CN116132235B - 一种基于深度学习的连续相位调制信号解调方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的连续相位调制信号解调方法，属于通信领域；首先，收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；然后，搭建神经网络模型，输入训练样本进行模型训练；所述神经网络模型包括依次串连的三层卷积层和全连接层；每层卷积层包含多条并行的卷积分支；对于每个样本，依次利用各卷积层中的八条卷积分支进行并行特征提取和融合，得到特征图输入给全连接层；多次迭代并调整学习率直至模型参数达到最优；最后，将待解调的调制信号输入训练好的神经网络模型中进行自动解调；本发明在GMSK下的解调性能与传统MLSD方法的理论性能接近，在FSK下的解调性能超越了传统MLSD方法的解调性能，模型泛化能力与鲁棒性更强。

Description

一种基于深度学习的连续相位调制信号解调方法

技术领域

本发明属于通信技术领域，具体是一种基于深度学习的连续相位调制信号解调方法。

背景技术

在空间通信系统中，可以有效利用的频谱资源非常有限，而且由于通信链路较长，导致对调制信号的频带效率和功率效率的要求较高。CPM(Cross Phase Modulation)调制体制因其包络恒定，可以使得发送端的功率放大器工作在转化效率高的非线性区，并且在高功率放大器中失真较小。另外，CPM因其频谱紧凑的特点拥有较高的频谱效率和功率效率，可以缓解频谱资源紧张的问题。因此，这种高效的数字相位调制方法，广泛被应用于靶场、遥感测绘和卫星通信等领域。

想要达到较高的频谱效率和解调性能的前提是必须完成CPM信号的位同步和解调。传统的CPM解调性能很大程度上由解调算法及位同步方法决定。目前常用的解调算法有相干解调和非相干解调，使用最广泛的是最大似然序列检测算法(MLSD)，这种算法的效果很好，但是在解调前需要进行匹配滤波，相位旋转等步骤，然后送入维特比译码器(Viterber)进行判决；此外，MLSD对时钟同步的精度具有高要求，时间误差会造成分支度量计算错误，而在实际通信系统中，理想的时钟同步是几乎不存在的，导致MLSD算法经常受到时钟同步的影响而降低性能。

传统的相干解调和非相干解调在解调之前需要进行信道均衡，来避免信道衰弱的因素造成解调偏差，并且在恢复信号序列之前需要引入定时脉冲(即时钟同步)。而基于深度学习的自动解调方法直接将信号序列输入训练好的神经网络，就可以恢复出原始信号序列；不受时钟同步和输入信号序列长度的限制。而且，它不需要进行时钟同步和信道均衡就可以完成输入信号序列的解调，相对于传统MLSD方法，模型泛化能力与鲁棒性更强，在一定程度上优于传统方法，是解调技术的新趋势。

发明内容

本发明提供了一种基于深度学习的连续相位调制信号解调方法，基于宏观级联，微观并联的卷积神经网络，使用串联的不同卷积核和并联的多支路卷积核提取CPM信号的特征信息，以获得更优的解调性能与鲁棒性。

所述基于深度学习的连续相位调制信号解调方法，具体步骤如下：

步骤一、收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；

每个样本中包括调制信号、信噪比、信道信息和原始信号序列。每个调制类型在每个信噪比值下包含采样点为5040000的双通道IQ序列数据和原始信号序列数据。

步骤二、搭建神经网络模型，并输入训练样本进行模型训练；

所述神经网络模型中包括依次连接的第一卷积层、第二卷积层、第三卷积层和全连接层；每层卷积层包含多条卷积分支。

每个卷积层都包括二维卷积函数、ReLU函数和Batch Normalization函数；

对于每个样本，利用第一卷积层中的八条卷积分支对样本进行并行特征提取，并融合后输入给第二卷积层；第二卷积层中的八条卷积分支对第一融合特征图进行并行特征提取，后再融合输入给第三卷积层；第三层卷积层中的八条卷积分支对第二融合特征图进行并行特征提取，融合后展平为二维特征向量输入给全连接层；全连接层将二维特征向量映射到原始信号序列样本空间并输入给Sigmoid函数得到样本的每个采样点的预测值。

