CN107147600A - 一种基于神经网络的数字调制信号解调器及其解调方法 - Google Patents

一种基于神经网络的数字调制信号解调器及其解调方法 Download PDF

Info

Publication number
CN107147600A
CN107147600A CN201710294464.1A CN201710294464A CN107147600A CN 107147600 A CN107147600 A CN 107147600A CN 201710294464 A CN201710294464 A CN 201710294464A CN 107147600 A CN107147600 A CN 107147600A
Authority
CN
China
Prior art keywords
signal
neutral net
modulated signal
adc
neural network
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.)
Granted
Application number
CN201710294464.1A
Other languages
English (en)
Other versions
CN107147600B (zh
Inventor
刘洋
刘晏辰
张才志
王俊杰
钱堃
于奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710294464.1A priority Critical patent/CN107147600B/zh
Publication of CN107147600A publication Critical patent/CN107147600A/zh
Application granted granted Critical
Publication of CN107147600B publication Critical patent/CN107147600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明属于集成电路和通信领域，具体为一种基于神经网络的数字调制信号解调器及其解调方法。本发明利用神经网络模块对ADC转换过的调制信号进行学习，得到可以解调该调制信号时的网络权重值，以实现之后遇到相同调制方式信号的识别和解调。本发明在不改变神经网络的软件配置的情况下，同时解调n种调制信号；并且通过利用神经网络的学习能力，可以学习新的调制信号及其调制方式，实现解调。

