CN113242201A - 基于生成分类网络的无线信号增强解调方法及系统 - Google Patents

Abstract

本发明提供了一种基于生成分类网络的无线信号增强解调方法，其中包括：步骤4，解调网络输入无线信号的无线信号特征选取：选择使用原始无线信号经过去直流和快速傅里叶变换后的无线信号特征作为解调网络输入无线信号的无线信号特征。步骤5，无线信号解调：使用解调网络对无线信号进行解调，解调网络为使用信号的符号信息和不受干扰的无线信号同时作为解调网络训练过程中的标签，经过训练得到的训练好的深度神经网络；解调网络中包括生成网络和分类网络，采用生成网络进行无线信号增强，将增强后的无线信号输入到分类网络中，输出信息比特流，从而实现无线信号的解调。

Description

基于生成分类网络的无线信号增强解调方法及系统

技术领域

本发明属于信号解调领域，涉及无线信号增强解调方法，特别涉及一种基于生成分类网络的无线信号增强解调方法及系统。

背景技术

现有的无线通信中存在极低的信噪比、回波延迟、码间干扰(ISI)、时间传播、多普勒效应、振动衰落、极化等效应，传统的信号解调算法也表现出解调能力不足等弱点。传统的解调器通常采取特定的解调算法，因为需要和调制端配套，而导致其通用性能较差，在升级调制技术或者更换物理层技术方案，通常需要系统级的重新设计，这对技术研发和成本都是较大的开销。为了实现通信系统的灵活性、降低科研成本，软件无线电可以通过计算机的高级语言实现了大部分数字信号处理的功能，通过软件的控制以及参数配置，一套软件无线电设备可以满足物理层的不同需求，以方便科研人员对不同通信系统的研究。

传统的信号解调技术主要有三大类，分别是相干解调、非相干解调和基于机器学习的信号解调方式。

其中相干解调是一种基于对比信号相干性的检测方法，特点是需要提取载波信息，通过恢复出相干载波，利用这个相干载波和已调信号作用，得到原始数字基带信号。这个相干载波与原来发送端调制信号基带的载波信号是同频同相的。相干解调能够实现较高的解调性能。但是相干载波是要和已调信号相乘，这就需要严格的接收机和载波同步。实现相干解调的关键是接收端要恢复出一个与调制载波严格同步的相干载波。恢复载波性能的好坏，直接关系到接收机解调性能的优劣。

非相干解调相对于相干解调方式，是指不需要提取载波信息的一种解调方法。通常来说，非相干解调方法，方法简单而且不需要任何先验知识，实现容易，但是相较相干解调方法，其性能略有损失。非相干解调的优点是可以较少地考虑信道估计甚至略去，处理复杂度降低，实现较为简单，但相比相干解调方法的性能下降，从定量角度来看，普遍的结果是非相干解调性能比相干解调差3dB。

基于机器学习方法的信号解调在近年来得到了广泛的研究，主要是通过神经网络的非线性映射特性对信号进行解调。主要思想是将信号解调问题看作一个分类问题，在获得调制方案后，接收机只需加载相应的权重和偏差即可进行解调，这将在很大程度上简化系统的复杂度。然而，基于机器学习的分类方法在非线性信号上的性能有限，不能实现噪声和干扰的全局最优解。事实是，这些方法是基于信号是平稳的假设，实际信号具有典型的非平稳的统计特征。

综上，现有的方法主要有以下三类问题：1.检测效果不好；2.计算复杂度较高；3.不能满足信号非平稳时的应用需求。这些问题导致现有的信号解调方法通常在非平稳信道上没有良好的解调性能。

发明内容

针对现有技术存在的不足，本发明的目的在于，提供一种基于生成分类网络的无线信号增强解调方法及系统，以解决现有技术中的信号解调方法在非平稳信道上没有良好的解调性能的技术问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

