CN111935056A - 一种信号解调方法及相关装置 - Google Patents
一种信号解调方法及相关装置 Download PDFInfo
- Publication number
- CN111935056A CN111935056A CN202010827213.7A CN202010827213A CN111935056A CN 111935056 A CN111935056 A CN 111935056A CN 202010827213 A CN202010827213 A CN 202010827213A CN 111935056 A CN111935056 A CN 111935056A
- Authority
- CN
- China
- Prior art keywords
- signal
- demodulated
- cluster
- algorithm
- clustering algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 140
- 238000003064 k means clustering Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本申请公开了一种信号解调方法，包括：基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心；通过信号估计算法接收待解调信号；根据K‑means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号。通过密度峰值聚类算法进行聚类得到多个质心，再对待解调信号进行符号判决处理，得到解调信号，由此质心位置更加准确，提高了信号解调的准确性。本申请还公开了一种信号解调装置、设备以及计算机可读存储介质，具有以上有益效果。
Description
技术领域
本申请涉及信号处理技术领域，特别涉及一种信号解调方法、信号解调装置、设备以及计算机可读存储介质。
背景技术
随着信息技术的不断发展，出现了多种多样的信号调制解调方法，光OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用技术)通信系统中的多载波调制技术，可以实现子载波上调制格式以及光功率的灵活分配，成为下一代通信系统的有力竞争者。数据在传输过程中不可避免会受到各种噪声的干扰，影响信号的传输性能，因此信号的均衡补偿技术对于数据传输过程是极其重要的。
现有技术中，一般均是采用传统的K-means聚类算法，对接收到的信号的进行解调处理，以便得到解调信号。但是，现有技术中采用的传统K-means聚类算法在面对OFDM信号时，存在较大误差，降低了聚类的准确性，导致解调的精度和准确性极低。
因此，如何提高OFDM通信系统中的信号解调准确性是本领域技术人员关注的重点问题。
发明内容
本申请的目的是提供一种信号解调方法、信号解调装置、设备以及计算机可读存储介质，通过密度峰值聚类算法进行聚类得到多个质心，再对待解调信号进行符号判决处理，得到解调信号，由此质心位置更加准确，提高了信号解调的准确性。
为解决上述技术问题，本申请提供一种信号解调方法，包括：
基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心；
通过信号估计算法接收待解调信号；
根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号。
可选的，基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心，包括：
根据所述密度峰值聚类算法对所述星座图进行聚类，得到多个簇心；
根据所述欧几里得距离算法和所述多个簇心对所述星座图进行归类，得到多个簇；
对每个簇进行平均值计算，得到每个簇对应的质心，并对每个质心进行贴标签处理。
可选的，通过信号估计算法接收待解调信号，包括：
通过信号估计算法恢复接收到的原始信号的幅度和相位，将所述幅度和相位作为所述待解调信号。
可选的，根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号，包括：
根据K-means聚类算法和所有所述质心对所述待解调信号进行分类处理，得到多个信号类别；
根据每个质心对应的标签对每个所述信号类别进行信号标识，得到所述解调信号。
本申请还提供一种信号解调装置，包括：
簇分类模块，用于基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心；
信号接收模块，用于通过信号估计算法接收待解调信号；
符号判决模块，用于根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号。
可选的，所述簇分类模块，包括：
聚类单元，用于根据所述密度峰值聚类算法对所述星座图进行聚类，得到多个簇心；
归类单元，用于根据所述欧几里得距离算法和所述多个簇心对所述星座图进行归类，得到多个簇；
质心获取单元，用于对每个簇进行平均值计算，得到每个簇对应的质心，并对每个质心进行贴标签处理。
可选的，所述信号接收模块，具体用于通过信号估计算法恢复接收到的原始信号的幅度和相位，将所述幅度和相位作为所述待解调信号。
可选的，所述符号判决模块，包括：
信号分类单元，用于根据K-means聚类算法和所有所述质心对所述待解调信号进行分类处理，得到多个信号类别；