Description

一种基于神经网络的数字调制信号解调器及其解调方法
技术领域
本发明属于集成电路和通信领域，具体为一种基于神经网络的数字调制信号解调器及其解调方法，适用于各种调制方式。
背景技术
模拟通信和数字通信广泛应用于通信业务中，但数字通信已成为当代通信系统的主流。与模拟通信相比，数字通信具有抗干扰能力强、可靠性高、保密性强、便于存储和处理、设备易于集成、体积小、功耗低等优点。
调制的目的是把要传输的模拟信号或数字信号变成适合信道传输的信号，要传输的模拟信号称为调制信号。在通信系统的发送端，把基带信号的频谱搬移到具体给定信道通带内的过程称为调制。在接收端，把已搬移到给定信道通带内的频谱还原为基带频谱，从而将信号还原为原始基带信号的过程称为解调。使用数字基带信号对载波进行调制称为数字调制。数字调制相应有数字调幅、数字调频、数字调相三种方式。由于数字基带信号取值是离散的，因而调制后的载波参数取值也是离散的。数字调制的过程就像用数字基带信号去控制选通门的状态一样，从几个具有不同参数的独立震荡源中选择参数，所以又把数字调制称为“键控”，相应有振幅键控(ASK)、频移键控(FSK)和相移键控(PSK)三种基本方式。
随着数字通信技术的发展，产生了多进制数字调制，多进制振幅键控(MASK)、多进制频移键控(MFSK)和多进制相移键控(MPSK)。之后，人们为了改善频谱利用率低、抗多径抗衰落能力差、功率谱衰减慢以及带外辐射严重等问题，新的数字调制技术被提出，例如正交振幅调制(QAM)和正交频分复用调制(OFDM)。
目前数字调制信号解调是通过模数转换器(ADC)和数字信号处理(DSP)来实现的，由于每种调制信号使用的技术不同，在DSP中要实现包括下变频混频、带通滤波、同相和正交(I、Q)解调、位同步提取、信道译码、信源译码等。因此，每种不同的调制信号需要设计不同的DSP软件来实现解调。
神经网络是一项以生物大脑的结构和功能为基础，以网络节点模仿大脑的神经细胞，以网络连接权模仿大脑的激励电平的技术，能有效的处理问题的非线性、模糊性和不确定关系。在传统的计算机中，我们告诉计算机要做什么，将大问题分解成许多小的，精确定义的任务，计算机可以很容易的执行。相比之下，在神经网络中，我们不告诉计算机如何解决我们的问题。相反，它从观察数据中学习，找出自己解决问题的方案。神经网络相应的有全连接神经网络也叫前馈神经网络(FNN)，例图见图2。除此之外还有卷积神经网络(CNN)，和循环神经网络(RNN)，CNN也是一种前馈神经网络，CNN例图见图3，RNN例图见图4。RNN引入了定向循环，可以处理那些输入之间前后关联的问题。普通的RNN对于时序长短依赖具有不确定性，而长短时记忆模型(LSTM)可以很好的解决这个问题，LSTM例图见图5。
美国专利(US 2016/0248610A1和US 2015/0249554A1)提出了将人工神经网络用于解调器来解决I/Q信号失调和信号间干扰(ISI)。该专利是在传统的解调基础上加入了神经网络，使用神经网络来补偿I/Q失调，消除ISI干扰，实现恢复原始调制信号，最终实现提高传统解调的性能。
发明内容
针对上述存在问题或不足，本发明提供了一种基于神经网络的数字调制信号解调器及其解调方法，利用神经网络对ADC转换过的调制信号进行学习，记录下可以解调该信号时的网络权重值，之后遇到相同调制方式的信号即可实现信号的识别并解调。
该基于神经网络的数字调制信号解调器，包括ADC和神经网络识别模块。
所述ADC用于将输入的调制信号转换成数字信号，将其输入至神经网络识别模块；
所述神经网络识别模块用于对ADC输入的调制信号进行学习并识别出调制方式和解调出数字基带信号并输出。
进一步的，所述神经网络识别模块由FNN、CNN、RNN或LSTM这四种神经网络构成。RNN和LSTM由于有时序记忆功能，可以直接构成神经网络识别模块。FNN和CNN由于不具有时序记忆功能，需要配合二选一多路选择器和寄存器来实现时序记忆功能，从而构成神经网络识别模块。
上述数字调制信号解调器的解调方法，分为学习过程和解调过程。学习过程是为得到可以解调数字调制信号时的网络权重值；解调过程是利用学习过程中得到网络权重值对ADC转换过的调制信号进行识别并解调出数字基带信号。
学习过程具体如下：
步骤1、输入调制信号；通过ADC将调制信号转换为数字信号；
步骤2、神经网络识别模块对ADC转换过的数字信号进行学习，再根据学习结果来修改网络权重值；
步骤3、使用未被学习的信号作为测试集，对比测试结果的准确率能否≥预期误码率；
步骤4、如果准确率≥预期误码率，则记录下网络权重值，学习过程结束；如果准确率低于预期误码率，则重复步骤1-3，直到准确率≥预期误码率。
解调过程具体如下：
