CN101594154A - 基于编码恢复的tcm神经网络解调方法 - Google Patents

Abstract

网格编码调制(TCM)技术是一种将卷积编码和调制结合在一起的技术。本发明提出一种基于编码恢复的TCM神经网络解调方法，即首先利用多层前向感知器(MLP)或径向基(RBF)对TCM信号进行编码恢复，而后对该编码进行viterbi译码，译码采用以寄存器状态转换图为基础的神经网络实现，图上每个状态点用一状态节点神经元实现，最后与MLP结合完成数据解调。

Description

基于编码恢复的TCM神经网络解调方法

技术领域

通信中抗干扰性能的措施之一是采用信道编码。网格编码调制(TCM)技术是一种将卷积编码和调制结合在一起的技术，由于利用状态记忆和分集映射来增大码序列间的距离，所以它与常规的非编码多进制调制相比具有较大的编码增益且不降低频带利用率，特别适合限带信道的信号传输。

背景技术

TCM信号解调要用到viterbi(VB)译码。实现VB译码算法，一般采用寄存器交换法。Viterbi译码的神经网络化目前有三种方法，一种是Xiao-An Wang和Wicker在1996年给出的软件算法硬件实现思想，其形式上的互联结构与神经网络相似，而本质上还是软件实现的思路；第二种是Ari HarnZliiinen and Jukka Henriksson于1999年提出，由Stevan M.Berber Paul J.Secker在2005年加以完善的，在形如自回归的网络结构(Recurrent NeuralNetworks)上，利用最速下降法，实现对输入信号的viterbi译码。此法与BP算法较为相似，首先构造一个误差函数，比如与接收路径之间的距离最小，然后求这个以原始数据为变量的多维函数的全局极小点。由于神经网络的并行运算在求多维函数极值方面有其固有优势，所以可以利用神经网络来完成；第三种方法由Edit J.Kaminsky和Nikhil Deshpande于2003给出，是将TCM信号送入由径向基神经元组成的解码电路，它以信号子集状态转换图为基础，图上每个状态点用一径向基神经元实现，由于径向基函数为非线性，当译码深度变大时，这种具有非线性函数的神经元将耗费大量硬件资源。本发明提出一种首先利用多层前向感知器(MLP)或径向基(RBF)对TCM信号进行编码恢复，而后对该编码进行viterbi译码，译码采用基于寄存器状态转移的神经网络实现，最后与MLP结合完成数据解调。与EditJ.Kaminsky等人算法相比，以16QAM-TCM的4状态解调为例，采用信号子集状态转换图的神经网络，每个神经元要进行4次高斯函数计算，而基于寄存器状态转移的神经网络每个神经元只需2次汉明距离(硬判决)或2次欧氏距离(软判决)计算，明显减少了解码神经元内非线性运算，降低了硬件资源消耗和功耗。

发明内容

本发明要解决的技术问题是：避免基于信号子集状态转换图神经网络的TCM解调中，各神经元内部存在求高斯函数之类的非线性运算，而将这些运算集中于编码恢复网络，用基于寄存器状态转移图的神经网络进行解码，这样可以降低硬件资源消耗和功耗。

本发明采用的技术方案是：基于编码恢复的TCM神经网络解调方法，其特征在于：对于接收来的I、Q路信号通过多层前向感知器(MLP)网络后，得出卷积编码电路的编码输出，将此输出送入基于寄存器状态转换图的神经网络，即可得出用于星座子集选择的原始数据，该神经网络中数据传递是基于viterbi译码算法。同样MLP也可恢复用于信号点选择的数据。由于利用MLP得出的卷积编码电路的编码输出取值只能是1或-1，因此viterbi译码属于硬判决，这种判决会损失掉接收信号中所包含的有用信息。为了充分利用信号波形中的信息，利用径向基(RBF)神经网络对TCM信号的编码信息进行软判决提取。径向基神经网络包含有一个神经元数由调制方式决定的隐含层，考虑信道噪声为加性高斯白噪声，用2维高斯概率密度函数作为RBF神经元的核函数，用于在I、Q路信号空间对卷积编码电路编码输出的各位数据的带噪声聚类，此层对输入进行非线性变换，输出层提供了从聚类到编码输出的一种线性变换。

本发明涉及基于状态转换图的神经网络的神经元内部结构。各神经元所完成的计算功能是一样的，其将输入的编码与神经元输入路径进行距离比较，选择路径距离小的输入路径，并将该路径上传递的译码输出作为该神经元的输出，向下一层传递。

本发明给出了一种基于viterbi译码神经网络和MLP/RBF的TCM数据恢复结构。输入的I、Q路信号首先被分成两路，一路送编码恢复MLP/RBF恢复卷积码，然后经延时输入viterbi译码神经网络；另一路信号经过相同的延时后，送入信号点恢复MLP恢复产生信号点的数据。最后将两路输出合并，即可得到原始调制数据。

附图说明

图1为本发明所针对的一种(2，1，3)卷积码编码电路；

图2为本发明所采用的基于寄存器状态转移的神经网络译码结构；

图3为本发明所采用的状态节点神经元内部结构；

图4为本发明所采用的基于寄存器状态转移图的viterbi解码神经网络；

图5为本发明中MLP神经元内部结构；

图6为本发明所解调的16QAM-TCM星座图；

图7为本发明采用针对图6的卷积编码恢复MLP结构；

图8为本发明采用针对图6的卷积编码恢复RBF网络；

图9为本发明中RBF神经元

的核函数；

图10为本发明中RBF神经元

的核函数；

图11为本发明中基于寄存器状态转换图viterbi译码神经网络和MLP的TCM数据恢复一般结构。

其中图1中出现的符号说明：

d_k为k时刻数据；R1R2为移位寄存器；C1C2为卷积编码输出，其中C1为高位。

图2中出现的符号说明：

状态S₁～S₄分别由寄存器R1R2中的内容决定；L₁～L₄为译码开始时的距离累加值，译码开始可以设为0；T₀～T₄为状态转移时刻；T₄时刻S₁状态的r₁100/L₁+0中r₁表示开始时刻状态输出的译码，100表示经过三次状态转移后残存路径；L₁+0表明三次状态转移后的路径累加值；路径上的标识为C1C2/IN，即编码输出与数据输入。

图3中出现的符号说明：

C1C2为接收到的卷积编码输出；L₁、L₂为与该状态节点相连的两条输入路径传递过来的路径距离累加值；Bit1、Bit2为与该状态节点相连的两条输入路径传递过来的译码；输入路径寄存器保存着与该状态节点相连的两条输入路径的编码输出；L表示经过神经元内部对输入编码与路径编码输出距离计算，再加上输入的路径距离，选择其中较小路径距离作为该神经元的距离输出；Bit表示根据较小路径距离指示，选择该路径上传递的译码输出作为该神经元的译码输出。

图4中出现的符号说明：

Z^-1表示延时一个数据周期；C_N表示第N时刻的输入编码。

图5中出现的符号说明：

x₀、x₁为输入编码；w₀、w₁为权值；b为阈值；y为输出。

图6中出现的符号说明：

星座点内的二进制数为卷积编码输出；l₀～l₅为用于分割平面的6条直线；H₀ ⁺、H₀ ^-为直线l₀分开的两个半平面，以此类推。

图7中出现的符号说明：

神经元H₀输出+1表明输入属于H₀ ⁺，输出-1表明输入属于H₀ ^-，以此类推；感知器中的数字代表阈值，二三层中的阈值决定了感知器完成的是并集还是交集功能。一个m输入的交集感知器的阈值设为-m+0.5，表明只有当所有输入都为1时，输出才为1；一个m输入的并集感知器的阈值设为m-0.5，表明只有当所有输入均为-1时，输出才为-1；W_l、W_H、W_c为网络互联权值，分别由下式给出式中1代表权值为1，-1代表权值为-1，0代表没有连接；c₁c₂表示恢复出的卷积码编码电路

H₀ H₁ H₂ H₃ H₄ H₅

$W_l=\begin{array}{c}I\\ Q\end{array}\left[\begin{array}{cccccc}0& 0& 0& 1& 1& 1\\ 1& 1& 1& 0& 0& 0\end{array}\right]$

n₀ n₁ n₂ n₃ n₄ n₅ n₆ n₇ n₈ n₉

$W_H=\begin{array}{c}{H}_0\\ H_1\\ H_2\\ H_3\\ H_4\\ H_5\end{array}\left[\begin{array}{cccccccccc}-1& 0& 0& 1& 1& 0& 0& -1& -1& 0\\ 0& 1& 0& -1& -1& 0& 1& 0& 0& 1\\ 0& -1& 1& 0& 0& 1& -1& 0& 0& -1\\ 0& 0& 0& 0& -1& -1& 0& 0& 1& 1\\ 0& 0& 0& 0& 1& 1& -1& -1& 0& 0\\ 0& 0& -1& -1& 0& 0& 1& 1& 0& 0\end{array}\right]$

n₀ n₁ n₂ n₃ n₄ n₅ n₆ n₇ n₈ n₉

$W_c=\begin{array}{c}{c}_2\\ c_1\end{array}\left[\begin{array}{cccccccccc}1& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 1& 1& 1& 1& 1& 1& 1\end{array}\right]$

图8中出现的符号说明：

表示决定编码输出C1、C2的RBF神经元；各神经元中的核函数由图9、图10给出，图中将I、Q输入信号空间根据编码输出划分为若干聚类区域，聚类中心输出为+1或-1。

具体实施方式

本发明首先要解决卷积码译码的神经网络实现，采用基于寄存器状态转移图的神经网络实现。以(2，1，3)码为例，卷积码的生成电路如图1所示。对卷积码的译码通常采用Viterbi(VB)译码算法。

Viterbi(VB)译码算法基本原理可以表述为将接收码组(r₂，r₁，r₀)在每个状态转换时刻与每条路径的标准输出进行比较，得到汉明距离(硬判决)或欧氏距离(软判决)，并与前一次所得距离累加。在状态转换结束后，保留每个状态节点的两条输入路径中相似距离较短者，作为“幸存路径”，如此进行下去。经历L次状态转换后，就可以根据幸存路径的起始路径所对应的输入进行译码输出了，同时删除这条路径。算法首先将读进来的信息码组与每个输出状态相连的两条路径进行比较，并分别与输入状态距离相加，距离小的认为对该输出节点来说更可能是信号路径，将这个距离保留到输出状态节点的距离记录中，并更新输出状态节点的路径，以此类推，待所有输出节点的操作结束后，将输出节点属性分别赋予对应的输入节点，并以距离属性最小的输出节点路径为译码路径，输出其最左端码。

本发明提出一种Viterbi译码神经网络硬件实现原理，包括神经元结构和网络结构。图2给出了(2，1，3)码寄存器交换法的算法结构图，图中虚线表示真实的数据路径。神经网络结构与状态转换图之间有许多相似之处：(1)二者都由节点互联而成；(2)二者信号都是多层前向传递；(3)在每个时刻，状态节点都要对进入该节点的两条路径进行距离计算和比较，将距离小路径推入输入的寄存器中，并将该寄存器和得出的距离作为输出送到与之相连的下两个状态，而这一过程完全可以有一个神经元来完成。因此，可以将图2中的状态节点用图3所示的节点神经元代替。图2有四种状态，所以有四种神经元，它们的区别在于输入路径寄存器内容。图4给出了基于寄存器状态转移图的viterbi解码神经网络。

本发明第二要解决的问题是，从信号空间中恢复卷积编码。在模式分类中，基于模式样本的几何分布，使用超空间(超平面或超曲面)来将不同类别的模式分类出来，是最直观的模式分类方法。一个2输入单层感知器可以完成二维空间内两类模式的判别，其结构如图5所示。信号空间与编码输出的几何位置关系如图6所示。本发明提出利用MLP对TCM信号的编码信息进行硬判决提取。

图6在16QAM-TCM星座图上给出了确定子集所需的编码器输出c₁c₂。图中标识出了8个信号点区域，每个信号点域所代表的编码输出，点域分割线。四条直线为

l₀：Q＝-2

l₁：Q＝0

l₂：Q＝2

l₃：I＝2

l₄：I＝0

l₅：I＝-2

由它们确定了12个半平面，为

H₀ ⁺：Q≥-2  H₀ ^-：Q＜-2

H₁ ⁺：Q≥0   H₁ ^-：Q＜0

H₂ ⁺：Q≥2   H₂ ^-：Q＜2

H₃ ⁺：I≥2   H₃ ^-：I＜2

H₄ ⁺：I≥0   H₄ ^-：I＜0

H₅ ⁺：I≥-2  H₅ ^-：I＜-2

用c₁c₂表示卷积码编码电路的输出，可以表示为

$c_2=1\⇔(H_1^{+}\∩H_2^{-})\∪H_0^{-}$

$c_1=1\⇔(H_2^{+}\∩H_5^{-})\∪(H_0^{+}\∩H_5^{-}\∩H_1^{-})\∪(H_0^{+}\∩H_3^{-}\∩H_1^{-}\∩H_4^{+})$

$\∪(H_2^{+}\∩H_3^{-}\∩H_4^{+})\∪(H_1^{+}\∩H_4^{-}\∩H_2^{-}\∩H_5^{+})\∪(H_5^{+}\∩H_0^{-}\∩H_4^{-})$

$\∪(H_3^{+}\∩H_0^{-})\∪(H_1^{+}\∩H_3^{+}\∩H_2^{-})$

图7给出了卷积码编码恢复MLP结构。

接收来的I、Q路信号通过图7所示的MLP网络后，即可得出图1所示编码电路的编码输出，将此输出送入图4所示的神经网络，即可得出用于星座子集选择的原始数据。用同样的方法还可构建用于恢复信号点选择数据的MLP。应当指出，由于利用MLP得出的c₁、c₂取值只能是1或-1，因此viterbi译码属于硬判决，这种判决会损失掉接收信号中所包含的有用信息。为了充分利用信号波形中的信息，使译码器能以更大的正确概率判决所发的码字，需将c₁、c₂进行量化。通常，译码器利用附加的软判决信息进行软译码时比硬译码能得到额外的2~3dB的增益。

为此，本发明提出利用RBF对TCM信号的编码信息进行软判决提取。为了能进行软判决译码，可以采用径向基神经网络(RBF)。径向基函数网络包含有一个维数足够高的隐含层，此层对输入空间进行非线性变换，输出层提供了从隐单元空间到输出空间的一种线性变换。图8给出了编码恢复RBF网络结构。考虑信道噪声为加性高斯白噪声，由于I、Q两路信号噪声在同一时刻是统计独立的，它们的同一时刻联合概率密度为

$p(I\left(t\right),Q\left(t\right))=p\left(I\left(t\right)\right)\·p\left(Q\left(t\right)\right)$

$=\frac{1}{2{\mathrm{\π\σ}}_N^2}\exp [-\frac{{(I\left(t\right)-I_k)}^2+{(Q\left(t\right)-Q_k)}^2}{{2\mathrm{\σ}}_N^2}]$

式中，(I_k，Q_k)k＝{1，2，…，16}为信号均值点位置。可以用上式所示的概率密度函数作为RBF神经元的核函数。在这种情况下，图9给出了

神经元核函数，图10给出了

神经元核函数，因此，神经元

的输出相当于对输入信号的置信度的度量，这与软判决译码的作法是一致的。

最后，本发明提出了一种基于viterbi译码神经网络和MLP/RBF的TCM数据恢复结构，如图11所示。输入的I、Q路信号首先被分成两路，一路送编码恢复MLP/RBF恢复卷积码，然后经延时输入viterbi译码神经网络；另一路信号经过相同的延时后，送入信号点恢复MLP恢复产生信号点的数据。最后将两路输出合并，即可得到原始调制数据。图中Z^-1表示延时一个输入信号周期。

Claims (4)

1.基于编码恢复的TCM神经网络解调方法，其特征在于：对于接收来的I、Q路信号通过多层前向感知器MLP网络后，得出卷积编码电路的编码输出，将此输出送入基于寄存器状态转换图的神经网络，即可得出用于星座子集选择的原始数据，该神经网络中数据传递是基于viterbi译码算法；同样MLP也可恢复用于信号点选择的数据；由于利用MLP得出的卷积编码电路的编码输出取值只能是1或-1，因此viterbi译码属于硬判决，这种判决会损失掉接收信号中所包含的有用信息；为了充分利用信号波形中的信息，利用径向基RBF神经网络对TCM信号的编码信息进行软判决提取；径向基神经网络包含有一个神经元数由调制方式决定的隐含层，考虑信道噪声为加性高斯白噪声，用2维高斯概率密度函数作为RBF神经元的核函数，用于在I、Q路信号空间对卷积编码电路编码输出的各位数据的带噪声聚类，此层对输入进行非线性变换，输出层提供了从聚类到编码输出的一种线性变换。

2.根据权利要求1所述的基于编码恢复的TCM神经网络解调方法，其特征在于：对于输入的I、Q信号进行编码信息的提取；Viterbi译码算法是针对卷积编码的，对于I、Q两路调制信号不能直接应用，必须首先恢复编码；编码恢复的手段是用MLP神经网铬。

3.根据权利要求1所述的基于编码恢复的TCM神经网络解调方法，其特征在于：利用RBF神经网络实现编码的软判决恢复。

4.根据权利要求1所述的基于编码恢复的TCM神经网络解调方法，其特征在于：实现Viterbi译码是基于寄存器状态转换图的神经网络的神经元内部结构；各神经元所完成的计算功能是一样的，将输入的编码与神经元输入路径进行距离比较，选择路径距离小的输入路径，并将该路径上传递的译码输出作为该神经元的输出，向下一层传递；每层神经元数由状态数决定，各层的神经元分布是一样的，网络规模由译码深度决定。

Images