信号判决单元，用于根据每个质心对应的标签对每个所述信号类别进行信号标识，得到所述解调信号。
本申请还提供一种设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的信号解调方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的信号解调方法的步骤。
本申请所提供的一种信号解调方法，包括：基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心；通过信号估计算法接收待解调信号；根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号。
通过密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到每个簇对应的质心，也就是确定了每个分类的分类中心，然后通过信号估计算法接收待解调信号；根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号，也就是再对待解调信号进行解调操作，由于采用密度峰值确定质心，解决了传统聚类算法出现的符号判决误差问题，提高了信号解调的准确性。
本申请还提供一种信号解调装置、设备以及计算机可读存储介质，具有以上有益效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种信号解调方法的流程图；
图2为本申请实施例所提供的一种误码率曲线图；
图3为本申请实施例所提供的一种信号解调装置的结构示意图。
具体实施方式
本申请的核心是提供一种信号解调方法、信号解调装置、设备以及计算机可读存储介质，通过密度峰值聚类算法进行聚类得到多个质心，再对待解调信号进行符号判决处理，得到解调信号，由此质心位置更加准确，提高了信号解调的准确性。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
现有技术中，一般均是采用传统的K-means聚类算法，对接收到的信号的进行解调处理，以便得到解调信号。但是，现有技术中采用的传统K-means聚类算法在面对OFDM信号时，存在较大误差，降低了聚类的准确性，导致解调的精度和准确性极低。
因此，本申请提供了一种信号解调方法，通过密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到每个簇对应的质心，也就是确定了每个分类的分类中心，然后通过信号估计算法接收待解调信号；根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号，也就是再对待解调信号进行解调操作，由于采用密度峰值确定质心，解决了传统聚类算法出现的符号判决误差问题，提高了信号解调的准确性。
以下通过一个实施例，对本申请提供的一种信号解调方法进行说明。
请参考图1，图1为本申请实施例所提供的一种信号解调方法的流程图。
本实施例中，该方法可以包括：
S101，基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心；
本步骤旨在通过密度峰值聚类算法计算出星座图中每个簇的质心。即基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心。
本步骤中的主要是目的是通过密度峰值算法对星座图分类出对应的多个簇的质心，现有技术中一般是通过传统的聚类算法计算出对应的簇中心，然后通过该簇中心对接收到的信号进行相应的符号判决处理，以便对信号进行解调操作。
可选的，本步骤可以包括：
步骤1，根据密度峰值聚类算法对星座图进行聚类，得到多个簇心；
步骤2，根据欧几里得距离算法和多个簇心对星座图进行归类，得到多个簇；
步骤3，对每个簇进行平均值计算，得到每个簇对应的质心，并对每个质心进行贴标签处理。
可见，本可选方案主要是对本申请技术方案中如何获取质心进行说明。本可选方案中，首先，根据密度峰值聚类算法对星座图进行聚类，得到多个簇心。也就是，先通过密度峰值聚类算法进行聚类操作，得到多个簇心。其中，该密度峰值聚类算法的核心思想认为每个簇的簇心拥有较高的局部密度以及较大相对距离。簇心在一个簇中具有最高的局部密度，比其局部密度高的点一定在其它簇中，那么簇心就有着较大的相对距离。因此，确定的簇心包括以下两个特征：一是具有较高的局部密度；二是具有较大的相对距离。然后，根据欧几里得距离算法和多个簇心对星座图进行归类，得到多个簇。利用最小欧几里得距离对星座图上的点进行归类。最后，对每个簇进行平均值计算，得到每个簇对应的质心，并对每个质心进行贴标签处理。
S102，通过信号估计算法接收待解调信号；
本步骤旨在通过信号估计算法接收待解调信号，也就是获取到需要进行解调处理的信号。本步骤旨在的目的主要是在获取到的需要进行解调的待解调信号。
其中，本步骤可以采用现有技术提供的任意一种信号估计算法，在此不做具体限定。
可选的，本步骤可以包括：
通过信号估计算法恢复接收到的原始信号的幅度和相位，将幅度和相位作为待解调信号。
可见，本可选方案中主要是对如何获取到待解调信号进行说明。主要是通过信号估计算法恢复接收到的原始信号的幅度和相位，将幅度和相位作为待解调信号。其中，信号估计算法可以采用现有技术提供的任意一种信号估计算法。
S103，根据K-means聚类算法和所有质心对待解调信号进行符号判决处理，得到解调信号。
