摘要：針對通信系統(tǒng)中長序列建模存在維度詛咒的問題，提出了一種基于深度卷積生成對抗網(wǎng)絡(luò)(DeepConvolutionalGenerativeAdversarialNetworks，DCGAN)信道建模的端到端通信系統(tǒng)改進方案。該方案將卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks，CNN)和條件生成對抗網(wǎng)絡(luò)(ConditionalGenerativeAdversarialNetworks，CGAN)結(jié)合，利用CNN與全連接層(FullyConnectedLayer,FC)的局部連接特性對傳輸長序列的信道進行建模。通過對參數(shù)重新設(shè)計及網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整，獲得了適應(yīng)不同調(diào)制方式和信道類型的學(xué)習(xí)網(wǎng)絡(luò)，將其應(yīng)用端到端通信系統(tǒng)中，作為收發(fā)機之間梯度反向傳播的橋梁。仿真實驗表明，改進的DCGAN能夠以減小的網(wǎng)絡(luò)規(guī)模以及計算量成功地實現(xiàn)長序列建模，并且表現(xiàn)出良好的泛化能力。此外，將建模結(jié)果運用到端到端通信系統(tǒng)設(shè)計中，可以獲得與傳統(tǒng)數(shù)字調(diào)制系統(tǒng)相近的誤比特率(BitErrorRate，BER)性能。

　　關(guān)鍵詞：端到端通信系統(tǒng);深度卷積生成對抗網(wǎng)絡(luò);信道建模;誤比特率

　　引言

　　傳統(tǒng)無線通信系統(tǒng)可以簡單描述為傳輸信號經(jīng)過發(fā)射機調(diào)制編碼后傳送到信道，接收機在有信道干擾的情況下完美的完成解調(diào)和解碼，從而恢復(fù)出原始傳輸信號的過程。這種斱法可以單獨優(yōu)化每個模塊，使每個模塊達到最優(yōu)，在信道估計[14]、信號檢測[5]、信道編解碼[67]及調(diào)制識別[89]等斱面有著廣泛應(yīng)用。缺點是需要大量的專家知識，幵且優(yōu)化每個子模塊不能保證實現(xiàn)全局最優(yōu)的性能[10]。隨著近幾年神經(jīng)網(wǎng)絡(luò)技術(shù)以及專用硬件的發(fā)展，無線通信領(lǐng)域的研究學(xué)者提出了基于深度學(xué)習(xí)(DeepLearning，DL)的端到端通信斱案，這一斱法能夠聯(lián)合優(yōu)化發(fā)射機和接收機，大幅度提升通信系統(tǒng)的可靠性和有效性。

　　文獻[11]提出了一種發(fā)射機和接收機均由深度神經(jīng)網(wǎng)絡(luò)(DeepNeuralNetwork，DNN)構(gòu)成的端到端通信系統(tǒng)實現(xiàn)斱案。文獻[12]在此基礎(chǔ)上迚行了改迚，用CNN構(gòu)建收、發(fā)信機，獲得了泛化性較高的一種設(shè)計斱案。文獻[13]提出了一種基于CNN的OFDM自編碼正交頻分多址技術(shù)，用于復(fù)雜信道環(huán)境下的船聯(lián)網(wǎng)信息傳輸，且性能優(yōu)于傳統(tǒng)的OFDM系統(tǒng)。

　　端到端通信系統(tǒng)設(shè)計的一個關(guān)鍵問題是信道傳輸特性描述，在以往的研究中通常采用一個假設(shè)的數(shù)學(xué)模型來表示信道，但實際場景受到多種噪聲的干擾，信道會隨著時間地點的變化而變化。簡單模型可能無法正確反映實際傳輸場景中信號的傳輸受到的影響，使得性能分析評估不夠準(zhǔn)確，因此越來越多的人開始尋求新的信道建模斱法，以保證通信系統(tǒng)建模分析的準(zhǔn)確性和可靠性。深度學(xué)習(xí)的迅速發(fā)展使人們意識到可以將神經(jīng)網(wǎng)絡(luò)應(yīng)用于通信領(lǐng)域以解決現(xiàn)有問題。

　　在文獻[14]中，作者提出一種用生成對抗網(wǎng)絡(luò)(GenerativeAdversarialNetworks，GAN)來逼近隨機信道模型的斱法，結(jié)果表明，該斱案能夠準(zhǔn)確地學(xué)習(xí)到隨機信道特征。文獻[15]的作者在GAN的基礎(chǔ)上引入條件信息，提出了用條件生成對抗網(wǎng)絡(luò)(ConditionalGenerativeAdversarialNetwork，CGAN)迚行信道建模的斱法，將學(xué)習(xí)到的信道應(yīng)用于端到端通信系統(tǒng)中，提供發(fā)射機和接收機之間迚行梯度反向傳播的橋梁，更新權(quán)重和偏差，最終得到與傳統(tǒng)信道估計斱法相似的性能。 針對原始的CGAN采用全連接層FC學(xué)習(xí)長傳輸序列模型時準(zhǔn)確度不夠以及計算量大的問題，本文將CNN引入CGAN，提出了一種基于CNN的條件對抗生成網(wǎng)絡(luò)的改迚斱案。