多次迭代并调整学习率直至模型达到稳定时，选取最优模型参数，得到训练好的神经网络模型。

步骤三、将待解调的调制信号序列、信噪比和信号原始序列，共同输入训练好的神经网络模型中进行自动解调；

神经网络模型对待解调的调制信号序列，输出的每个采样点的预测值与阈值(α＝0.5)分别进行比较，若预测值大于阈值α，则该采样点恢复为1，否则该采样点恢复为0，最终得到连续相位调制信号的原始序列。

本发明的优点在于：

1.一种基于深度学习的连续相位调制信号解调方法，运用了深度学习的技术训练了一个自动解调网络，不需要进行时钟同步和信道均衡就可以完成输入信号序列的自动解调，相对于传统MLSD方法，省去了解调前的额外处理操作，简化了解调的流程。

2.一种基于深度学习的连续相位调制信号解调方法，所提出的网络模型对GMSK信号、FSK信号的解调性能在有定时误差和瑞利衰落时，超越传统MLSD方法的解调性能，模型泛化能力与鲁棒性更强。

附图说明

图1是本发明一种基于深度学习的连续相位调制信号解调方法的流程图；

图2是本发明连续相位调制信号的神经网络模型的结构流程图；

图3是本发明连续相位调制信号的神经网络模型的训练流程图；

图4是本发明对GMSK信号使用不同的解调方法所得的误码率曲线对比图；

图5是本发明对FSK信号使用不同的解调方法所得的误码率曲线对比图；

图6是本发明对带有瑞利衰落的GMSK使用不同的解调方法所得的误码率曲线对比图；

图7是本发明对带有定时误差的GMSK使用不同的解调方法所得的误码率曲线对比图；

图8是本发明所提出的神经网络模型采用不同并联卷积支数在GSMK下的解调误码率曲线图；

图9是本发明为所提出的神经网络模型采用不同串联卷积层数在GSMK下的解调误码率曲线图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细描述。

本发明公开了一种基于深度学习的连续相位调制信号解调方法，将样本集输入到神经网络模型中进行训练，样本集中的样本包括实部和虚部信号、信号原始序列；对于每个样本，利用第一卷积层中多个并联的卷积核较小的卷积层对样本进行特征提取，然后进行特征融合，得到第一特征图；利用第二卷积层中多个并联的尺寸较大的卷积核对样本进行特征提取，然后进行特征融合，得到第二特征图；利用第三层卷积层中多个并联的尺寸较大的卷积核对样本进行特征提取，然后进行特征融合，得到第三特征图；最后，利用全连接层对得到的第三特征图进行分类，恢复出原始的序列；根据调制信号种类调整模型参数。本申请可以获得准确的信号解调结果。

所述连续相位调制信号的自动解调方法，如图1所示，具体步骤如下：

步骤一、收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；

每个样本中包括实部和虚部信号、信号原始序列。样本集为连续相位调制信号，包括GMSK(Gaussian Filtered Minimum Shift Keying)、FSK(Frequency-shift keying)、带有定时误差的GMSK、带有瑞利衰落的GMSK等调制类型和11个信噪比值。每个调制类型在每个信噪比值下包含采样点为5040000的双通道IQ序列数据和原始信号序列数据。其中，所述11个信噪比值是以2dB为间隔从[-2dB，18dB]区间中提取到的。

步骤二、搭建神经网络模型，并输入训练样本进行模型训练；

所述神经网络模型中包括依次串行连接的第一卷积层、第二卷积层、第三卷积层和全连接层；每层卷积层均包含多条并列的卷积分支，以及二维卷积函数、ReLU函数和Batch Normalization函数；对多个并联的卷积支路提取的特征向量进行乘法加权和归一化处理，得到在通道维数上进行校准的第二特征图，包括：