一种基于生成分类网络的无线信号增强解调方法，该方法包括以下步骤：

步骤1，无线信号调制：

确定无线信号的信号频段、调制方式、发送符号以及符号率，确定发送端、接收端的设备型号、带宽和采样率；

步骤2，通信系统部署：

确定室外部署场地，确定发送端和接收端之间的拓扑结构，对室外部署场地进行间隔定点测距和系统调试；

步骤3，通信无线信号采集：

根据确定的拓扑结构启动通信系统进行不同通信距离下的无线信号采集，对采集到的无线信号执行同步处理；

步骤4，解调网络输入无线信号的无线信号特征选取：

选择使用原始无线信号经过去直流和快速傅里叶变换后的无线信号特征作为解调网络输入无线信号的无线信号特征；

步骤5，无线信号解调：

使用解调网络对无线信号进行解调，所述的解调网络为使用信号的符号信息和不受干扰的无线信号同时作为解调网络训练过程中的标签，经过训练得到的训练好的深度神经网络；

所述的解调网络中包括生成网络和分类网络，采用生成网络进行无线信号增强，将增强后的无线信号输入到分类网络中，输出信息比特流，从而实现无线信号的解调。

本发明还具有如下技术特征：

所述的解调网络的构建与训练方法为：构建深度神经网络结构，将采集到的经过同步处理后的通信无线信号整理成样本，输入到深度神经网络中进行训练和网络优化，直到获得最小的误码率结果和最少网络参数的平衡。

所述的深度神经网络的输入样本为：

式中：

为输入到深度神经网络中的样本集合表示；

i为输入到深度神经网络中的第i个样本；

f为无线信号的快速傅里叶变换后的无线信号特征；

|X(f)|_(i)为接收端收到的第i个受干扰的无线信号样本的无线信号特征；

|R(f)|_(i)为发送端发送的第i个不受干扰的无线信号样本的无线信号特征；

B_(i)为发送端发送的第i个样本的比特信息；

为输入到深度神经网络中的总样本数。

所述的深度神经网络为将具有GAN网络结构的深度神经网络中的鉴别网络改为分类网络得到具有GC网络结构的深度神经网络，所述的具有GC网络结构的深度神经网络包括生成网络和分类网络。

所述的具有GC网络结构的深度神经网络的激活函数为在生成网络中选择的PReLU。

所述的具有GC网络结构的深度神经网络的优化函数选择随机梯度下降SGD。

步骤3中，所述的无线信号采集过程中，对采集的无线信号进行相干解调，在相干解调结果持续为50％的距离下停止无线信号采集，保留相干解调结果准确率大于等于50％的距离下采集的无线信号，然后再对采集到的无线信号执行同步处理。

