1.一种基于学习率动态裁剪的混合成形星座多参量寻优方法,其特征在于,包括:响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;
将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量;
其中,迭代寻优模型中,每次迭代过程为:
根据每个相关联网状动态变量的学习率确定学习区间;
遍历学习区间,根据相关联网状动态变量的一阶矩估计和二阶矩估计,对相关联网状动态变量进行优化获得新的星座参量;
响应于新的星座参量对应的星座不能实现当前信道条件下广义互信息最大,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度;
响应于新的星座参量对应的星座能够实现当前信道条件下广义互信息最大,将当前迭代轮次获得的新的星座参量作为当前信道条件下的优选星座参量。
2.根据权利要求1所述的方法,其特征在于,所述原始星座的参量包括星座二维坐标、欧式距离和固定概率。
3.根据权利要求1所述的方法,其特征在于,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度,包括:根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计,更新下一轮次的一阶矩估计、二阶矩估计、以及相关联网状动态变量基于目标函数的梯度;
根据当前迭代轮次的超参数和学习率,更新下一轮次的学习率;其中,当前迭代轮次的超参数根据初始超参数计算获得。
4.根据权利要求3所述的方法,其特征在于,更新一阶矩估计和二阶矩估计,公式为:,
当t小于阈值, ,
当t不小于阈值, ,
式中, 表示t时刻 的一阶矩估计, 表示t时刻 的二阶矩估计, 表示t‑1时刻 的二阶矩估计, 为t时刻对目标函数 的梯度, 为该相关联网状动态变量值, 为取最大值函数; 、 为预设的初始超参数。
5.根据权利要求3所述的方法,其特征在于,更新相关联网状动态变量基于目标函数的梯度,公式为:,
式中, 为t时刻对目标函数 的梯度, 为t‑1时刻的梯度,为该相关联网状动态变量值; 为t‑1时刻学习率, 为设定值; 、 分别为偏差修正后的一阶偏差矩估计及二阶偏差矩估计,公式如下:,
,
其中, 表示t时刻 的一阶矩估计, 表示t时刻 的二阶矩估计; 、 为t时刻迭代后的超参数值。
6.根据权利要求3所述的方法,其特征在于,更新学习率,公式为: ,
式中, 为t时刻学习率, 为t‑1时刻学习率; 、 为t时刻迭代后的超参数值。
7.根据权利要求3所述的方法,其特征在于,计算当前迭代轮次的超参数,公式为:,
, 为t时刻迭代后的超参数值, 、 为预设的初始超参数,所述超参数值随迭代次数增加而衰减。
8.根据权利要求1所述的方法,其特征在于,根据每个相关联网状动态变量的学习率确定学习区间,公式为:,
且 ,
式中,L为学习区间长度, 为t时刻学习率, 为t‑1时刻学习率; 、 为t时刻迭代后的超参数值。
9.一种基于学习率动态裁剪的混合成形星座多参量寻优系统,其特征在于,包括:参量转换模块:响应于原始星座不能实现当前信道条件下广义互信息最大,将原始星座的参量、传输距离及信道条件转换为相关联网状动态变量;
判断模块:用于将相关联网状动态变量输入预先构建的迭代寻优模型,获得当前信道条件下的优选星座参量;
迭代寻优模型:用于根据每个相关联网状动态变量的学习率确定学习区间;
遍历学习区间,根据相关联网状动态变量的一阶矩估计和二阶矩估计,对相关联网状动态变量进行优化获得新的星座参量;
响应于新的星座参量对应的星座不能实现当前信道条件下广义互信息最大,根据预设的初始超参数、以及当前迭代轮次的一阶矩估计、二阶矩估计、学习率,更新下一轮次的一阶矩估计、二阶矩估计、学习率、以及相关联网状动态变量基于目标函数的梯度;
响应于新的星座参量对应的星座能够实现当前信道条件下广义互信息最大,将当前迭代轮次获得的新的星座参量作为当前信道条件下的优选星座参量。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1‑8任一项所述的基于学习率动态裁剪的混合成形星座多参量寻优方法。