利用二维卷积函数提取信号特征向量；

利用ReLU函数对特征向量进行激励，得到每个通道的数值；

利用Batch Normalization函数对每个通道的数值进行归一化；

将并联的多支路卷积层得到的特征向量进行融合，得到特征图。

对于每个样本，利用第一卷积层中的八条卷积分支对样本进行并行特征提取，将八条卷积分支提取到的特征进行特征融合，得到第一特征图输入给第二卷积层；利用第二卷积层中的八条卷积分支对样本进行并行特征提取，将八条卷积分支提取到的特征进行特征融合，得到第二特征图输入给第三卷积层；利用第三层卷积层中的八条卷积分支对样本进行并行特征提取，将八条卷积分支提取到的特征进行特征融合，得到第三特征图并展平为二维特征向量后输入给全连接层；利用全连接层将网络学习到的二维特征向量映射到原始信号序列样本空间并输入给Sigmoid函数得到样本的每个采样点的预测值。多次迭代并调整学习率直至模型达到稳定时，选取最优模型参数，得到训练好的神经网络模型。

步骤三、将待解调的调制信号序列、无线信号的信噪比和信号原始序列，共同输入训练好的神经网络模型中进行自动解调；

同理，利用第一卷积层中的八条卷积分支对样本进行并行特征提取，将八条卷积分支提取到的特征进行特征融合，得到第一特征图输入给第二卷积层；利用第二卷积层中的八条卷积分支对样本进行并行特征提取，将八条卷积分支提取到的特征进行特征融合，得到第二特征图输入给第三卷积层；利用第三层卷积层中的八条卷积分支对样本进行并行特征提取，将八条卷积分支提取到的特征进行特征融合，得到第三特征图并展平为二维特征向量后输入给全连接层；利用全连接层将网络学习到的二维特征向量映射到原始信号序列样本空间并输入给Sigmoid函数得到样本的每个采样点的预测值；将每个采样点的预测值与阈值(α＝0.5)进行比较，若预测值大于阈值α，则该采样点恢复为1，否则该采样点恢复为0，最终得到连续相位调制信号的原始序列。

本发明所述连续相位调制信号的自动解调方法，基于计算机可读存储介质和计算机设备；

所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上所述的连续相位调制信号的自动解调方法。

所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的连续相位调制信号的自动解调方法。

实施例：

基于计算机设备，实现连续相位调制信号的自动解调方法，具体步骤如下：

步骤101，获取样本集，该样本集中的样本为训练样本或测试样本，每个样本中包括调制信号、信噪比、信道信息和原始信号序列。

其中，样本集为使用Matlab 2019制作生成。数据集分为GMSK、FSK两种调制方式，其中GMSK还包括存在瑞利衰落、定时误差为T/2和定时误差为T/4的情况，以仿真实际通信环境。

数据集中包含11个信噪比值，这11个信噪比值是以2dB为间隔从[-2dB，18dB]区间中提取到的。这样，每种调制类型在每个信噪比值下包含5040000条双通道IQ数据，且每条数据中包含2×5040000个样本。

本实施例中，可以将数据集中的训练集数据按照8：2的比例分割训练集和验证集，这样，训练集中包含4032000条数据，验证集中包含1008000条数据。训练样本用于训练神经网络模型，验证样本用于验证神经网络模型是否满足条件。测试集数据用于测试训练模型的解调性能。不管是训练样本、验证样本或测试样本，样本中都包含调制信号、信噪比、信道信息和信号原始序列。

步骤102，将样本集输入创建的神经网络模型中，该神经网络模型包括依次连接的第一卷积层、第二卷积层、第三层卷积层和全连接层，每层卷积层包含多条卷积分支。

本实例中，可以先构建神经网络模型，再将样本集输入该神经网络模型中进行训练和验证，多次迭代并调整学习率直至网络模型达到稳定时，选取最优模型参数，保存神经网络模型。

本实施例中的神经网络模型包括依次连接的第一卷积层、第二卷积层、第三层卷积层和全连接层，每层卷积层包含多条卷积分支，如图2所示。

步骤103，对于每个样本，利用第一卷积层中多个并联的卷积核尺寸较小的卷积层对样本进行特征提取和特征融合，得到第一特征图输入给第二卷积层；利用第二卷积层中多个并联的尺寸较大的卷积核对样本进行特征提取和特征融合，得到第二特征图输入给第三卷积层；利用第三层卷积层中多个并联的尺寸较大的卷积核对样本进行特征提取和特征融合，得到第三特征图；最后利用全连接层对得到的第三特征图进行分类，恢复出原始的序列。