本发明还保护一种基于生成分类网络的无线信号增强解调系统，包括发送端和接收端，发送端和接收端分别与PC相连；

所述的发送端和接收端中均包括通用软件无线电外设和天线；

所述的发送端发送2FSK调制信号；

所述的接收端接收空气中调制后的模拟信号，并将模拟信号通过通用软件无线电外设转换为数字信号后存储到PC内；

所述的PC内包括解调模块，所述的解调模块采用如权利要求1至7任一项所述的基于生成分类网络的无线信号增强解调方法，解调模块用于对PC上接收到的数字信号进行解调。

本发明与现有技术相比，具有如下技术效果：

(Ⅰ)本发明的方法学习非平稳信道下的无线信号与受信道干扰小的无线信号之间的映射，从而实现对受干扰无线信号的增强效果，进而实现更好的解调性能。

(Ⅱ)本发明的方法仅仅使用待检测信号的频谱特征作为深度神经网络的输入，不需要对信号提取额外的复杂特征，且能够在处理多路FSK信号解调时依然可行。

(Ⅲ)本发明的方法通过对受干扰的信号和不受干扰的信号建立映射关系，学习其中的非线性特征，能够有效地去除部分噪声，提高信号解调的性能。

(Ⅳ)本发明的方法通过剪枝、替代激活步骤等方式对训练好的模型进行模型优化，从而进一步降低深度神经网络模型大小。

附图说明

图1为解调方法的流程示意图。

图2为基于2FSK调制的系统结构示意框图。

图3为实验场景部署示意图。

图4为2FSK相干解调流程示意图。

图5为生成分类网络结构示意图。

图6为本发明在真实环境中的解调性能和相干解调的性能对比图。

以下结合实施例对本发明的具体内容作进一步详细解释说明。

具体实施方式

不受干扰的无线信号即为发送端所发送的无线信号。

GAN网络指的是生成式对抗网络。

GC网络指的是生成分类网络。

USRP指的是通用软件无线电外设。

PC指的是个人电脑。

FSK指的是频移键控调制方式。

2FSK指的是二进制频移键控调制方式。

FFT指的是快速傅里叶变换。

PReLU指的是带参数的线性整流单元。

LReLU指的是泄露的线性整流单元。

SGD指的是随机梯度下降优化器。

遵从上述技术方案，以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

实施例1：

本实施例给出一种基于生成分类网络的无线信号增强解调方法，该方法包括以下步骤：

步骤1，无线信号调制：

确定无线信号的信号频段、调制方式、发送符号以及符号率，确定发送端、接收端的设备型号、带宽和采样率；

步骤2，通信系统部署：

确定室外部署场地，确定发送端和接收端之间的拓扑结构，对室外部署场地进行间隔定点测距和系统调试；

步骤3，通信无线信号采集：

根据确定的拓扑结构启动通信系统进行不同通信距离下的无线信号采集，对采集到的无线信号执行同步处理；

步骤4，解调网络输入无线信号的无线信号特征选取：

选择使用原始无线信号经过去直流和快速傅里叶变换后的无线信号特征作为解调网络输入无线信号的无线信号特征；

步骤5，无线信号解调：

使用解调网络对无线信号进行解调，解调网络为使用信号的符号信息和不受干扰的无线信号同时作为解调网络训练过程中的标签，经过训练得到的训练好的深度神经网络；

解调网络中包括生成网络和分类网络，采用生成网络进行无线信号增强，将增强后的无线信号输入到分类网络中，输出信息比特流，从而实现无线信号的解调。

本实施例中，使用信号的符号信息和不受干扰的无线信号同时作为解调网络训练过程中的标签的目的是，让输入的受干扰较大的信号(接收端所接收到的数据)更加趋近不受干扰的信号特征。

作为本实施例的一种优选方案，解调网络的构建与训练方法为：构建深度神经网络结构，将采集到的经过同步处理后的通信无线信号整理成样本，输入到深度神经网络中进行训练和网络优化，直到获得最小的误码率结果和最少网络参数的平衡。

作为本实施例的一种优选方案，深度神经网络的输入样本为：

式中：

为输入到深度神经网络中的样本集合表示；

i为输入到深度神经网络中的第i个样本；

f为无线信号的快速傅里叶变换后的无线信号特征；

|X(f)|_(i)为接收端收到的第i个受干扰的无线信号样本的无线信号特征；

|R(f)|_(i)为发送端发送的第i个不受干扰的无线信号样本的无线信号特征；

B_(i)为发送端发送的第i个样本的比特信息；

为输入到深度神经网络中的总样本数。

本发明中，接收2FSK调制信号，对接收端信号进行数字采样后，按照符号长度进行剪切，对每个符号的采样数据使用FFT方法进行快速傅里叶变换，得到受干扰的无线信号的频谱特征|X(f)|_i。

同样对发送端所发送信号进行数字采样和剪切后，使用FFT方法进行快速傅里叶变换，得到不受干扰的无线信号的频谱特征|R(f)|_i。每个样本的符号为B_i。由此可以得到神经网络的输入样本为：

作为本实施例的一种优选方案，具有GC网络结构的深度神经网络的激活函数为在生成网络中选择的PReLU。PReLU是LReLU的改进，可以自适应地从数据中学习参数。PReLU具有收敛速度快、错误率低的特点。PReLU可以用于反向传播的训练，可以与其他层同时优化。

作为本实施例的一种优选方案，深度神经网络为将具有GAN网络结构的深度神经网络中的鉴别网络改为分类网络得到具有GC网络结构的深度神经网络，具有GC网络结构的深度神经网络包括生成网络和分类网络。

本实施例中，生成网络主要分为两个部分：encoder_block和decoder_block。其中encoder_block是由卷积层、批归一化层、激活层连接组成的模块，接受输入并输出特征图/矢量/张量，这些特征向量保存代表输入的信息(即特征)；decoder_block是由数据合并层、反卷积层、批归一化层、激活层连接组成的模块，(通常与encoder_block具有相同的网络结构，但方向相反)，它从encoder_block获取特征向量，并提供与实际输入或预期输出的最佳匹配。损失函数基于计算实际输入与重构输入之间的增量。优化器将尝试训练encoder_block和decoder_block以降低此重建损失。使用多个encoder_block对输入数据进行数据特征提取得到输入数据的特征向量，再使用多个decoder_block进行对特征向量进行联合，并构建出具有最重要特征的输出，由此构建一个具有数据增强功能的生成网络。

