CN110233810B - 一种混合噪声下基于深度学习的msk信号解调方法 - Google Patents
一种混合噪声下基于深度学习的msk信号解调方法 Download PDFInfo
- Publication number
- CN110233810B CN110233810B CN201910554435.3A CN201910554435A CN110233810B CN 110233810 B CN110233810 B CN 110233810B CN 201910554435 A CN201910554435 A CN 201910554435A CN 110233810 B CN110233810 B CN 110233810B
- Authority
- CN
- China
- Prior art keywords
- network
- sequence
- time
- msk
- noise
- 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
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/10—Frequency-modulated carrier systems, i.e. using frequency-shift keying
- H04L27/14—Demodulator circuits; Receiver circuits
Abstract
本发明属于通信技术领域,涉及一种混合噪声下基于深度学习的MSK信号解调方法。本发明传统无线通信信号接收策略中存在的问题,设计了一种基于深度学习的解调方法。在高斯噪声与脉冲噪声混合信道下,本发明提出的网络结构对MSK信号进行解调具有良好的误码性能,有效地提高了软解调准确率,且无需对高斯和脉冲混合噪声进行建模和参数估计,避免了传统无线通信信号的接收策略中复杂的脉冲参数估计。
Description
技术领域
本发明属于通信技术领域,涉及一种混合噪声下基于深度学习的MSK信号解调方法。
背景技术
最小频移键控(Minimum Shift Keying,MSK)是一种连续相位调制,具有包络恒定、带外干扰小、频谱利用率高等特点,可同时兼顾功率效率和频谱效率,广泛应用于功率和带宽同时受限的无线通信系统。在很多应用场景中,无线通信系统接收机处的噪声除了高斯噪声外,还包含很强的脉冲分量,如果直接沿用基于高斯噪声的经典信号接收方法只能获得极差的性能。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,针对纯脉冲噪声信道下MSK信号的接收有两种策略:一种是基于预处理的接收策略,先对接收信号进行预处理,抑制非高斯脉冲噪声,再采用高斯噪声下的通信信号接收技术进行同步和解调,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;另一种是直接接收策略,不对接收信号进行预处理,而是直接基于脉冲噪声的统计特性设计信号同步与解调算法。除了α=1,2这两类特殊情况,SαS分布模型没有解析的概率密度函数,基于最大似然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。由于脉冲和高斯混合噪声信道模型非常复杂,如果直接沿用脉冲噪声下的MSK信号接收策略进行混合噪声下的MSK信号解调,噪声模型参数估计将会非常困难。
发明内容
针对混合噪声信道下,传统无线通信信号接收策略中存在的问题,本发明提出一种基于深度学习方法的MSK带通信号解调的方案。
深度学习是机器学习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。循环神经网络(Recurrent Neural Network,RNN)是一类用于处理和预测序列数据的神经网络,能够挖掘数据中的时序信息以及语义信息的深度表达能力。普通的RNN对于时序长短依赖具有不确定性,而长短时记忆网络(Long Short Term MemoryNetwork,LSTM)可以很好的解决这个问题。本发明利用深度学习设计混合噪声下的MSK信号带通信号解调方法,避免传统方法的缺陷。
假设信源发射序列为s(t),Tb为二进制信源比特的周期。以Ts为采样间隔对MSK通带信号进行采样,得到MSK信号的采样序列x,高斯噪声为ng,脉冲噪声为np,接收机的接收数据流为y=x+ng+np。
利用本发明提出脉冲噪声下MSK信号通带解调方案实现包括以下步骤:
步骤1:构建MSK信号带通解调网络。
本发明提出的用于MSK带通信号解调的神经网络结构是:输入层输入的样本格式为time_step×Nsample,time_step为时间步长,Nsample为一个符号时间内的采样点数;然后通过两层LSTM网络;用Reshape层整合LSTM层的输出,再连接到一个全连接层;最后同时连接time_step个全连接层,用softmax激活函数计算出每个时间步上的信号分别分类为“0”或“1”的概率作为网络的输出。
步骤2:构建训练所用的样本集,训练网络。
