CN102882823B - 基于ebpsk信号冲击滤波响应几何特征判决的解调器 - Google Patents
基于ebpsk信号冲击滤波响应几何特征判决的解调器 Download PDFInfo
- Publication number
- CN102882823B CN102882823B CN201110192338.8A CN201110192338A CN102882823B CN 102882823 B CN102882823 B CN 102882823B CN 201110192338 A CN201110192338 A CN 201110192338A CN 102882823 B CN102882823 B CN 102882823B
- Authority
- CN
- China
- Prior art keywords
- geometric properties
- signal
- ebpsk
- artificial neural
- neural net
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于EBPSK信号冲击滤波响应几何特征判决的解调器,包括一数字冲击滤波器和一几何特征判决器,所述数字冲击滤波器由一对共轭零点和至少两对共轭极点构成,其信号载频高于零点频率但低于所有极点频率,而零点频率与极点频率的靠近程度,至少要达到信号载频的10-3量级,所述几何特征判决器利用人工神经网络分类器来提取和记忆经冲击滤波增强的信号波形的几何特征与内在关联,并对n≥1个码元周期内所对应的全部EBPSK冲击滤波输出波形采样点进行联合判决,因而在高斯白噪声、码间干扰、信道衰落等复杂恶劣环境中依然保持了优良的解调性能,具有很强的鲁棒性和适应能力。
Description
技术领域
本发明涉及数字通信系统,具体的涉及一种基于EBPSK信号冲击滤波响应几何特征判决的解调器,属于数字通信与非线性信号处理领域
背景技术
1、反相调制与缺周期调制
高速增长的宽带无线业务需求对无线通信提出了越来越高的要求,直接导致了空中的无线电频率越来越拥挤,特别是随着第三代(3G)和第四代(4G)宽带移动通信网络的发展,较低频段的连续频谱几乎被耗尽。欧洲10MHz频谱20年使用权的拍卖价已高达40亿欧元,而在我国,花钱也难买到最有利的频点和带宽。因此,与能源和水资源一样,频谱也是国家的重要战略资源,最大限度地压缩无线传输频谱具有重要的实际意义和直接的经济效益,频谱利用率已成为新一代信息传输系统的核心竞争指标和关键共性技术。
数字通信系统的频谱利用率,可用单位频带内能够传输的数码率(以bps/Hz为量纲)来考核,主要取决于把二进制数据码流调制成发送频段模拟载波时所占的频带宽度。最简单的数字调制方法,是利用二进制信息码元“0”或“1”直接改变(通常称之为“偏移键控”)正弦载波的某个参数(如幅度、频率、相位等),相应地得到二元(二进制)的幅移键控(2-ASK)、频移键控(2-FSK)和相移键控(2-PSK)调制信号。这些二元偏移键控调制的抗干扰能力强,但频谱利用率很低,其中综合性能较好的2-PSK(也记做BPSK)也最多只有1bps/Hz。
增加调制空间的星座点数(例如从2-PSK即BPSK→4-PSK即QPSK→8-PSK→...)可以提高频谱利用率,但在同等接收性能下所需的发射功率也要相应增加,特别是对于恶劣的短波信道,更高阶的数字调制方式效果并不理想。另外,传统的二元相移键控(BPSK)调制方式的键控时段τ就是其码元周期T,缺乏必要的保护间隔以应对多径信道和码间干扰,故我们将其扩展到0<τ<T的情形,从而得到了一类扩展的二元相移键控(EBPSK:Extended Binary Phase ShiftKeying)调制(见“统一的正交二元偏移健控调制和解调方法”,专利号:ZL200710025203.6),定义如下:
s0(t)=Asinωct,0≤t<T
其中,s0(t)和s1(t)分别表示码元“0”和“1”的调制波形,ωc为载波角频率;码元周期T=2πN/ωc持续了N≥1个载波周期,“1”码元的调制时间长度τ=2πK/ωc持续了K<N个载波周期,K和N均为整数以保证整周期调制。
(1)式中载波键控的相位角度θ越小,EBPSK检测性能越差。故为了保证解调性能及实现简单,通常取θ=π,由此带来的另一个好处是有利于接收机通过限幅来抗信道衰落和脉冲干扰。此时(1)式简化为
s0(t)=Asinωct,0≤t<T
可见此时的EBPSK调制信号波形除在数据“1”的起始处有短时的反相及幅度A+B的跳变外,其余都是连续的正弦波,这有助于使其能量集中在载频ωc处以提高频谱利用率(理由见“吴乐南:超窄带高速通信进展.自然科学进展,17(11),2007,1467-1473”),而τ/T=K/N可称为“调制占空比”。
在(2)式的简化EBPSK表达式中,本发明又只关心以下两种更简单的特例。
1)令B=A=1,得到反相调制(PRM:Phase ReversalModulation):
s0(t)=sinωct,0≤t<T
2)令B=0(以及A=1),得到缺周期调制(MCM:Missing CycleModulation):
s0(t)=sinωct,0≤t<T
由图1可见,PRM和MCM的时域波形非常简单;而由图2可见,EBPSK调制的主要能量集中在载频附近,因而其带宽很窄,频谱利用率很高。但另一方面,EBPSK调制的“0”和“1”的波形差异很小,给解调带来很大的挑战。
2、数字冲击滤波器(Digital Impacting Filters)
对于“0”、“1”波形差异很小的不对称调制,经典的用于对称调制波形的匹配滤波器和相关检测方法已不再最佳。为了提高对于EBPSK调制信号的解调性能,我们曾发明了一类无限冲激响应(IIR)数字滤波器,由一对共轭零点和至少两对共轭极点构成,信号载频高于零点频率但低于所有极点频率,而零点频率与极点频率的靠近程度,至少要达到信号载频的10-3量级。由此,该滤波器通过其通带中心陡峭的陷波-选频特性,可将EBPSK调制信号在码元“1”处的信息调制(PRM的相位跳变,或MCM的缺周期)转变为明显而强烈的寄生调幅冲击,输出信噪比得到显著提升,甚至可在信号被噪声完全淹没的情形下(信噪比SNR<0)以过冲的形式突显出信号的调制信息,故称之为数字冲击滤波器或EBPSK信号数字增强器,但在码元“0”处则无相应的波形冲击,如图3所示(见“用于增强不对称二元调制信号的冲击滤波方法”,发明专利公开号:CN101599754。本申请书所涉及的“冲击滤波”,出处均在于此,以下不再声明),数字冲击滤波器传递函数的一般表达式如下:
