CN113014358B - 一种应用于反向散射系统的自适应解码方法及解码系统 - Google Patents
一种应用于反向散射系统的自适应解码方法及解码系统 Download PDFInfo
- Publication number
- CN113014358B CN113014358B CN202110248510.0A CN202110248510A CN113014358B CN 113014358 B CN113014358 B CN 113014358B CN 202110248510 A CN202110248510 A CN 202110248510A CN 113014358 B CN113014358 B CN 113014358B
- Authority
- CN
- China
- Prior art keywords
- signal
- decoder
- backscatter
- backscattering
- decoding
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0059—Convolutional codes
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种应用于反向散射系统的自适应解码方法及解码系统,首先根据已知的信号码元训练解码器;下变频射频信号到基带;将基带信号进行数字化,并且消除数字信号中的载波分量;检测反向散射信号是否存在,若存在,搜索并定位反向散射信号的起始位置;解调反向散射信号波形,获得信号码元;将信号码元输入解码器,由解码器对其进行解码,以获得反向散射数据。本发明利用反向散射信号相邻码元具有记忆性的特点,将机器学习技术应用到反向散射信号的解码算法中,完成反向散射信号基带码元的解码,该解码器不仅性能不低于传统的Viterbi算法,而且可对不同的编码器进行学习,具有很好的自适应能力。
Description
技术领域
本发明涉及信号处理技术领域,尤其是涉及一种应用于反向散射系统的自适应解码方法及解码系统。
背景技术
近年来,反向散射通信技术已成功应用于许多不同领域,如常见的射频识别(RFID)系统。该系统被广泛应用于库房盘存、资产跟踪和个人身份识别。为了降低反向散射通信中的误码率,在大多数反向散射通信系统基带部分,都采用了前向纠错码。如在EPCGlobal Class-1 Generation-2 UHF RFID标准中,射频标签的波形采用了基于FM0的编码方法。FM0编码是一种双相间空号编码,图1所示为FM0编码的4种基本波形,代表FM0编码的4个编码状态,记为S1~S4。图2所示为状态S1~S4的状态转移图。根据状态转移图,标签信号中任意两个相邻数据通过FM0编码后在码元交界处必须进行一次相位翻转,从而每一个数据编码后的码元波形由前一个码元以及当前的数据决定,即FM0编码具有记忆性。
在通信系统中,传统的解码器都是基于编码理论,通过最优化某种编码属性,如汉明距离等,来完成解码器的设计。如广泛用于卷积码解码的维特比(Viterbi)算法,其利用卷积码编码时的码间约束,以多个码元波形对某一码元进行最大似然译码。由于前述RFID系统采用了FM0编码,其具有同卷积码类似的记忆性,因而Viterbi算法可以对该反向散射信号进行解码。虽然传统的解码器在某些条件下式最优的,如Viterbi算法在白噪声情况下,是卷积码的最优的解码方法,但传统的解码器必须针对特定的编码过程进行单独设计,在某些领域的应用中,如认知无线电,仍缺乏足够的灵活性。
近年来,机器学习成为了近年来学术界、工业界所关注的焦点,在高性能GPU、模型训练方法和学习网络架构发展的推动下,机器学习在图像处理、机器翻译以及语音识别等领域中取得极为重大的进展。同时,它在现代通信系统中的应用也越来越广泛,但在反向散射通信系统这个领域,基于机器学习的反向散射系统尚未有人考虑过。
发明内容
有鉴于此,本发明的目的在于提供一种基于机器学习的应用于反向散射系统的自适应解码方法及解码系统。
为解决上述技术问题,本发明的实施例提供一种应用于反向散射系统的自适应解码方法,包括以下步骤:
步骤A、将已知反向散射信号x(n)对应的接收码元数据块y(n)输入解码器,并将解码器输出的解码结果z(n)与x(n)进行比对,利用x(n)与z(n)之间的差值对解码器进行训练,直至x(n)与z(n)之间的误差小于指定要求,此时即完成解码器的训练;
步骤B、解码器将接收到的射频信号首先下变频到基带,并进入下一步骤;
步骤C、将基带信号进行数字化,并且消除数字信号中的载波分量,并进入下一步骤;
步骤D、检测反向散射信号是否存在,若不存在,则返回步骤B,若存在,搜索并定位反向散射信号的起始位置,并进入下一步骤;
步骤E、解调反向散射信号波形,获得信号码元,并进入下一步骤;
步骤F、将信号码元输入解码器,由解码器对其进行解码,以获得反向散射数据。
优选的是,所述步骤A中,令x(n)表示已知的反向散射信号,y(n)表示x(n)对应的接收的包含噪声影响的码元数据块,z(n)表示经过解码器解码后的输出数据,其中,y(n)=x(n)+v(n),v(n)为白噪声。
优选的是,其中,x(n)的长度为50bit,y(n)的长度为100bit,y(n)中的信噪比E[x2(n)]/E[v2(n)]为5dB,z(n)的长度为50bit。
