shift Keying （BPSK） and Quadrature Phase Shift Keying （QPSK） as well as two coding modes of Hamming coding and cyclic coding. Experimental results show that under conditions such as noise， Rayleigh fading， and interference， when the Bit Error Rate （BER） of receiver using the traditional Alamouti decoding method is 1E-3， the intelligent receiver realizes the recovered information with the BER of 0. While maintaining the same BER performance， the proposed multi-label classification algorithm reduces the training time of each batch by about 4 min compared with the multiple binary classifier algorithms of the comparison model.

Key words: wireless communication system, information recovery, Deep Neural Network (DNN), intelligent receiver, multiple binary classifiers, multi-label classification

中图分类号:

TP391

王安义, 张衡. 基于多标签分类算法的多输入多输出智能接收机模型[J]. 计算机应用, 2022, 42(10): 3124-3129.

Anyi WANG, Heng ZHANG. Multi-input multi-output intelligent receiver model based on multi-label classification algorithm[J]. Journal of Computer Applications, 2022, 42(10): 3124-3129.

图/表 8

图1 传统无线通信接收模型以及智能接收机模型

Fig. 1 Traditional wireless communication receiving model and intelligent receiver model

图2 DenseNet多标签网络结构

Fig. 2 Structure of DenseNet multi-label network

图3 Eb/N0=8 dB时两种SIR的信号干扰图

Fig. 3 Signal interference diagrams of two SIR when Eb/N0=8 dB

图4 在两种信道下的BER性能

Fig. 4 BER performance under two channels

图5 在两种循环编码下的BER性能

Fig. 5 BER performance under two cyclic codes

图6 在两种干扰信号下的BER性能

Fig. 6 BER performance under two interference signals

图7 不同比特位数的BER性能

Fig. 7 BER performance under different bits

表1 不同模型的性能对比

Tab. 1 Performance comparison of different models

模型	训练参数量		每批次训练时间/s
模型	BPSK	QPSK	BPSK	QPSK
文献［15］模型	1 257 614	1 257 614	856	740
本文模型	1 255 198	1 255 198	598	477

参考文献 18

1	GRADONI G， ANTONSEN T M， OTT E. Influence of multi-path fading on MIMO/OAM communications［C］// Proceedings of the 2019 International Conference on Electromagnetics in Advanced Applications. Piscataway： IEEE， 2019：1230-1230. 10.1109/iceaa.2019.8879262
2	XU G P， XIAO T， TAO T， et al. Research on intelligent optimization of massive MIMO coverage based on 5G MR［C］// Proceedings of the 2020 IEEE International Conference on Parallel and Distributed Processing with Applications， Big Data and Cloud Computing， Sustainable Computing and Communications， Social Computing and Networking. Piscataway： IEEE， 2020：1455-1459. 10.1109/ispa-bdcloud-socialcom-sustaincom51426.2020.00218
3	LeCUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015： 521（7553）： 436-444. 10.1038/nature14539
4	SCHMIDHUBER J. Deep learning in neural networks： an overview［J］. Neural Networks， 2015： 61：85-117. 10.1016/j.neunet.2014.09.003
5	O'SHEA T， HOYDIS J. An introduction to deep learning for the physical layer［J］. IEEE Transactions on Cognitive Communications and Networking， 2017， 3（4）：563-575. 10.1109/tccn.2017.2758370
6	WANG T Q， WEN C K， WANG H Q， et al. Deep learning for wireless physical layer： opportunities and challenges［J］. China Communications， 2017， 14（11）：92-111. 10.1109/cc.2017.8233654
7	KARRA K， KUZDEBA S， PETERSEN J. Modulation recognition using hierarchical deep neural networks［C］// Proceedings of the 2017 IEEE International Symposium on Dynamic Spectrum Access Networks. Piscataway： IEEE， 2017： 1-3. 10.1109/dyspan.2017.7920746
8	YE H， LI G Y， JUANG B H. Power of deep learning for channel estimation and signal detection in OFDM systems［J］. IEEE Wireless Communications Letters， 2018， 7（1）：114-117. 10.1109/lwc.2017.2757490
9	NACHMANI E， BE’ERY Y， BURSHTEIN D. Learning to decode linear codes using deep learning［C］// Proceedings of the 54th Annual Allerton Conference on Communication， Control， and Computing. Piscataway： IEEE， 2016：341-346. 10.1109/allerton.2016.7852251
10	BAI Q B， WANG J T， ZHANG Y， et al. Deep learning based channel estimation algorithm over time selective fading channels［J］. IEEE Transactions on Cognitive Communications and Networking， 2020， 6（1）：125-134. 10.1109/tccn.2019.2943455
11	ZHANG L， YANG L L. Machine learning for joint channel equalization and signal detection［M］// LUO F L. Machine Learning for Future Wireless Communications. New York： John Wiley & Sons， Inc.， 2020：213-241. 10.1002/9781119562306.ch12
12	YE H， LI G Y. Initial results on deep learning for joint channel equalization and decoding［C］// Proceedings of the 2017 IEEE 86th Vehicular Technology Conference. Piscataway： IEEE， 2017： 1-5. 10.1109/vtcfall.2017.8288419
13	SPENCER Q H， SWINDLEHURST A L， HAARDT M. Zero-forcing methods for downlink spatial multiplexing in multiuser MIMO channels［J］. IEEE Transactions on Signal Processing， 2004， 52（2）：461-471. 10.1109/tsp.2003.821107
14	刘景利. MIMO空间复用系统若干关键技术研究［D］. 北京：北京交通大学， 2009：7-26.
	LIU J L. Studies on several key technologies in MIMO spatial multiplexing system［D］. Beijing： Beijing Jiaotong University， 2009：7-26.
15	ZHENG S L， CHEN S C， YANG X N. DeepReceiver： a deep learning-based intelligent receiver for wireless communications in the physical layer［J］. IEEE Transactions on Cognitive Communications and Networking， 2021， 7（1）：5-20. 10.1109/tccn.2020.3018736
16	CHANG W C， YU H F， ZHONG K， et al. Taming pretrained transformers for extreme multi-label text classification［C］// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2020： 3163-3171. 10.1145/3394486.3403368
17	ZHANG M L， FANG J P. Partial multi-label learning via credible label elicitation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 43（10）：3587-3599. 10.1109/tpami.2020.2985210
18	DURAND T， MEHRASA N， MORI G. Learning a deep convnet for multi-label classification with partial labels［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 647-657. 10.1109/cvpr.2019.00074