式中各参数的取值应依具体应用场合而定,以取得最优的冲击滤波效果。
3、人工神经网络
人工神经网络(ANN人工神经网络:Artificial NeuralNetwork)是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。它具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入-输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果,这种学习分析的过程被称为“训练”(见“高隽:人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003.7”)。
人工神经网络具有3个显著的特点:非线性特性,大量的并行分布结构,学习和归纳能力。归纳指人工神经网络可在学习训练之后对新的输入产生合理的输出。
人工神经网络具有如下的信息处理能力:
1)非线性(Nonlinearity)
一个人工神经元可以是线性或非线性的。由非线性神经元相互连接组成的神经网络自身是非线性的,而且这种非线性是比较特殊的,它分布在神经网络的各处。利用神经网络的非线性可以解决许多非线性问题。若输入信号所隐含的物理机制是非线性的,则人工神经网络非线性的重要性会更加突出。
2)输入-输出映射(Input-output Mapping)
人工神经网络具有学习能力,通过学习,人工神经网络可以获得很好的输入-输出映射能力。常用的学习范例称为有导师学习或监督学习,它利用一组训练样本或任务实例对人工神经网络的突触权值进行调整,每一组训练样本包含输入信号和对应的期望输出,网络的实际输出与期望输出存在误差,通过某些规则反复修正网络的突触权值,使实际输出和期望输出之间的误差减小到满意的程度,这样就完成了输入到输出的映射。由这种方法产生了非参数统计推理学习思想,它是涉及模型自由评估的统计学的一个分支。
3)适应性(Adaptivity)或鲁棒性(Robustness)
人工神经网络具有调整突触权值以适应周围环境的变化能力,尤其在特定环境中训练过的人工神经网络能很容易地被再次训练以处理环境条件微小的变化,这反应了人工神经网络的适应性。按通常规律,如果创建的系统适应性越强,并能随时保证系统的稳定性,那么当系统在非静态环境中运行时,表现出的鲁棒性就越强。因而鲁棒性又常常被理解为人工神经网络的泛化(Generalization)能力。但适应性强并不总会产生鲁棒性强。
4)超大规模集成的可执行能力
人工神经网络具有的大量并行特性使其对特定任务的计算变得很快,非常适合超大规模集成电路(VLSI)的执行,提供了一种在高层运行方式中捕捉真正复杂行为的方法。
正是由于人工神经网络所具有的上述特点、大量的并行分布结构以及学习和归纳能力,使其近年来被广泛应用于模式识别、信号检测等领域(见“Simon H:Neural networks and learningmachines[M].China Machine Press,2009”)。
4、几何特征滤波器
对比图3和图1可见,EBPSK调制信号经过冲击滤波后,码元“1”和“0”之间的波形差异变得更加突出了,对此只需进行简单的幅度判决或在调制区间(0,τ)内积分后的门限检测,即可区分“1”和“0”,实现EBPSK信号解调。这样虽然简单与经典,但只利用了EBPSK调制信号冲击滤波响应波形的部分信息(信号冲击的幅度),或局部信息(信号冲击的位置)。为了进一步改进解调性能,应尽可能利用EBPSK调制信号冲击滤波响应在码元周期内的完整波形信息(充分利用码元周期内的信号能量),甚至在多个码元周期内的完整波形信息(充分利用信息传输和冲击滤波在码元信号样本之间引入的相关性)。我们曾发明了一类几何特征滤波器(GFF:Geometric Feature Filter,见“时-频混叠信号的几何特征滤波方法”,发明专利号:ZL200610088315.1),其主要思路是把信号的时域波形看成是几何图形或曲线,据此根据信号的几何特征设计相应的几何特征滤波器,并利用人工神经网络实现这一类非线性的集合特征滤波器,可用于对波形混叠和/或频谱混叠信号进行滤波分离。之所以采用人工神经网络来实现几何特征滤波器,是因为公知的人工神经网络具有对任意非线性函数的映射能力,对复杂模式的学习分类和联想记忆能力,对动态系统的组合优化和逼近能力,特别是便于大规模硬件集成和并行处理的统一结构。而几何特征滤波器的设计与实现,主要是利用了人工神经网络对复杂模式的学习分类和联想记忆能力。
由于GFF主要关注在有用信号失真尽量小的前提下,尽可能地滤除噪声和分离干扰,而EBPSK判决器(或解调器)则不关心信号是否失真这一“中间过程”,只是追求在噪声、干扰和衰落的信道环境中传输误比特率(BER:Bit Error Rate)最小这一最终结果。这就启示我们将几何特征滤波器的思想,用于本发明的几何特征判决器(GFD:Geometric Feature Discriminator)。
发明内容
为克服现有技术中存在的不足,本发明的目的在于提供一种解调性能较好的基于EBPSK信号冲击滤波响应几何特征判决的解调器。
为解决上述技术问题,实现上述技术效果,本发明通过以下技术方案实现:
一种基于EBPSK信号冲击滤波响应几何特征判决的解调器,包括一数字冲击滤波器和一几何特征判决器,所述数字冲击滤波器由一对共轭零点和至少两对共轭极点构成,其信号载频高于零点频率但低于所有极点频率,而零点频率与极点频率的靠近程度,至少要达到信号载频的10-3量级,所述几何特征判决器包括一用于缓存输入信号样本的先入先出存储器,所述先入先出存储器连接一第一数据切换模块,所述数据切换模块连接有一第一缓存器和一第二缓存器;所述第一缓存器和第二缓存器均通过一第二数据切换模块连接到一人工神经网络分类器;所述人工神经网络分类器连接一具有连续串行输出功能的并-串转换器。
进一步的,所述几何特征判决器还包括一用于提供时间基准的采样时钟模块,所述采样时钟模块连接所述先入先出存储器。
进一步的,所述几何特征判决器还包括一乒乓控制器,所述乒乓控制器连接到所述第一数据切换模块,所述乒乓控制器还同时连接到所述第二数据切换模块。
进一步的,所述几何特征判决器还包括一位同步脉冲模块,所述位同步脉冲模块连接所述并-串转换器。
进一步的,所述几何特征判决器还包括一n码元同步时钟模块,所述n码元同步时钟模块连接所述位同步脉冲模块,同时连接到所述人工神经网络分类器和所述乒乓控制器,所述n≥1。