在S101和S102的基础上，本步骤旨在根据K-means聚类算法和所有质心对待解调信号进行符号判决处理，得到解调信号。在确定了多个质心的基础上，就可以对接收到的待解调信号进行信号判决处理，也就是进行解调操作。
本步骤中的符号判决操作方式，可以采用现有技术提供的任意一种判决方式，在此不做具体限定。由于在确定了质心的基础上，通过该质心进行信号判决已经可以提高信号解调的准确性，在此不做具体限定。
可选的，本步骤可以包括：
步骤1，根据K-means聚类算法和所有质心对待解调信号进行分类处理，得到多个信号类别；
步骤2，根据每个质心对应的标签对每个信号类别进行信号标识，得到解调信号。
可见，本申请技术方案中主要是通过K-means聚类算法对待解调信号进行解调处理进行说明。具体的，本可选方案中首先，根据K-means聚类算法和所有质心对待解调信号进行分类处理，得到多个信号类别；然后，根据每个质心对应的标签对每个信号类别进行信号标识，得到解调信号。
综上，本实施例通过密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到每个簇对应的质心，也就是确定了每个分类的分类中心，然后通过信号估计算法接收待解调信号；根据K-means聚类算法和所有质心对待解调信号进行符号判决处理，得到解调信号，也就是再对待解调信号进行解调操作，由于采用密度峰值确定质心，解决了传统聚类算法出现的符号判决误差问题，提高了信号解调的准确性。
以下通过一个具体的实施例，对本申请提供的一种信号解调方法做进一步说明。
本实施例中，该方法可以包括：
首先接收信号经过信道估计恢复出信号的幅度和相位。其次，利用基于密度峰值的聚类算法找寻星座图中每个簇的簇心，找到簇心之后，利用最小欧几里得距离将星座图上的点进行重新分类。接下来，通过计算每个簇的平均值重新定义簇的质心。得到新的质心后需要对质心贴标签，就是将新的质心与原始映射的点建立联系。最后，利用K-means聚类算法对信号进行符号判决。接下来将详细介绍该部分算法的原理。
首先，利用基于密度峰值的聚类算法找寻星座图中的簇心，该算法的核心思想认为每个簇的簇心拥有较高的局部密度以及较大相对距离。毋庸置疑，簇心在一个簇中具有最高的局部密度，比其局部密度高的点一定在其它簇中，那么簇心就有着较大的相对距离。因此，找寻的簇心就有了以下两个特征：一是具有较高的局部密度；二是具有较大的相对距离。
其次，根据聚类结果找寻到的簇心，利用最小欧几里得距离对星座图上的点进行归类。两点之间的欧几里得距离通过下式计算，具体的公式如下：
其中，xi＝(xi1,xi2,...,xim)和xj＝(xj1,xj2,...,xjm)是两个m维的数据点。
接下来，计算每个簇的平均值重新定义簇的质心，为后续K-means聚类算法进行符号判决做准备。经典的K-means聚类算法是机器学习中对数据进行分析归类的一种方法，广泛用于数据分析和模式识别中，用来解决数据分类或聚类问题。K-means聚类算法的基本思想是通过定义k个质心，将n个给定数据划分为k个聚类。
现有技术中，经典K-means聚类算法的实现过程如下：第一步，需要从数据集中随机选择k个对象作为原始质心。第二步，对每个对象而言，需要计算该对象与每个质心的最小欧几里得距离，并将其分配给欧几里得距离最小的聚类。第三步，计算每个簇的平均值重新定义簇的质心。此时，若重新计算得到的质心与先前的质心一致，就完成了K-means聚类算法。若不一致，就需要重复进行第三步直至质心不再改变。
K-means聚类算法的结构简单，当k值较小时，相应的计算速度就很快。随着原始质心个数k的增加，算法的计算复杂度有所提高，且K-means聚类算法容易陷入局部最优，很难找到全局最优的聚类中心。因此，原始质心的选取对聚类结果有着重要影响。此外，最为重要的一点是经典的K-means聚类算法需要知道质心的个数。因此，在多载波调制系统中，利用K-means聚类算法进行信号的均衡判决，就需要知道各个子载波上的调制信息，再逐一对子载波进行符号判决，大幅度增加了系统的计算复杂度。为了解决上述问题，本实施例利用基于密度峰值的聚类算法以及K-means聚类算法，自适应的找寻星座图中每个簇的簇心，再利用最小欧几里得距离对星座图上的点进行归类，通过计算每个聚类的平均值更新质心。
最后，利用K-means聚类算法对信号进行符号判决。值得注意的是，利用基于密度峰值的聚类算法找到的新质心与原本星座图上映射的点之间的联系是未知的。因此，需要给这些新质心贴标签。假设信号原本映射的星座点为xi(i＝1,2,…,k)，而重新计算得到的质心为yi(i＝1,2,…,k)，其中k代表信号的调制阶数，xi与yi均为复数。首先对yi进行平均能量归一化，并将yi与xi中点的最大幅值控制在同一幅度上，最后再利用最小欧几里得距离将新质心分给最近的原始映射的星座点，从而建立彼此之间的联系，实现新质心贴标签的过程。
可见，本实施例通过密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到每个簇对应的质心，也就是确定了每个分类的分类中心，然后通过信号估计算法接收待解调信号；根据K-means聚类算法和所有质心对待解调信号进行符号判决处理，得到解调信号，也就是再对待解调信号进行解调操作，由于采用密度峰值确定质心，解决了传统聚类算法出现的符号判决误差问题，提高了信号解调的准确性。
此外，在具体的实施场景中对以上实施例中的解调方法进行仿真。
