CN109412725B - 无线电通信pcma信号盲解调方法及装置 - Google Patents

无线电通信pcma信号盲解调方法及装置 Download PDF

Info

Publication number
CN109412725B
CN109412725B CN201811196708.3A CN201811196708A CN109412725B CN 109412725 B CN109412725 B CN 109412725B CN 201811196708 A CN201811196708 A CN 201811196708A CN 109412725 B CN109412725 B CN 109412725B
Authority
CN
China
Prior art keywords
pcma
signal
demodulation
neural network
sample
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
Application number
CN201811196708.3A
Other languages
English (en)
Other versions
CN109412725A (zh
Inventor
魏驰
彭华
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.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN201811196708.3A priority Critical patent/CN109412725B/zh
Publication of CN109412725A publication Critical patent/CN109412725A/zh
Application granted granted Critical
Publication of CN109412725B publication Critical patent/CN109412725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2602—Signal structure
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2649—Demodulators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明属于卫星通信技术领域，特别涉及一种无线电通信PCMA信号盲解调方法及装置，该方法包含：针对样本库中的成对载波多址PCMA信号，联合信道参数并利用不同比特序列，构造PCMA样本信号模型；依据PCMA样本信号模型，提取包含频率信息和能量分布信息的特征数据；将特征数据作为输入，并将比特序列作为输出，对神经网络进行训练学习；对于接收到的无线电通信过程中的PCMA信号，提取其特征数据，并将该特征数据带入训练好的神经网络中进行测试，将神经网络输出作为该接收到的PCMA信号比特序列解调结果。本发明通过采用神经网络进行PCMA信号盲解调，降低运算复杂度，相比于传统遍历解调方法，性能更加稳定，运行更高效，具有较强的实际应用价值。

Description

无线电通信PCMA信号盲解调方法及装置
技术领域
本发明属于卫星通信技术领域，特别涉及一种无线电通信PCMA信号盲解调方法及装置。
背景技术
成对载波多址(Paired Carrier Multiple Access,PCMA)是一种高效的卫星通信多址技术，收发双方通过上行链路发送信号，下行链路接收到两路时频混叠的同频混合信号，由于通信双方都各自保留了自己的发送信息，可以利用干扰抵消的方式提取出对方的信息，在提高频带利用率的同时提高了通讯的安全性。因此，PCMA通信技术在卫星通讯中的应用越来越广，第三方对于PCMA信号通常采用单通道的接收方式。
在传统的单通道同频数字混合信号的盲解调方法中，主要有粒子滤波法和逐幸存路径处理(PSP，per-survivor processing)方法。针对长约束码的情况，借助SOVA(softoutput viterbi algorithm)的思想使PSP方法输出符号的软信息，在信道后端采用SISO的迭代译码，取得了更好的解调性能。传统盲解调方法的技术思路都是采用遍历符号序列的思想，使得计算过程的复杂程度较高，收敛速度慢；而且传统方法受解调参数影响较为敏感，解调性能不稳定，仍需要很大的提升空间。