进一步,所述人工神经网络分类器为前馈型人工神经网络。
优选的,所述人工神经网络分类器为感知分类器、BP分类器、RBF分类器、PNN分类器、RBF映射器或FL人工神经网络映射器。
与现有技术相比,本发明具有以下有益效果:
1)提升了解调性能。
几何特征判决器充分学习和利用了EBPSK信号冲击滤波输出波形的全部几何特征及内在信息,因而比只是简单利用“0-1”幅值差的门限判决,大幅提升了EBPSK接收机的解调性能。而解调性能每提升3dB,就相当于把发射功率加大了1倍,通信距离自然可以更远;若保持原通信距离不变,则发射功率即可降低一半,这对于降低通信系统的能源消耗和电磁污染,实现“绿色通信”,具有实际意义。
2)展宽了码率范围。
由于人工神经网络所具有的非线性、大量的并行分布结构、学习和归纳能力及较强的适应性,几何特征判决器不仅适用于低码率,在高码率下也能使受码间干扰“本应恶化”的解调性能仍保持在可接受的水平,这就意味着此时的传输码率可以更高,或占用带宽还能更窄。
3)增强了适应能力。
a)无论是在加性高斯白噪声(AWGN)信道、衰落信道,还是在有码间干扰时,由于冲击滤波器突出了EBPSK调制信号的波形特征和“0”、“1”差异,使得几何特征判决器的适应场合更广;
b)几何特征判决器对于在多种信道条件下(如高斯噪声、带限、衰落等)不同采样率的各类EBPSK调制(PRM、MCM)信号均具有优异的解调性能,因而人工神经网络分类器的泛化能力使得几何特征判决器在实际工作时具有较强的鲁棒性和盲处理能力。
c)采用经典的门限检测或幅度积分判决,一般是在冲击滤波输出峰值附近取若干采样逐点求和后再进行门限判决,而人工神经网络判决器是对一个码元周期内全部采样的批处理,甚至是对n个码元周期内全部采样的一次性联合判决,因而其对于采样同步的精度要求远低于前者,对位同步的要求也更低。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是反相调制和缺周期调制的时域波形。
图2是在430MHz发射频率上反相调制的功率谱实测值。调制在30MHz载频上进行,然后上变频到430MHz,取调制占空比K∶N=2∶300,因而码率为100kbps。
图3是反相调制信号冲击滤波响应的波形示意图,码元“1”和码元“0”所分别对应的冲击波形以图中的竖线为界,采样率为信号频率的10倍。
图4是一个现有的400MHz频段的EBPSK接收机总体方框图。
图5(a)是采用基于波形映射思想的几何特征判决器的EBPSK解调器原理框图,图5(b)为其中人工神经网络映射器的输入输出示意图。
图6(a)是采用基于分类思想的几何特征判决器的EBPSK解调器原理框图,图6(b)为其中人工神经网络分类器的输入输出示意图。
图7是2码元联合检测方式的人工神经网络判决器输入输出示意图,包含有4种情况:“1 1”,“1 0”,“0 1”,“0 0”。
图8是人工神经网络的有导师(或称有监督)训练模型:对于给定的输入信号x(n),训练的目的就是使人工神经网络的输出信号y(n)尽量逼近所期望的目标信号(或称导师信号)t(n),即使得y(n)与t(n)之间的误差信号e(n)最小。
图9是在AWGN信道各种几何特征判决器对PRM信号的解调性能对比:图9(a)为3倍采样,图9(b)为4倍采样。
图10是AWGN信道中1码元、2码元和3码元3种联合判决方式对10倍采样PRM信号的解调性能比较。
图11是AWGN信道中人工神经网络判决器与幅度判决器在不同采样率下解调PRM信号的误码率曲线比较。
图12是码间干扰条件下各种几何特征判决器对10倍采样PRM信号的解调性能比较:图12(a)为中度ISI,图12(b)为重度ISI。
图13是码间干扰下1码元、2码元和3码元3种联合判决方式对10倍采样PRM信号的解调性能比较:图13(a)为中度ISI,图13(b)为重度ISI。
图14是各种几何特征判决器分别在不同ISI、不同采样率对不同EBPSK信号的解调性能比较:图14(a)为中度ISI和PRM信号,图14(b)为重度ISI和PRM信号,图14(c)为中度ISI和MCM信号,图14(d)为重度ISI和MCM信号。
图15是各种几何特征判决器分别在慢衰落信道和快衰落信道对10倍采样PRM信号的解调性能比较,其中图15(a)为慢衰落信道,图15(b)为快衰落信道。
图16是衰落信道中1码元、2码元和3码元3种联合判决方式对10倍采样PRM信号的解调性能比较。
图17是人工神经网络判决器与幅度判决器分别在慢衰落信道和快衰落信道条件下对10倍采样的PRM信号和MCM信号的误码率比较。
图18是基于人工神经网络分类的n码元联合几何特征判决器具体实现框图,依据图6(a)的单码元独立分类判决器而展开。
图19是用作人工神经网络分类器的单层感知器内部结构示意图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
图4是目前EBPSK接收机在400MHz频段上具体实施的总体方框图,其中EBPSK数字解调器利用独特的数字冲击滤波器,把经模数转换器(ADC)数字化的等幅的锁相接收机EBPSK中频信号,转换为如图3所示的对应于数据“1”有明显幅度起伏的类似调幅信号,再对该信号进行检测(或幅度判决)、位同步等常规处理,从而非常简单地实现EBPSK调制信号的解调。
为了进一步提升EBPSK接收机的解调性能,使得EBPSK通信系统在具有很高频谱利用率的基础上也能具有较高的能量利用率,本实施例构思了基于ANN(人工神经网络)的非线性判决器,该判决器利用具有很强学习归纳能力的人工神经网络来提取和记忆EBPSK调制信号冲击滤波输出波形的几何特征(即“0”、“1”码元明显不同的波形特征)和内在信息(可能由于传输信道的带宽、噪声、干扰或衰落等对信号码元波形采样的影响),用以替代图4中基于简单幅度判决的“检测判决”模块,得到基于人工神经网络并利用信号波形几何特征的EBPSK解调器。在此,学习阶段实际上就是提取、记忆波形几何特征的过程,在学习成功后,即可用它来对新的输入信号采样序列进行判决。
因此为体现上述系统构思,实现上述技术效果,本实施例通过以下技术方案实现。
1、设计思想