优选的是,所述步骤A中,独立产生100000次x(n)与y(n)的实现,将每次实现的y(n)经过解码器进行解码,并产生z(n)。
优选的是,所述解码器采用keras语言实现,解码器包括一层Input层,两层长短期记忆层(LSTM),以及一层全连接层(Dense),其中,全连接层中的激活函数采用sigmoid函数。
优选的是,所述Input层的大小为50×2,所述长短期记忆层LSTM的大小为50×500,所述全连接层Dense的大小为50×1。
优选的是,所述步骤F中,若y(n)的长度小于50,则在y(n)后部补充数据零的编码码元波形,以凑足50个码元。
优选的是,所述步骤F中,将y(n)输入解码器,并得到输出结果z(n),在z(n)中截取长度等于x(n)的数据作为最终输出解码数据。
为解决上述技术问题,本发明还提供了一种应用于反向散射系统的自适应解码系统,包括:
解码器训练模块,用于对解码器进行训练;
下变频模块,用于将天线接收的射频信号下变频到基带;
载波抵消模块,用于抵消接收信号中包含的发送天线发出的载波信号;
反向散射信号检测与同步模块,用于检测反向散射信号,若反向散射信号存在,搜索并定位反向散射信号的起始位置;
反向散射信号解调模块,用于解调反向散射基带信号波形,获得基带信号码元;
反向散射信号解码模块,用于解码基带信号码元,获得最终的反向散射数据。
本发明的上述技术方案的有益效果如下:
1、利用反向散射信号基带相邻码元具有记忆性的特点,将机器学习应用到反向散射信号的解码算法中,完成反向散射信号基带码元的纠错解码;
2、相对于现有的Viterbi解码器,该解码器具有可自适应配置的特点,只需利用已知的反向散射信号编码前后的序列对解码器进行训练,即可支持不同的编码器输出的译码,因此具有很好的自适应能力;
3、在具备自适应能力的基础上,可自适应配置的解码器不仅性能与Viterbi解码器的性能相近,而且对于噪声能量起伏较大的白噪声信道,该解码器也具有很好的鲁棒性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1是现有FM0编码的四种基本波形图;
图2是现有FM0编码的状态转移图;
图3是本发明实施例的适应于反向散射系统的自适应解码方法的流程示意图;
图4是本发明实施例的适应于反向散射系统的自适应解码系统的结构框图;
图5是本发明实施例的自适应解码器的结构示意图;
图6是本发明实施例的自适应解码器与传统的Viterbi解码器的性能对比图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明针对现有技术中没有出现能够基于机器学习在反向散射通信系统解码中应用的解码方法的技术问题,提供了一种应用于反向散射系统的自适应解码方法及自适应解码器。
如图3所示,为本发明的应用于反向散射系统的自适应解码方法的流程示意图,该方法包括以下步骤:
步骤A、将已知反向散射信号x(n)对应的接收码元数据块y(n)输入解码器,并将解码器输出的解码结果z(n)与x(n)进行比对,利用x(n)与z(n)之间的差值对解码器进行训练,直至x(n)与z(n)之间的误差小于指定要求,此时即完成解码器的训练;
步骤B、解码器将接收到的射频信号首先下变频到基带,并进入下一步骤;
步骤C、将基带信号进行数字化,并且消除数字信号中的载波分量,并进入下一步骤;
步骤D、检测反向散射信号是否存在,若不存在,则返回步骤B,若存在,搜索并定位反向散射信号的起始位置,并进入下一步骤;
步骤E、解调反向散射信号波形,获得信号码元,并进入下一步骤;
步骤F、将信号码元输入解码器,由解码器对其进行解码,以获得反向散射数据。
本实施例中,步骤A中,令x(n)表示已知的反向散射信号,y(n)表示x(n)对应的接收的包含噪声影响的码元数据块,z(n)表示经过解码器解码后的输出数据,其中,y(n)=x(n)+v(n),v(n)为白噪声。
其中,x(n)的长度为50bit,y(n)的长度为100bit,y(n)中的信噪比E[x2(n)]/E[v2(n)]为5dB,z(n)的长度为50bit。
本实施例中,步骤A中,独立产生100000次x(n)与y(n)的实现,将每次实现的y(n)经过解码器进行解码,并产生z(n)。
需要说明的是,解码器采用keras语言实现,如图5所示,解码器包括一层Input层,两层长短期记忆层(LSTM),以及一层全连接层(Dense),其中,全连接层中的激活函数采用sigmoid函数。
其中,Input层的大小为50×2,长短期记忆层LSTM的大小为50×500,全连接层Dense的大小为50×1。
进一步的,在步骤F中,若y(n)的长度小于50,则在y(n)后部补充数据零的编码码元波形,以凑足50个码元。
此外,步骤F中,将y(n)输入解码器,并得到输出结果z(n),在z(n)中截取长度等于x(n)的数据作为最终输出解码数据。
如图4所示,本发明的实施例还提供了一种应用于反向散射系统的自适应解码系统,该系统包括:
解码器训练模块10,用于对解码器进行训练;
下变频模块20,用于将天线接收的射频信号下变频到基带;
载波抵消模块30,用于抵消接收信号中包含的发送天线发出的载波信号;
反向散射信号检测与同步模块40,用于检测反向散射信号,若反向散射信号存在,搜索并定位反向散射信号的起始位置,若反向散射信号不存在,反向散射信号检测与同步模块将继续检测,直至检测到反向散射信号;