发明内容
针对现有技术中的不足，本发明提供一种无线电通信PCMA信号盲解调方法及装置，不仅能弥补传统信号盲解调方法性能上的不足，而且信息序列的分离速度也相当的快，性能稳定、可靠，适用性强。
按照本发明所提供的设计方案，一种无线电通信PCMA信号盲解调方法，包含如下内容：
针对样本库中的成对载波多址PCMA信号，联合信道参数并利用不同比特序列，构造PCMA样本信号模型；
依据PCMA样本信号模型，提取包含频率信息和能量分布信息的特征数据；
将特征数据作为输入，并将比特序列作为输出，对神经网络进行训练学习；
对于接收到的无线电通信过程中的PCMA信号，提取其特征数据，并将该特征数据带入训练好的神经网络中进行测试，将神经网络输出作为该接收到的PCMA信号比特序列解调结果。
上述的，对样本库中的PCMA信号，首先，依据符号速率、符号周期、滤波响应及过采样倍数来获取单通道接收基带等效信号离散表示形式；然后，联合信道参数和比特序列，构造等效信道响应向量；针对等效信道响应向量，以采样周期进行混合采样，获取PCMA样本信号模型。
优选的，信道参数至少包含幅度、频偏、初相和时间延时。
优选的，采样周期根据符号周期及过采样倍数来获取。
上述的，依据PCMA样本信号模型，获取不同符号周期的样本信号构造；提取各样本信号的时频谱矩阵；对时频谱矩阵进行降维处理，获取反应信号在时间段内能量随频率变化规律的一维特征矩阵；将该一维特征矩阵作为特征数据。
优选的，时频谱矩阵中，行信息为时间信息，列信息为频率信息，矩阵内每个元素为能量信息。
优选的，针对每一个样本信号，时频谱矩阵的提取在不同位置下受相邻拖尾符号影响，遍历两路不同种类相邻拖尾符号的排列组合，分别截取样本信号的时频谱矩阵，并获取其特征数据。
上述的，神经网络包含输入层、输出层和隐含层，每一层中包含多个用于训练测试的神经元节点；针对神经网络，采用梯度下降学习规律，对输出层和隐含层两者中神经元节点的权值进行调整。
一种无线电通信PCMA信号盲解调装置，包含信号构造模块、输入数据获取模块、训练学习模块和解调输出模块，其中，
信号构造模块，用于针对样本库中的成对载波多址PCMA信号，联合信道参数并利用不同比特序列，构造PCMA样本信号模型；
输入数据获取模块，用于依据PCMA样本信号模型，提取包含频率信息和能量分布信息的特征数据；
训练学习模块，用于将特征数据作为输入，并将比特序列作为输出，对神经网络进行训练学习；
解调输出模块，用于针对接收到的无线电通信过程中的PCMA信号，提取其特征数据，并将该特征数据带入训练好的神经网络中进行测试，将神经网络输出作为该接收到的PCMA信号比特序列解调结果。
上述的装置中，信号构造模块包含构造子模块一和构造子模块二，其中，
构造子模块一，用于对样本库中的PCMA信号，依据符号速率、符号周期、滤波响应及过采样倍数来获取单通道接收基带等效信号离散表示形式；
构造子模块二，用于联合信道参数和比特序列，构造等效信道响应向量；针对等效信道响应向量，以采样周期进行混合采样，获取PCMA样本信号模型。
本发明的有益效果：
本发明基于神经网络的同频混合信号单通道盲解调，由于神经网络具有多个传输层，每个传输层包含多个神经元，训练好的神经网络不仅性能稳定，而且计算能力强，将神经网络运用到同频混合信号的单通道盲解调上，不仅能弥补传统解调方法性能上的不足，而且信息序列的分离速度也相当的快；将样本信号不同符号周期内的频率信息与能量分布信息代表其训练特征值，具有较强的代表性；通过采用神经网络进行PCMA信号的盲解调，摆脱了逐符号对遍历的传统思想，降低了运算复杂度，PCMA信号盲解调的神经网络，结构固定，相比于传统遍历解调方法，性能更加稳定，运行更高效，具有较强的实际应用价值。
附图说明：
图1为实施例中盲解调方法流程示意图；
图2为实施例中BP神经网络拓扑结构示意图；
图3为实施例中BP神经元模型示意图；
图4为实施例中样本信号的第一种位置排列；
图5为实施例中样本信号的第二种位置排列；
图6为实施例中样本信号的第三种位置排列；
图7为实施例中盲解调装置示意图；
图8为实施例中信号构造模块示意图；
图9为实施例中不同信噪比下解调性能对比图；
图10为实施例中不同采样率下解调性能对比图；
图11为实施例中不同幅度比下解调性能对比图；
图12为实施例中强、弱信号解调性能对比图。
具体实施方式：
下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。