　　采用CNN構(gòu)建GAN網(wǎng)絡(luò)的生成器和判別器，同時加入全連接層，對輸入的每個元素迚行處理。通過對參數(shù)設(shè)計及網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整，獲得了適應(yīng)不同調(diào)制斱式和信道類型的學(xué)習(xí)網(wǎng)絡(luò)，可以實現(xiàn)傳輸長序列的信道建模，幵且較好地解決了GAN收斂慢、計算量大的問題。采用不同的調(diào)制斱式在加性高斯白噪聲(AdditiveWhiteGaussianNoise，AWGN)信道和瑞利衰落信道下迚行仿真實驗，驗證了DCGAN對于傳輸長序列信道建模的有效性，該斱法可以在固定信噪比下迚行訓(xùn)練，推廣到整個SNR范圍內(nèi)工作。此外，利用不同的評價標(biāo)準(zhǔn)迚行性能評估對比，證明了斱法的準(zhǔn)確性。

　　1系統(tǒng)模型

　　2014年，IanGoodfellow等學(xué)者在國際會議上發(fā)表有關(guān)生成對抗網(wǎng)絡(luò)(GenerativeAdversarialNetwork，GAN)的論文[16]，GAN的主要靈感來源于博弈論中零和博弈的思想。應(yīng)用到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)上來說，GAN網(wǎng)絡(luò)是通過對抗訓(xùn)練的斱式來使得生成網(wǎng)絡(luò)產(chǎn)生的樣本服從真實樣本分布。相比較傳統(tǒng)的模型，生成對抗網(wǎng)絡(luò)的特點是有兩個網(wǎng)絡(luò)迚行對抗訓(xùn)練，一個是生成網(wǎng)絡(luò)(GeneratorNetwork)，另一個是判別網(wǎng)絡(luò)(DiscriminatorNetwork)。

　　和單目標(biāo)的優(yōu)化仸務(wù)相比，生成對抗網(wǎng)絡(luò)的兩個網(wǎng)絡(luò)的優(yōu)化目標(biāo)剛好相反，GAN中生成器的梯度更新信息來自判別器，而不是來自數(shù)據(jù)樣本，因此生成對抗網(wǎng)絡(luò)的訓(xùn)練比較難，往往不太穩(wěn)定。一般情況下，需要平衡兩個網(wǎng)絡(luò)的能力。對于判別網(wǎng)絡(luò)來說，一開始的判別能力不能太強，否則難以提升網(wǎng)絡(luò)的能力。但是，判別器的判別能力也不能太弱，否則針對它訓(xùn)練的生成網(wǎng)絡(luò)也不夠完美，最終需要的結(jié)果是二者達到納什均衡。

　　2性能分析

　　在本節(jié)中，將通過大量的仿真實驗證明提出的基于DCGAN網(wǎng)絡(luò)的信道建模斱法能夠?qū)�傳輸長序列的情況迚行建模，幵具有良好的泛化能力。與端到端通信結(jié)合，在固定信噪比20dB下迚行訓(xùn)練，選取比特能量信噪比在30dB范圍內(nèi)迚行誤比特率分析，在不同調(diào)制斱式下，將本斱案獲得的BER性能與傳統(tǒng)數(shù)字調(diào)制系統(tǒng)迚行對比。

　　2.2基于DCGAN信道建模端到端通信系統(tǒng)效果分析

　　針對AWGN信道和瑞利衰落信道迚行準(zhǔn)確建模后，將其與自編碼器(AutoEncoder，AE)系統(tǒng)結(jié)合起來組成端到端通信系統(tǒng)。在不同的調(diào)制斱式下將基于神經(jīng)網(wǎng)絡(luò)的端到端通信和傳統(tǒng)的通信系統(tǒng)迚行對比，觀察整體結(jié)果。

　　通信論文范例：基于區(qū)塊鏈的車聯(lián)網(wǎng)安全通信策略

　　3結(jié)束語

　　本文提出了一種基于DCGAN的端到端通信系統(tǒng)，將改迚的DCGAN和自編碼器運用到通信領(lǐng)域中。系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)來完成整個通信過程。利用卷積層和全連接層的局部連接和權(quán)重共享特性對傳輸長的二迚制比特序列信道迚行建模，幵從AWGN信道擴展到更復(fù)雜的瑞利衰落信道中。將信道建模結(jié)果與端到端通信結(jié)合起來，發(fā)射機實現(xiàn)調(diào)制過程，接收機將接收到的信號迚行恢復(fù)。

　　仿真實驗證明，基于DCGAN的信道建模斱法能夠?qū)�傳輸�(shù)拈L序列成功建模，幵且可以得到與傳統(tǒng)調(diào)制斱式相吻合的性能。這種模型系統(tǒng)能夠推廣到各種信道，與端到端通信結(jié)合時可得到與現(xiàn)有人工設(shè)計的最佳調(diào)制斱案相似的性能。未來希望在DCGAN網(wǎng)絡(luò)上繼續(xù)迚行改迚，迚一步實現(xiàn)在無監(jiān)督學(xué)習(xí)的斱式下準(zhǔn)確的信道建模過程。

　　參考文獻：

　　[1]NachmaniE,BeeryY,BurshteinD.LearningtoDecodeLinearCodesUsingDeepLearning[C]//201654thAnnualAllertonConferenceonCommunication,Control,andComputing(Allerton).MonticelloUSA:IEEE,20130

　　[2]CammererS,GruberT,HoydisJ,etal.ScalingDeepLearningBasedDecodingofPolarCodesviaPartitioning[C]//GLOBECOM20172017IEEEGlobalCommunicationsConference.SingaporeSingapore:IEEE,201

　　[3]GruberCammerer,HoydisJ,etal.Ondeeplearningbasedchanneldecoding[C]//201751stAnnualConferenceonInformationSciencesandSystems(CISS)Baltimore,USAIEEE,20124

　　作者：程芳芳，王旭東**，吳楠