CN113259276A - 基于神经网络的gmsk脉冲多普勒频移测量方法 - Google Patents

基于神经网络的gmsk脉冲多普勒频移测量方法 Download PDF

Info

Publication number
CN113259276A
CN113259276A CN202110521309.5A CN202110521309A CN113259276A CN 113259276 A CN113259276 A CN 113259276A CN 202110521309 A CN202110521309 A CN 202110521309A CN 113259276 A CN113259276 A CN 113259276A
Authority
CN
China
Prior art keywords
neural network
doppler frequency
gmsk
frequency shift
signals
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
Application number
CN202110521309.5A
Other languages
English (en)
Inventor
马盛元
魏平
李万春
张花国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110521309.5A priority Critical patent/CN113259276A/zh
Publication of CN113259276A publication Critical patent/CN113259276A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0256—Channel estimation using minimum mean square error criteria
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0014—Carrier regulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0014—Carrier regulation
    • H04L2027/0024—Carrier regulation at the receiver end
    • H04L2027/0026—Correction of carrier offset
    • H04L2027/003—Correction of carrier offset at baseband only

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明属于人工智能技术领域，具体是涉及一种基于神经网络的GMSK脉冲多普勒频移测量方法。本发明首先对接收的GMSK基带信号进行FFT变换获得频域信息，然后构建神经网络，用于实现针对目标GMSK信号，根据频域信息估计得到多普勒频移，针对特定的GMSK信号，准备频域信号与对应多普勒频移的数据集，使用RMSProp优化算法完成对网络进行训练，然后利用训练好的神经网络实现对目标信号的测量。本发明的有益效果为，本发明针对如何从接收的GMSK脉冲信号中提取多普勒频移信息给出了一种基于神经网络的估计方法。通过仿真可以发现本发明的多普勒频移测量效果明显优于传统的FFT和MUSIC算法。

Description

基于神经网络的GMSK脉冲多普勒频移测量方法
技术领域
本发明属于人工智能技术领域，具体是涉及一种基于神经网络的GMSK脉冲多普勒频移测量方法。
背景技术
在通信中，当发射终端处于高速运动时，由于多普勒效应，移动终端的发射信号到达接收端时会发生多普勒频移。通过载频多普勒频移的测量，在移动通信中可以进行频率校准从而降低通信误码率，在非合作的信号分选中多普勒频移所隐含的物体运动速度可以作为分选的依据。
发明内容
本发明针对具体GMSK脉冲信号，提出了一种基于神经网络的多普勒频移测量方法。移动通信的场景或者信号分选场景中可以假设已知原始的GMSK脉冲的载频，则可以先利用原始载频从GMSK脉冲信号中获得基带信号，从GMSK的调制原理上看，本质上是将码元信息加入相位中，当引入频移时，相当于在基带信号中叠加了随时间增加的相位漂移。本发明将从这个角度，在相位漂移中提取载频偏移量从而完成测频。
本发明所采用的技术方案为：
S1、频域信息提取
首先，对接收的GMSK基带信号进行FFT变换获得频域信息，由于脉冲信号多是带限信号，信息集中于零频附近，且处于去除带外噪声的考虑，可以选择带内频域信息而不是全部频域信息进行下一步分析。
S2、神经网络模型学习
利用神经网络的强大拟合能力对从频域信息中进行多普勒频移的提取进行模型学习。设置三层神经网络，第一层接收频域信息，第二层中间层对信息进行处理，最后一层一个具有thah激活函数的节点输出估计的多普勒频移。针对特定的GMSK信号，准备频域信号与对应多普勒频移的数据集，使用RMSProp优化算法完成对网络进行训练。
S3、采用训练好的神经网络对目标GMSK信号进行多普勒频移测量。
将需要估计的GMSK基带信号的频域信息输入训练好的网络模型中进行，获得估计的多普勒频移结果。
本发明的有益效果为，本发明针对如何从接收的GMSK脉冲信号中提取多普勒频移信息给出了一种基于神经网络的估计方法。通过仿真可以发现本发明的多普勒频移测量效果明显优于传统的FFT和MUSIC算法。
附图说明
图1为多普勒估计模型；
图2为算法在不同信噪比下的测量均方误差。
具体实施方式
下面结合附图及实施例，详细描述本发明的技术方案：
实施例
本例中设置GMSK信号模型如下：采样率Fs＝100MHz，过采样率r＝20，带内信噪比Es/N0设置为0到20dB，GMSK调制的时延带宽积TbB＝0.5，设置脉冲的码元长度N＝32，多普勒频移fd范围为0到5kHz。
图1是针对这一场景的多普勒估计模型。选取122个零频附近的频域信息作为模型输入，神经网络第一层采应122个节点，第二层采用40个中间节点。
图2是表示不同方法在不同信噪比下的均方误差MSE。为了适应在噪声存在下的多普勒测量，神经网络的训练时选择7dB的噪声数据200000组，一方面为了在0到20dB多种Eb/N 0的信号频率估计中得到更好的效果，另一方面也是引入噪声减少训练中过拟合现象。选择传统的FFT和MUSIC测频方法与本发明方法进行对比，并给出理论测频性能上限CRB，测试数据选择0到20dB步进为1dB，每个信噪比点生成2000组数据，计算均方误差MSE，可以发现本发明对多普勒频移的估计效果非常明显优于传统的FFT和MUSIC。