[1]	王晓雨, 王展青, 熊威. 深度非对称离散跨模态哈希方法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2461-2470.
[2]	杨博, 张恒巍, 李哲铭, 徐开勇. 基于图像翻转变换的对抗样本生成方法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2319-2325.
[3]	玄英律, 万源, 陈嘉慧. 基于多尺度卷积和注意力机制的LSTM时间序列分类[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2343-2352.
[4]	李坤, 侯庆. 基于注意力机制的轻量型人体姿态估计[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2407-2414.
[5]	毛文涛, 吴桂芳, 吴超, 窦智. 基于中国写意风格迁移的动漫视频生成模型[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2162-2169.
[6]	陈荣源, 姚剑敏, 严群, 林志贤. 基于深度神经网络的视频播放速度识别[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2043-2051.
[7]	李锦烨, 黄瑞章, 秦永彬, 陈艳平, 田小瑜. 基于反绎学习的裁判文书量刑情节识别[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1802-1807.
[8]	于蒙, 何文涛, 周绪川, 崔梦天, 吴克奇, 周文杰. 推荐系统综述[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1898-1913.
[9]	包永春, 张建臣, 杜守信, 张军军. 基于非负矩阵分解与稀疏表示的多标签分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1375-1382.
[10]	任炜, 白鹤翔. 基于全局与局部标签关系的多标签图像分类方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1383-1390.
[11]	陈权, 李莉, 陈永乐, 段跃兴. 面向深度学习可解释性的对抗攻击算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 510-518.
[12]	吕学强, 彭郴, 张乐, 董志安, 游新冬. 融合BERT与标签语义注意力的文本多标签分类方法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 57-63.
[13]	王曙燕, 侯则昱, 孙家泽. 面向深度学习的对抗样本差异性检测方法[J]. 计算机应用, 2021, 41(7): 1849-1856.
[14]	张明明, 卢庆宁, 李文中, 宋浒. 基于联合动态剪枝的深度神经网络压缩算法[J]. 计算机应用, 2021, 41(6): 1589-1596.
[15]	张文烨, 尚方信, 郭浩. 基于Octave卷积的混合精度神经网络量化方法[J]. 计算机应用, 2021, 41(5): 1299-1304.

基于多标签分类算法的多输入多输出智能接收机模型

Multi-input multi-output intelligent receiver model based on multi-label classification algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 18

相关文章 15

编辑推荐

Metrics