步骤1、输入调制信号(信号的调制方式在学习过程中已学习过)；通过ADC将调制信号转换为数字信号；
步骤2、根据学习过程中得到的神经网络的权重值，通过神经网络识别模块识别出ADC转换过的调制信号并解调出数字基带信号。
该解调方法可解调n种调制信号，n≥1，学习的过程需要同时输入n种调制信号进行学习。学习方法流程图见图6。
上述解调方法中的调制方式，适用于振幅键控(ASK)、频移键控(FSK)、相移键控(PSK)、二进制启闭键控(OOK)、多进制振幅键控(MASK)、最小频移键控(MSK)、多进制频移键控(MFSK)、高斯最小频移键控(GMSK)、多进制相移键控(MPSK)、正交相移键控(QPSK)、偏移四相相移键控(OQPSK)、正交振幅调制(QAM)、多进制正交振幅调制(MQAM)、时分多址(TDMA)、频分多址(FDMA)、码分多址(CMDA)和/或正交频分复用技术(OFDM)。
本发明利用神经网络直接解调调制信号，而不是在传统解调基础上加上神经网络来提高解调性能。最终本发明在不改变神经网络的软件配置的情况下，同时解调n种调制信号；并可以学习新的调制信号及其调制方式，实现解调。
综上所述，本发明在不改变神经网络的软件配置的情况下，同时解调n种调制信号；并可以学习新的调制信号及其调制方式，实现解调。
附图说明
图1是本发明数字调制信号解调器结构示意框图；
图2是FNN神经网络的拓扑结构示意图；
图3是CNN神经网络的拓扑结构示意图；
图4是RNN神经网络的拓扑结构示意图；
图5是LSTM神经网络的拓扑结构示意图；
图6是本发明解调信号的流程示意图；
图7是实施例1的解调器结构示意图；
图8是实施例1的解调器解调90％ASK调制信号的仿真图；
图9是实施例1的解调器解调FSK调制信号的仿真图；
图10是实施例2的解调器结构示意图；
图11是实施例3的解调器结构示意图；
图12是实施例4的解调器结构示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明。
本发明所述的解调数字调制信号的方法，是利用神经网络识别模块对ADC转换过的调制信号进行学习，记录下可以解调该信号时的网络权重值，之后输入相同调制方式的信号即同类的调制信号，实现调制信号的识别并解调出数字基带信号。
实施例1
图7是本实施例提出的基于单一LSTM(或RNN)神经网络的数字调制信号解调器结构图，其包括一个ADC和一个由LSTM(或RNN)神经网络组成的识别解调模块。调制信号经ADC转换为数字信号后传入由LSTM(或RNN)神经网络组成的识别解调模块，LSTM(或RNN)神经网络对输入的调制信号进行学习后得到网络权重值。在该网络权重值下，输入相同调制方式的信号可以实现信号的识别并解调出数字基带信号。
图8是本实施例解调器解调90％ASK调制信号的仿真图。
图9是本实施例解调器解调FSK调制信号的仿真图。
本实施例不仅仅局限于解调ASK、FSK、PSK信号，也可用于解调其他调制信号例如OOK、MASK、MSK、MFSK、GMSK、MPSK、MPSK、QPSK、OQPSK、QAM、MQAM、TDMA、FDMA、CDMA、OFDM等。
实施例2
图10是本实施例提出的基于单一CNN(或FNN)神经网络的数字调制信号解调器结构图，其包括一个ADC，一个二选一多路选择器，第一寄存器，第二寄存器和一个CNN(或FNN)神经网络。当调制信号开始输入，二选一多路选择器使能第一寄存器，ADC转换过的调制信号存入第一寄存器，当第一寄存器存满后，二选一多路选择器使能第二寄存器，ADC转换过的调制信号存入第二寄存器，同时第一寄存器存储的信号并行传入CNN(或FNN)神经网络。当第二寄存器存满后，二选一多路选择器使能第一寄存器，ADC转换的调制信号存入第一寄存器，同时第二寄存器存储的信号并行传入CNN(或FNN)神经网络。第一寄存器和第二寄存器交替工作，把ADC转换过的调制信号不间断的传入CNN(或FNN)神经网络。CNN(或FNN)神经网络对传入的调制信号进行学习后得到网络权重值。在该网络权重值下，输入相同调制方式的信号可以实现信号的识别并解调出数字基带信号。
本实施例不仅仅局限于解调ASK、FSK、PSK信号，也可用于解调其他调制信号例如OOK、MASK、MSK、MFSK、GMSK、MPSK、MPSK、QPSK、OQPSK、QAM、MQAM、TDMA、FDMA、CDMA、OFDM等。
实施例3
