CN110233810B - 一种混合噪声下基于深度学习的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

一种混合噪声下基于深度学习的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)，T_b为二进制信源比特的周期。以T_s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n_g，脉冲噪声为n_p，接收机的接收数据流为y＝x+n_g+n_p。

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。

MSK带通解调网络的输入为接收信号经滑动序列选取的时长为time_step的序列，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。

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×N_sample，time_step为时间步长，N_sample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,...,y_N]，其中

表示第i个T_b内的接收数据样本。以N_sample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

可以使用

对第i个符号进行硬判，也可将其作为软信息输入信道译码模块。

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×T_b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：

f_t＝σ(W_f[h_t-1,x_t]+b_f) (3)

输入门：

i_t＝σ(W_i[h_t-1,x_t]+b_i) (4)

更新细胞状态：

输出门：

o_t＝σ(W_o[h_t-1,x_t]+b_o) (7)

h_t＝o_t·tanh(C_t) (8)

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_i ln P(y＝i) (10)

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。

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T_b＝0.001s，载频f_c＝10kHz，采样频率f_s＝30kHz，采样点数目N_sample＝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E_b/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y_i＝[y₁,y₂,...y₃₀]表示第i个T_b内的采样数据，每T_b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。

以第一步中的方式从接收数据流上构造序列输入训练好的网络进行解调。由于采取滑动序列的方式，第i个符号将进入5个不同的序列中进行5次解调，分别得到5次独立的符号概率预测，对预测的符号概率取平均，

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E_b/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。

对信源进行码长为512，生成多项式为(2,1,7)的卷积编码，将网络预测的符号概率

作为软信息输入维特比译码器进行译码，得到图6，其中基于myriad测度的信号软解调算法作为对比也画在图中。图中横坐标E_b/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，混合噪声信道下，在低信噪比时，基于MSK带通解调网络的MSK解调性能不如基于myriad测度的信号软解调算法。在高信噪比时，基于MSK带通解调网络的MSK解调性能优于基于myriad测度的信号软解调算法。

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)，T_b为二进制信源比特的周期；以T_s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n_g，脉冲噪声为n_p，接收机的接收数据流为y＝x+n_g+n_p；

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×N_sample，time_step为时间步长，N_sample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,…,y_N]，其中

表示第i个T_b内的接收数据样本i＝1,2,…N_sample，以N_sample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[s_i,s_i+1,…,s_{i+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

使用

对第i个符号进行硬判，或者将其作为软信息输入信道译码模块，实现对MSK信号解调。

Images