基于人工神经网络并利用信号波形几何特征的EBPSK解调器,其主体是一个数字冲击滤波器和一个几何特征判决器,其中数字冲击滤波器的作用是在噪声背景下突出所接收到的EBPSK信号的调制信息,本实施例只是直接沿用。以10倍采样率为例,反相EBPSK信号通过数字冲击滤波后的无噪声波形如图3所示,可见其仅在信息调制即码元“1”的相位跳变处,产生了明显而强烈的寄生调幅冲击,大大突出了“0”、“1”码元的波形差异,此时如果进行幅度检测,则只是利用了判决点处的信号能量,尚未结合“0”、“1”码元经过冲击滤波后各自的整体波形特征。而本实施例正是要将“1”、“0”码元的这种波形形状(即几何特征)上的差异,提供给几何特征判决器进一步学习、利用和优化。因此,基于人工神经网络的几何特征判决器(或者说是利用几何特征的人工神经网络判决器),是本实施例的关键技术内容。
从实现理念上,在数字冲击滤波器的输出端接入神经网络判决器以实现EBPSK信号的解调,既可以分两步实施,也可以“一步到位”;这就在基于人工神经网络的几何特征判决器的设计思路上分别形成了基于波形映射的思想和基于分类的思想。
2、基于波形映射思想的几何特征判决器
基于波形映射思想的几何特征判决器意在利用人工神经网络很强的输入-输出映射能力,通过有导师训练后,直接将接收码元的信号采样值映射为相应的矩形波,原理框图见图5(a)。但在实验中发现,如果直接映射为矩形波,人工神经网络判决器很难训练成功且效果不佳,故实际中常将期望波形设为占空比为10%~20%的矩形波,如图5(b)所示。但由于人工神经网络映射器的实际输出不可能为标准的矩形码流,所以还必须在人工神经网络映射器之后再添加整形模块以得到标准码流。因此,人工神经网络在此判决器中实际上只是一个非线性映射器,即将串行依次送入的EBPSK冲击滤波信号样本序列映射为期望的方波序列。
3、基于分类思想的几何特征判决器
如果将通过冲击滤波器输出的EBPSK调制信号样本所对应的“0”、“1”码元看作一个整体,则可将其划分为有明显特征差异的两类,一个具有冲击特征,一个没有,即如果一个码元经过冲击滤波器后具备图3中左边波形的几何特征,则判为1;如果具备图3中右边波形的几何特征,则判为0。故可将人工神经网络训练为分类器,对接收到的整个码元进行识别。人工神经网络的输出不再是矩形波,而是对于每一个码元输出一个标志其类别的数字,如用1表示“1”码元,0表示“0”码元,再用此数字去控制复用器输出相应的本地标准码元波形,即可完成判决。其原理框图和相应的人工神经网络分类器的输入输出示意分别如图6(a)和图6(b)所示。
4、多码元联合判决方式
对于EBPSK接收信号的冲击滤波响应来说,我们注意到:
1)出现码间干扰时,其相邻码元尤其是连续的“1”所对应的冲击包络已扩展、交叠甚至相连(特别是信道带宽缩窄时);
2)在衰落信道中,其波形包络虽有较大起伏,但短时相邻码元的包络变化可能不太大(特别是对于慢衰落信道),码间存在着相关性;
3)信道衰落可能具有周期性或规律性;
4)经典通信所要求(或所假定)的码元间的统计独立性条件不再满足。
有鉴于此,本实施例考虑了以多码元联合检测形式设计几何特征判决器,即人工神经网络分类器的输入为n≥1个码元所对应的EBPSK冲击滤波输出波形采样点,其输出也就对应为这n个码元组成的码组(即连续的n-bit):
1)若n=1,即为传统的单码元独立检测,其输入为1个码元所对应的波形采样点,而输出则非“1”即“0”;
2)若n=2,则其输入为相继2个码元所对应的波形采样点,而输出则为下面4种2码元码组(2bit)之一:“1 1”,“1 0”,“01”,“0 0”;
3)若n=3,则其输入为相继3个码元所对应的波形采样点,而输出则为下面8种3码元码组(3bit)之一:“1 1 1”,“1 1 0”,“1 0 1”,“1 0 0”,“0 1 1”,“0 1 0”,“0 0 1”,“0 0 0”。
其余可依次类推。图7以n=2为例给出其输入输出示意图。
5、神经网络类型的选择
人工神经网络有前馈型和反馈型两大类,目前已经提出了近百种模型,尽管均只是对人脑神经模型的近似,但确实能反映出人脑的许多基本特性,如自适应性、自组织性、很强的学习能力等。作为判决器应用,本实施例采用前馈型网络,但并不专门研究人工神经网络本身,而是针对所提出的基于EBPSK信号冲击滤波响应的几何特征判决器的新理念和新应用,重在从常见的人工神经网络中选择性能较为适合者。
常见的人工神经网络有感知器(Perceptron)、线性(Linear)网络、反向传播(BP:Back Propagation)神经网络、径向基函数(RBF:Radial Basis Function)网络、概率神经网络(PNN:Probabilistic Neural Network)、函数连接型人工神经网络(FLANN:Functional Linked ANN)。其中:
1)感知器、线性网络属于单层神经网络,结构简单、学习算法简便,硬件实现较为容易,特别是感知器尤其适用于目标输出只为“0”或”1”的分类;
2)BP与RBF神经网络用于模式分类也有着优越的性能,但因其均为多层神经网络,相对于感知器,其结构和学习训练算法较复杂;
3)PNN是RBF网络的一种特例,学习算法简洁,无需训练,直接将训练样本的信息存储在创建的PNN网络中,但这同时也导致其隐含层神经元个数等于训练样本数,使得创建的网络结构复杂,数据量巨大,外推时间太长;
4)FL人工神经网络则将原输入变量进行非线性模式扩展后再作为单层前馈网络的输入,以此来改善网络的学习能力,但扩展后数据量和存储量剧增,同时仿真表明,若在非线性扩展之后仅用一个神经元,则很难训练出好效果,故实际中常代之以在非线性扩展后再接一个BP网络,结构的复杂性也相应增加;
5)针对所述的波形映射思想和分类思想,分别就上述5种神经网络进行了几何特征判决器的设计,但在仿真中发现:
a)对于波形映射思想,只有RBF网络、FL人工神经网络可行,其余3种在训练中总陷入局部最小点导致无法收敛,外推效果极差;
b)对于分类器思想,线性网络与FL人工神经网络效果也很不理想。
因此,本实施例初步选择感知分类器、BP分类器、RBF分类器、PNN分类器、RBF映射器、FL人工神经网络映射器共6种人工神经网络作为优选实施例,用于几何特征判决器。
根据上述的设计思路,以下结合附图对本实施例作进一步的详细说明:
1、几何特征判决器的训练
欲使人工神经网络能有效地完成预定的功能,需要对其内部神经元相互连接的权系数进行训练,也就是要让人工神经网络“学习”并“记忆”所要分类的对象,或所要识别的模式。此时可以施加导师信号,也可以没有导师信号。图8给出了人工神经网络的有导师(或称有监督)训练模型。人工神经网络的训练或学习过程,是模式识别领域科研人员所公知的,例如科学研究和计算中常用的“Matlab”软件包中,就提供了许多现成的对于多种常用人工神经网络的训练算法软件模块,可以直接调用。
本实施例对于所述初步选定的几种判决器类型,在人工神经网络训练时对其结构规定如下:
