CN110166391B - 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 - Google Patents

Abstract

本发明属于通信技术领域，涉及一种脉冲噪声下基于深度学习的基带预编码MSK信号解调方法。本发明针对传统基带预编码MSK信号解调时脉冲噪声模型参数估计复杂的问题，设计了一种基于深度学习的解调方法。该方法可以在不了解信道模型的情况下，从发射和接收数据中学习信道特征训练解调网络，在接收端实时恢复发送序列或输出编码比特软信息，在保证可靠接收的同时降低了运算复杂度。

Description

脉冲噪声下基于深度学习的基带预编码MSK信号解调方法

技术领域

本发明属于通信技术领域，涉及一种脉冲噪声下基于深度学习的基带预编码MSK信号解调方法。

背景技术

最小频移键控(Minimum Shift Keying,MSK)是一种包络恒定、相位连续、频率利用率高、带外辐射功率小的调制技术，广泛应用于军用和商用无线通信系统。在很多应用场景中，这些无线通信系统接收机处的噪声包含强脉冲分量，不再服从高斯分布，如果直接沿用针对高斯噪声设计的通信接收算法会严重降低系统的性能。脉冲噪声是一种典型的非高斯噪声，无线通信面临的很多脉冲噪声可以建模为对称α稳定分布(symmetricalα-stable,SαS)分布。

传统无线通信系统中，脉冲噪声下MSK信号的接收一般采取如下两种策略：基于预处理的接收策略先对接收信号进行预处理，抑制脉冲噪声，再采用高斯噪声下的通信信号接收技术进行解调。根据信息论的数据处理不等式，这样方法会引入信息损失，无法获得最佳的接收性能。直接接收策略针对脉冲噪声的统计特性设计信号解调算法，由于除了α＝1和2两类特殊情况，SαS分布模型没有解析的概率密度函数(Probability DensityFunction,PDF)，基于最大似然(Maximum Likelihood,ML)测度的解调算法通常不存在闭合形式。为此，一般采用形式闭合、容易处理的鲁棒测度，包括柯西(Cauchy)测度、myriad测度等。上述方法均需要估计SαS噪声的参数，复杂度较高。综上所述，现有技术存在的问题是：沿用高斯噪声假设下的MSK信号解调方法在脉冲噪声环境下性能退化；直接接收策略中SαS分布模型参数估计复杂。

发明内容

针对现有技术存在的问题，本发明提供了一种脉冲噪声环境下用于基带预编码MSK信号解调的卷积-长短时记忆-深度神经网络(Convolutional,LSTM,Deep NeuralNetwork，CLDNN)结构和利用该CLDNN网络进行基带预编码MSK信号解调的方法。

深度学习是机器学习研究领域的一个重要分支，旨在通过组合低层特征形成更加抽象的高层特征以发现数据的分布式特征表示。因此，利用深度学习对数据特征的表达能力，可以直接从发射和接收数据中学习潜在的信道特征，从而解决复杂噪声环境下信道模型参数估计困难的问题。本发明利用深度学习设计SαS脉冲噪声下的MSK信号解调方法，避免传统方法的缺陷。

本发明的技术方案是，脉冲噪声下基于深度学习的基带预编码MSK信号解调方法，包括：

步骤1：对接收端接收到的IQ两路信号进行限幅和分块操作预处理。

此处以Q路为例，设接收端接收的Q路数据流为

其中

表示每2个T_b内的采样数据，T_b为比特间隔，L为发送端发送的二进制比特序列b的长度。限幅的目的是为了限制接收数据中包含的不利于网络训练的幅值较大的脉冲分量。限幅门限为p_threshold，限幅结果为：

分块操作根据预编码MSK调制的正弦形加权函数cos(πt/2T_b)和sin(πt/2T_b)选定为每4个T_b的采样数据

为一个数据块。

接收信号IQ两路预处理后的数据分别用

和

表示，其中i＝1,3,…L/2-1。

步骤2：构建CLDNN解调网络和训练所用的样本集，训练网络。

本发明提出的CLDNN解调网络用于脉冲噪声环境下基带预编码MSK信号IQ两路数据的并行恢复，然后经过并串转换恢复出发送比特序列或输出编码比特软信息。

网络的输入为接收信号I路或Q路预处理后的数据

或

输出为网络估计的对应发送比特的概率

当有信道编码的情况下，概率

可以作为软信息输入到信道译码模块。网络从接收端4T_b的采样数据恢复2个发送比特，结构为：输入层采用N×1的样本格式输入，N为正整数；然后通过两层由卷积、激活函数、批归一化组成的网络；接着通过由LSTM组成的网络；最后通过两个参数共享的全连接层和softmax输出硬判决比特或编码比特软信息。

在预编码MSK调制过程中，由于I路延时一个T_b后其正弦形加权函数cos(πt/2T_b)与Q路的sin(πt/2T_b)相位相差π，依据这样的数据特征，只选取其中一路数据训练网络，此处以Q路为例。训练数据集的输入来自接收数据

构成的样本集合，标签为输入对应发送比特的one-hot编码，即每个比特的概率质量函数(probability mass function,PMF)，如输入对应比特为[0,1]，其标签为

验证数据集产生方式与训练数据集相同。

步骤3：根据训练的CLDNN网络，对接收端接收到的IQ两路信号进行预处理后输入解调网络得到估计的发送比特概率，然后经过并串转换恢复出发送比特序列或输出编码比特软信息。

如果网络使用Q路数据训练，测试时Q路网络估计的发送比特的概率为：

I路网络估计的发送比特的概率与之不同，即：

如果网络使用I路数据训练，测试时Q路网络估计的发送比特的概率如式(3)所示，I路网络估计的发送比特的概率如式(2)所示。

本发明的有益效果为，本发明利用CLDNN网络对脉冲噪声环境下基带预编码MSK信号进行解调，克服了传统通信系统中依赖信道数学模型的不足，规避了通过估计特征函数估计PDF中的复杂度和有效性问题，能够在信道没有闭合PDF解析表达式的情况下，从发射和接收到的信号中学习信道特征从而训练出解调网络。

附图说明

图1是本发明实施例提供的脉冲噪声环境下基带预编码MSK信号解调网络整体结构图；

图2是本发明实施例提供的LSTM结构图；

图3为本发明实施例提供的SαS脉冲噪声环境中不同信噪比下基带预编码MSK信号解调网络硬判决的性能曲线；

图4为本发明实施例提供的SαS脉冲噪声环境中不同信噪比下基带预编码MSK信号解调网络软判决的性能曲线。

具体实施方式

下面结合附图和实施例进一步对本发明的技术方案进行描述。

实施例

本实施例中基带预编码MSK信号的参数为：信源发射比特信息的间隔T_b＝0.01s，每T_b采样点数目N_sample＝32。脉冲噪声模型为SαS模型，特征指数α＝1.5，对称参数β＝0，位置参数μ＝0，尺度参数γ描述脉冲噪声的强度，用来定义信噪比SNR(dB)＝P_s/2γ²，其中P_s为信号功率。实施步骤如下：

步骤1：对接收端接收到的IQ两路信号进行预处理，限幅门限p_threshold＝20，每128个采样数据为一个数据块。

步骤2：构建CLDNN解调网络，整体结构如图1所示。选取脉冲噪声SαS(α＝1.5)条件下E_b/N₀＝7dB时接收信号Q路预处理后的数据作为训练样本训练网络。其中E_b/N₀＝SNR(dB)+10log₁₀(N_sample)。网络具体每一层结构如下所示：

第一层，为输入层，网络每次输入4T_b时间内的采样序列，网络的输入尺寸为(128,1,1)。

第二层，由卷积层和批归一化层组成，卷积核尺寸为3×1，卷积核个数为16，卷积步长为2，激活函数为ReLU，最后通过批归一化。本层返回一个尺寸为(64,1,16)的张量。

第三层，由卷积层和批归一化层组成，卷积核尺寸为3×1，卷积核个数为16，卷积步长为2，激活函数为ReLU，最后通过批归一化。本层返回一个尺寸为(32,1,16)的张量。

第四层，为Reshape层，将尺寸为(32,1,16)的张量按行取元素整形成尺寸为(2,256)的张量。

第五层，为LSTM层，本层的输出维度为16，返回一个尺寸为(2,16)的张量。

第六层，为输出层，由全连接层和softmax构成，产生尺寸为(2,2)的张量作为网络的输出，对应估计的码元概率

网络的损失函数为交叉熵函数，优化器为Adam，学习率为0.001。

具体地，其中结构中涉及到的ReLU激活函数、批归一化操作、LSTM网络、softmax激活函数、交叉熵函数运算如下所示：

ReLU为卷积神经网络中常用的修正线性单元激活函数(Rectified Linear Unit，ReLU)，表达式为：

ReLU(x)＝max(0,x) (4)

BN是网络训练时将小批量数据进行归一化的操作。其具体操作流程如下所示，首先求得数据的均值：

其中，m为一个批量中的样本数目，x_i为批量中的第i个样本。

然后，求得数据的标准差：

对数据进行归一化：

其中ε设置为一个趋近于0的正数，目的是为了维持数值的稳定性。

由于简单的归一化可能会改变数据表达的内容。为了解决这个问题，引入了两个的参数γ、β缩放和偏移归一化后的数据，即

其中参数γ、β与网络参数一起训练，这样数据的值不至于落在一个小的数值区域，使得网络的表达能力得到增强。

LSTM网络由遗忘门、输入门、更新细胞状态和输出门构成，结构如图2所示，其运算如下：

遗忘门：

f_t＝σ(W_f[h_t-1,x_t]+b_f) (9)

输入门：

i_t＝σ(W_i[h_t-1,x_t]+b_i) (10)

更新细胞状态：

输出门：

o_t＝σ(W_o[h_t-1,x_t]+b_o) (13)

h_t＝o_t·tanh(C_t) (14)

其中，σ为sigmoid函数，σ(x)＝1/(1+e^-x)，h_t-1和h_t分别为t-1时刻和t时刻网络的输出，x_t为t时刻网络的输入，W_f和b_f为网络待更新地权重参数，C_t为细胞状态。

softmax激活函数是将输入数据转为概率的操作，神经元i输出o_i定义如下：

其中x_k为第k个神经元输入。

交叉熵损失函数定义如下：

L＝-∑t_iln P(y＝i) (16)

其中t_i是one-hot编码的网络标签，P(y＝i)是网络预测的当前输入为第i类的概率。

步骤3：对不同信噪比下的IQ两路接收数据进行预处理后输入解调网络得到估计的发送比特概率，然后经过并串转换恢复出发送比特序列或输出编码比特软信息。图3展示出了本发明实例中在SαS(α＝1.5)脉冲噪声环境中不同信噪比下学习到的CLDNN网络对接收信号解调硬判决的性能曲线，其中基于myriad测度和Cauchy测度的信号解调算法作为对比也画在图中。从图中可以看出，基于CLDNN的解调网络性能优于基于Cauchy测度的信号解调算法，接近基于myriad测度的信号解调算法。在SαS(α＝1.5)脉冲噪声环境中不同信噪比下增加码长为512，生成多项式为(2,1,7)的卷积编码，用学习到的CLDNN网络对接收信号进行解调，将网络输出作为软信息输入维特比译码器得到性能曲线如图4所示，其中基于myriad测度的信号软解调算法作为对比也画在图中，软差分基于文献10(赵旦峰.迭代系统中差分MSK软解调算法[J].哈尔滨工程大学，2011)的方法。从图中可以看出，SαS(α＝1.5)脉冲噪声下，在低信噪比时，基于CLDNN的解调网络性能不如基于myriad测度的信号软解调算法。在高信噪比时，基于CLDNN的解调网络性能优于基于myriad测度的信号软解调算法。

Claims (2)

1.脉冲噪声下基于深度学习的基带预编码MSK信号解调方法，其特征在于，包括以下步骤：

S1、对接收端接收到的IQ两路信号R_Q和R_I进行限幅和分块操作预处理，接收信号IQ两路预处理后的数据定义为

和

L为发送端发送的二进制比特序列b的长度；

S2、构建CLDNN解调网络，并采用样本数据对解调网络进行训练：

构建CLDNN解调网络的结构为：输入层采用N×1的样本格式输入，N为正整数；然后通过两层由卷积、激活函数、批归一化组成的网络；接着通过由LSTM组成的网络；最后通过两个参数共享的全连接层和softmax输出硬判决比特或编码比特软信息；

CLDNN解调网络的输入为样本数据，输出为网络估计的对应发送比特的概率

所述样本数据的产生方式为，以

或

构成样本集合，标签为输入对应发送比特的one-hot编码，即每个比特的概率质量函数，即输入对应比特为[0,1]，其标签为

通过样本数据对CLDNN解调网络训练，获得训练好的CLDNN网络；

S3、根据训练好的CLDNN网络，对接收端接收到的IQ两路信号进行预处理后输入解调网络得到估计的发送比特概率，然后经过并串转换恢复出发送比特序列或输出编码比特软信息。

2.根据权利要求1所述的脉冲噪声下基于深度学习的基带预编码MSK信号解调方法，其特征在于，所述步骤S1的具体方法为：

定义接收端接收的Q路数据流为

其中

表示每2个T_b内的采样数据，T_b为比特间隔；定义限幅门限为p_threshold，限幅结果为：

分块操作根据预编码MSK调制的正弦形加权函数cos(πt/2T_b)和sin(πt/2T_b)选定为每4个T_b的采样数据

为一个数据块；

同理对I路数据进行限幅和分块；

接收信号IQ两路预处理后的数据分别用

和

表示，其中i＝1,3,…L/2-1。

Images