传统盲解调方法都是采用遍历符号序列的思想，使得计算过程的复杂程度较高，收敛速度慢；而且传统方法中受解调参数影响较为敏感，解调性能不稳定，仍需要很大的提升空间。为此，本申请实施例中，参见图1所示，提供一种无线电通信PCMA信号盲解调方法，包含如下内容：
针对样本库中的成对载波多址PCMA信号，联合信道参数并利用不同比特序列，构造PCMA样本信号模型；
依据PCMA样本信号模型，提取包含频率信息和能量分布信息的特征数据；
将特征数据作为输入，并将比特序列作为输出，对神经网络进行训练学习；
对于接收到的无线电通信过程中的PCMA信号，提取其特征数据，并将该特征数据带入训练好的神经网络中进行测试，将神经网络输出作为该接收到的PCMA信号比特序列解调结果。
基于神经网络的同频混合信号单通道盲解调，分为训练阶段和解调阶段，通过样本库中的信号对神经网络进行训练搭建解调网络，将接收到的信号作为训练好的解调网络输入，从而获取接收信号序列的解调结果；由于神经网络具有多个传输层，每个传输层包含多个神经元，训练好的神经网络不仅性能稳定，而且计算能力强，将神经网络运用到同频混合信号的单通道盲解调上，可靠性高，具有较强的实际应用价值。
针对样本库中的PCMA信号，本发明另一个实施例中，首先，依据符号速率、符号周期、滤波响应及过采样倍数来获取单通道接收基带等效信号离散表示形式；然后，联合信道参数和比特序列，构造等效信道响应向量；针对等效信道响应向量，以采样周期进行混合采样，获取PCMA样本信号模型。MPSK或者MQAM调制下的混合信号，若两路信号同频(几乎相同)、同符号速率，符号周期均为T，将成型滤波器和匹配滤波器的响应总和等效为信道滤波器g(·)的响应结果，信道的持续响应时间[-L1T,L2T](L1、L2为等效滤波器的非因果和因果周期),L为信道滤波器的记忆长度(L＝L1+L2+1)，l＝0,1,2.....p-1，按照P/T的采样率进行采样(P为过采样倍数)后，得到单通道接收基带等效信号的离散形式可表示如下：
Figure BDA0001828950640000051
vk为均值为0，功率谱密度为N0的加性高斯白噪声在k时刻的采样值；s(i) k+L为第i(i＝1,2)路信号在k时刻的输入符号。hi,k为幅度，Δfi,k为频偏，
Figure BDA0001828950640000052
为初相，τi,k为时间延时，由于两路信号的信道参数在实际工程应用中是随时间缓慢变化的，因此可以假设信道参数在一定时间内是恒定不变的，即hi,k＝hi,Δfi,k＝Δfi,
Figure BDA0001828950640000053
τi,k＝τi，进而对本文中的数学模型进一步简化，(1)式可以进一步简化为：
Figure BDA0001828950640000054
由于本发明实施例中需要联合信道参数和比特序列构造样本信号，因此构造L×1维等效信道响应向量:
Figure BDA0001828950640000055
定义从k时刻起，输入一段长度为G的符号序列可以表示为：
Figure BDA0001828950640000061
若接收序列为p(L+G-1)×1维向量yG,k＝[yk(0),yk(1),L,yk+L+G-2(p-1)]T，以采样周期Ts＝T/p对混合信号进行采样后，定义k时刻的输入符号向量为：
Figure BDA0001828950640000062
若定义
Figure BDA0001828950640000063
则(2)式可改写为：
yk(l)＝gT(l)sk(l)+vk(l) (6)
BP神经网络是人工神经网络中应用比较广泛的一类训练网络，按照误差逆向传播算法训练的原则，只要在隐含层和节点数足够多的情况下，它都可以逼近任意非线性关系的映射。基本的BP算法主要包括向前传输和误差反馈两个过程，在计算误差的过程中主要按照从输入到输出的路径传输，而权值和阈值的调整则是按照反方向传输的路径进行，本发明再一个实施例中神经网络模型包括输入层，输出层和隐含层，每一层都包含了多个神经元；针对神经网络，采用梯度下降学习规律，对输出层和隐含层两者中神经元节点的权值进行调整。如图2为典型的BP神经网络的拓扑结构，图3为神经元的模型。若采用的传递函数为g(x)＝1/1+exp(-x)，则输出层存在以下关系：
Figure BDA0001828950640000064
如果输入模式样本为Xp，则对应输出层第k个神经元的实际输出为ypk，若其期望输出为dpk，输出层的均方误差为
Figure BDA0001828950640000065
如果有N个样本，输出层总的均方误差为
Figure BDA0001828950640000066
由于采用梯度下降学习规律，在输入XP时，对于输出层的节点k的权值调整公式为：