Claims (1)

1.基于神经网络的GMSK脉冲多普勒频移测量方法，其特征在于，包括以下步骤：
S1、对接收的GMSK基带信号进行FFT变换获得频域信息；
S2、构建神经网络模型，神经网络模型包括三层，第一层输入层用于接收频域信息并输入到神经网络，第二层中间层用于对输入的信息进行处理，第三层为一个具有thah激活函数的节点用于输出估计的多普勒频移；对于目标GMSK信号，通过收集频域信号与对应的多普勒频移构成训练数据集，使用RMSProp优化算法对神经网络进行训练，即可获得能针对目标GMSK信号获得多普勒频移的训练好的神经网络；
S3、采用训练好的神经网络对目标GMSK信号进行多普勒频移测量。
CN202110521309.5A 2021-05-13 2021-05-13 基于神经网络的gmsk脉冲多普勒频移测量方法 Pending CN113259276A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110521309.5A CN113259276A (zh) 2021-05-13 2021-05-13 基于神经网络的gmsk脉冲多普勒频移测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110521309.5A CN113259276A (zh) 2021-05-13 2021-05-13 基于神经网络的gmsk脉冲多普勒频移测量方法

Publications (1)

Publication Number Publication Date
CN113259276A true CN113259276A (zh) 2021-08-13

Family

ID=77183154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110521309.5A Pending CN113259276A (zh) 2021-05-13 2021-05-13 基于神经网络的gmsk脉冲多普勒频移测量方法

Country Status (1)

Country Link
CN (1) CN113259276A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259570A (zh) * 2012-02-15 2013-08-21 重庆金美通信有限责任公司 一种改进的大多普勒频移下的频偏补偿技术
CN108337057A (zh) * 2018-02-08 2018-07-27 合肥工业大学 一种基于三层神经网络的列车通信信道预测方法
WO2018218481A1 (zh) * 2017-05-31 2018-12-06 深圳市大疆创新科技有限公司 神经网络训练的方法、装置、计算机系统和可移动设备
CN111683024A (zh) * 2020-06-01 2020-09-18 西北工业大学 一种基于深度学习的时变ofdm系统信道估计方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259570A (zh) * 2012-02-15 2013-08-21 重庆金美通信有限责任公司 一种改进的大多普勒频移下的频偏补偿技术
WO2018218481A1 (zh) * 2017-05-31 2018-12-06 深圳市大疆创新科技有限公司 神经网络训练的方法、装置、计算机系统和可移动设备
CN108337057A (zh) * 2018-02-08 2018-07-27 合肥工业大学 一种基于三层神经网络的列车通信信道预测方法
CN111683024A (zh) * 2020-06-01 2020-09-18 西北工业大学 一种基于深度学习的时变ofdm系统信道估计方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘留等: ""基于神经网络的时变无线信道仿真"", 《北京交通大学学报》 *
王增浩: ""5G-NR 高速移动场景下多普勒频偏估计方法研究"", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *

Similar Documents

Publication Publication Date Title
Liao et al. ChanEstNet: A deep learning based channel estimation for high-speed scenarios
CN109039960A (zh) 一种水声稀疏信道估计变步长稀疏度自适应匹配追踪方法
CN111683024B (zh) 一种基于深度学习的时变ofdm系统信道估计方法
CN103107969B (zh) 一种快变ofdm系统的渐进迭代时变信道估计和ici消除方法
CN111147407B (zh) 基于信道预测的tmsbl水声ofdm时变信道估计方法
CN108562883B (zh) 一种多载波雷达系统的最大似然距离估计算法
CN111935046B (zh) 一种低复杂度的频移键控信号符号率估计方法
CN113259291B (zh) 利用水声连续信号动态多普勒跟踪实现的相位补偿方法
CN111865863A (zh) 一种基于rnn神经网络的ofdm信号检测方法
CN111131108B (zh) 一种非合作水声ofdm子载波调制方式识别方法
CN116106900A (zh) 基于滤波器组多载波的一体化信号设计及处理方法
CN105024966B (zh) Ofdm系统的符号定时同步方法
CN112202693B (zh) 一种适用于ofdm系统的抗干扰频偏估计方法
CN102571033A (zh) 一种成形滤波器滚降系数估计方法
CN111641575B (zh) 一种正交时频二维空间调制信号接收方法及接收器
CN113259276A (zh) 基于神经网络的gmsk脉冲多普勒频移测量方法
CN112422208A (zh) 未知信道模型下基于对抗式学习的信号检测方法
CN108206799A (zh) 一种用于突发通信的载波频偏估计方法
CN102315835A (zh) 一种成形滤波器滚降系数估计方法
CN104270328A (zh) 一种信噪比实时估计方法
CN106850099B (zh) 基于高超音速场景的频域序列相关信道测量方法
WO2023121659A1 (en) Communication device and method for performing communication signal processing
CN104394028A (zh) 一种测量通信物理层信道频率幅度响应的方法和系统
CN114584444A (zh) 一种基于循环矩特征的Multi-h CPM调制指数估计方法
CN112883787A (zh) 一种基于频谱匹配的短样本低频正弦信号参数估计方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210813

WD01 Invention patent application deemed withdrawn after publication