图11是本实施例提出的基于n个LSTM(或RNN)神经网络的数字调制信号解调器结构图(下文以解调ASK、FSK、PSK三种信号为例，因此以四个LSTM(或RNN)为例来说明如何具体实施)，其包括一个ADC，第一LSTM(或RNN)神经网络，第二LSTM(或RNN)神经网络，第三LSTM(或RNN)神经网络和第四LSTM(或RNN)神经网络。调制信号经ADC转换成数字信号传入第一LSTM(或RNN)神经网络，第一LSTM(或RNN)神经网络对传入的调制信号学习后得到网络权重值。在该网络权重值下，再输入相同调制方式的信号，第一LSTM(或RNN)神经网络可以识别信号的调制方式并传给第二LSTM(或RNN)神经网络或第三LSTM(或RNN)神经网络或第四LSTM(或RNN)神经网络。当调制信号是ASK调制信号时，信号传给第二LSTM(或RNN)神经网络，第二LSTM(或RNN)神经网络对ASK调制信号进行学习后得到网络权重值，在该网络权重值下，再输入ASK调制信号第二LSTM(或RNN)神经网络可以解调出基带信号。当调制信号是FSK调制信号时，信号传给第三LSTM(或RNN)神经网络，第三LSTM(或RNN)神经网络对FSK调制信号进行学习后得到网络权重值，在该网络权重值下，再输入FSK调制信号第三LSTM(或RNN)神经网络可以解调出基带信号。当调制信号是PSK调制信号时，信号传给第四LSTM(或RNN)神经网络，第四LSTM(或RNN)神经网络对PSK调制信号进行学习后得到网络权重值，在该网络权重值下，再输入PSK调制信号第四LSTM(或RNN)神经网络可以解调出基带信号。
本实施例可以解调ASK、FSK、PSK三种调制信号，因此神经网络识别模块由四个LSTM(或RNN)神经网络组成，一个LSTM(或RNN)神经网络用于识别信号调制方式，其他三个LSTM(或RNN)神经网络用于解调出数字基带信号。
本实施例不仅仅局限于解调ASK、FSK、PSK信号，也可用于解调其他调制信号例如OOK、MASK、MSK、MFSK、GMSK、MPSK、MPSK、QPSK、OQPSK、QAM、MQAM、TDMA、FDMA、CDMA、OFDM等。具体实施时LSTM(或RNN)神经网络的数量n由需要解调的调制信号数量确定。
实施例4
图12是本实施例提出的基于n个CNN(或FNN)神经网络的数字调制信号解调器结构图(下文以解调ASK、FSK、PSK三种信号为例，因此以四个CNN(或FNN)为例来说明如何具体实施)，其中包括一个ADC，一个二选一多路选择器，第一寄存器，第二寄存器，第一CNN(或FNN)神经网络，第二CNN(或FNN)神经网络，第三CNN(或FNN)神经网络和第四CNN(或FNN)神经网络。当调制信号开始输入，二选一多路选择器使能第一寄存器，ADC转换过的调制信号存入第一寄存器，当第一寄存器存满后，二选一多路选择器使能第二寄存器，ADC转换过的调制信号存入第二寄存器，同时第一寄存器存储的信号并行传入第一CNN(或FNN)神经网络。当第二寄存器存满后，二选一多路选择器使能第一寄存器，ADC转换的调制信号存入第一寄存器，同时第二寄存器存储的信号并行传入第一CNN(或FNN)神经网络。第一寄存器和第二寄存器交替工作，把ADC转换过的调制信号不间断的传入第一CNN(或FNN)神经网络。第一CNN(或FNN)神经网络对传入的调制信号学习后得到网络权重值，在该网络权重值下，再输入相同调制方式的信号，第一CNN(或FNN)神经网络可以识别信号的调制方式并传给第二CNN(或FNN)神经网络或第三CNN(或FNN)神经网络或第四CNN(或FNN)神经网络。当调制信号是ASK调制信号时，信号传给第二CNN(或FNN)神经网络，第二CNN(或FNN)神经网络对ASK调制信号进行学习后得到网络权重值，在该网络权重值下，再输入ASK调制信号第二CNN(或FNN)神经网络可以解调出基带信号。当调制信号是FSK调制信号时，信号传给第三CNN(或FNN)神经网络，第三CNN(或FNN)神经网络对FSK调制信号进行学习后得到网络权重值，在该网络权重值下，再输入FSK调制信号第三CNN(或FNN)神经网络可以解调出基带信号。当调制信号是PSK调制信号时，信号传给第四CNN(或FNN)神经网络，第四CNN(或FNN)神经网络对PSK调制信号进行学习后得到网络权重值，在该网络权重值下，再输入PSK调制信号第四CNN(或FNN)神经网络可以解调出基带信号。
本实施例可以解调ASK、FSK、PSK三种调制信号，因此神经网络识别模块由四个CNN(或FNN)神经网络组成，一个CNN(或FNN)神经网络用于识别信号调制方式，其他三个CNN(或FNN)神经网络用于解调出数字基带信号。
本实施例不仅仅局限于解调ASK、FSK、PSK信号，也可用于解调其他调制信号例如OOK、MASK、MSK、MFSK、GMSK、MPSK、MPSK、QPSK、OQPSK、QAM、MQAM、TDMA、FDMA、CDMA、OFDM等。具体实施时CNN(或FNN)神经网络的数量n由需要解调的调制信号数量确定。