Figure BDA0001828950640000067
令
Figure BDA0001828950640000068
所以输出层权值调整的公式如下：
Figure BDA0001828950640000069
同理推导过程可得隐含层权值调整公式如下：
Figure BDA0001828950640000071
在相同的信道参数下，利用不同比特序列构造出的样本信号的频率和能量分布规律也不尽相同，因此可以用样本信号的频率和能量信息来表征各信号内的比特序列。本发明另一个实施例中，依据PCMA样本信号模型，获取不同符号周期的样本信号构造；提取各样本信号的时频谱矩阵；对时频谱矩阵进行降维处理，获取反应信号在时间段内能量随频率变化规律的一维特征矩阵；将该一维特征矩阵作为特征数据。首先，可利用式(6)进行三个符号周期的样本信号的构造，然后提取各个样本信号的时频谱矩阵B(N×M)，矩阵B的行信息为时间信息，列信息为频率信息，矩阵内每个元素为能量信息，实验取频率变化的上限为128，样本段的时间长度为三个符号周期。如果直接将复杂的时频谱矩阵作为训练输入，大量的训练数据将会对BP神经网络的学习过程带来难度，为了降低训练的复杂度，对时频谱矩阵B做降维处理，将矩阵的每行元素进行求和，得到反映信号在整个时间段内能量随频率变化规律的一维矩阵D(1×128)(其中D＝[x1,x2,x3L x128])，此特征矩阵反映了样本信号频率和能量信息的变化规律，将其作为神经网络的训练输入数据，网络的训练输出为样本信号内的比特序列。当某一样本序列(三个符号长度)存在于任意随机信息序列中时，由于存在不同相邻符号拖尾的影响，包含相同比特信息的样本序列按照上述过程所提取的特征矩阵也会有所不同，即特征矩阵的不唯一性，下面主要依据样本序列在信息序列中所处位置，分类讨论各种拖尾对特征矩阵的影响，提取不同情况下的特征矩阵，如图4、5和6所示，编号1、2、3、4、5、6分别代表样本序列中的两路符号，样本序列长度为3个符号，图4为样本序列处于信息序列最左侧的情况，此时样本的特征矩阵只受右侧符号拖尾的影响，且影响主要集中于临近样本序列的符号序列；图5为样本序列在信息序列最右侧的情况，其特征矩阵主要受左侧临近符号序列的拖尾影响；图6为样本序列在信息序列的中间，此时特征矩阵受左右两侧临近符号序列的拖尾影响。将拖尾设为1个符号，本发明另一个实施例中，针对每一个样本序列，其特征矩阵的提取可以分为在三种不同位置下受相邻一个拖尾符号的影响，遍历两路不同种类相邻拖尾符号的排列组合，分别截取样本序列的时频谱矩阵B(B＝[B1,B2…Bn])，并提取其特征矩阵D＝[D1,D2…Dn]作为神经网络的训练输入，训练输出为该样本序列对应的两路比特序列。接收端通过对接收信号做时频谱图，按窗长为三个符号周期分段处理，提取其时频谱矩阵B(B＝[B1,B2…BM]),将相应的时频谱矩阵转换为特征矩阵D＝[D1,D2…DM]，作为待分离接收信号的输入数据，训练好的网络分段处理完成信息序列的解调。
基于上述的盲解调方法，本发明实施例还提供一种无线电通信PCMA信号盲解调装置，参见图7所示，包含信号构造模块101、输入数据获取模块102、训练学习模块103和解调输出模块104，其中，
信号构造模块101，用于针对样本库中的成对载波多址PCMA信号，联合信道参数并利用不同比特序列，构造PCMA样本信号模型；
输入数据获取模块102，用于依据PCMA样本信号模型，提取包含频率信息和能量分布信息的特征数据；
训练学习模块103，用于将特征数据作为输入，并将比特序列作为输出，对神经网络进行训练学习；
解调输出模块104，用于针对接收到的无线电通信过程中的PCMA信号，提取其特征数据，并将该特征数据带入训练好的神经网络中进行测试，将神经网络输出作为该接收到的PCMA信号比特序列解调结果。
上述的装置中，参见图8所示，信号构造模块101包含构造子模块一201和构造子模块二202，其中，
构造子模块一101，用于对样本库中的PCMA信号，依据符号速率、符号周期、滤波响应及过采样倍数来获取单通道接收基带等效信号离散表示形式；
构造子模块二102，用于联合信道参数和比特序列，构造等效信道响应向量；针对等效信道响应向量，以采样周期进行混合采样，获取PCMA样本信号模型。
为验证本发明技术方案的有效性，下面通过仿真实验做进一步解释说明：