本实施例中，分类网络是由输入层，隐藏层和输出层组成。输入层接收生成网络增强后的数据；隐藏层包括卷积层、批归一化层、激活层等，每一层的输出通过激活模型的非线性操作后作为下一层的输入，直到输出层的输出作为输出数据。

作为本实施例的一种优选方案，具有GC网络结构的深度神经网络的优化函数选择随机梯度下降SGD。其针对大数据集，训练速度很快。从训练集样本中随机选取一个batch计算一次梯度，更新一次模型参数。

本实施例中，神经网络的选择，输入数据特征选择、激活函数选择、优化函数的选择、相互协同增效使得解码效果最优、使得神经网络拓扑最小化。

使得解码效果最优，通过调整卷积核大小、卷积步长等参数，观察组数据的解码误码率指标，选择误码率最小的作为网络的超参数。

使得神经网络拓扑最小化，预设一个隐藏层层数的列表、一个神经元个数的列表、一个batchsize大小的列表；使用时从列表中最小值开始训练模型，每个参数训练数十次，每次训练完网络后测试神经网络效果，直到出现符合测试标准的模型出现，则该模型为最小化的神经网络模型。

作为本实施例的一种优选方案，步骤3中，无线信号采集过程中，对采集的无线信号进行相干解调，在相干解调结果持续为50％的距离下停止无线信号采集，保留相干解调结果准确率大于等于50％的距离下采集的无线信号，然后再对采集到的无线信号执行同步处理。

实施例2：

本实施例给出一种基于生成分类网络的无线信号增强解调系统，包括发送端和接收端，发送端和接收端分别与PC相连；

发送端和接收端中均包括通用软件无线电外设(即USRP)和天线；

发送端发送2FSK调制信号；

接收端接收空气中调制后的模拟信号，并将模拟信号通过通用软件无线电外设(即USRP)转换为数字信号后存储到PC内；

PC内包括解调模块，解调模块采用如权利要求1至7任一项基于生成分类网络的无线信号增强解调方法，解调模块用于对PC上接收到的数字信号进行解调。

实施例3：

本实施例给出一种基于生成分类网络的无线信号增强解调方法，该方法采用与实施例1中的基于生成分类网络的无线信号增强解调方法相同的方法，总体来说，如图1所示的本方法实现流程图中所示，本方法接收2FSK调制信号，对接收端信号进行数字采样后，按照符号长度进行剪切，对每个符号的采样数据使用FFT方法进行快速傅里叶变换，得到受干扰的无线信号的频谱特征|X(f)|_i。同样对发送端发送信号进行数字采样和剪切后使用FFT方法进行快速傅里叶变换，得到不受干扰的无线信号的频谱特征|R(f)|_i。每个样本的符号为B_i。由此可以得到神经网络的输入样本为：

将不同通信距离下的样本按照5：1：4划分为训练集、验证集和测试集进行神经网络的训练和测试。由此实现生成分类网络对2FSK信号的解调任务。

具体包括以下步骤：

步骤1，无线信号调制：

确定无线信号的信号频段、调制方式、发送符号以及符号率，确定发送端、接收端的设备型号、带宽和采样率；

本实施例中，在900M频段上进行实验，使用2FSK调制方式，发送符号为10101100循环调制，符号率为1kbps，接收端采样率为6M。发送端和接收端均使用NI-USRP 2922连接900M频段的天线进行实验，其中发送端使用一台USRP，接收端使用另一台USRP，两台USRP使用GPS天线实现同步。如图2所示。

