本发明涉及通信，尤其涉及一种基于深度学习和联合信源信道编码优化的通信方法。
背景技术：
1、在频谱资源有限的情况下，第六代移动网络比第五代移动通信具有更严格的性能要求，语义通信启动了一种新的范式，通过有效提取和传输原始数据的语义特征大幅降低通信开销；然而，信道环境的复杂性和现有数据硬件的限制给语义通信的人工智能收发器的开发带来了挑战。
2、目前语义通信的一个代表性技术是使用深度神经网络进行联合信源信道编码(djscc)该技术显示出比传统信源信道分离编码具有更高的传输效率，然而，目前的djscc技术存在无法与现代通信硬件兼容、对信道统计量和机器任务变化较为敏感、或者没有考虑深度信源编码与信道统计信息关联性的问题；因此，如何解决该问题是目前需要考虑的。
技术实现思路
1、本发明的目的在于克服现有技术的缺点，提供了一种基于深度学习和联合信源信道编码优化的通信方法，解决了现有技术存在的不足。
2、本发明的目的通过以下技术方案来实现：一种基于深度学习和联合信源信道编码优化的通信方法，所述通信方法包括：
3、在发送端，深度信源编码器将输入图像数据x编码成比特率b，数字信道编码器将比特率b划分为n比特等长的多个数据包进行传输；
4、在接收端，数字信道解码器将接收到的多个数据包中的符号解码为比特流并将比特流送入深度信源解码器进行数据恢复得到恢复图像数据
5、且在发送端和接收端的整体数据传输中通过联合信源信道优化算法将平均端到端失真优化到最小。
6、所述深度信源编码器将输入数据x编码成比特率b具体包括以下内容：
7、将m维的图像数据通过函数fφ提取特征，将其映射为k维连续向量y后划分为两个方向进行操作，其中，φ表示函数fφ的神经网络参数；
8、第一个方向，将特征向量y进行量化，输出量化后的向量
9、第二个方向，将特征向量y通过一个分布学习模块输出比特序列和概率分布函数bz为对量化之后的特征向量进行熵编码得到的比特序列的长度；
10、通过概率分布函数将向量利用熵编码器编码为比特序列by为对量化之后的特征向量进行熵编码得到的比特序列的长度；
11、将by和bz串接成比特流b∈{0,1}b进行传输，b＝by+bz，b为串接后得到的比特序列的长度。
12、所述通过一个分布学习模块输出比特流和概率分布函数具体包括以下内容：
13、输入特征向量y通过一个参数为θ1的神经网络后输出特征向量z，并通过量化得到
14、将输入一个参数为θ2的神经网络后输出向量u＝[u1,u2,...,uk]，σ＝[σ1,σ2,...,σk]，得到概率分布函数ki表示向量中第i个元素的取值，代表所有维度为k的整数域向量，是均值为ui，方差为的高斯概率密度函数；
15、同时通过熵编码器将根据编码成比特流bz。
16、在数字信道编码中，对第i个数据包采用信道速率为rc的通用(n,l)分组码将数据位编码长度为l的符号序列传输符号满足单位功率约束，传输数据包总数为t，设置带宽比为来衡量传输的图像数据x中一个元素的平均信道使用情况，则点对点信道的输入输出关系为表示发送符号的码本，m为图像数据x的维度，si＝[si,1,si,2,…,si,l]表示数据包i中的符号，ri＝[ri,1,ri,2,…,ri,l]表示接收到的符号，pi表示发射功率，ni＝[ni,1,ni,2,…,ni,l]为均值为零、方差为δ2i的独立同分布圆对称复高斯噪声，δ表示每个符号传输中引起的噪声信号的方差，i表示单位矩阵，为瑞利信道系数。
17、所述将比特流送入深度信源解码器进行数据恢复得到恢复图像数据具体包括以下内容：
18、深度信源解码器将接收到的比特流分为和两部分，将送入熵解码器根据解码为再将输入到神经网络得到
19、同时熵解码器利用和对特征向量进行解码，并将输入到参数为ψ的恢复函数gψ中，得到恢复图像数据
20、所述联合信源信道优化算法具体包括以下内容：
21、通过联合信源信道优化算法在平均信道使用次数的约束下，将平均端到端失真最小化，优化问题表示为：
22、
23、
24、其中，n＝{ni}，ni＝[ni,1,ni,2,…,ni,l]为均值为零、方差为δ2i的独立同分布圆对称复高斯噪声，表示对于变量x和n求数学期望，d表示平均传输一张图片使用了多少次信道，用于表征传输图片的平均时延，l为数据位编码长度，rc为采用信道速率，b为串接后得到的比特序列的长度，ф为深度信源编码器的神经网络参数，ψ为恢复函数gψ的参数；
25、利用不等式并将深度信源编码器输出比特序列的平均长度设为表示对于x求数学期望，将优化问题转化为：
26、
27、
28、并对其进行的估计和优化问题的求解，其中，
29、所述的估计具体包括以下内容：
30、假设深度信源解码器中的恢复函数gψ在上利普希茨连续，即存在cψ>0且其中是所有可能的k维数据y的集合；
31、则存在满足其中表示无误码传输下的恢复数据，ρ为极化码的分组错误概率，ds表示深度信源编码造成的失真，表示已知信道出错条件下，极化码分组错误概率为ρ、深度信源编码器参数为φ时，中所有元素方差的最大值；