Claims (6)

1.一种基于神经网络的数字调制信号解调器及其解调方法，包括ADC和神经网络识别模块，其特征在于：
所述ADC用于将输入的调制信号转换成数字信号，将其输入至神经网络识别模块；
所述神经网络识别模块用于对ADC输入的调制信号进行学习并识别出调制方式和解调出数字基带信号并输出。
2.如权利要求1所述基于神经网络的数字调制信号解调器及其解调方法，其特征在于：所述神经网络识别模块由FNN、CNN、RNN或LSTM这四种神经网络构成。
3.如权利要求1所述基于神经网络的数字调制信号解调器及其解调方法，其特征在于：所述RNN和LSTM神经网络直接构成神经网络识别模块；FNN与CNN神经网络配合二选一多路选择器和寄存器来实现时序记忆功能，从而构成神经网络识别模块。
4.如权利要求1所述基于神经网络的数字调制信号解调器的解调方法，包括以下步骤：
步骤1、输入调制信号；通过ADC将调制信号转换为数字信号；
步骤2、神经网络识别模块对ADC转换过的数字信号进行学习，再根据学习结果来修改网络权重值；
步骤3、使用未被学习的信号作为测试集，对比测试结果的准确率能否≥预期误码率；
步骤4、如果准确率≥预期误码率，则记录下网络权重值，学习过程结束；如果准确率低于预期误码率，则重复步骤1-3，直到准确率≥预期误码率；
步骤5、输入调制方式在步骤2中已学习过的调制信号；通过ADC将调制信号转换为数字信号；
步骤6、根据步骤2中得到的神经网络的权重值，通过神经网络识别模块识别出ADC转换过的调制信号并解调出数字基带信号。
5.如权利要求1所述基于神经网络的数字调制信号解调器的解调方法，其特征在于：所述调制信号为n种，n≥1，步骤2的学习过程需要同时输入n种调制信号进行学习并解调。
6.如权利要求1所述基于神经网络的数字调制信号解调器的解调方法，其特征在于：
所述调制方式，为振幅键控ASK、频移键控FSK、相移键控PSK、二进制启闭键控OOK、多进制振幅键控MASK、最小频移键控MSK、多进制频移键控MFSK、高斯最小频移键控GMSK、多进制相移键控MPSK、正交相移键控QPSK、偏移四相相移键控OQPSK、正交振幅调制QAM、多进制正交振幅调制MQAM、时分多址TDMA、频分多址FDMA、码分多址CMDA和/或正交频分复用技术OFDM。
CN201710294464.1A 2017-04-28 2017-04-28 一种基于神经网络的数字调制信号解调器及其解调方法 Active CN107147600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710294464.1A CN107147600B (zh) 2017-04-28 2017-04-28 一种基于神经网络的数字调制信号解调器及其解调方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710294464.1A CN107147600B (zh) 2017-04-28 2017-04-28 一种基于神经网络的数字调制信号解调器及其解调方法

Publications (2)

Publication Number Publication Date
CN107147600A true CN107147600A (zh) 2017-09-08
CN107147600B CN107147600B (zh) 2020-11-17

Family

ID=59774036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710294464.1A Active CN107147600B (zh) 2017-04-28 2017-04-28 一种基于神经网络的数字调制信号解调器及其解调方法

Country Status (1)

Country Link
CN (1) CN107147600B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107994973A (zh) * 2017-12-04 2018-05-04 电子科技大学 一种自适应调制与编码方法
CN108596027A (zh) * 2018-03-18 2018-09-28 西安电子科技大学 基于监督学习分类模型的未知类别信号的检测方法
CN109657604A (zh) * 2018-12-17 2019-04-19 中国人民解放军战略支援部队信息工程大学 基于循环神经网络的卫星幅相信号识别解调方法及装置
CN109831400A (zh) * 2019-03-06 2019-05-31 深兰科技（上海）有限公司 一种正交频分复用ofdm信号接收的方法及设备
CN110166391A (zh) * 2019-06-13 2019-08-23 电子科技大学 脉冲噪声下基于深度学习的基带预编码msk信号解调方法
CN110224956A (zh) * 2019-05-06 2019-09-10 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN111464469A (zh) * 2020-03-12 2020-07-28 南京航空航天大学 基于神经网络的混合数字调制方式识别方法
CN111600667A (zh) * 2020-05-25 2020-08-28 电子科技大学 一种基于cnn-lstm的频谱感知方法
CN111669344A (zh) * 2020-06-01 2020-09-15 西北工业大学 一种基于深度学习的时变ofdm系统信号检测方法
CN111884967A (zh) * 2020-07-29 2020-11-03 黑龙江大学 基于时频分析和卷积神经网络的qpsk信号解调方法
CN113169943A (zh) * 2018-12-19 2021-07-23 国际商业机器公司 用人工神经网络对调制信号进行解调
CN113395225A (zh) * 2021-06-10 2021-09-14 中国人民解放军战略支援部队信息工程大学 通信信号波形到比特直接接收的通用智能处理方法及装置
CN113472713A (zh) * 2021-08-04 2021-10-01 上海无线电设备研究所 一种基于神经网络的高阶调制信号解调方法和接收机
CN113792852A (zh) * 2021-09-09 2021-12-14 湖南艾科诺维科技有限公司 基于并行神经网络的信号调制方式识别系统及识别方法
CN114624692A (zh) * 2022-05-17 2022-06-14 成都市安比科技有限公司 一种基于相位差的无线测距方法
RU2786159C1 (ru) * 2022-07-18 2022-12-19 Федеральное государственное бюджетное образовательное учреждение высшего образования "Майкопский государственный технологический университет" Цифровой демодулятор сигналов с амплитудно-фазовой манипуляцией