步骤2，通信系统部署：

确定室外部署场地，确定发送端和接收端之间的拓扑结构，对室外部署场地进行间隔定点测距和系统调试；

本实施例中，选择室外开阔场景进行实验部署。如图3所示，采用一发一收的拓扑结构进行部署。发送端对信息先进行2FSK调制，用载波的频率来传送数字信息，即用所传送的数字信息控制载波的频率。2FSK信号便是符号“0”对应于载频f₁＝100kHz，而符号“1”对应于载频f₂＝315kHz。然后将调制信号加载到900MHz的高频载波上通过天线发送到空气中。接收端在另外位置接收调制后的信号，发送端所发送的信号为神经网络训练过程中需要的参考信号。将发送端到接收端的距离定义为系统的通信距离。

步骤3，通信无线信号采集：

根据确定的拓扑结构启动通信系统进行不同通信距离下的无线信号采集，对采集到的无线信号执行同步处理；

作为本实施例的一种优选方案，步骤3中，无线信号采集过程中，对采集的无线信号进行相干解调，在相干解调结果持续为50％的距离下停止无线信号采集，保留相干解调结果准确率大于等于50％的距离下采集的无线信号，然后再对采集到的无线信号执行同步处理。

本实施例中，从通信距离200m起，每间隔20m进行定点数据采集。并在同一距离下进行多次收集，保证每个距离点下接收到的符号数超过100000。对采集到的数据执行简单的同步处理和如图4所示的相干解调。在相干解调结果持续3个距离点均约为50％准确率的距离下停止数据采集。

步骤4，解调网络输入无线信号的无线信号特征选取：

选择使用原始无线信号经过去直流和快速傅里叶变换后的无线信号特征作为解调网络输入无线信号的无线信号特征；

步骤5，无线信号解调：

使用解调网络对无线信号进行解调，解调网络为使用信号的符号信息和不受干扰的无线信号同时作为解调网络训练过程中的标签，经过训练得到的训练好的深度神经网络；

解调网络中包括生成网络和分类网络，采用生成网络进行无线信号增强，将增强后的无线信号输入到分类网络中，输出信息比特流，从而实现无线信号的解调。

本实施例中，使用信号的符号信息和不受干扰的无线信号同时作为解调网络训练过程中的标签的目的是，让输入的受干扰较大的信号(接收端所接收到的数据)更加趋近不受干扰的信号特征。

作为本实施例的一种优选方案，解调网络的构建与训练方法为：构建深度神经网络结构，将采集到的经过同步处理后的通信无线信号整理成样本，输入到深度神经网络中进行训练和网络优化，直到获得最小的误码率结果和最少网络参数的平衡。

具体的，本实施例中，根据系统需求构建生成分类的网络结构。如图5所示。网络的一部分是生成网络生成器G，其主要任务是模拟真实信号分布，生成与训练集相关的增强信号。接收噪声信号的频谱特征|X(f)|，并通过该噪声信号生成恢复信号的频谱特征，其表示为G(|X(f)|)。重要的是，G不是通过记忆输入输出对，而是通过学习真实不受干扰信号的频谱特征|R(f)|集的数据分布来实现的。另一种是对抗性网络分类器(C)。它是一个典型的分类器，它用来判别当前增强的信号是否增强到预期的特征上。C的目标一个是分类G(|X(f)|)，另一个是帮助G生成更好的G(|X(f)|)。因此，G和C形成了一个动态的“游戏过程”。我们期望最后一场游戏的结果是：G可以产生一个信号G(|X(f)|)非常接近噪声较小的|R(f)|，让C能够正确地解调它们。由此可以定义如下的损失函数：

C_loss＝binary_crossentropy(C(G(X(f)))，B)G_loss＝mean_squared_error(G(X(f))，R(f))+λ

*binary_crossentropy(C(G(X(f)))，B)

关于二值交叉熵的λ权重，初值为1。经过一些实验可以观察到，λ＝1时，G_loss中的两部分损失是两个数量级，所以λ＝1对学习没有实际影响。一旦将其设置为100，就会看到输出样本的质量就提高了，假设这有助于G网络的学习。

作为本实施例的一种优选方案，深度神经网络的输入样本为：

式中：

为输入到深度神经网络中的样本集合表示；

i为输入到深度神经网络中的第i个样本；

f为无线信号的快速傅里叶变换后的无线信号特征；

|X(f)|_(i)为接收端收到的第i个受干扰的无线信号样本的无线信号特征；

|R(f)|_(i)为发送端发送的第i个不受干扰的无线信号样本的无线信号特征；

B_(i)为发送端发送的第i个样本的比特信息；

为输入到深度神经网络中的总样本数。

本发明中，接收2FSK调制信号，对接收端信号进行数字采样后，按照符号长度进行剪切，对每个符号的采样数据使用FFT方法进行快速傅里叶变换，得到受干扰的无线信号的频谱特征|X(f)|_i。

同样对发送端所发送信号进行数字采样和剪切后，使用FFT方法进行快速傅里叶变换，得到受干扰的无线信号的频谱特征|R(f)|_i。每个样本的符号为B_i。由此可以得到神经网络的输入样本为：

作为本实施例的一种优选方案，深度神经网络为将具有GAN网络结构的深度神经网络中的鉴别网络改为分类网络得到具有GC网络结构的深度神经网络，具有GC网络结构的深度神经网络包括生成网络和分类网络。

本实施例中，生成网络主要分为两个部分：encoder_block和decoder_block。其中encoder_block是由卷积层、批归一化层、激活层连接组成的模块，接受输入并输出特征图/矢量/张量，这些特征向量保存代表输入的信息(即特征)；decoder_block是由数据合并层、反卷积层、批归一化层、激活层连接组成的模块，(通常与encoder_block具有相同的网络结构，但方向相反)，它从encoder_block获取特征向量，并提供与实际输入或预期输出的最佳匹配。该网络结构中G的encoder_block是由7个卷积核大小31*1和2*1步长的一维卷积层组成。每层滤波器数量增加，使得深度随着宽度(信号持续时间)变窄而增大。可以得到每层的特征向量尺寸为2048×1、1024×16、512×32、256×64、128×128、64×256、32×512、16×1024。在这里，从16×1024维正态分布N(0，1)中采样了噪声样本z。如上所述，G的decoder_block是具有相同滤波器宽度和相同每层滤波器量的encoder_block的镜像。并且通过skip连接和添加潜在向量z，使每一层中的特征映射的数量增加了一倍。使用多个encoder_block对输入数据进行数据特征提取得到输入数据的特征向量，再使用多个decoder_block进行对特征向量进行联合，并构建出具有最重要特征的输出，由此构建一个具有数据增强功能的生成网络。

本实施例中，分类网络则是由输入层，隐藏层和输出层组成。输入层接收生成网络增强后的数据；隐藏层包括卷积层、批归一化层、激活层等，每一层的输出通过激活模型的非线性操作后作为下一层的输入，直到输出层的输出作为输出数据。

损失函数使用均方误差和二值交叉熵来共同计算实际输入与重构输入之间的差异。

作为本实施例的一种优选方案，具有GC网络结构的深度神经网络的激活函数为在生成网络中选择的PReLU。PReLU是LReLU的改进，可以自适应地从数据中学习参数。PReLU具有收敛速度快、错误率低的特点。PReLU可以用于反向传播的训练，可以与其他层同时优化。

作为本实施例的一种优选方案，具有GC网络结构的深度神经网络的优化函数选择随机梯度下降SGD。其针对大数据集，训练速度很快。从训练集样本中随机选取一个batch计算一次梯度，更新一次模型参数。

随着网络的优化，当模型在训练集上的误差降低的时候，其在验证集上的误差表现不会变差。反之，当模型在训练集上表现很好，在验证集上表现很差的时候，我们认为模型出现了过拟合(overfitting)的情况。使得解码效果最优，通过观察验证集的解码精度，采用早停法选择模型在处理验证集时准确率最高的模型进行保存。

本实施例中，神经网络的选择，输入数据特征选择、激活函数选择、优化函数的选择、相互协同增效使得解码效果最优、使得神经网络拓扑最小化。

使得解码效果最优，通过调整卷积核大小、卷积步长等参数，观察组数据的解码误码率指标，选择误码率最小的作为网络的超参数。

使得神经网络拓扑最小化，预设一个隐藏层层数的列表、一个神经元个数的列表、一个batchsize大小的列表；使用时从列表中最小值开始训练模型，每个参数训练数十次，每次训练完网络后测试神经网络效果，直到出现符合测试标准的模型出现，则该模型为最小化的神经网络模型。

具体实验效果：

在实施例3的基础上，做了实验，实验具体步骤如下：在900Mhz频段，发送2FSK调制信号，在接收端采集数据。

根据真实环境中的实验结果：如图6所示，我们可以观察到，生成分类网络的解调性能相比于2FSK相干解调性能有明显提升。经过以上实验，则验证了我们生成分类网络的解调的可行性。

Claims (8)

1.一种基于生成分类网络的无线信号增强解调方法，该方法包括以下步骤：

步骤1，无线信号调制：

确定无线信号的信号频段、调制方式、发送符号以及符号率，确定发送端、接收端的设备型号、带宽和采样率；

步骤2，通信系统部署：

确定室外部署场地，确定发送端和接收端之间的拓扑结构，对室外部署场地进行间隔定点测距和系统调试；

步骤3，通信无线信号采集：

根据确定的拓扑结构启动通信系统进行不同通信距离下的无线信号采集，对采集到的无线信号执行同步处理；

其特征在于：

步骤4，解调网络输入无线信号的无线信号特征选取：

选择使用原始无线信号经过去直流和快速傅里叶变换后的无线信号特征作为解调网络输入无线信号的无线信号特征；

步骤5，无线信号解调：

使用解调网络对无线信号进行解调，所述的解调网络为使用信号的符号信息和不受干扰的无线信号同时作为解调网络训练过程中的标签，经过训练得到的训练好的深度神经网络；

所述的解调网络中包括生成网络和分类网络，采用生成网络进行无线信号增强，将增强后的无线信号输入到分类网络中，输出信息比特流，从而实现无线信号的解调。

2.如权利要求1所述的基于生成分类网络的无线信号增强解调方法，其特征在于，所述的解调网络的构建与训练方法为：构建深度神经网络结构，将采集到的经过同步处理后的通信无线信号整理成样本，输入到深度神经网络中进行训练和网络优化，直到获得最小的误码率结果和最少网络参数的平衡。

3.如权利要求1或2所述的基于生成分类网络的无线信号增强解调方法，其特征在于，所述的深度神经网络的输入样本为：

式中：

为输入到深度神经网络中的样本集合表示；

i为输入到深度神经网络中的第i个样本；

f为无线信号的快速傅里叶变换后的无线信号特征；

|X(f)|_(i)为接收端收到的第i个受干扰的无线信号样本的无线信号特征；

|R(f)|_(i)为发送端发送的第i个不受干扰的无线信号样本的无线信号特征；

B_(i)为发送端发送的第i个样本的比特信息；

为输入到深度神经网络中的总样本数。

4.如权利要求1或2所述的基于生成分类网络的无线信号增强解调方法，其特征在于，所述的深度神经网络为将具有GAN网络结构的深度神经网络中的鉴别网络改为分类网络得到具有GC网络结构的深度神经网络，所述的具有GC网络结构的深度神经网络包括生成网络和分类网络。

5.如权利要求3所述的基于生成分类网络的无线信号增强解调方法，其特征在于，所述的具有GC网络结构的深度神经网络的激活函数为在生成网络中选择的PReLU。

6.如权利要求3所述的基于生成分类网络的无线信号增强解调方法，其特征在于，所述的具有GC网络结构的深度神经网络的优化函数选择随机梯度下降SGD。

7.如权利要求1所述的基于生成分类网络的无线信号增强解调方法，其特征在于，步骤3中，所述的无线信号采集过程中，对采集的无线信号进行相干解调，在相干解调结果持续为50％的距离下停止无线信号采集，保留相干解调结果准确率大于等于50％的距离下采集的无线信号，然后再对采集到的无线信号执行同步处理。

8.一种基于生成分类网络的无线信号增强解调系统，其特征在于，包括发送端和接收端，发送端和接收端分别与PC相连；

所述的发送端和接收端中均包括通用软件无线电外设和天线；

所述的发送端发送2FSK调制信号；

所述的接收端接收空气中调制后的模拟信号，并将模拟信号通过通用软件无线电外设转换为数字信号后存储到PC内；

所述的PC内包括解调模块，所述的解调模块采用如权利要求1至7任一项所述的基于生成分类网络的无线信号增强解调方法，解调模块用于对PC上接收到的数字信号进行解调。

Images