第一层卷积层的每个卷积分支的卷积核为2*3的二维卷积，每个卷积分支还包括一个标准化函数和线性修正单元ReLU函数；

ReLU函数表达式为：

z[i]＝y＝ReLU(z[i])＝max(0,z[i])＝{0,z[i]＜0；z[i],z[i]≥0}

其中：z[i]表示特征映射值，y表示经过函数激活后的值，然后放入z[i]中。

第二卷积层和第三卷积层是类似的；以第二卷积层为例，其包括多个并联的卷积分支，每个卷积分支的卷积核为16*3，用于提取特征，然后将每条卷积分支提取的特征融合，得到第二特征图，作为输入给第三卷积层。

全连接层包括两个Linear函数和一个Sigmoid激活函数；其中Linear函数的作用为将卷积层的计算结果映射到样本空间中，其公式如下所示：y_i＝x_iw^T+b；

其中w是隐藏层中的节点的计算权重参数，b是偏置值。

本实施例中神经网络模型的损失函数，其估计模型的方法为均方差损失函数，具体公式为：

其中，为网络的预测值，y为真实标签，N为输入信号的长度。

在训练神经网络模型时，可以根据损失值，采用自适应矩估计(Adam)优化算法和反向传播机制更新神经网络模型中可训练参数的值，实现神经网络模型的学习优化过程。本实施例选择以初始学习率0.0001进行神经网络模型的优化，共计迭代30次。

在测试时，将训练好的的模型参数载入神经网络模型中，验证-2db到18db信道下的误码率，判断神经网络模型的性能。

本发明泛化能力强，具有并联多支路卷积的神经网络在GMSK、FSK下的解调误码率性能，与其他神经网络模型相比表现更优。而且鲁棒性能强，通过对某种具体的调制信号进行训练，得到的网络模型可以适应该调制信号存在定时误差的情况，与其他神经网络模型和传统最大似然序列检测算法相比表现更优。

由于传统的卷积方法在不断的卷积过程中，接收域会增大，分辨率会降低，特征细节也随之部分丢失，导致模型的精度有所损失。本申请提出的并联卷积结构，会使得低分辨率和高分辨率的信息可以共享、融合和提取，降低下采样带来的信息损失。

如图3所示，神经网络模型的训练方法，包括：

步骤401，对输入数据{x}和标签{y}进行批处理，如果设备是GPU将它们转化为FloatTensor，否则将它们转化为Float；

步骤402，将{x}发送到深度学习神经网络并获取预测值{α}；

步骤403，将{α}和{y}输入到损失函数以计算损失；

步骤404，调用反向传播算法以获得每个参数的梯度值；

步骤405，将优化器梯度设置为零，然后通过调用优化器的step接口更新参数；

步骤406，判断是否处于验证模式，若是则将模型输出每四个采样点取平均后，与阈值相比并判决为0或1，反之返回步骤401。

如图4所示，横坐标为信噪比(Eb/N0)，单位为dB；纵坐标为误码率(BER)。随着横坐标信噪比的增大，纵坐标误码率逐渐下降。本发明所提出的神经网络模型的误码率曲线在每种信噪比下均处于其他两种深度学习模型(CLDNN、CNN)的下方，并且接近传统MLSD方法的理论值界限，证明本发明所提出的神经网络模型对GMSK具有较好的解调性能。