32、表示信道传输引入的失真，将其记为设定其中则得到
33、当深度信源解码器中的神经网络参数{φ,ψ}固定时，得到表示一个与深度信源解码器的神经网络参数ψ有关的常数，其计算方式为当神经网络参数{φ,ψ}固定时，cψ和都是常数，为了简洁表示，可以把与这两个常数量相关的部分表达成一项，所以引入
34、所述优化问题的求解具体包括以下内容：
35、将优化问题转化为：
36、
37、
38、通过制作查找表以及联合模型选择和速率控制对优化问题进行求解。
39、所述制作查找表具体包括以下内容：
40、将一组神经网络的参数{φ,ψ}在无误差传输下进行训练，通过最小化率失真函数平衡信源速率rs和信源失真ds，即其中，λ>0表示一个超参数；
41、通过改变λ得到一组与不同信源速率和失真水平相关的神经网络模型，对每个神经网络模型使用验证数据集估计rs和ds，以构建不同信源速率、信源失真水平、超参数λ和的p个模型的查找表。
42、所述联合模型选择和速率控制具体包括以下内容：
43、当参数{φ,ψ}固定时，将优化问题简化为
44、当ρ小到时，则简化为
45、当信道速率大于信道容量，即时，由于出错概率高，无法构造分组码实现通信，因此，最优信源编码神经网络模型必须保证根据给出的分组错误概率的极化码，的最优解为其中，参数β1和β2依赖于信噪比γ和数据位编码长度l得到；
46、因此，在信源编码神经网络模型参数固定时，求解最小失真对于不同的信源编码神经网络模型，利用穷举搜索算法找到满足且具有最小端到端失真的最佳信源编码神经网络模型。
47、本发明具有以下优点：一种基于深度学习和联合信源信道编码优化的通信方法，利用基于深度神经网络的深度信源编码器对图像语义特征进行提取并编码，并结合数字信道编码技术保护编码比特不受信道错误的影响，在与现代通信硬件兼容的情况下，具有更好的图像恢复效果。此外，在传统信源信道分离的数字通信系统中，当数字信道译码由于恶劣的信道条件发生差错时，信源译码将会出现严重错误，这种现象被称为“悬崖效应”。由于本发明根据信道条件联合优化信源编码和信道编码设置，使得该方法相比于传统信源信道分离的数字通信技术，能够避免“悬崖效应”。
1.一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述通信方法包括：
2.根据权利要求1所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述深度信源编码器将输入数据x编码成比特率b具体包括以下内容：
3.根据权利要求2所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述通过一个分布学习模块输出比特流和概率分布函数具体包括以下内容：
4.根据权利要求1所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：在数字信道编码中，对第i个数据包采用信道速率为rc的通用(n,l)分组码将数据位编码长度为l的符号序列传输符号满足单位功率约束，传输数据包总数为t，设置带宽比为来衡量传输的图像数据x中一个元素的平均信道使用情况，则点对点信道的输入输出关系为表示发送符号的码本，m为图像数据x的维度，si＝[si,1,si,2,…,si,l]表示数据包i中的符号，ri＝[ri,1,ri,2,…,ri,l]表示接收到的符号，pi表示发射功率，ni＝[ni,1,ni,2,…,ni,l]为均值为零、方差为δ2i的独立同分布圆对称复高斯噪声，δ表示每个符号传输中引起的噪声信号的方差，i表示单位矩阵，为瑞利信道系数。
5.根据权利要求1所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述将比特流送入深度信源解码器进行数据恢复得到恢复图像数据具体包括以下内容：
6.根据权利要求1所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述联合信源信道优化算法具体包括以下内容：
7.根据权利要求6所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述的估计具体包括以下内容：
8.根据权利要求7所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述优化问题的求解具体包括以下内容：
9.根据权利要求8所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述制作查找表具体包括以下内容：
10.根据权利要求8所述的一种基于深度学习和联合信源信道编码优化的通信方法，其特征在于：所述联合模型选择和速率控制具体包括以下内容：