仿真实验一：为考查本发明实施例中技术方案与传统的PSP方法性能上的差异，实验取两路信号(BPSK调制)时延分别为0.2和0.4，初相和频偏均为0，滾降系数均为0.33，幅度比为1:1，定义混合信号Eb/N0为两信号单位比特能量之和与噪声功率密度的比值，L为符号串扰长度，随着信噪比的增加，对两种方案经行性能比较，如图9所示，从图中可以看出，随着Eb/N0的增加，基于神经网络的解调效果接近于符号串扰长度为5的PSP方法，好于符号串扰长度为4、3的PSP方法，Eb/N0在22dB的时候，误符号率接近10-3数量级，这是由于基于神经网络解调技术的性能好坏主要由噪声对时频谱图的影响程度决定，Eb/N0越大，噪声在时频谱图中各个细节的模糊程度越低，对特征提取的影响就越小，神经网络解调的正确率也就越高；图中传统的盲解调方法在不同的解调条件约束下，解调的准确性差异较大，而神经网络一旦训练好后网络模型固定，解调性能较为稳定，神经网络一旦训练好后，只要接收到与训练样本集相同信道参数的同频混合信号，解调网络便可以重复长久使用，因此在考虑解调复杂程度时只需要根据训练好的网络结构对接收信号的解调过程分析即可，由于神经网络对输入数据进行并行处理，设神经网络的输入层节点数为n，隐含层节点为m，数据到隐含层节点进行了一次实数乘法，n次实数加法，在输出层节点处进行了一次实数乘法，m次实数加法，所以处理一次数据共进行了2次实数乘法运算，m+n次实数加法运算。PSP分离方法的复杂度主要取决于路径度量的计算和信道相应的跟踪两个过程，每估计一对符号路径度量涉及的实数加法和乘法的复杂度约为M2L(8L+2)和M2L(8L+2)，对信道响应的跟踪过程中，只需要对每个状态保留的最佳路径进行跟踪，涉及实数加法和乘法的复杂度约为12M2(L-1)L和M2(L-1)(12L+2)，所以在该实验条件下，本发明实施例中技术方案解调性能整体要优越于PSP方法。
仿真实验二：检验过采样倍数对解调性能的影响。实验的初始条件与仿真实验一相同，仅仅改变过采样倍数，观察两种方案的性能曲线，如图10所示，从图中可以看出，当Eb/N0大于16dB以后，2倍采样下的解调性能明显好于1倍采样，随着Eb/N0的增加，性能差距越来越大，这是由于增大过采样倍数，得到的数据对信号的表征性更强，提取的特征数据也就越可靠，随着噪声影响的降低，数据信息的可靠性越来越成为影响方案性能的主导因素，但是2倍采样和4倍采样的解调性能基本相同，几乎没有任何改善，原因可以用奈奎斯特采样定理解。
仿真实验三：检验两路信号分量的幅度比对本发明实施例中技术方案的影响。当两路信号的幅度比不同时，信号的功率也不相同，实验的初始条件不变，仅仅改变过幅度比，观察方案性能曲线，如图11所示，从图11可以看出两路信号的幅度越接近，神经网络的解调性能越好，这是由于当两路信号幅度差异较大时，强信号的功率大于弱信号功率，弱信号可以看作噪声，混合信号的时频谱图主要反映强信号的频率和能量随时间变化的规律，再加上噪声的干扰下，提取的特征数据不能可靠的代表弱信号的特性，因此解调出错概率较大，解调性能较差。图12显示，当信号幅度比为1:0.4时，虽然对于混合信号而言，整体的解调效果较差，但强信号在Eb/N0为21dB时，误符号率却达到了10-3数量级，强信号解调效果较好，分析原因不难发现，由于此时弱信号功率较小，相对于强信号而言可视为噪声，随着Eb/N0的增加，解调性能逐渐接近于单路强信号的解调性能，所以在幅度比差异较大的情况下，对强信号的解调效果较好。
仿真实验四：神经网络一旦训练好后，只要接收到与训练样本集相同信道参数的同频混合信号，解调网络便可以重复长久使用，因此在考虑解调复杂程度时只需要根据训练好的网络结构对接收信号的解调过程分析即可，由于神经网络对输入数据进行并行处理，设神经网络的输入层节点数为n，隐含层节点为m，数据到隐含层节点进行了一次实数乘法，n次实数加法，在输出层节点处进行了一次实数乘法，m次实数加法，所以处理一次数据共进行了2次实数乘法运算，m+n次实数加法运算。PSP分离方法的复杂度主要取决于路径度量的计算和信道相应的跟踪两个过程，每估计一对符号路径度量涉及的实数加法和乘法的复杂度约为M2L(8L+2)和M2L(8L+2)，对信道响应的跟踪过程中，只需要对每个状态保留的最佳路径进行跟踪，涉及实数加法和乘法的复杂度约为12M2(L-1)L和M2(L-1)(12L+2)。实验利用MATLAB2015B仿真环境，处理器为Intel(R)Core(TM)i7-4790CPU@3.60GHz 3.60GHz，分别用已经训练好的神经网络、PSP算法在解调速度、复杂度上进行了统计比较，如表1所示，针对900个符号对通过对比可以看出神经网络能够很快的分离出待解调信号中的信息序列，计算能力比较强，解调过程的复杂程度比PSP方法低。
表1 方案复杂度