1)多层神经网络限定隐含层只有1层,隐层神经元个数从1递增到15依次尝试;
2)RBF网络隐含层最多含50个神经元,神经元每增加5个显示一次训练效果;
3)RBF网络和PNN的径向基扩展速率从0.5起一直尝试到5,步长为0.5;
4)对于FL人工神经网络,采用4阶Volterra级数进行非线性扩展。
此外,由于几何特征判决器实际工作时的输入信号是含有噪声的,因而人工神经网络在训练时也需要人为地添加一定的噪声或扰动,这一点至为关键:一是为了符合将来判决器工作的实际情况,二是它直接影响人工神经网络判决器最终的泛化能力(即在多大的噪声范围内人工神经网络能保持在较佳的性能状态)。训练噪声的具体大小应依据应用场合(如码间干扰或是衰落信道)、EBPSK信号类型(如PRM信号或MCM信号)、采样率等的不同而定。但训练噪声的选择目前也无理论可循,本实施例依据大量的仿真得到以下经验准则:
1)采样率越低,训练噪声应越小。对于在AWGN信道中的PRM信号,10倍采样大致在-2~-0.5dB,8倍采样在-1~0dB,6倍采样在1~1.5dB,4倍采样在1.5~3dB,3倍采样在2~3.5dB。
2)MCM信号的训练噪声要比PRM信号低5~6dB。
3)环境越恶劣,训练噪声应越小:码间干扰下的训练噪声应比AWGN信道中低0.5~1.5dB,而衰落信道下的训练噪声应比AWGN信道低4~7dB。
4)一般而言,若训练噪声较大,则人工神经网络在训练噪声附近的低信噪比(SNR)区域性能最佳;反之则在训练噪声附近的高信噪比区域性能最佳。
本实施例在遵循上述准则的前提下,采取多次实验的方法,以得到泛化能力相对最好的网络。然后,分别选取每种人工神经网络当中训练性能最佳者设计几何特征判决器。再通过对比不同类型判决器的综合性能,以得到最佳的人工神经网络判决器设计方案。
2、AWGN信道几何特征判决器的设计
1)确定人工神经网络训练噪声。
按照上述准则和PRM信号的冲击滤波输出,经多次实验选定:采样率为信号载频的10倍、8倍、6倍、4倍和3倍时的训练噪声分别为-2dB、-1dB、0.75dB、1.75dB和2dB。
2)选定最适宜的人工神经网络类型。
性能仿真表明在初选的6种人工神经网络判决器中,感知分类器综合表现最佳。以4倍、3倍采样的PRM信号为例,图9给出了6种人工神经网络判决器的解调性能对比:
a)对于3倍采样率由图9(a)可知,当SNR<7dB时“感知分类器”性能最佳,仅当SNR>7.4dB时“FL人工神经网络映射器”才最占优;
b)对于4倍采样率由图9(b)可知,当SNR>3.5dB时“感知分类器”性能最佳,而“BP分类器”仅在低信噪比且误码率高于10-3以上量级时才更占优势。
从实现复杂度比较:
a)感知分类器结构简单,且外推速度极快;
b)BP分类器的结构与学习算法比感知器复杂;
c)FL人工神经网络映射器要做非线性扩展,数据量剧增,训练与外推时间很长,且因其后还需接一个BP网络,结构相对于感知器也复杂得多。
d)对于人工神经网络波形映射器,必须对其输出的低占空比脉冲信号做进一步整形及判决,才能输出最终的标准数字码流,因而与传统的幅度积分判决器类似,仍需要较准确的位同步;相对而言,人工神经网络分类器是对一个码元周期内的信号样本整体进行“批处理”,因而对位同步的要求远低于映射器,且无须二次判决。
综上,本实施例对于AWGN信道首选基于感知分类器的人工神经网络几何特征判决器,它不仅解调性能优越,且结构简单,学习算法简单,外推速度快,硬件容易实现。
3)确定一次判决的码元个数。
仿真结果表明以单码元检测方式最佳。以10倍采样的PRM信号为例,图10给出了1码元、2码元和3码元等3种联合判决方式的误码率曲线,其中单码元检测器的误码率明显低于后两者,且其结构与计算复杂度也低于后两者。因而在AWGN信道,采用单码元判决已足够。
4)性能仿真。
在上述1)、2)、3)的基础上采用感知分类器构成人工神经网络几何特征判决器,其与现有幅度判决方法在不同采样率下解调PRM信号的误码率曲线对比于图11。可见人工神经网络几何特征判决器的解调性能随着采样率的增加而提高,且采样率越低,其较经典幅度积分判决的性能提升也越大。
3、码间干扰(ISI:Inter Symbol Interference)下几何特征判决器的设计
1)确定人工神经网络训练噪声。
经多次实验选定,采样率为信号载频的10倍、8倍、6倍、4倍和3倍时:
a)中度ISI时:对于PRM信号,人工神经网络训练噪声分别为-1dB、-0.75dB、1.2dB、1.75dB和2dB;而对于MCM信号,则分别为4.1dB、4.8dB、6.7dB、8dB和8.25dB;
b)在重度ISI时:对于PRM信号,人工神经网络训练噪声分别为-0.5dB、-0.5dB、1.3dB、2.7dB和3dB;而对于MCM信号,则分别为3dB、4.5dB、6.8dB、9dB和9.2dB。
2)选定最适宜的人工神经网络类型。
性能仿真表明在初选的6种人工神经网络判决器中,感知分类器或BP分类器最佳。以中度ISI、重度ISI下的10倍采样的PRM信号为例,图12给出了6种人工神经网络判决器的解调性能对比:
a)在中度ISI时,由图12(a)显见“感知分类器”性能最佳,“BP分类器”稍次之;
b)在重度ISI时,由图12(b)可知“BP分类器”最占优势,感知分类器紧随其后。
综上,本实施例在码间干扰环境下的几何特征判决器应重点考虑感知分类器和BP分类器,两者不仅解调性能优越,且结构和学习算法都不算复杂,外推速度快。
3)确定一次判决的码元个数。
仿真结果表明以单码元检测方式最佳。分别以中度ISI和重度ISI时10倍采样的PRM信号为例,图13(a)和图13(b)给出了1码元、2码元和3码元等3种联合判决方式的误码率曲线,单码元检测器的误码率明显低于后两者,且其结构与计算复杂度也最低。
4)性能仿真。
在上述1)、2)、3)的基础上设计了人工神经网络几何特征判决器,其与现有幅度判决方法分别在中度和重度ISI条件下对不同采样率的PRM与MCM信号的误码率曲线对比于图14(a)~(d)。可见在存在码间干扰时,各采样率下各类EBPSK信号的人工神经网络几何特征判决器的解调性能仍均比幅度判决有了较大的提升(至少在2dB以上),且采样率越低,码间干扰越大,其提升量越大。
4、衰落信道几何特征判决器的设计
1)确定人工神经网络训练噪声。
经多次实验选定,在慢衰落信道中,对于10倍采样的PRM信号与MCM信号,其最适宜的训练噪声分别为2dB、8dB;而在快衰落信道中,则分别为5.5dB、11.3dB。
2)选定最适宜的人工神经网络类型。
分别以慢衰落信道和快衰落信道中10倍采样的PRM信号为例,图15给出了所述6种人工神经网络判决器的解调性能对比:
a)在慢衰落时,图15(a)表明“感知分类器”性能最佳,“BP分类器”稍次之;
b)在快衰落信道中,图15(b)显示“BP分类器”最占优势,“感知分类器”略差之。
综上,感知分类器和BP分类器是衰落信道中人工神经网络判决器设计的首选,两者不仅解调性能优越,且结构和学习算法都不算复杂,外推速度也很快。可依信道衰落的快慢而定。
3)确定一次判决的码元个数。
仿真比较了1码元、2码元和3码元等3种联合判决方式解调性能,结果表明以3码元联合判决最佳,因其最大程度地利用了信道衰落时相邻码元间的相关性。以10倍采样的PRM信号为例,图16给出了1码元、2码元和3码元等3种联合判决方式在慢衰落和块衰落信道的误码率曲线,很明显,3码元联合判方式的误码率明显低于后两者。
4)性能仿真。
在上述1)、2)、3)的基础上设计了人工神经网络几何特征判决器,其与现有幅度判决方法分别在慢衰落信道和快衰落信道对PRM信号与MCM信号的误码率曲线对比如图17所示。可知在信道存在衰落时,几何特征判决器对各类EBPSK信号的解调性能仍均比同类信道下的幅度判决器有了较大的提升,且衰落越严重,其提升量越大。
5、多码元联合人工神经网络判决器的复杂度
很显然,n码元联合判决所需的输入层和输出层的神经元数都是单码元检测的n倍,结构复杂度会增加许多,计算复杂度也相应地成倍增长。因而限于网络结构的复杂性,本实施例只涉及n=1、2、3这3种联合判决方式。主要结论如下:
1)人工神经网络判决器的训练时间会随着n的增长而相应增加,但仿真显示增幅不多,尤其是对于收敛速度非常快的BP网络、RBF网络而言,多出的时间开销几乎可以忽略。另外,如果解调器的工作环境与人工神经网络的训练条件较为吻合,或者人工神经网络在工作环境附近泛化能力很强,则人工神经网络一旦训练好便无需再改动(正所谓“一劳永逸”),于是对于人工神经网络判决器的训练时间就没有更严格的要求了。
2)仿真显示,随着n的增长,大部分人工神经网络外推时间的增加并不明显,仍在可接受的范围内。事实上,由于基于人工神经网络分类器的集合特征判决器是采满n个码元周期内的全部信号样本再一次性“批处理”,故只要人工神经网络的外推时间小于n个码元周期,即可保证实时处理。而此时为采满n个码元周期内的全部信号样本所需的n个码元周期时间,则是EBPSK解调器采用n-码元联合分类方式所引入的固有延时。
3)几何特征判决器的结构复杂度取决于所用人工神经网络的类型、网络层数与神经元个数。
4)几何特征判决器的计算复杂度和所需的存储空间因人工神经网络的类型而异,但对于n-码元联合分类方式,至少需要缓存n×N×fs/fc个信号样本。如果n-码元人工神经网络联合分类器硬件即使采用并行处理结构(人工神经网络在结构上很适合并行处理)也无法在一个采样周期(1/fs)内完成判决(外推),则可以引入“乒乓”存储结构:采用两块大小为n×N×fs/fc的缓存器,一块用于保存前n个码元周期内的全部信号样本供人工神经网络分类,另一块则用于缓存正在采集的当前n个码元周期内的信号样本;存满(此前人工神经网络也必须处理完前n个码元)后两块缓存器的任务切换,如此交替进行,即可以流水线方式完成对于信号样本序列和信息码元序列的“无缝”处理。
5)在解调性能相当的情况下,当然应首选结构与计算复杂度低的人工神经网络判决方式,这主要取决于EBPSK通信系统的总体要求,特别是EBPSK接收机的综合指标来对比和折中。而本实施例则为这种选择和设计公开了全部性能指标和选择依据。
6、几何特征判决器的具体实现
图18给出了本实施例“基于EBPSK信号冲击滤波响应的几何特征判决器”的一个具体实施例,即“基于人工神经网络分类的n-码元联合几何特征判决器”的具体实现框图,它以EBPSK调制信号的冲击滤波输出采样序列为输入,根据图6(a)虚线框中“基于分类思想的几何特征判决器”而展开。
进一步的,参见图18所示,所述基于分类思想的几何特征判决器包括:
1)一用于缓存输入信号样本的先入先出(FIFO:First InputFirst Output)存储器1;
2)所述先入先出存储器1连接一第一数据切换模块2,用于决定在当前n个码元周期内所述先入先出存储器1缓存的采样数据,究竟是存入与其相连接的第一缓存器3,还是存入与其相连接的第二缓存器4;
3)所述第一缓存器3和第二缓存器4均通过一第二数据切换模块5连接到一人工神经网络分类器6,而所述第二数据切换模块5用于决定在当前n个码元周期内,究竟是把所述缓存器3还是把所述缓存器4中的前n个码元周期内的全部采样数据送给所述人工神经网络分类器6进行分类。而事实上,所述先入先出存储器1、第一缓存器3和第二缓存器4,通过所述第一数据切换模块2和第二数据切换模块5,共同构成了一个串行输入、并行输出的双缓存结构、乒乓切换的数据存储器,切换周期为n个码元周期,当以系统采样周期将EBPSK冲击滤波输出信号样本串行输入某一缓存器(例如第一缓存器3)时,另一缓存器(例如第二缓存器4)中的全部数据则以n个码元时间为周期并行输出到所述人工神经网络分类器6,两缓存器切换后亦如此;
4)所述人工神经网络分类器6连接一并-串转换器7,向其提供人工神经网络分类器6对于前n个码元的联合判决结果,即n位自然二进码。例如,当n=3,所述并-串转换器7的并行输入即为“000,001,010,011,100,101,110,111”中的一个3位码组,而其输出即为该3位码组的逐位输出;
5)所述并-串转换器7的连续输出即构成了EBPSK解调器的输出信息码流。特殊的,当n=1,所述并-串转换器7可以省去;
6)还包括一位同步脉冲模块8,所述位同步脉冲模块8连接到所述并-串转换器7,为其提供把并行输入的n位自然二进码转换成串行输出比特流所需的位同步脉冲;
7)所述位同步脉冲模块8还连接到一n码元同步时钟模块9,所述n码元同步时钟模块9将位同步脉冲模块8的输出n分频后,同时连接到所述人工神经网络分类器6和一乒乓控制器10。特殊的,当n=1,所述n码元同步时钟模块9可以省去;
8)所述乒乓控制器10连接到所述第一数据切换模块2,使得所述第一缓存器3和所述第二缓存器4的输入端每隔n个码元周期便切换一次,以实现对于所述EBPSK调制信号冲击滤波输出在n个码元周期内的连续采样;
9)所述乒乓控制器10还同时连接到所述第二数据切换模块5,使得所述第一缓存器3和所述第二缓存器4的输出端每隔n个码元周期也同步切换一次,以便将对于所述EBPSK调制信号冲击滤波输出在前n个码元周期内的全部连续采样值同时且并行输出给所述人工神经网络分类器6;
10)还包括一采样时钟模块11,为所述先入先出存储器1提供对于所述EBPSK调制信号冲击滤波输出样本进行缓存的时间基准;
11)进一步的,根据前述仿真实验结果,本实施例中所述人工神经网络分类器6采用如图19所示的典型单层感知分类器。其输入信号为X=(x1,x2,L,xi,L xm)T,输入层与输出层突触权值为Wj=(w1j,w2j,L,wij,L wmj)T,j=1,2,L,m,则输出为O=(o1,o2,Λ,oi,Λon)T。其中第j个节点的净输入则为对应输出为它只有两种取值:“1”或“-1”,而本实施例取“1”或“0”,从而所述人工神经网络分类器6的输出串行化后,即可直接作为n-码元联合几何特征判决器的解调输出。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于EBPSK信号冲击滤波响应几何特征判决的解调器,包括一数字冲击滤波器和一几何特征判决器,所述数字冲击滤波器由一对共轭零点和至少两对共轭极点构成,其信号载频高于零点频率但低于所有极点频率,而零点频率与极点频率的靠近程度,至少要达到信号载频的10-3量级,其特征在于:所述几何特征判决器包括一用于缓存输入信号样本的先入先出存储器(1),所述先入先出存储器(1)连接一第一数据切换模块(2),所述数据切换模块(2)连接有第一缓存器(3)和第二缓存器(4);所述第一缓存器(3)和第二缓存器(4)均通过一第二数据切换模块(5)连接到一人工神经网络分类器(6);所述人工神经网络分类器(6)连接一具有连续串行输出功能的并-串转换器(7)。
2.根据权利要求1所述的基于EBPSK信号冲击滤波响应几何特征判决的解调器,其特征在于:所述几何特征判决器还包括一用于提供时间基准的采样时钟模块(11),所述采样时钟模块(11)连接所述先入先出存储器(1)。
3.根据权利要求1或2所述的基于EBPSK信号冲击滤波响应几何特征判决的解调器,其特征在于:所述几何特征判决器还包括一乒乓控制器(10),所述乒乓控制器(10)连接到所述第一数据切换模块(2),所述乒乓控制器(10)还同时连接到所述第二数据切换模块(5)。
4.根据权利要求3所述的基于EBPSK信号冲击滤波响应几何特征判决的解调器,其特征在于:所述几何特征判决器还包括一位同步脉冲模块(8),所述位同步脉冲模块(8)连接所述并-串转换器(7)。
5.根据权利要求4所述的基于EBPSK信号冲击滤波响应几何特征判决的解调器,其特征在于:所述几何特征判决器还包括一n码元同步时钟模块(9),所述n码元同步时钟模块(9)连接所述位同步脉冲模块(8),同时连接到所述人工神经网络分类器(6)和所述乒乓控制器(10),所述n≥1。
6.根据权利要求4所述的基于EBPSK信号冲击滤波响应几何特征判决的解调器,其特征在于:所述人工神经网络分类器(6)为感知分类器、BP分类器、RBF分类器、PNN分类器、RBF映射器或FL人工神经网络映射器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110192338.8A CN102882823B (zh) | 2011-07-11 | 2011-07-11 | 基于ebpsk信号冲击滤波响应几何特征判决的解调器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110192338.8A CN102882823B (zh) | 2011-07-11 | 2011-07-11 | 基于ebpsk信号冲击滤波响应几何特征判决的解调器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102882823A CN102882823A (zh) | 2013-01-16 |
CN102882823B true CN102882823B (zh) | 2014-10-22 |
Family
ID=47483973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110192338.8A Active CN102882823B (zh) | 2011-07-11 | 2011-07-11 | 基于ebpsk信号冲击滤波响应几何特征判决的解调器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102882823B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107147600B (zh) * | 2017-04-28 | 2020-11-17 | 电子科技大学 | 一种基于神经网络的数字调制信号解调器及其解调方法 |
US10735231B2 (en) * | 2018-12-19 | 2020-08-04 | International Business Machines Corporation | Demodulating modulated signals with artificial neural networks |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6148041A (en) * | 1994-01-11 | 2000-11-14 | Ericsson Inc. | Joint demodulation using spatial maximum likelihood |
CN101094209A (zh) * | 2007-07-17 | 2007-12-26 | 东南大学 | 统一的正交二元偏移键控调制和解调方法 |
CN101316252A (zh) * | 2008-07-08 | 2008-12-03 | 东南大学 | 一种用于统一二元调制信号的解调方法 |
-
2011
- 2011-07-11 CN CN201110192338.8A patent/CN102882823B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6148041A (en) * | 1994-01-11 | 2000-11-14 | Ericsson Inc. | Joint demodulation using spatial maximum likelihood |
CN101094209A (zh) * | 2007-07-17 | 2007-12-26 | 东南大学 | 统一的正交二元偏移键控调制和解调方法 |
CN101316252A (zh) * | 2008-07-08 | 2008-12-03 | 东南大学 | 一种用于统一二元调制信号的解调方法 |
Non-Patent Citations (4)
Title |
---|
Lenan Wu等.Optimum Design of Digital Filters for EBPSK.《IEEE》.2010,第2卷54-57. |
Optimum Design of Digital Filters for EBPSK;Lenan Wu等;《IEEE》;20101231;第2卷;54-57 * |
混合蛙跳算法优化的支持向量机EBPSK检测器;靳一;《东南大学学报(自然科学版)》;20110531;第41卷(第3期);509-512 * |
靳一.混合蛙跳算法优化的支持向量机EBPSK检测器.《东南大学学报(自然科学版)》.2011,第41卷(第3期),509-512. |
Also Published As
Publication number | Publication date |
---|---|
CN102882823A (zh) | 2013-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104811276B (zh) | 一种超奈奎斯特速率通信的dl‑cnn解调器 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
Jiang et al. | Deep learning aided signal detection for SPAD-based underwater optical wireless communications | |
CN110166391A (zh) | 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 | |
CN114978832A (zh) | 具有信道自适应性的雷达通信一体化调制信号产生方法 | |
CN105656826A (zh) | 基于顺序统计量和机器学习的调制识别方法及系统 | |
CN107276696A (zh) | 一种低信噪比条件下信号检测算法 | |
CN101605112A (zh) | 一种超宽带混沌通信方法 | |
CN102882823B (zh) | 基于ebpsk信号冲击滤波响应几何特征判决的解调器 | |
CN101588191B (zh) | 无线电信号认知方法及设备 | |
CN114626229A (zh) | 智能反射面辅助的无线通信与能量收集系统性能分析方法 | |
CN106452652A (zh) | 一种基于混沌无线通信系统的多径干扰抑制方法 | |
CN102035769B (zh) | 基于复数离散全反馈神经网络的相移键控信号盲检测方法 | |
CN102082619B (zh) | 基于二重可信评估的传输自适应方法 | |
Yin et al. | Echo state network based symbol detection in chaotic baseband wireless communication | |
He et al. | Design and implementation of adaptive filtering algorithm for vlc based on convolutional neural network | |
CN102868654B (zh) | 一种认知网络中数字调制信号的分类方法 | |
CN102868653B (zh) | 一种基于双谱和稀疏矩阵的数字调制信号分类方法 | |
CN101292485B (zh) | 适用于edge系统的自适应8psk解调的方法 | |
CN103973617B (zh) | 多果蝇群协同优化小波常模盲均衡方法 | |
CN113128394A (zh) | 一种超宽带信道分类方法及系统 | |
Chen et al. | Deep learning based single-channel blind separation of co-frequency modulated signals | |
CN101442384B (zh) | 无线传感网短波FTSK通信中Baker码辅助捕获方法 | |
Kumar et al. | Hardware implementation of automatic modulation classification with deep learning | |
CN101651500B (zh) | 改进的t/2分数间隔坐标变换盲均衡方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent for invention or patent application | ||
CB02 | Change of applicant information |
Address after: Linquan street Suzhou City Industrial Park, 215123 No. 399 in Jiangsu Province Applicant after: Suzhou Dongqi Information Technology Co., Ltd. Address before: 215000 D322 building, second teaching building, No. 150 AI en Road, Suzhou Industrial Park, Jiangsu, China Applicant before: Suzhou Easternwonder Information Technology Co., Ltd. |
|
COR | Change of bibliographic data |
Free format text: CORRECT: APPLICANT; FROM: SUZHOU DONGQI INFORMATION TECHNOLOGY CO., LTD. TO: SUZHOU EASTERNWONDER INFORMATION TECHNOLOGY CO., LTD. |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |