本发明涉及一种基于深度学习的时间敏感网络低精度adc(analog-to-digitalconverter，数模转换器)信号去量化方法，属于无线时间敏感网络数据传输。
背景技术：
1、时间敏感网络是新一代确定性网络技术，以标准有线以太网为基础，通过时间同步、流量调度和整形、流预留、网络管理配置等多种机制，保障数据传输的确定性与可靠性，tsn能够实现微秒级的确定性服务，降低整个通信网络复杂度，是未来网络的发展趋势，能够在未来无线通信网络中提供高可靠低时延的传输服务。同时，为了提供人机物的无缝交互，第六代(6g)通信系统预计将实现更高的频谱效率与传输速率，以支持可靠的超高清视频传输、极低的访问时延和与用户设备的实时交互。可以把tsn核心机制深度集成到未来6g技术中，进一步增强6g系统的可靠性与确定性，因此，将6g与tsn网络融合发展中已成为产学届研究的热点之一。um-mimo(ultra massive multiple input massive output，超大规模多输入多输出)系统能够在自由度和通信容量上提供更高的灵活性。此外，通过利用毫米波和太赫兹等更高频段，um-mimo有望支持更大的传输带宽和更短的延迟。
2、尽管宽带um-mimo系统可以显著提高系统吞吐量以支持未来6g网络，但仍需要解决硬件部署等实际挑战。tsn网络标准要求提供超低时延高可靠的服务质量，同时未来6g网络还考虑实现广域覆盖场景，部署的设备数量也将成倍增长。因此在低成本、低开销硬件部署条件下满足对高可靠、超低时延的通信服务质量的需求是tsn与6g通信融合发展的挑战。其中，高采样率、低精度的闪存模数转换器，能够满足对超低时延通信服务的需求，同时能够降低硬件成本开销，有望在宽带um-mimo系统中得到广泛应用。然而，低精度adc将基带模拟信号量化为低比特数字信号，这将带来不可忽略的量化失真。此外，由于同相和正交支路器件特性不匹配，接收信号还会受到iq失衡的影响，进一步增大了信号的失真程度。
3、目前，现有方法在大多数具有高采样速率、低精度adc的接收机中，都会应用多次时域过采样和锁相环来确定最佳采样时刻。这类方案虽然能降低信号失真，但也不可避免的使接收端硬件复杂度较高，也会造成接收信号处理时延过大，不利于实际无线tsn中um-mimo系统的部署。
技术实现思路
1、本发明的目的是针对现有技术存在的问题和不足，为了解决由于实际系统器件特性不匹配，以及采用高采样速率、低精度adc引起的信号失真等技术问题，创造性地提出一种基于深度学习的时间敏感网络低精度adc信号去量化方法。低精度adc，通常是指用低比特(1～2bit)去量化模拟信号，所以接收的模拟信号被量化成低比特表示的信号(以2bit量化为例，只能取00 01 10 11四个值)。
2、本发明通过以下技术方案实现。
3、一种基于深度学习的时间敏感网络低精度adc信号去量化方法，包括：
4、在用户端，构建去量化网络resnet-dq，包括三个相同的resnet块，以及一个卷积神经网络维度调整层。
5、用户端接收受到iq失衡影响的基带模拟信号。基带模拟信号通过高采样率、低精度的adc转换为低比特量化的时域数字信号。
6、为减小信号失真，将低比特信号输入去量化网络resnet-dq，resnet-dq网络学习信号的时域相关性，并输出去量化信号。
7、将网络输出信号与无噪接收信号的归一化最小均方误差作为网络损失函数，并采用数据驱动的方法训练去量化网络。
8、将训练好的去量化网络应用于采用低精度adc的系统中，实现对低比特信号的去量化信息恢复。
9、有益效果
10、本发明，对比现有技术，具有以下优点：
11、1.本发明通过基于深度学习的接收信号去量化网络学习低比特量化信号的时域相关性，能够减少信号失真，成功恢复绝大部分信息。
12、2.本发明通过基于深度学习的去量化网络，能够在iq失衡的情况下学习时域信号实部和虚部之间的相关性保证解量化性能，具有较好的鲁棒性。
13、3.本发明通过基于深度学习的接收信号去量化网络能够在部署低精度adc的系统下去量化恢复信号信息，能够节省硬件部署成本。
14、4.本发明通过在高采样速率低量化精度adc后接入基于深度学习的去量化网络，输出更少的比特数精准表示接收信号，降低信号开销。
1.基于深度学习的时间敏感网络低精度adc信号去量化方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的时间敏感网络低精度adc信号去量化方法，其特征在于，包括：