本节仿真测试了QPSK(Quadrature Phase Shift Keying正交相移键控)，16-QAM以及64-QAM信号在不同的OSNR(OSNR-Optical Signal Noise Ratio光信噪比)条件下，利用上一实施例所提出的聚类算法以及利用传统K-means聚类算法得到的误码率结果。本实施例中仿真了一个OFDM的发射端，首先对PRBS15的信号源进行串并转化、PSK(phase-shiftkeying相移键控)/QAM(Quadrature Amplitude Modulation正交振幅调制)调制格式映射，其次对调制好的信号进行IFFT(Inverse Fast Fourier Transform快速傅里叶逆变换)变换以及加保护间隔等操作。接下来将12.5-Gbuad的已调信号送入加性高斯白噪声信道传输，其中信号总的载波数为512。最后在接收端对信号进行与发射端相反的操作以及信道估计，并利用上一实施例提出的聚类算法对接收数据进行均衡解调处理。其中每个点使用50组测试数据，每组测试数据的长度为8192。
请参考图2，图2为本申请实施例所提供的一种误码率曲线图。
其中，黑色曲线表示利用传统的K-means聚类算法得到的结果图，灰色曲线是利用本节所提出的聚类算法得到的结果图。其中，圆形、正方形以及三角形标记的曲线分别表示QPSK，16-QAM以及64-QAM信号的误码率结果图。不难发现，经过基于密度峰值的聚类算法以及K-means聚类算法均衡接收信号后再进行符号判决，可以改善信号的误码率性能。从图2中可以看出，对QPSK信号而言，星座图中的簇较少且分布在同一幅度上，因此信号具有较强的抗噪声能力，所以利用传统的K-means聚类算法和本文提出的聚类算法得到的误码率结果是相似的。对于高阶调制的16-QAM和64-QAM信号而言，信号容易受到噪声的干扰，因此利用本文提出的聚类算法判决信号的效果就更加明显。对于16-QAM信号而言，约有0.5dB的误码率提升。而对于64-QAM信号而言，随着OSNR的增加，约有0.5dB～2dB的误码率改善。
总的来说，为了验证本实施例所提出来的基于密度峰值的聚类算法以及K-means聚类算法的有效性，本实施例搭建了光OFDM传输实验系统验证和评估该算法的性能，首先仿真了一个OFDM的发射端，对信号源进行格式调制、IFFT变换以及加保护间隔等操作。接下来，将调制好的信号发送到AWG中。其中，AWG的采样速率为50-GSamples/s，OFDM信号的载波数为512，有效数据载波为128。
其次，利用MZM将AWG生成的12.5-Gbaud电信号加载到光载波上，激光器的波长为1550.112nm。并利用一个VOA来控制信号的进入光纤的功率，本文采用的是长度为30km的标准单模光纤，光纤在1550nm处的每公里衰减为0.2dB。
最后，利用一个VOA和一个EDFA组成一个噪声控制模块调整信号的OSNR，并利用一个固定光衰减器控制信号进入光电探测器的功率为-3dBm。最终信号传输到一个50-GSamples/s的采样示波器中，对接收到的数据进行分析。最后对数据进行离线处理。
下面对本申请实施例提供的一种信号解调装置进行介绍，下文描述的一种信号解调装置与上文描述的一种信号解调方法可相互对应参照。
请参考图3，图3为本申请实施例所提供的一种信号解调装置的结构示意图。
本实施例中，该装置可以包括：
簇分类模块100，用于基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心；
信号接收模块200，用于通过信号估计算法接收待解调信号；
符号判决模块300，用于根据K-means聚类算法和所有质心对待解调信号进行符号判决处理，得到解调信号。
可选的，该簇分类模块100，可以包括：
聚类单元，用于根据密度峰值聚类算法对星座图进行聚类，得到多个簇心；
归类单元，用于根据欧几里得距离算法和多个簇心对星座图进行归类，得到多个簇；
质心获取单元，用于对每个簇进行平均值计算，得到每个簇对应的质心，并对每个质心进行贴标签处理。
可选的，该信号接收模块200，具体用于通过信号估计算法恢复接收到的原始信号的幅度和相位，将幅度和相位作为待解调信号。
可选的，该符号判决模块300，可以包括：
信号分类单元，用于根据K-means聚类算法和所有质心对待解调信号进行分类处理，得到多个信号类别；
信号判决单元，用于根据每个质心对应的标签对每个信号类别进行信号标识，得到解调信号。
本申请实施例还提供一种设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如以上实施例所述的信号解调方法的步骤。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如以上实施例所述的信号解调方法的步骤。
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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，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，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟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。专业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，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种信号解调方法、信号解调装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种信号解调方法，其特征在于，包括：
基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心；
通过信号估计算法接收待解调信号；
根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号。
2.根据权利要求1所述的信号解调方法，其特征在于，基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心，包括：
根据所述密度峰值聚类算法对所述星座图进行聚类，得到多个簇心；
根据所述欧几里得距离算法和所述多个簇心对所述星座图进行归类，得到多个簇；
对每个簇进行平均值计算，得到每个簇对应的质心，并对每个质心进行贴标签处理。
3.根据权利要求1所述的信号解调方法，其特征在于，通过信号估计算法接收待解调信号，包括：
通过信号估计算法恢复接收到的原始信号的幅度和相位，将所述幅度和相位作为所述待解调信号。
4.根据权利要求1所述的信号解调方法，其特征在于，根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号，包括：
根据K-means聚类算法和所有所述质心对所述待解调信号进行分类处理，得到多个信号类别；
根据每个质心对应的标签对每个所述信号类别进行信号标识，得到所述解调信号。
5.一种信号解调装置，其特征在于，包括：
簇分类模块，用于基于密度峰值聚类算法和欧几里得距离算法对星座图进行簇分类处理，得到多个簇以及每个簇对应的质心；
信号接收模块，用于通过信号估计算法接收待解调信号；
符号判决模块，用于根据K-means聚类算法和所有所述质心对所述待解调信号进行符号判决处理，得到解调信号。
6.根据权利要求5所述的信号解调装置，其特征在于，所述簇分类模块，包括：
聚类单元，用于根据所述密度峰值聚类算法对所述星座图进行聚类，得到多个簇心；
归类单元，用于根据所述欧几里得距离算法和所述多个簇心对所述星座图进行归类，得到多个簇；
质心获取单元，用于对每个簇进行平均值计算，得到每个簇对应的质心，并对每个质心进行贴标签处理。
7.根据权利要求5所述的信号解调装置，其特征在于，所述信号接收模块，具体用于通过信号估计算法恢复接收到的原始信号的幅度和相位，将所述幅度和相位作为所述待解调信号。
8.根据权利要求5所述的信号解调装置，其特征在于，所述符号判决模块，包括：
信号分类单元，用于根据K-means聚类算法和所有所述质心对所述待解调信号进行分类处理，得到多个信号类别；
信号判决单元，用于根据每个质心对应的标签对每个所述信号类别进行信号标识，得到所述解调信号。
9.一种设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的信号解调方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的信号解调方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010827213.7A CN111935056A (zh) | 2020-08-17 | 2020-08-17 | 一种信号解调方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010827213.7A CN111935056A (zh) | 2020-08-17 | 2020-08-17 | 一种信号解调方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111935056A true CN111935056A (zh) | 2020-11-13 |
Family
ID=73311944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010827213.7A Pending CN111935056A (zh) | 2020-08-17 | 2020-08-17 | 一种信号解调方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111935056A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113411125A (zh) * | 2021-06-09 | 2021-09-17 | 中国人民解放军陆军工程大学 | 一种用于逆向调制无线光通信的信号判决方法及通信系统 |
| CN114938321A (zh) * | 2022-07-19 | 2022-08-23 | 四川创智联恒科技有限公司 | 一种利用数据符号用作参考信号进行信道估计的方法 |
| CN115695124A (zh) * | 2023-01-05 | 2023-02-03 | 成都玖锦科技有限公司 | 一种uqpsk相干解调方法和系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108667523A (zh) * | 2018-03-06 | 2018-10-16 | 苏州大学 | 基于无数据辅助的knn算法的光纤非线性均衡方法 |
-
2020
- 2020-08-17 CN CN202010827213.7A patent/CN111935056A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108667523A (zh) * | 2018-03-06 | 2018-10-16 | 苏州大学 | 基于无数据辅助的knn算法的光纤非线性均衡方法 |
Non-Patent Citations (4)
| Title |
|---|
| 单剑锋等: "《基于二次星座聚类提取信号特征参数的方法》", 《计算机技术与发展》 * |
| 孙可等: "《K均值聚类算法初始质心选择的改进》", 《沈阳师范大学学报(自然科学版)》 * |
| 邹鹏等: "《基于机器学习的可见光通信信号处理研究现状》", 《激光与光电子学进展》 * |
| 黄绪发: "《基于DDC算法的可见光通信的非线性补偿技术》", 《软件》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113411125A (zh) * | 2021-06-09 | 2021-09-17 | 中国人民解放军陆军工程大学 | 一种用于逆向调制无线光通信的信号判决方法及通信系统 |
| CN114938321A (zh) * | 2022-07-19 | 2022-08-23 | 四川创智联恒科技有限公司 | 一种利用数据符号用作参考信号进行信道估计的方法 |
| CN114938321B (zh) * | 2022-07-19 | 2022-10-28 | 四川创智联恒科技有限公司 | 一种利用数据符号用作参考信号进行信道估计的方法 |
| CN115695124A (zh) * | 2023-01-05 | 2023-02-03 | 成都玖锦科技有限公司 | 一种uqpsk相干解调方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111935056A (zh) | 一种信号解调方法及相关装置 | |
| CN113141325B (zh) | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 | |
| CN103124250B (zh) | 接收设备、信号处理设备以及信号处理方法 | |
| CN109309640B (zh) | 基于机器学习的盲信号格式识别方法 | |
| JP4768790B2 (ja) | 変調方式推定装置および方法 | |
| CN108965178A (zh) | 基于机器学习的智能自适应均衡器及均衡解调方法 | |
| CN101986629B (zh) | 估计窄带干扰的方法、装置及接收设备 | |
| Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
| CN115943395A (zh) | 用于无导频ofdm通信的无线电接收器、发射器和系统 | |
| CN115664523A (zh) | 适合于aco-ofdm-im系统的分步优化信号映射方法 | |
| CN111865848B (zh) | 一种信号调制格式识别方法及系统 | |
| WO2010033568A1 (en) | D-psk demodulation based on correlation angle distribution | |
| CN113452637A (zh) | 基于特征选择和支持向量机的水声通信信号调制识别方法 | |
| CN112202696A (zh) | 基于模糊自编码器的水声信号自动调制识别方法 | |
| CN117200825A (zh) | 基于索引调制的线性扩频信号调制解调方法 | |
| CN111313974A (zh) | 一种信号幅度排序与比值计算的调制格式识别方法 | |
| CN113537061B (zh) | 二维正交振幅调制信号的格式识别方法、装置及存储介质 | |
| CN114301748A (zh) | 一种多维度多模索引调制ofdm分集阶数提高系统及方法 | |
| CN113726710A (zh) | Ofdm信号的发送方法、接收方法、装置、存储介质及电子设备 | |
| Batra et al. | A study of automatic modulation classification for rayleigh fading channel | |
| CN113556305A (zh) | 适用于高频率选择性衰落的fbmc迭代信道均衡方法及系统 | |
| KR20220078823A (ko) | 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기 | |
| CN111917674A (zh) | 一种基于深度学习的调制识别方法 | |
| CN118264514B (zh) | 一种通信调制识别方法、装置及存储介质 | |
| CN115086124B (zh) | 一种基于信道频率相关性的ofdm子载波调制识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |
|
| RJ01 | Rejection of invention patent application after publication |