接收机接收的数据流为y=[y1,y2,...,yN],其中表示第i个Tb内的接收数据样本。以Nsample为步长,在y上滑动选取时长为time_step的序列作为网络的输入。将信源发射序列中对应位置的信源符号进行one-hot编码,将“0”映射为“10”,表示“1”映射为“01”,表示作为序列标签对网络进行训练。
步骤3:利用训练好的网络解调带通MSK信号。
使用滑动序列的方式从接收数据流选取序列输入网络,获得输入序列中每个时间步上的预测符号概率其中由于网络使用了滑动的方式构造输入序列,每个符号在不同的序列中将进行time_step次估计,对time_step次估计的概率取平均
本发明的有益效果为,在高斯噪声与脉冲噪声混合信道下,本发明提出的网络结构对MSK信号进行解调具有良好的误码性能,有效地提高了软解调准确率,且无需对高斯和脉冲混合噪声进行建模和参数估计,避免了传统无线通信信号的接收策略中复杂的脉冲参数估计。
附图说明
图1为混合噪声下MSK带通信号解调网络整体架构图;
图2为实施例中MSK带通信号解调网络架构图;
图3为LSTM结构图;
图4为本发明实例中MSK带通解调网络输入序列及标签构造示意图;
图5为本发明实例中混合噪声下MSK带通解调网络硬判决的性能曲线;
图6为本发明实例中混合噪声下MSK带通解调网络进行卷积编码软判决的性能曲线。
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
第一步,首先构建MSK信号带通解调网络。
本实施例中提出的用于混合噪声信道下MSK带通信号解调的神经网络结构如图2所示。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time_step×Tb时间内的采样序列,本实施例中time_step取值为5,网络的输入尺寸为(5,30)。
第二层,为LSTM层,本层的输出维度为30,返回一个尺寸为(5,30)的序列。
第三层,为LSTM层,本层的输出维度为18,返回一个尺寸为(5,18)的序列。
第四层,为Reshape层,将尺寸为(5,18)的序列按行连接为尺寸为90的一维序列。
第五层,为全连接层,激活函数为ReLU函数。本层的输出维度为30,返回一个尺寸为30的一维序列。
第六层,为输出层,由5个全连接层和softmax激活函数构成,产生5个尺寸为2的序列作为网络的输出,每个输出对应5个时间步上预测的符号概率
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,网络结构中涉及到的ReLU激活函数、LSTM网络、softmax激活函数、交叉熵函数运算如下所示:
ReLU是卷积神经网络中常用的修正线性单元激活函数(Rectified Linear Unit,ReLU),其表达式为:
ReLU(x)=max(0,x) (2)
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3所示,其运算如下:
遗忘门:
ft=σ(Wf[ht-1,xt]+bf) (3)
输入门:
it=σ(Wi[ht-1,xt]+bi) (4)
更新细胞状态:
输出门:
ot=σ(Wo[ht-1,xt]+bo) (7)
ht=ot·tanh(Ct) (8)
其中,σ为sigmoid函数,σ(x)=1/(1+e-x),ht-1和ht分别为t-1时刻和t时刻网络的输出,xt为t时刻网络的输入,Wf和bf为网络待更新地权重参数,Ct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oi定义如下:
其中xk为第k个神经元输入。
交叉熵损失函数定义如下:
L=-∑ti ln P(y=i) (10)
其中ti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。
第二步,构建训练所用的样本集,训练网络。
如图4所示,信源序列s=[1,1,0,1,1,0,0,1,...]T经过MSK调制后加入高斯与脉冲混合噪声形成接收机接收的数据流。MSK信号信源发射比特信息的间隔为Tb=0.001s,载频fc=10kHz,采样频率fs=30kHz,采样点数目Nsample=30。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,定义脉冲噪声功率为2γ2。高斯噪声均值为0,功率为σ2。本实施例中,训练时高斯噪声Eb/N0=11dB,脉冲噪声和高斯噪声以功率比2γ2:σ2=1:1混合。
将接收数据流上的样本点按时间进行划分为其中yi=[y1,y2,...y30]表示第i个Tb内的采样数据,每Tb内有30个采样点。在接收数据流上以30为步长在y上滑动选取序列作为网络的输入序列,对应源比特的one-hot编码为其标签。
用接收数据流及其对应信源发射数据构建成的训练数据集及标签训练网络。网络训练过程具体如下:
步骤1:输入样本序列,通过网络对符号概率进行预测;
步骤2:根据网络输出和标签,由损失函数计算网络损失,再根据网络损失利用Adam优化器修改网络权重值。
步骤3:使用另一组未被学习的信号作为验证集,对比测试结果的准确率是否达到预期误码率。
步骤4:如果网络预测准确率达到预期误码率,则记录下网络权重值,训练过程结束;若网络预测准确率未达到预期误码率,则重复步骤1-3,直到达到预期误码率。
第三步,利用训练好的网络进行MSK信号通带解调。使用第二步中训练好的MSK带通解调网络进行解调,接收数据流中MSK信号参数及噪声混合比例与第二步中一致。
用网络预测的符号概率直接进行硬判,得到图5,其中基于myriad测度的信号解调算法作为对比也画在图中。图中横坐标Eb/N0表示高斯噪声的信噪比,脉冲噪声和高斯噪声功率比2γ2:σ2=1:1。从图中可以看出,基于MSK带通解调网络的MSK解调性能接近基于myriad测度的信号解调算法,但避免了计算myriad测度所需的噪声参数估计。
Claims (1)
1.一种混合噪声下基于深度学习的MSK信号解调方法,其特征在于,包括以下步骤:
S1、令信源发射序列为s(t),Tb为二进制信源比特的周期;以Ts为采样间隔对MSK通带信号进行采样,得到MSK信号的采样序列x,高斯噪声为ng,脉冲噪声为np,接收机的接收数据流为y=x+ng+np;
S2、构建MSK信号带通解调网络,并采用样本数据对解调网络进行训练:
构建MSK信号带通解调网络的结构为:输入层输入的样本格式为time_step×Nsample,time_step为时间步长,Nsample为一个符号时间内的采样点数;然后通过两层长短期记忆LSTM网络;用Reshape层整合LSTM层的输出,再连接到一个全连接层;最后同时连接time_step个全连接层,用softmax激活函数计算出每个时间步上的信号分别分类为“0”或“1”的概率作为网络的输出;
MSK信号带通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,令接收机接收的数据流为y=[y1,y2,…,yN],其中表示第i个Tb内的接收数据样本i=1,2,…Nsample,以Nsample为步长,在y上滑动选取时长为time_step的序列作为网络的输入,将信源发射序列中对应位置的信源符号[si,si+1,…,si+time_step-1]T进行one-hot编码,将“0”映射为“10”,表示“1”映射为“01”,表示作为序列标签构成样本数据,对网络进行训练;
S3、根据训练好的MSK信号带通解调网络,使用滑动序列的方式从接收数据流选取序列输入网络,获得输入序列中每个时间步上的预测符号概率其中由于网络使用了滑动的方式构造输入序列,每个符号在不同的序列中将进行time_step次估计,对time_step次估计的概率取平均
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554435.3A CN110233810B (zh) | 2019-06-25 | 2019-06-25 | 一种混合噪声下基于深度学习的msk信号解调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554435.3A CN110233810B (zh) | 2019-06-25 | 2019-06-25 | 一种混合噪声下基于深度学习的msk信号解调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110233810A CN110233810A (zh) | 2019-09-13 |
CN110233810B true CN110233810B (zh) | 2021-07-02 |
Family
ID=67857197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910554435.3A Active CN110233810B (zh) | 2019-06-25 | 2019-06-25 | 一种混合噪声下基于深度学习的msk信号解调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110233810B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461397A (zh) * | 2020-02-26 | 2020-07-28 | 山东浪潮通软信息科技有限公司 | 一种基于改进支持向量回归机的预算预测方法及设备、介质 |
CN112422208B (zh) * | 2020-11-06 | 2021-10-19 | 西安交通大学 | 未知信道模型下基于对抗式学习的信号检测方法 |
CN113872911B (zh) * | 2021-10-15 | 2023-10-24 | 齐鲁工业大学 | 模型驱动的正交频分复用系统高峰均比抑制方法及系统 |
CN114900411B (zh) * | 2022-05-09 | 2023-03-03 | 电子科技大学 | 一种混合噪声下MSK信号的自适应Viterbi解调方法 |
CN115941112B (zh) * | 2022-12-12 | 2023-09-12 | 南京信息工程大学 | 一种便携式隐蔽通信方法、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107809398A (zh) * | 2017-10-12 | 2018-03-16 | 西安电子科技大学 | 脉冲噪声环境下msk信号调制参数估计方法 |
CN109672639A (zh) * | 2019-01-22 | 2019-04-23 | 哈尔滨工业大学 | 一种基于机器学习的信号解调方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2019
- 2019-06-25 CN CN201910554435.3A patent/CN110233810B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107809398A (zh) * | 2017-10-12 | 2018-03-16 | 西安电子科技大学 | 脉冲噪声环境下msk信号调制参数估计方法 |
CN109672639A (zh) * | 2019-01-22 | 2019-04-23 | 哈尔滨工业大学 | 一种基于机器学习的信号解调方法 |
Non-Patent Citations (1)
Title |
---|
脉冲噪声下MSK信号调制解调算法FPGA实现研究;刘宝城;《CNKI》;20181015;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110233810A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110233810B (zh) | 一种混合噪声下基于深度学习的msk信号解调方法 | |
CN110166391B (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 | |
CN111512323A (zh) | 自适应无线通信的学习与部署 | |
CN109728824B (zh) | 一种基于深度学习的ldpc码迭代译码方法 | |
CN110430013B (zh) | 一种基于深度学习的rcm方法 | |
CN109525254B (zh) | 基于深度学习的卷积码软判决译码方法 | |
CN1166140C (zh) | 利用白化路径度量对通信信号进行序贯最大似然估计的设备和方法 | |
CN107612656B (zh) | 一种适用于极化码的高斯近似简化方法 | |
CN110278570B (zh) | 一种基于人工智能的无线通信系统 | |
CN115694518A (zh) | 基于gmm-hmm的卷积码解码方法和系统 | |
Savazzi et al. | A suboptimal approach to channel equalization based on the nearest neighbor rule | |
Zeitler | Low-precision analog-to-digital conversion and mutual information in channels with memory | |
CN110474798B (zh) | 一种利用回声状态网络预测无线通信未来信号的方法 | |
Tonello et al. | MIND: Maximum mutual information based neural decoder | |
CN1319352C (zh) | 在无线接收机中为信道解码产生可靠性信息的方法 | |
CN110166386B (zh) | 一种基于递归混沌码的水声通信均衡译码方法 | |
Mao et al. | Deep learning in physical layer communications: Evolution and prospects in 5G and 6G networks | |
Abdelsamie et al. | Novel low-complexity neural network aided detection for FTN signalling in ISI channel | |
US20050198551A1 (en) | Method for processing a signal using an approximate map algorithm and corresponding uses | |
Ismail et al. | Performance Evaluation and Analysis of Deep Learning Autoencoder-Based Wireless Communication System | |
CN107645359B (zh) | 一种OvXDM系统的快速译码方法、装置及OvXDM系统 | |
Hares et al. | Recurrent neural networks for pilot-aided wireless communications | |
CN117880032B (zh) | 一种脉冲噪声下基于新型门控网络的msk解调方法 | |
Xia et al. | Performance Analysis of Normality Test Loss for Intelligent RSCNN Denoiser Design With Application to Channel Decoding | |
CN112994840B (zh) | 一种基于神经网络的译码器 |
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 |