反向散射信号解调模块50,用于解调反向散射基带信号波形,获得基带信号码元;
反向散射信号解码模块60,用于解码基带信号码元,获得最终的反向散射数据。
如图6所示,为本发明实施例的解码器与传统的Viterbi解码器的性能对比图,本发明的解码器具有可自适应配置的特点,只需利用已知的反向散射信号编码前后的序列对解码器进行训练,即可支持不同的编码器输出的译码,因此具有很好的自适应能力;同时在具备自适应能力的基础上,可自适应配置的解码器不仅性能与Viterbi解码器的性能相近,而且对于噪声能量起伏较大的白噪声信道,该解码器也具有很好的鲁棒性。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种应用于反向散射系统的自适应解码方法,其特征在于,包括以下步骤:
步骤A、将已知反向散射信号x(n)对应的接收码元数据块y(n)输入解码器,并将解码器输出的解码结果z(n)与x(n)进行比对,利用x(n)与z(n)之间的差值对解码器进行训练,直至x(n)与z(n)之间的误差小于指定要求,此时即完成解码器的训练;
步骤B、解码器将接收到的射频信号首先下变频到基带,并进入下一步骤;
步骤C、将基带信号进行数字化,并且消除数字信号中的载波分量,并进入下一步骤;
步骤D、检测反向散射信号是否存在,若不存在,则返回步骤B,若存在,搜索并定位反向散射信号的起始位置,并进入下一步骤;
步骤E、解调反向散射信号波形,获得信号码元,并进入下一步骤;
步骤F、将信号码元输入解码器,由解码器对其进行解码,以获得反向散射数据。
2.根据权利要求1所述的一种应用于反向散射系统的自适应解码方法,其特征在于,所述步骤A中,令x(n)表示已知的反向散射信号,y(n)表示x(n)对应的接收的包含噪声影响的码元数据块,z(n)表示经过解码器解码后的输出数据,其中,y(n)=x(n)+v(n),v(n)为白噪声。
3.根据权利要求2所述的一种应用于反向散射系统的自适应解码方法,其特征在于,其中,x(n)的长度为50bit,y(n)的长度为100bit,y(n)中的信噪比E[x2(n)]/E[v2(n)]为5dB,z(n)的长度为50bit。
4.根据权利要求1所述的一种应用于反向散射系统的自适应解码方法,其特征在于,所述步骤A中,独立产生100000次x(n)与y(n)的实现,将每次实现的y(n)经过解码器进行解码,并产生z(n)。
5.根据权利要求1所述的一种应用于反向散射系统的自适应解码方法,其特征在于,所述解码器采用keras语言实现,解码器包括一层Input层,两层长短期记忆层,以及一层全连接层,其中,全连接层中的激活函数采用sigmoid函数。
6.根据权利要求5所述的一种应用于反向散射系统的自适应解码方法,其特征在于,所述Input层的大小为50×2,所述长短期记忆层LSTM的大小为50×500,所述全连接层Dense的大小为50×1。
8.根据权利要求1所述的一种应用于反向散射系统的自适应解码方法,其特征在于,所述步骤F中,若y(n)的长度小于50,则在y(n)后部补充数据零的编码码元波形,以凑足50个码元。
9.根据权利要求1所述的一种应用于反向散射系统的自适应解码方法,其特征在于,所述步骤F中,将y(n)输入解码器,并得到输出结果z(n),在z(n)中截取长度等于x(n)的数据作为最终输出解码数据。
10.一种应用于反向散射系统的自适应解码系统,其特征在于,包括:
解码器训练模块,用于对解码器进行训练,将已知反向散射信号x(n)对应的接收码元数据块y(n)输入解码器,并将解码器输出的解码结果z(n)与x(n)进行比对,利用x(n)与z(n)之间的差值对解码器进行训练,直至x(n)与z(n)之间的误差小于指定要求;
下变频模块,用于将天线接收的射频信号下变频到基带;
载波抵消模块,用于抵消接收信号中包含的发送天线发出的载波信号;
反向散射信号检测与同步模块,用于检测反向散射信号,若反向散射信号存在,搜索并定位反向散射信号的起始位置;
反向散射信号解调模块,用于解调反向散射基带信号波形,获得基带信号码元;
反向散射信号解码模块,用于解码基带信号码元,获得最终的反向散射数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248510.0A CN113014358B (zh) | 2021-03-05 | 2021-03-05 | 一种应用于反向散射系统的自适应解码方法及解码系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248510.0A CN113014358B (zh) | 2021-03-05 | 2021-03-05 | 一种应用于反向散射系统的自适应解码方法及解码系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113014358A CN113014358A (zh) | 2021-06-22 |
CN113014358B true CN113014358B (zh) | 2022-06-28 |
Family