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282139A (zh) * 2008-03-11 2008-10-08 电子科技大学 一种用于非合作低信噪比直接序列扩频信号的实时伪码周期同步技术
CN101917369A (zh) * 2010-07-30 2010-12-15 中国人民解放军信息工程大学 一种通信信号调制方式的识别方法
CN102497343A (zh) * 2011-11-25 2012-06-13 南京邮电大学 一种基于聚类和支持向量机的联合调制识别方法
CN102739591A (zh) * 2012-06-29 2012-10-17 东南大学 一种多元位置3值mcp-ebpsk调制和解调方法
CN102882823A (zh) * 2011-07-11 2013-01-16 苏州东奇信息科技有限公司 基于ebpsk信号冲击滤波响应几何特征判决的解调器
US20150249554A1 (en) * 2013-06-21 2015-09-03 Dhadesugoor Vaman Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282139A (zh) * 2008-03-11 2008-10-08 电子科技大学 一种用于非合作低信噪比直接序列扩频信号的实时伪码周期同步技术
CN101917369A (zh) * 2010-07-30 2010-12-15 中国人民解放军信息工程大学 一种通信信号调制方式的识别方法
CN102882823A (zh) * 2011-07-11 2013-01-16 苏州东奇信息科技有限公司 基于ebpsk信号冲击滤波响应几何特征判决的解调器
CN102497343A (zh) * 2011-11-25 2012-06-13 南京邮电大学 一种基于聚类和支持向量机的联合调制识别方法
CN102739591A (zh) * 2012-06-29 2012-10-17 东南大学 一种多元位置3值mcp-ebpsk调制和解调方法
US20150249554A1 (en) * 2013-06-21 2015-09-03 Dhadesugoor Vaman Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels
US20160248610A1 (en) * 2013-06-21 2016-08-25 Dhadesugoor Vaman Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
骆骋: "自组织神经网络实现无线数字信号识别", 《无线通信技术》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107994973B (zh) * 2017-12-04 2020-02-21 电子科技大学 一种自适应调制与编码方法
CN107994973A (zh) * 2017-12-04 2018-05-04 电子科技大学 一种自适应调制与编码方法
CN108596027A (zh) * 2018-03-18 2018-09-28 西安电子科技大学 基于监督学习分类模型的未知类别信号的检测方法
CN109657604A (zh) * 2018-12-17 2019-04-19 中国人民解放军战略支援部队信息工程大学 基于循环神经网络的卫星幅相信号识别解调方法及装置
CN113169943B (zh) * 2018-12-19 2023-08-15 国际商业机器公司 解调方法、解调器、以及调制系统
CN113169943A (zh) * 2018-12-19 2021-07-23 国际商业机器公司 用人工神经网络对调制信号进行解调
CN109831400A (zh) * 2019-03-06 2019-05-31 深兰科技（上海）有限公司 一种正交频分复用ofdm信号接收的方法及设备
CN110224956A (zh) * 2019-05-06 2019-09-10 安徽继远软件有限公司 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法
CN110166391A (zh) * 2019-06-13 2019-08-23 电子科技大学 脉冲噪声下基于深度学习的基带预编码msk信号解调方法
CN111464469A (zh) * 2020-03-12 2020-07-28 南京航空航天大学 基于神经网络的混合数字调制方式识别方法
CN111600667A (zh) * 2020-05-25 2020-08-28 电子科技大学 一种基于cnn-lstm的频谱感知方法
CN111669344A (zh) * 2020-06-01 2020-09-15 西北工业大学 一种基于深度学习的时变ofdm系统信号检测方法
CN111884967A (zh) * 2020-07-29 2020-11-03 黑龙江大学 基于时频分析和卷积神经网络的qpsk信号解调方法
CN113395225B (zh) * 2021-06-10 2023-01-31 中国人民解放军战略支援部队信息工程大学 通信信号波形到比特直接接收的通用智能处理方法及装置
CN113395225A (zh) * 2021-06-10 2021-09-14 中国人民解放军战略支援部队信息工程大学 通信信号波形到比特直接接收的通用智能处理方法及装置
CN113472713A (zh) * 2021-08-04 2021-10-01 上海无线电设备研究所 一种基于神经网络的高阶调制信号解调方法和接收机
CN113792852A (zh) * 2021-09-09 2021-12-14 湖南艾科诺维科技有限公司 基于并行神经网络的信号调制方式识别系统及识别方法
CN113792852B (zh) * 2021-09-09 2024-03-19 湖南艾科诺维科技有限公司 基于并行神经网络的信号调制方式识别系统及识别方法
CN114624692A (zh) * 2022-05-17 2022-06-14 成都市安比科技有限公司 一种基于相位差的无线测距方法
CN114624692B (zh) * 2022-05-17 2022-07-19 成都市安比科技有限公司 一种基于相位差的无线测距方法
RU2786159C1 (ru) * 2022-07-18 2022-12-19 Федеральное государственное бюджетное образовательное учреждение высшего образования "Майкопский государственный технологический университет" Цифровой демодулятор сигналов с амплитудно-фазовой манипуляцией
RU2790140C1 (ru) * 2022-10-13 2023-02-14 федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский университет "МЭИ" (ФГБОУ ВО "НИУ "МЭИ") Цифровой демодулятор сигналов с двухуровневой амплитудно-фазовой манипуляцией и относительной оценкой амплитуды символа