Figure BDA0001828950640000101
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种无线电通信PCMA信号盲解调方法，其特征在于，包含如下内容：
针对样本库中的成对载波多址PCMA信号，联合信道参数并利用不同比特序列，构造PCMA样本信号模型；
依据PCMA样本信号模型，提取包含频率信息和能量分布信息的特征数据；
将特征数据作为输入，并将比特序列作为输出，对神经网络进行训练学习；
对于接收到的无线电通信过程中的PCMA信号，提取其特征数据，并将该特征数据带入训练好的神经网络中进行测试，将神经网络输出作为该接收到的PCMA信号比特序列解调结果；
依据PCMA样本信号模型，获取不同符号周期的样本信号构造；提取各样本信号的时频谱矩阵；对时频谱矩阵进行降维处理，获取反应信号在时间段内能量随频率变化规律的一维特征矩阵；将该一维特征矩阵作为特征数据；
对样本库中的PCMA信号，首先，依据符号速率、符号周期、滤波响应及过采样倍数来获取单通道接收基带等效信号离散表示形式；然后，联合信道参数和比特序列，构造等效信道响应向量；针对等效信道响应向量，以采样周期进行混合采样，获取PCMA样本信号模型。
2.根据权利要求1所述的无线电通信PCMA信号盲解调方法，其特征在于，信道参数至少包含幅度、频偏、初相和时间延时。
3.根据权利要求1所述的无线电通信PCMA信号盲解调方法，其特征在于，采样周期根据符号周期及过采样倍数来获取。
4.根据权利要求1所述的无线电通信PCMA信号盲解调方法，其特征在于，时频谱矩阵中，行信息为时间信息，列信息为频率信息，矩阵内每个元素为能量信息。
5.根据权利要求1所述的无线电通信PCMA信号盲解调方法，其特征在于，针对每一个样本信号，时频谱矩阵的提取在不同位置下受相邻拖尾符号影响，遍历两路不同种类相邻拖尾符号的排列组合，分别截取样本信号的时频谱矩阵，并获取其特征数据。
6.根据权利要求1所述的无线电通信PCMA信号盲解调方法，其特征在于，神经网络包含输入层、输出层和隐含层，每一层中包含多个用于训练测试的神经元节点；针对神经网络，采用梯度下降学习规律，对输出层和隐含层两者中神经元节点的权值进行调整。
7.一种无线电通信PCMA信号盲解调装置，其特征在于，包含信号构造模块、输入数据获取模块、训练学习模块和解调输出模块，其中，
信号构造模块，用于针对样本库中的成对载波多址PCMA信号，联合信道参数并利用不同比特序列，构造PCMA样本信号模型；
输入数据获取模块，用于依据PCMA样本信号模型，提取包含频率信息和能量分布信息的特征数据；
训练学习模块，用于将特征数据作为输入，并将比特序列作为输出，对神经网络进行训练学习；
解调输出模块，用于针对接收到的无线电通信过程中的PCMA信号，提取其特征数据，并将该特征数据带入训练好的神经网络中进行测试，将神经网络输出作为该接收到的PCMA信号比特序列解调结果；信号构造模块包含构造子模块一和构造子模块二，其中，
构造子模块一，用于对样本库中的PCMA信号，依据符号速率、符号周期、滤波响应及过采样倍数来获取单通道接收基带等效信号离散表示形式；
构造子模块二，用于联合信道参数和比特序列，构造等效信道响应向量；针对等效信道响应向量，以采样周期进行混合采样，获取PCMA样本信号模型；
输入数据获取模块中，依据PCMA样本信号模型，获取不同符号周期的样本信号构造；提取各样本信号的时频谱矩阵；对时频谱矩阵进行降维处理，获取反应信号在时间段内能量随频率变化规律的一维特征矩阵；将该一维特征矩阵作为特征数据。
CN201811196708.3A 2018-10-15 2018-10-15 无线电通信pcma信号盲解调方法及装置 Active CN109412725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811196708.3A CN109412725B (zh) 2018-10-15 2018-10-15 无线电通信pcma信号盲解调方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811196708.3A CN109412725B (zh) 2018-10-15 2018-10-15 无线电通信pcma信号盲解调方法及装置

Publications (2)

Publication Number Publication Date
CN109412725A CN109412725A (zh) 2019-03-01
CN109412725B true CN109412725B (zh) 2021-02-09

Family

ID=65467928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811196708.3A Active CN109412725B (zh) 2018-10-15 2018-10-15 无线电通信pcma信号盲解调方法及装置

Country Status (1)

Country Link
CN (1) CN109412725B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109889218B (zh) * 2019-04-02 2020-03-31 成都云溯新起点科技有限公司 一种单通道同频干扰识别与抵消方法
CN110048982A (zh) * 2019-04-04 2019-07-23 中国人民解放军战略支援部队信息工程大学 不同符号速率的成对载波多址信号的盲分离方法及装置
CN110048980A (zh) * 2019-04-19 2019-07-23 中国电子科技集团公司第三十六研究所 一种数字通信盲解调方法和装置
CN111555803B (zh) * 2020-05-22 2021-07-27 中天宽带技术有限公司 双向多芯光纤串扰计算方法、装置及计算机可读存储介质
CN114362881B (zh) * 2021-12-16 2023-06-06 中国人民解放军战略支援部队信息工程大学 基于空时相关矩阵的空时分组码盲识别方法及系统
CN116016081B (zh) * 2022-12-07 2024-05-14 中国人民解放军国防科技大学 基于两级盲分离的非协作数字通信信号盲解调方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930285A (zh) * 2012-09-18 2013-02-13 四川大学 基于有监督增量式局部线性嵌入（sille）维数化简的早期故障辨识方法
CN104320362A (zh) * 2014-09-29 2015-01-28 电子科技大学 一种用于pcma信号盲分离的方法
CN106293057A (zh) * 2016-07-20 2017-01-04 西安中科比奇创新科技有限责任公司 基于bp神经网络的手势识别方法
CN108540202A (zh) * 2018-03-15 2018-09-14 西安电子科技大学 一种卫星通信信号调制方式识别方法、卫星通信系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930285A (zh) * 2012-09-18 2013-02-13 四川大学 基于有监督增量式局部线性嵌入（sille）维数化简的早期故障辨识方法
CN104320362A (zh) * 2014-09-29 2015-01-28 电子科技大学 一种用于pcma信号盲分离的方法
CN106293057A (zh) * 2016-07-20 2017-01-04 西安中科比奇创新科技有限责任公司 基于bp神经网络的手势识别方法
CN108540202A (zh) * 2018-03-15 2018-09-14 西安电子科技大学 一种卫星通信信号调制方式识别方法、卫星通信系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A novel and blind detection scheme for asymmetric PCMA system;PINGHUA Mo 等;《Proceedings of 2013 3rd International Conference on Computer Science and Network Technology》;20141201;854-857 *
Neural network approaches to nonlinear blind source separation;P. Gao 等;《 Proceedings of the Eighth International Symposium on Signal Processing and Its Applications》;20060130;78-81 *
Single-channel blind source separation for paired carrier multiple access signals;YANG YONG 等;《IET Signal Processing》;20180218;37-41 *
成对载波多址信号的解调技术研究;杨勇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215;I136-92 *

Also Published As

Publication number Publication date
CN109412725A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109412725B (zh) 无线电通信pcma信号盲解调方法及装置
CN108650201B (zh) 基于神经网络的信道均衡方法、译码方法及对应设备
US11477060B2 (en) Systems and methods for modulation classification of baseband signals using attention-based learned filters
CN109995449B (zh) 一种基于深度学习的毫米波信号检测方法
CN113572708B (zh) 一种dft信道估计改进方法
Ren et al. Performance improvement of chaotic baseband wireless communication using echo state network
KR20120053524A (ko) 심볼 측정 방법들 및 장치들
CN112115821B (zh) 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN111614584A (zh) 基于神经网络的变换域自适应滤波信道估计方法
CN110572340A (zh) 一种用于短波通信的Turbo时域均衡方法
CN103368885B (zh) 一种频域双向迭代均衡的融合方法
Kalphana et al. Convolutional Neural Network Auto Encoder Channel Estimation Algorithm in MIMO-OFDM System.
Martone Wavelet-based separating kernels for sequence estimation with unknown rapidly time-varying channels
CN109167744B (zh) 一种相位噪声联合估计方法
Li et al. Deep gated recurrent unit convolution network for radio signal recognition
CN114938232B (zh) 基于lstm的同时同频全双工数字域自干扰抑制方法
CN107171990A (zh) 基于分数间隔与迭代算法的单载波信号时域均衡方法
Yarotsky et al. Machine learning-assisted channel estimation in massive MIMO receiver
Yıldırım et al. Deep receiver design for multi-carrier waveforms using cnns
Chen et al. Hardware efficient massive MIMO detector based on the Monte Carlo tree search method
Baumgartner et al. Neural Network Approaches for Data Estimation in Unique Word OFDM Systems
Huang et al. Extrinsic neural network equalizer for channels with high inter-symbol-interference
CN111526103B (zh) Pcma信号单通道盲分离方法
Chen et al. Deep learning based single-channel blind separation of co-frequency modulated signals
CN115834306B (zh) 干扰条件下多通信信号符号序列直接估计方法

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