ID=76407655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110248510.0A Active CN113014358B (zh) | 2021-03-05 | 2021-03-05 | 一种应用于反向散射系统的自适应解码方法及解码系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113014358B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105897638A (zh) * | 2014-12-22 | 2016-08-24 | 飞思卡尔半导体公司 | 反向散射调制数据的数字解码 |
EP3637099B1 (en) * | 2018-10-08 | 2021-06-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Image reconstruction method based on a trained non-linear mapping |
CN109886052B (zh) * | 2019-01-17 | 2022-02-01 | 苏州大学 | 一种超高频rfid标签信号的恢复方法 |
CN111769904B (zh) * | 2020-06-23 | 2021-08-17 | 电子科技大学 | 一种反向散射通信系统中多反射设备并行传输的检测方法 |
-
2021
- 2021-03-05 CN CN202110248510.0A patent/CN113014358B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113014358A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ryan et al. | The viterbi algorithm | |
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 | |
US7742547B2 (en) | Method and system for reading RFID tags | |
CN102612824B (zh) | 带不明确性的连续局部化中合并比特概率信息的方法和设备 | |
CN103378921A (zh) | 信号解调方法和装置 | |
Qin et al. | Deep learning based channel code recognition using TextCNN | |
US7889817B2 (en) | Apparatus and method for receiving a radio signal | |
EP1092280B1 (en) | An equalizer with channel tracker switching | |
CN113014358B (zh) | 一种应用于反向散射系统的自适应解码方法及解码系统 | |
Chen et al. | End-to-end PSK signals demodulation using convolutional neural network | |
US5539780A (en) | Computationally efficient data decoder and method used therein | |
JP4793372B2 (ja) | 通信装置、復調方法 | |
EP3113399B1 (en) | Frame bit detector in near field communications | |
CN114390575B (zh) | 一种面向cbtc的无线信号同步检测方法、系统及装置 | |
US20100085163A1 (en) | Decoding scheme for rfid reader | |
KR101237974B1 (ko) | Rfid 태그, rfid 리더, 및 이들을 구비하는rfid 시스템 | |
JP2008027270A (ja) | 非接触リーダライタおよび情報記録担体 | |
KR20220093667A (ko) | 디지털 변조 신호 수신기 및 이의 신호 처리 방법 | |
CN107342797B (zh) | 信号检测方法及装置 | |
Li et al. | Signal coding in physical layer separation for RFID tag collision | |
CN1307801C (zh) | 用于信号解调的装置和方法 | |
US8081577B2 (en) | Method of calculating soft value and method of detecting transmission signal | |
CN101601245A (zh) | 通过检测最近星座点来减阶的维特比均衡 | |
CN116055273B (zh) | 一种神经网络级联的qpsk接收机及其辅助模型训练方法 | |
US7999678B2 (en) | Demodulating module, RFID system utilizing the demodulating module and method thereof |
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 |