Also Published As

Publication number Publication date
CN107147600B (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN107147600A (zh) 一种基于神经网络的数字调制信号解调器及其解调方法
CN109672639B (zh) 一种基于机器学习的信号解调方法
CA2054906A1 (en) Multi-frequency differentially encoded digital communication for high data rate transmission through unequalized channels
CN107147603B (zh) 基于多神经网络的dbpsk解调方法
CN101010922A (zh) 计算用于移动通信系统的接收机中的解码的对数似然比的方法和装置
Wang et al. A convolutional neural network-based RF fingerprinting identification scheme for mobile phones
CN105122756B (zh) 用于在无线通信系统中发送/接收信号的方法和装置
Bohra et al. Bit error rate analysis in simulation of digital communication systems with different modulation schemes
Kurniansyah et al. Automatic modulation detection using non-linear transformation data extraction and neural network classification
Li Simulink-based simulation of quadrature amplitude modulation (QAM) system
CN112003805A (zh) 联合时频索引调制多模差分混沌移位键控调制解调方法
CN100518165C (zh) 一种适于实现的多电平正交幅度调制硬判决方法
US6373903B1 (en) Apparatus and method for increasing the effective data rate in communication systems utilizing phase modulation
US20120177141A1 (en) Transmission device, reception device, transmission method and reception method for wireless communication system
CN108123724A (zh) 一种基于短波窄带波形的通信系统
Chy et al. Comparative performance of BER in the simulation of digital communication systems using raised cosine filter
Marriwala et al. Design of a hybrid reconfigurable Software Defined Radio transceiver based on frequency shift keying using multiple encoding schemes
US7653144B2 (en) Gaussian FSK modulation with more than two modulation states
CN101997789A (zh) 一种矢量信号的发生方法及发生器
CN106888069B (zh) 一种pbch信道盲检方法
CN113472713A (zh) 一种基于神经网络的高阶调制信号解调方法和接收机
CN106534037B (zh) 一种高阶调制信号的软解调方法
CN103346857B (zh) 基于二进制数据预处理的新型bpsk信号传输方法
CN107911321A (zh) 一种分块超奈奎斯特传输方法和系统
CN111479285B (zh) 离散度确定方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant