(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2024-11-11
(45)【発行日】2024-11-19
(54)【発明の名称】信号処理装置および信号処理方法
(51)【国際特許分類】
H04L 1/00 20060101AFI20241112BHJP
G06N 3/094 20230101ALI20241112BHJP
H03M 13/37 20060101ALI20241112BHJP
【ＦＩ】
H04L1/00 A
G06N3/094
H03M13/37
【請求項の数】
8
(21)【出願番号】P 2024034517
(22)【出願日】2024-03-07
【審査請求日】2024-03-07
【早期審査対象出願】
(73)【特許権者】
【識別番号】397036309
【氏名又は名称】株式会社インターネットイニシアティブ
(74)【代理人】
【識別番号】100118902
【弁理士】
【氏名又は名称】山本 修
(74)【代理人】
【識別番号】100106208
【弁理士】
【氏名又は名称】宮前 徹
(74)【代理人】
【識別番号】100196508
【弁理士】
【氏名又は名称】松尾 淳一
(74)【代理人】
【識別番号】100195408
【弁理士】
【氏名又は名称】武藤 陽子
(72)【発明者】
【氏名】柿島 純
【審査官】阿部 弘
(56)【参考文献】
【文献】特開２０２１－０５６６７７（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｈ０４Ｌ １／００
Ｇ０６Ｎ ３／０９４
Ｈ０３Ｍ １３／３７
(57)【特許請求の範囲】
【請求項1】
設定された長さのデータ列である伝送信号の各パターンのデータ列を正常信号として設定するように構成された設定部と、前記正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である疑似信号を生成する生成器と、前記生成器によって生成された前記疑似信号と前記正常信号とを識別する識別器とを有する機械学習モデルを学習するように構成された学習部と、
前記学習部の学習によって最適化された前記機械学習モデルのパラメータに基づいて、雑音が付加された前記伝送信号を装置が受信した場合の前記正常信号と前記疑似信号との間の誤り率を抑制させるための、前記伝送信号に対する判定しきい値の電圧値を決定するように構成された決定部と、
決定された前記判定しきい値の電圧値を、前記伝送信号を受信する前記装置に通知するように構成された通知部と
を備える信号処理装置。
【請求項2】
請求項１に記載の信号処理装置において、前記決定部は、前記機械学習モデルの目的関数が示す、前記識別器が前記正常信号を正常信号であると識別する第１期待値と、前記生成器により生成された前記疑似信号を前記識別器が疑似信号であると識別する第２期待値とに基づいて前記判定しきい値の電圧値を設定する
ことを特徴とする信号処理装置。
【請求項3】
請求項２に記載の信号処理装置において、前記学習部は、前記設定部により設定された前記正常信号のデータ列の各パターンに対して、データ列のパターンが互いに異なる前記疑似信号を前記生成器が生成するまで、前記第１期待値の値を調整し、前記生成器と前記識別器とを敵対的に学習させる
ことを特徴とする信号処理装置。
【請求項4】
請求項２に記載の信号処理装置において、さらに、前記雑音の分散を前記装置から収集するように構成された収集部を備え、
前記決定部は、収集部によって収集された前記分散と、前記第１期待値と、前記第２期待値とに基づいて、前記判定しきい値の電圧値を決定する
ことを特徴とする信号処理装置。
【請求項5】
設定された長さのデータ列の伝送信号の各パターンのデータ列を正常信号として設定する設定ステップと、前記正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である疑似信号を生成する生成器と、前記生成器によって生成された前記疑似信号と前記正常信号とを識別する識別器とを有する機械学習モデルを学習する学習ステップと、
前記学習ステップでの学習によって最適化された前記機械学習モデルのパラメータに基づいて、雑音が付加された前記伝送信号を装置が受信した場合の前記正常信号と前記疑似信号との間の誤り率を抑制させるための、前記伝送信号に対する判定しきい値の電圧値を決定する決定ステップと、
決定された前記判定しきい値の電圧値を、前記伝送信号を受信する前記装置に通知する通知ステップと
を備える信号処理方法。
【請求項6】
請求項５に記載の信号処理方法において、前記決定ステップは、前記機械学習モデルの目的関数が示す、前記識別器が前記正常信号を正常信号であると識別する第１期待値と、前記生成器により生成された前記疑似信号を前記識別器が疑似信号であると識別する第２期待値とに基づいて前記判定しきい値の電圧値を設定する
ことを特徴とする信号処理方法。
【請求項7】
請求項６に記載の信号処理方法において、前記学習ステップは、前記設定ステップで設定された前記正常信号のデータ列の各パターンに対して、データ列のパターンが互いに異なる前記疑似信号を前記生成器が生成するまで、前記第１期待値の値を調整し、前記生成器と前記識別器とを敵対的に学習させる
ことを特徴とする信号処理方法。
【請求項8】
請求項６に記載の信号処理方法において、さらに、前記雑音の分散を前記装置から収集する収集ステップを備え、
前記決定ステップは、収集ステップで収集された前記分散と、前記第１期待値と、前記第２期待値とに基づいて、前記判定しきい値の電圧値を決定する
ことを特徴とする信号処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、信号処理装置および信号処理方法に関し、特に、雑音が付加された伝送信号の処理技術に関する。
【背景技術】
【0002】
従来から、信号を伝送する際に発生する雑音に起因する信号の誤りを訂正する技術が知られている。特許文献１は、送信側でデータに対して誤り訂正用符号化を行い、受信側でその符号化に応じて誤り訂正を行うことで、伝送特性におけるデータ誤りの低減を図る技術を開示している。また、誤り訂正方法としては、例えば、ハミング符号、ＢＣＨ符号等が知られている。
【0003】
しかし、従来の誤り訂正技術のうちデータの伝送時に冗長ビットをデータに付加する方法では、冗長ビットの付加にともない通信量が増大する問題があった。さらに、誤り訂正を行う処理負担が大きい点も問題であった。
【先行技術文献】
【特許文献】
【0004】
【文献】特許７２４１８５１号公報
【文献】特開２０１３－０３８６７６号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
従来の技術では、より簡易に信号の誤り率を低減させることが困難であった。
【0006】
本発明は、上述した課題を解決するためになされたものであり、より簡易に信号の誤り率を低減させることを目的とする。
【課題を解決するための手段】
【0007】
上述した課題を解決するために、本発明に係る信号処理装置は、設定された長さのデータ列の伝送信号の各パターンのデータ列を正常信号として設定するように構成された設定部と、前記正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である疑似信号を生成する生成器と、前記生成器によって生成された前記疑似信号と前記正常信号とを識別する識別器とを有する機械学習モデルを学習するように構成された学習部と、前記学習部の学習によって最適化された前記機械学習モデルのパラメータに基づいて、雑音が付加された前記伝送信号における前記正常信号と前記疑似信号と間の誤り率を抑制させるためのしきい値を決定するように構成された決定部と、決定された前記しきい値を、前記伝送信号を受信する装置に通知するように構成された通知部とを備える。
【0008】
また、本発明に係る信号処理装置において、前記決定部は、前記機械学習モデルの目的関数が示す、前記識別器が前記正常信号を正常信号であると識別する第１期待値と、前記生成器により生成された前記疑似信号を前記識別器が疑似信号であると識別する第２期待値とに基づいて前記しきい値を設定してもよい。
【0009】
また、本発明に係る信号処理装置において、前記学習部は、前記設定部により設定された前記正常信号のデータ列の各パターンに対して、データ列のパターンが互いに異なる前記疑似信号を前記生成器が生成するまで、前記第１期待値の値を調整し、前記生成器と前記識別器とを敵対的に学習してもよい。
【0010】
また、本発明に係る信号処理装置において、さらに、前記雑音の分散を前記装置から収集するように構成された収集部を備え、前記決定部は、収集部によって収集された前記分散と、前記第１期待値と、前記第２期待値とに基づいて、前記しきい値を決定してもよい。
【0011】
上述した課題を解決するために、本発明に係る信号処理方法は、設定された長さのデータ列の伝送信号の各パターンのデータ列を正常信号として設定する設定ステップと、前記正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である疑似信号を生成する生成器と、前記生成器によって生成された前記疑似信号と前記正常信号とを識別する識別器とを有する機械学習モデルを学習する学習ステップと、前記学習ステップでの学習によって最適化された前記機械学習モデルのパラメータに基づいて、雑音が付加された前記伝送信号における前記正常信号と前記疑似信号と間の誤り率を抑制するためのしきい値を決定する決定ステップと、決定された前記しきい値を、前記伝送信号を受信する装置に通知する通知ステップとを備える。
【0012】
また、本発明に係る信号処理方法において、前記決定ステップは、前記機械学習モデルの目的関数が示す、前記識別器が前記正常信号を正常信号であると識別する第１期待値と、前記生成器により生成された前記疑似信号を前記識別器が疑似信号であると識別する第２期待値とに基づいて前記しきい値を設定してもよい。
【0013】
また、本発明に係る信号処理方法において、前記学習ステップは、前記設定ステップで設定された前記正常信号のデータ列の各パターンに対して、データ列のパターンが互いに異なる前記疑似信号を前記生成器が生成するまで、前記第１期待値の値を調整し、前記生成器と前記識別器とを敵対的に学習させてもよい。
【0014】
また、本発明に係る信号処理方法において、さらに、前記雑音の分散を前記装置から収集する収集ステップを備え、前記決定ステップは、収集ステップで収集された前記分散と、前記第１期待値と、前記第２期待値とに基づいて、前記しきい値を決定してもよい。
【発明の効果】
【0015】
本発明によれば、学習部の学習によって最適化された機械学習モデルのパラメータに基づいて、雑音が付加された伝送信号における正常信号と疑似信号との間の誤り率を抑制させるためのしきい値を決定する。そのため、より簡易に信号の誤り率を低減させることができる。
【図面の簡単な説明】
【0016】
【発明を実施するための形態】
【0017】
【0018】
［信号処理システムの構成］
まず、本発明の実施の形態に係る信号処理装置１を備える信号処理システムの概要について説明する。図１は、本発明の実施の形態に係る信号処理装置１を備える信号処理システムの構成を示すブロック図である。
まず、本発明の実施の形態に係る信号処理装置１を備える信号処理システムの概要について説明する。図１は、本発明の実施の形態に係る信号処理装置１を備える信号処理システムの構成を示すブロック図である。
【0019】
本実施の形態に係る信号処理システムは、例えば、無線区間の通信路Ｌおよび有線区間の通信路Ｃを有する通信ネットワークに設けられる。信号処理システムは、図１に示すように、信号処理装置１、通信端末２、基地局３、およびコア装置４を備える。信号処理装置１と基地局３およびコア装置４とはそれぞれＬＡＮ、ＷＡＮ、インターネットなどのネットワークＮＷで接続されている。通信端末２と基地局３との間には、無線区間の通信路Ｌが配設され、基地局３とコア装置４との間には有線区間の通信路Ｃが配設されている。
【0020】
通信端末２は、スマートホン、タブレット端末などのユーザ端末であり、在圏する通信エリアの基地局３と、無線区間の通信路Ｌを介した無線通信を行う。通信端末２は、基地局３を介して、コア装置４に通信を行う。
【0021】
基地局３は、ＬＴＥ、５Ｇ、６Ｇなどの所定の通信規格に準拠した基地局であり、通信端末２との通信の確立や、通信端末２へのデータの伝送等を無線通信により行う。また、基地局３は、バックホールリンクなどの有線区間の通信路Ｃを介して、コア装置４と通信を行い、データや制御情報をやり取りする。基地局３は、信号処理装置１と通信を行うための図示されない通信インターフェースを持つ。
【0022】
コア装置４は、ＬＴＥ、５Ｇ、６Ｇなどの所定の通信規格に準拠したコアネットワークに設けられる装置である。例えば、５Ｇ通信ネットワークの場合には、Ｕ－ｐｌａｎｅ内のＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）や、Ｃ－ｐｌａｎｅ内のＵＤＲ（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ）などが含まれる。コア装置４は、信号処理装置１との通信を行うための図示されない通信インターフェースを持つ。
【0023】
通信端末２と基地局３との間の無線区間の通信路Ｌで発生する雑音により、例えば、通信端末２が送信したデジタル信号の伝送信号が受信側の基地局３で復号される際に符号誤りが発生する場合がある。また、基地局３とコア装置４との間の有線区間の通信路Ｃで発生する雑音により、例えば、基地局３が送信したデジタル信号の伝送信号が受信側のコア装置４で復号される際に符号誤りが発生する場合がある。通信路Ｌ、Ｃで発生する雑音は、特に、正規分布にしたがうガウス雑音である。
【0024】
ここで、伝送信号の誤り率を改善するために、最尤検波（Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ Ｄｅｔｅｃｔｉｏｎ：ＭＬＤ）を用いて、受信された伝送信号について最も確からしい信号を判定し、最尤判定に基づいて信号分離を行う方法が知られている（特許文献２参照）。最尤検波あるいは最大尤度検波と呼ばれるこの手法は、受信信号のレプリカを、取りうる全ての送信シンボルの組み合わせに対して作成し、受信信号と比較した上で最も確からしいものを送信されているものとして判定する。
【0025】
最尤検波において、二値表現のデジタル信号にガウス雑音が付加した場合に、符号誤り率を最小にする適切なしきい値ρ０は、次式（１）で表される。
【数1】
【0026】
上式（１）において、Ｓ０は０、Ｓ１は１を示し、σ２はガウス雑音の分散、Ｐ［Ｓ０］はＳ０＝０の確率、Ｐ［Ｓ１］はＳ１＝１の確率を示す。上式（１）で表されるしきい値ρ０は、例えば、二値信号の誤り率を最小にするマッチドフィルタに適用されることが知られている。
【0027】
本実施の形態に係る信号処理システムでは、上式（１）のしきい値ρ０を、伝送信号における正常信号と疑似信号との間の誤り率を抑制させる、すなわち誤り率を最小とするためのしきい値ρ０’として適用する。正常信号とは、例えば、通信端末２から基地局３に送信される、設定された長さのデータ列の伝送信号の各パターンのデータ列をいう。例えば、３ビット長の二値のデジタル信号の伝送信号の場合、２３通りのデータ列の正常信号が存在する。一方、疑似信号とは、正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である。正常信号は、符号誤りを含まないデータ列であり、疑似信号とは、ガウス雑音の付加により、正常信号のデータ列に対して符号誤りが生じた場合のデータ列に相当する。
【0028】
例えば、２３通りのデータ列のパターンの正常信号の場合には、０００，００１，０１０，０１１，１００，１０１，１１０，１１１の８パターンのデータ列が正常信号として定義される。これに対して、例えば、８パターンの正常信号うちのデータ列１１１に対する疑似信号は、１１１以外のデータ列であり、例えば、０００，００１，０１０，０１１，１００，１０１，１１０のいずれかが正常信号に係るデータ列１１１に対する疑似信号となりうる。
【0029】
伝送信号における正常信号と疑似信号との間の誤り率を最小とするためのしきい値ρ０’は、上式（１）に基づき、次式（２）で表される。
【数2】
【0030】
上式（２）において、Ｓ０は０、すなわち疑似信号を示し、Ｓ１は１、すなわち正常信号を示し、σ２はガウス雑音の分散を示す。ＥＤ（ｘ）＝１は後述のＧＡＮ（敵対的生成ネットワーク）の学習を行う学習部１２が備える識別器１２２が正常信号を正常信号（いわゆる本物データ）であると識別する期待値（第１期待値）、ＥＤ（ｘ）＝０は後述の学習部１２が有する識別器１２２が疑似信号を疑似信号（いわゆる偽物データ）であると識別する期待値（第２期待値）を示す。
【0031】
このように、本実施の形態に係る信号処理システムは、上式（２）を用いて正常信号と疑似信号との間の誤り率を抑制させるためのしきい値ρ０’を決定する。すなわち、基地局３は、無線区間に係る通信路Ｌおよび基地局３が含まれる通信環境で発生した固有のガウス雑音が付加された伝送信号に対する判定しきい値として、決定されたしきい値ρ０’を採用することができる。したがって、受信側の基地局３での伝送信号の復号の際に、正常信号と疑似信号との間の誤り率を最小とすることができる。有線区間の通信路Ｃおよびコア装置４を含む通信環境で発生した固有のガウス雑音が付加された伝送信号の場合においても同様である。
【0032】
［信号処理装置の機能ブロック］
図１に示すように、信号処理装置１は、設定部１０、収集部１１、学習部１２、決定部１３、記憶部１４、および通知部１５を備える。
図１に示すように、信号処理装置１は、設定部１０、収集部１１、学習部１２、決定部１３、記憶部１４、および通知部１５を備える。
【0033】
設定部１０は、設定された長さのデータ列の伝送信号の各パターンのデータ列を正常信号として設定する。具体的には、設定部１０は、ｎ（ｎは２以上の整数）個のデータ列の場合に、２ｎ通り全てのデータ列の各々を正常信号として設定する。前述したように、３ビット長のデータ列の場合には、８通りのデータ列の各々が正常信号として設定される。
【0034】
収集部１１は、雑音の分散を装置から収集する。具体的には、収集部１１は、しきい値ρ０’を求める対象の基地局３またはコア装置４から、ガウス雑音の分散σ２を収集する。ガウス雑音の分散σ２は、基地局３およびコア装置４の各々でパイロット信号の電圧値のゆがみから算出された値が用いられる。
【0035】
学習部１２は、生成器１２１および識別器１２２を有するＧＡＮを敵対的に学習させる。より詳細には、学習部１２は、正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である疑似信号を生成する生成器１２１と、生成器１２１によって生成された疑似信号と正常信号とを識別する識別器１２２とを有するＧＡＮ（機械学習モデル）を学習する。
【0036】
図３および図４は、学習部１２が用いるＧＡＮの生成器１２１および識別器１２２のニューラルネットワーク構成を模式的に表した図である。図３に示すように、生成器１２１は、入力層、隠れ層、および出力層を有するニューラルネットワークで構成される。生成器１２１は、ランダムな雑音から疑似信号を生成するモデルである。生成器１２１の入力ノードには、ガウス雑音のベクトルがランダムにｍ個サンプルされて入力される（ｚ１～ｚｍ）。生成器１２１は、入力と重みパラメータの積和演算および活性化関数によるしきい値処理を経て出力Ｇ（ｚ１）～Ｇ（ｚｎ）を出力する。
【0037】
図４に示す識別器１２２は、入力層、隠れ層、および出力層を有するニューラルネットワークで構成される。図４の例では、入力として、ｍ個サンプルされた訓練データのデータ列ｘ１～ｘｍが与えられる。識別器１２２は、入力と重みパラメータの積和演算および活性化関数によるしきい値処理を経て、例えば、１または０の出力を出す。識別器１２２は、入力された正常信号に係る訓練データを正しく正常信号と識別すると出力ｙ＝１を出力する。一方、入力された疑似信号に係る訓練データを正しく疑似信号と識別すると出力ｙ＝０を出力する。このように、識別器１２２は、本物データである正常信号と、生成器１２１が生成した偽物データの疑似信号とを正しく見分けるモデルである。
【0038】
学習部１２は、設定部１０により設定された正常信号のデータ列の各パターンに対して、データ列のパターンが互いに異なる疑似信号を生成器１２１が生成するまで、後述するＧＡＮの目的関数Ｅの第１期待値ＥＤ（ｘ）＝１の値を調整し、生成器１２１と識別器１２２とを敵対的に学習させる。第１期待値ＥＤ（ｘ）＝１は、識別器１２２が正常信号を正常信号であると識別する期待値である。
【0039】
図２は、学習部１２によるＧＡＮの敵対的学習を説明するためのブロック図である。学習部１２が採用するＧＡＮの生成器１２１を関数Ｇ、識別器１２２を関数Ｄと表す。また、正常信号である本物データをｘ、識別器１２２による出力である予測値はｙと表し、正解ラベルをtと表す。正解ラベルｔは、正常信号である本物データに対して１、生成器１２１で生成された疑似信号の偽物データに対して０と設定される。このとき、識別器１２２は、二値分類問題として次式（３）の交差エントロピーＥＣＥで表すことができる。
【0040】
【数3】
【0041】
上式（３）のブレース内の第１項が表すｔｎｌｎｙｎにおいて、識別器１２２の予測値ｙｎが、正常信号の正解ラベルｔｎ＝１の値に近づくことが望ましい。一方、ブレース内の第２項が表す（１－ｔｎ）ｌｎ（１－ｙｎ）においては、識別器１２２の予測値ｙｎが、疑似信号と識別する正解ラベルの値（１－ｔｎ）＝０に近づくことが望ましい。このように交差エントロピーＥＣＥは、予測値が正解ラベルの値に一致している場合に最大値となる。
【0042】
ここで、ＧＡＮを構成する生成器１２１は、パラメータｗＧ，θＧを有し、関数Ｇ（ｗＧ，θＧ）と表す。また、識別器１２２は、パラメータｗＤ，θＤを有し、関数Ｄ（ｗＤ，θＤ）と表す。上式（３）の交差エントロピーＥＣＥに基づいた生成器１２１と識別器１２２とを備えるＧＡＮの目的関数Ｅは、次式（４）で表すことができる。
【数4】
【0043】
上式（４）の第１項が表すＥＤ（ｘ）＝１ｌｎＤ（ｗＤ，θＤ）は、識別器１２２が正常信号を正常信号であると識別する第１期待値である。上式（４）の第２項が表すＥＤ（ｘ）＝０ｌｎ（１－Ｄ（Ｇ（ｗＧ，θＧ），（ｗＤ，θＤ））は、生成器１２１により生成された疑似信号を識別器１２２が疑似信号であると識別する第２期待値である。ＧＡＮの学習では、目的関数Ｅのｍｉｎ－ｍａｘ最適化により、生成器１２１と識別器１２２とを敵対的に学習する。したがって、識別器１２２をだますような疑似信号を生成できるように生成器１２１を学習し、生成器１２１が生成した疑似信号を疑似信号であると識別するように識別器１２２を学習する。
【0044】
識別器１２２の学習では、正常信号が与えられた場合に、識別器１２２がｙ＝１に近い出力を出すことで、上式（４）の目的関数Ｅの第１項を最大化する。一方、疑似信号が与えられた場合に、識別器１２２がｙ＝０に近い出力を出すことで目的関数Ｅの第２項を最大化するように学習が行われる。
【0045】
生成器１２１の学習では、上式（４）のＤ（Ｇ（ｗＧ，θＧ），（ｗＤ，θＤ））（図２のＤ（Ｇｚ）））が１に近くなるようなＧ（ｗＧ，θＧ）（図２のＧ（ｚ））を出力する、すなわち識別器１２２をだますことで、目的関数Ｅを最小化する。学習部１２は、生成器１２１のパラメータと識別器１２２のパラメータとを交互に更新する学習手順を用いる。なお、学習部１２による生成器１２１および識別器１２２の学習手順の詳細は後述する。
【0046】
学習部１２は、伝送信号の２ｎパターンのデータ列の正常信号の各々について、生成器１２１および識別器１２２の交互の学習を行う。さらに、学習部１２は、２ｎパターンのデータ列の正常信号の各々に対して、データ列のパターンが互いに異なる疑似信号を生成器１２１が生成するまで、第１期待値ＥＤ（ｘ）＝１の値を調整して、生成器１２１と識別器１２２とを敵対的に学習させる。
【0047】
例えば、３ビット長の８パターンのデータ列の正常信号のうち、あるデータ列１１１の正常信号に対してはデータ列１０１の疑似信号が生成器１２１によって生成され、別のデータ列１１０の正常信号に対してもデータ列１０１の疑似信号が生成器１２１によって生成されている場合を考える。この場合、正常信号のデータ列１１１，１１０に対して生成される疑似信号が互いに異なるパターンのデータ列となるまで、学習部１２は、第１期待値ＥＤ（ｘ）＝１の値を調整し、生成器１２１と識別器１２２との学習を繰り返す。したがって、疑似信号のデータ列は、互いに重複しないパターンのデータ列となる。
【0048】
学習部１２は、ＧＡＮの目的関数Ｅが最適化されると、第１期待値ＥＤ（ｘ）＝１の値、および第２期待値ＥＤ（ｘ）＝０の値を決定部１３に渡す。
【0049】
決定部１３は、学習部１２の学習によって最適化された機械学習モデルのパラメータに基づいて、雑音が付加された伝送信号における正常信号と疑似信号との間の誤り率を抑制させるためのしきい値を決定する。より具体的には、決定部１３は、学習部１２によるＧＡＮの目的関数Ｅが最適化された第１期待値ＥＤ（ｘ）＝１の値、および第２期待値ＥＤ（ｘ）＝０の値を、上式（２）に代入し、正常信号と疑似信号との間の誤り率を最小にするしきい値ρ０’を算出する。また、決定部１３は、処理対象の装置である基地局３またはコア装置４から収集部１１が収集したガウス雑音の分散σ２を上式（２）に代入する。
【0050】
記憶部１４は、ＧＡＮの生成器１２１および識別器１２２のモデルに関する情報、学習部１２および決定部１３が用いる上式（１）～（４）を記憶する。
【0051】
通知部１５は、決定されたしきい値ρ０’を、伝送信号を受信する装置である基地局３またはコア装置４に通知する。
【0052】
［信号処理装置のハードウェア構成］
次に、上述した機能を有する信号処理装置１を実現するハードウェア構成の一例について、図５を用いて説明する。
次に、上述した機能を有する信号処理装置１を実現するハードウェア構成の一例について、図５を用いて説明する。
【0053】
図５に示すように、信号処理装置１は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信インターフェース１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。また、信号処理装置１は、バス１０１を介して接続される表示装置１０７を備えることができる。
【0054】
主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した設定部１０、収集部１１、学習部１２、決定部１３、通知部１５など信号処理装置１の各機能が実現される。
【0055】
通信インターフェース１０４は、信号処理装置１と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。
【0056】
補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。
【0057】
補助記憶装置１０５は、信号処理装置１が実行するＧＡＮの学習プログラムを格納するプログラム格納領域を有する。補助記憶装置１０５によって、図１で説明した記憶部１４が実現される。また、補助記憶装置１０５は、しきい値ρ０’を設定する対象の基地局３、コア装置４、および通信路Ｌ、Ｃに関する情報を記憶する領域を有する。さらには、例えば、上述したデータやプログラムなどをバックアップするためのバックアップ領域などを有していてもよい。
【0058】
入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりする入出力装置である。
【0059】
表示装置１０７は、有機ＥＬディスプレイや液晶ディスプレイなどによって構成される。表示装置１０７によって、通知部１５を実現することも可能である。
【0060】
【0061】
図６は、信号処理装置１を備える信号処理システムの動作の概要を示す動作シーケンスである。図６の例では、しきい値ρ０’を設定する対象の装置がコア装置４である場合を例示している。まず、コア装置４において、基地局３とコア装置４との間の有線区間の通信路Ｃで発生したガウス雑音の分散σ２を測定し、信号処理装置１に送信する。信号処理装置１は、コア装置４で測定された固有のガウス雑音の分散σ２を収集する（ステップＳ１）。
【0062】
次に、信号処理装置１は、ＧＡＮの敵対的学習を行い、生成器１２１および識別器１２２のパラメータを最適化する（ステップＳ１００）。ステップＳ１００の学習処理については、後述の図７のフローチャートで詳しく説明する。
【0063】
その後、信号処理装置１は、学習処理の結果として得られた上式（４）の目的関数Ｅの第１期待値ＥＤ（ｘ）＝１の値、および第２期待値ＥＤ（ｘ）＝０の値、ならびにステップＳ１で収集されたコア装置４に固有のガウス雑音の分散σ２に基づいて、伝送信号における正常信号と疑似信号との間の誤り率を最小にするしきい値ρ０’を決定する（ステップＳ１３）。その後、信号処理装置１は、ステップＳ１３で決定されたしきい値ρ０’をコア装置４に通知する（ステップＳ１４）。
【0064】
通知を受けたコア装置４は、しきい値ρ０’に基づいて判定しきい値の電圧値を設定する（ステップＳ１０１）。なお、図６に示す処理は、装置ごとに行われ、例えば、基地局３が複数ある場合には、基地局３ごとにしきい値ρ０’が決定される。同様に、コア装置４についても、ＵＰＦやＵＤＲの各々に対してしきい値ρ０’が決定される。
【0065】
次に図７のフローチャートおよび図２の学習部１２のブロック図を参照して、信号処理装置１の動作を説明する。なお、図７のステップＳ１、Ｓ１３、Ｓ１４は図６で説明したステップＳ１、Ｓ１３、Ｓ１４と同様である。
【0066】
まず収集部１１は、しきい値ρ０’を決定する対象の装置である基地局３またはコア装置４からガウス雑音の分散σ２を収集する（ステップＳ１）。次に、設定部１０は、設定された長さのデータ列の伝送信号が有する各パターンのデータ列を正常信号として設定する（ステップＳ２）。具体的には、設定部１０は、ｎビット長の伝送信号の２ｎ通りの信号パターンの各々を正常信号として設定する。例えば、ｎ＝３の場合には、８パターンのデータ列が正常信号として設定される。設定部１０によって設定された正常信号は学習部１２が用いる訓練データである。
【0067】
ここで、図２の学習部１２によるＧＡＮの学習処理に示すように、ステップＳ２で設定された正常信号は、識別器１２２を学習する際に入力される訓練データ１２４として用いられる。図２の例では、データ列１１１の訓練データ１２４が識別器１２２に与えられている場合が示される。
【0068】
次に、学習部１２は、２ｎ通りの信号パターンの正常信号を訓練データ１２４として識別器１２２に入力し、正常信号を正常信号（ｙ＝１）と識別するように、識別器１２２のパラメータｗＤ，θＤを学習し、更新する（ステップＳ３）。ステップＳ３において、学習部１２は、例えば、誤差逆伝搬法などを用いて識別器１２２に正常信号を学習させることができる。ステップＳ３により、正常信号を正常信号と識別することができる識別器１２２が事前に構築される。
【0069】
次に、学習部１２は、ガウス雑音１２０を発生し、発生したガウス雑音１２０のランダムなベクトルを生成器１２１に入力として与える（ステップＳ４）。続いて、生成器１２１は、与えられたガウス雑音１２０に基づいて、入力ｚと重みパラメータｗＧ，θＧの積和演算および活性化関数によるしきい値処理を行い、疑似信号Ｇ（ｚ）を生成する（ステップＳ５）。なお、疑似信号は、例えば、正常信号のデータ列のパターンが１１１の場合には、１１１以外のパターンのデータ列であり、例えば１０１等が疑似信号となり得る。
【0070】
次に、識別器１２２の学習を行う。識別器１２２の学習は、生成器１２１のパラメータｗＤ，θＤを固定して行われる。まず、学習部１２は、ステップＳ２で設定された正常信号の訓練データ１２４を識別器１２２に入力として与え、上式（４）の目的関数Ｅが最大となるように、勾配ｄＥ／ｄｗＤ，ｄＥ／ｄθＤを算出し、誤差逆伝搬法などによりパラメータｗＤ，θＤを更新する（ステップＳ６）。なお、訓練データ１２４のラベルは１（正常信号）が設定されている。
【0071】
次に、学習部１２は、ステップＳ５で生成器１２１によって生成された疑似信号を識別器１２２に入力として与え、上式（４）の目的関数Ｅが最大となるように、勾配ｄＥ／ｄｗＤ，ｄＥ／ｄθＤを算出し、誤差逆伝搬法などによりパラメータｗＤ，θＤを更新する（ステップＳ７）。すなわち、ステップＳ６およびステップＳ７では、上式（４）の目的関数Ｅを最大にするために、第１項はＤ（ｗＤ，θＤ）＝１が出力され、第２項はＤ（Ｇ（ｗＧ，θＧ），（ｗＤ，θＤ））＝０となるように最適化が行われる。なお、訓練データ１２４には、ラベルは０（疑似信号）が設定されている。
【0072】
ステップＳ６およびステップＳ７での識別器１２２の学習は、図２に示す、識別器１２２からの出力１２３に基づいて、目的関数Ｅのブロック１２５から識別器誤差が算出され、さらに、識別器１２２へ誤差逆伝搬される破線の矢印に対応する。
【0073】
次に、生成器１２１の学習を行う。生成器１２１の学習では、識別器１２２のパラメータが固定されて行われる。学習部１２は、ランダムなガウス雑音１２０を生成器１２１に与えた際に疑似信号が生成されるように生成器１２１を学習する。具体的には、学習部１２は、上式（４）の目的関数Ｅを最小とするために、勾配－ｄＥ／ｄｗＧ，－ｄＥ／ｄθＧを算出し、誤差逆伝搬法などによりパラメータｗＧ，θＧを更新する（ステップＳ８）。
【0074】
ステップＳ８での学習は、図２に示す生成器１２１へ誤差逆伝搬される破線で示す矢印に対応する。すなわち、図２に示す生成器１２１で生成された疑似信号が、識別器１２２に入力された際の出力１２３に基づいて、目的関数Ｅのブロック１２５で生成器誤差が算出され、生成器１２１へ誤差逆伝搬される破線で示す矢印に対応する。
【0075】
その後、目的関数Ｅの値がナッシュ均衡に到達して収束するまで（ステップＳ９：ＮＯ）、ステップＳ４からステップＳ８までの識別器１２２および生成器１２１の学習が繰り返し行われる。一方、目的関数Ｅの値が収束した場合（ステップＳ９：ＹＥＳ）、２ｎパターンの正常信号のデータ列のうち、残りの２ｎ－１パターンのデータ列に対しても、生成器１２１および識別器１２２の学習が行われるまで（ステップＳ１０：ＮＯ）、ステップＳ２からステップＳ９までの処理が繰り返される。
【0076】
その後、残りの２ｎ－１パターンのデータ列に対して生成器１２１および識別器１２２の学習が行われた場合（ステップＳ１０：ＹＥＳ）、学習部１２は、正常信号の信号パターン各々に対して、データ列のパターンが互いに異なる疑似信号が生成器１２１によって生成されているか否かを判定する（ステップＳ１１）。例えば、３ビット長の８パターンのデータ列の場合、ある正常信号のデータ列１１１に対して、生成器１２１がデータ列１０１の疑似信号を生成し、別の正常信号のデータ列１１０に対しても、生成器１２１がデータ列１０１の疑似信号を生成した場合を考える。この場合、正常信号のデータ列１１１、１１０に対して生成される疑似信号のデータ列が、互いに異なる８パターンのデータ列となっているか否かをステップＳ１１で判定する。すなわち、８パターンの各々の正常信号に対して生成される疑似信号のデータ列のパターンは互いに重複しないものが採用される。
【0077】
学習部１２は、全てのパターンのデータ列の正常信号に対して、互いに異なるパターンのデータ列に係る疑似信号が生成されていない場合には（ステップＳ１１：ＮＯ）、目的関数Ｅの第１項、すなわち第１期待値ＥＤ（ｘ）＝１の値を変更して調整し、ステップＳ２からステップＳ１０までの学習処理を繰り返す。したがって、上記の８パターンのデータ列の例では、８パターンの正常信号のデータ列の各々に対して生成された８個の疑似信号のデータ列のパターンが、互いに異なるパターンであって重複する信号がない。
【0078】
その後、全てのパターンのデータ列の正常信号に対して、互いに異なるパターンのデータ列の疑似信号が生成されている場合には（ステップＳ１１：ＹＥＳ）、学習部１２は、最適化されたＧＡＮの目的関数Ｅの、第１期待値ＥＤ（ｘ）＝１と第２期待値ＥＤ（ｘ）＝０とを決定する（ステップＳ１２）。
【0079】
次に、決定部１３は、上式（２）にステップＳ１２で決定された第１期待値ＥＤ（ｘ）＝１と第２期待値ＥＤ（ｘ）＝０とを代入し、さらに、ステップＳ１で取集された処理対象の装置である基地局３またはコア装置４から収集されたガウス雑音の分散σ２を代入し、しきい値ρ０’を決定する（ステップＳ１３）。その後、通知部１５は、決定されたしきい値ρ０’を、処理対象の装置である基地局３またはコア装置４に通知する（ステップＳ１４）。
【0080】
以上説明したように、本実施の形態に係る信号処理装置１によれば、設定された長さのデータ列の伝送信号の各パターンのデータ列を正常信号と設定し、正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である疑似信号を生成する生成器１２１と、生成器１２１によって生成された疑似信号と正常信号とを識別する識別器１２２とを有するＧＡＮの敵対的学習を行う。さらに、学習により最適化された目的関数Ｅの第１期待値ＥＤ（ｘ）＝１と第２期待値ＥＤ（ｘ）＝０とを用いて、伝送信号の正常信号と疑似信号との間の誤り率を最小とするしきい値ρ０’を決定する。そのため、冗長ビットを付加することなく、より簡易に信号の誤り率を低下させることができる。
【0081】
また、本実施の形態に係る信号処理装置１によれば、基地局３ごと、およびコア装置４ごとに生成器１２１と識別器１２２とを備えるＧＡＮの機械学習モデルを構築するので、装置ごとの符号誤り率を低下の処置がより簡易な構成で実現される。
【0082】
以上、本発明の信号処理装置および信号処理方法における実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。
【符号の説明】
【0083】
１…信号処理装置、１０…設定部、１１…収集部、１２…学習部、１３…決定部、１４…記憶部、１５…通知部、２…通信端末、３…基地局、４…コア装置、１０１…バス、１０２…プロセッサ、１０３…主記憶装置、１０４…通信インターフェース、１０５…補助記憶装置、１０６…入出力Ｉ／Ｏ、１０７…表示装置、１２０…雑音、１２１…生成器、１２２…識別器、１２３…出力、１２４…訓練データ、１２５…目的関数Ｅのブロック、Ｃ，Ｌ…通信路、ＮＷ…ネットワーク。
【要約】
【課題】より簡易に信号の誤り率を低減させることを目的とする。
【解決手段】
信号処理装置１は、設定された長さのデータ列の伝送信号の各パターンのデータ列を正常信号として設定するように構成された設定部１０と、正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である疑似信号を生成する生成器１２１と、生成器１２１によって生成された疑似信号と正常信号とを識別する識別器１２２とを有する機械学習モデルを学習するように構成された学習部１２と、学習部１２の学習によって最適化された機械学習モデルのパラメータに基づいて、雑音が付加された伝送信号における正常信号と疑似信号と間の誤り率を抑制させるためのしきい値を決定するように構成された決定部１３と、決定されたしきい値を、伝送信号を受信する装置に通知するように構成された通知部１５とを備える。
【選択図】図１
【解決手段】
信号処理装置１は、設定された長さのデータ列の伝送信号の各パターンのデータ列を正常信号として設定するように構成された設定部１０と、正常信号のデータ列のパターンに対して異なるパターンとなるデータ列である疑似信号を生成する生成器１２１と、生成器１２１によって生成された疑似信号と正常信号とを識別する識別器１２２とを有する機械学習モデルを学習するように構成された学習部１２と、学習部１２の学習によって最適化された機械学習モデルのパラメータに基づいて、雑音が付加された伝送信号における正常信号と疑似信号と間の誤り率を抑制させるためのしきい値を決定するように構成された決定部１３と、決定されたしきい値を、伝送信号を受信する装置に通知するように構成された通知部１５とを備える。
【選択図】図１
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