如图5所示，随着横坐标信噪比的增大，纵坐标误码率逐渐下降。本发明所提出的神经网络模型的误码率曲线在每种信噪比下均优于其他两种神经网络模型(CLDNN、CNN)，在6:12dB范围内，本发明所提出的神经网络模型的解调曲线在传统MLSD方法的下方。证明本发明所提出的神经网络模型对FSK具有较好的解调性能。

如图6所示，随着横坐标信噪比的增大，纵坐标误码率逐渐下降。3种神经网络模型的解调性能均优于传统MLSD方法，本发明所提出的神经网络模型在-2:10dB范围内解调性能优于CNN，略差于CLDNN，但是在10dB以后，本发明所提出的神经网络模型的解调性能更优。证明本发明所提出的神经网络模型相对于传统MLSD方法具有较好的鲁棒性，可适应常见的瑞利衰落的影响。

如图7所示，随着横坐标信噪比的增大，纵坐标误码率逐渐下降。在定时误差为T/2和T/4时，传统的MLSD方法几乎已经无法完成解调，而深度学习的方法具有一定的解调效果且本发明所提出的神经网络模型的解调性能均优于其他神经网络模型(CLDNN、CNN)。证明本发明所提出的神经网络模型相对于传统的MLSD方法具有较好的鲁棒性，可适应常见的定时误差的影响。

如图8所示，随着横坐标信噪比的增大，纵坐标误码率逐渐下降。可见在绝大多数信噪比下，8条卷积分支的解调性能更优，因此采用了8卷积分支结构。

如图9所示，随着横坐标信噪比的增大，纵坐标误码率逐渐下降。可见3层卷积和4层卷积的解调性能均优于2层卷积，3层卷积和4层卷积解调性能接近。由于3层卷积的参数量更少，计算复杂度更低，所以本发明采用了3层串联卷积层。

需要说明的是：上述实施例提供的连续相位调制信号的自动调制识别装置在进行连续相位调制信号的自动调制识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将连续相位调制信号的自动调制识别装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的连续相位调制信号的自动调制识别装置与连续相位调制信号的自动调制识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

Claims (3)

1.一种基于深度学习的连续相位调制信号解调方法，其特征在于，具体步骤如下：

首先，收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；

然后，搭建神经网络模型，并输入训练样本进行模型训练；

所述神经网络模型中包括依次连接的第一卷积层、第二卷积层、第三卷积层和全连接层；每层卷积层包含多条卷积分支；

所述第一卷积层、第二卷积层和第三卷积层都包括二维卷积函数、ReLU函数和BatchNormalization函数；利用二维卷积函数提取信号特征向量；利用ReLU函数对特征向量进行激励，得到每个通道的数值；利用Batch Normalization函数对每个通道的数值进行归一化；

对于每个样本，利用第一卷积层中的八条卷积分支对样本进行并行特征提取，并融合后输入给第二卷积层；第二卷积层中的八条卷积分支对第一融合特征图进行并行特征提取，再融合输入给第三卷积层；第三层卷积层中的八条卷积分支对第二融合特征图进行并行特征提取，融合后展平为二维特征向量输入给全连接层；全连接层将二维特征向量映射到原始信号序列样本空间并输入给Sigmoid函数得到样本的每个采样点的预测值；

多次迭代并调整学习率直至模型达到稳定时，选取最优模型参数，得到训练好的神经网络模型；

最后，将待解调的调制信号序列、信噪比和信号原始序列，共同输入训练好的神经网络模型中进行自动解调。

2.如权利要求1所述的一种基于深度学习的连续相位调制信号解调方法，其特征在于，所述每个训练样本或测试样本中均包括调制信号、信噪比、信道信息和原始信号序列；每个调制类型在每个信噪比值下包含采样点为5040000的双通道IQ序列数据和原始信号序列数据。

3.如权利要求1所述的一种基于深度学习的连续相位调制信号解调方法，其特征在于，所述神经网络模型对待解调的调制信号序列，输出的每个采样点的预测值与阈值分别进行比较，若预测值大于阈值α，则该采样点恢复为1，否则该采样点恢复为0，最终得到连续相位调制信号的原始序列。