一种基于神经网络的数字调制信号解调器及其解调方法与流程

本发明属于集成电路和通信领域，具体为一种基于神经网络的数字调制信号解调器及其解调方法，适用于各种调制方式。

背景技术：

模拟通信和数字通信广泛应用于通信业务中，但数字通信已成为当代通信系统的主流。与模拟通信相比，数字通信具有抗干扰能力强、可靠性高、保密性强、便于存储和处理、设备易于集成、体积小、功耗低等优点。

调制的目的是把要传输的模拟信号或数字信号变成适合信道传输的信号，要传输的模拟信号称为调制信号。在通信系统的发送端，把基带信号的频谱搬移到具体给定信道通带内的过程称为调制。在接收端，把已搬移到给定信道通带内的频谱还原为基带频谱，从而将信号还原为原始基带信号的过程称为解调。使用数字基带信号对载波进行调制称为数字调制。数字调制相应有数字调幅、数字调频、数字调相三种方式。由于数字基带信号取值是离散的，因而调制后的载波参数取值也是离散的。数字调制的过程就像用数字基带信号去控制选通门的状态一样，从几个具有不同参数的独立震荡源中选择参数，所以又把数字调制称为“键控”，相应有振幅键控(ask)、频移键控(fsk)和相移键控(psk)三种基本方式。

随着数字通信技术的发展，产生了多进制数字调制，多进制振幅键控(mask)、多进制频移键控(mfsk)和多进制相移键控(mpsk)。之后，人们为了改善频谱利用率低、抗多径抗衰落能力差、功率谱衰减慢以及带外辐射严重等问题，新的数字调制技术被提出，例如正交振幅调制(qam)和正交频分复用调制(ofdm)。

目前数字调制信号解调是通过模数转换器(adc)和数字信号处理(dsp)来实现的，由于每种调制信号使用的技术不同，在dsp中要实现包括下变频混频、带通滤波、同相和正交(i、q)解调、位同步提取、信道译码、信源译码等。因此，每种不同的调制信号需要设计不同的dsp软件来实现解调。

神经网络是一项以生物大脑的结构和功能为基础，以网络节点模仿大脑的神经细胞，以网络连接权模仿大脑的激励电平的技术，能有效的处理问题的非线性、模糊性和不确定关系。在传统的计算机中，我们告诉计算机要做什么，将大问题分解成许多小的，精确定义的任务，计算机可以很容易的执行。相比之下，在神经网络中，我们不告诉计算机如何解决我们的问题。相反，它从观察数据中学习，找出自己解决问题的方案。神经网络相应的有全连接神经网络也叫前馈神经网络(fnn)，例图见图2。除此之外还有卷积神经网络(cnn)，和循环神经网络(rnn)，cnn也是一种前馈神经网络，cnn例图见图3，rnn例图见图4。rnn引入了定向循环，可以处理那些输入之间前后关联的问题。普通的rnn对于时序长短依赖具有不确定性，而长短时记忆模型(lstm)可以很好的解决这个问题，lstm例图见图5。

美国专利(us2016/0248610a1和us2015/0249554a1)提出了将人工神经网络用于解调器来解决i/q信号失调和信号间干扰(isi)。该专利是在传统的解调基础上加入了神经网络，使用神经网络来补偿i/q失调，消除isi干扰，实现恢复原始调制信号，最终实现提高传统解调的性能。

技术实现要素：

针对上述存在问题或不足，本发明提供了一种基于神经网络的数字调制信号解调器及其解调方法，利用神经网络对adc转换过的调制信号进行学习，记录下可以解调该信号时的网络权重值，之后遇到相同调制方式的信号即可实现信号的识别并解调。

该基于神经网络的数字调制信号解调器，包括adc和神经网络识别模块。

所述adc用于将输入的调制信号转换成数字信号，将其输入至神经网络识别模块；

所述神经网络识别模块用于对adc输入的调制信号进行学习并识别出调制方式和解调出数字基带信号并输出。

进一步的，所述神经网络识别模块由fnn、cnn、rnn或lstm这四种神经网络构成。rnn和lstm由于有时序记忆功能，可以直接构成神经网络识别模块。fnn和cnn由于不具有时序记忆功能，需要配合二选一多路选择器和寄存器来实现时序记忆功能，从而构成神经网络识别模块。

上述数字调制信号解调器的解调方法，分为学习过程和解调过程。学习过程是为得到可以解调数字调制信号时的网络权重值；解调过程是利用学习过程中得到网络权重值对adc转换过的调制信号进行识别并解调出数字基带信号。

学习过程具体如下：

步骤1、输入调制信号；通过adc将调制信号转换为数字信号；

步骤2、神经网络识别模块对adc转换过的数字信号进行学习，再根据学习结果来修改网络权重值；

步骤3、使用未被学习的信号作为测试集，对比测试结果的准确率能否≥预期误码率；

步骤4、如果准确率≥预期误码率，则记录下网络权重值，学习过程结束；如果准确率低于预期误码率，则重复步骤1-3，直到准确率≥预期误码率。

解调过程具体如下：

步骤1、输入调制信号(信号的调制方式在学习过程中已学习过)；通过adc将调制信号转换为数字信号；

步骤2、根据学习过程中得到的神经网络的权重值，通过神经网络识别模块识别出adc转换过的调制信号并解调出数字基带信号。

该解调方法可解调n种调制信号，n≥1，学习的过程需要同时输入n种调制信号进行学习。学习方法流程图见图6。

上述解调方法中的调制方式，适用于振幅键控(ask)、频移键控(fsk)、相移键控(psk)、二进制启闭键控(ook)、多进制振幅键控(mask)、最小频移键控(msk)、多进制频移键控(mfsk)、高斯最小频移键控(gmsk)、多进制相移键控(mpsk)、正交相移键控(qpsk)、偏移四相相移键控(oqpsk)、正交振幅调制(qam)、多进制正交振幅调制(mqam)、时分多址(tdma)、频分多址(fdma)、码分多址(cmda)和/或正交频分复用技术(ofdm)。

本发明利用神经网络直接解调调制信号，而不是在传统解调基础上加上神经网络来提高解调性能。最终本发明在不改变神经网络的软件配置的情况下，同时解调n种调制信号；并可以学习新的调制信号及其调制方式，实现解调。

综上所述，本发明在不改变神经网络的软件配置的情况下，同时解调n种调制信号；并可以学习新的调制信号及其调制方式，实现解调。

附图说明

图1是本发明数字调制信号解调器结构示意框图；

图2是fnn神经网络的拓扑结构示意图；

图3是cnn神经网络的拓扑结构示意图；

图4是rnn神经网络的拓扑结构示意图；

图5是lstm神经网络的拓扑结构示意图；

图6是本发明解调信号的流程示意图；

图7是实施例1的解调器结构示意图；

图8是实施例1的解调器解调90％ask调制信号的仿真图；

图9是实施例1的解调器解调fsk调制信号的仿真图；

图10是实施例2的解调器结构示意图；

图11是实施例3的解调器结构示意图；

图12是实施例4的解调器结构示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步的详细说明。

本发明所述的解调数字调制信号的方法，是利用神经网络识别模块对adc转换过的调制信号进行学习，记录下可以解调该信号时的网络权重值，之后输入相同调制方式的信号即同类的调制信号，实现调制信号的识别并解调出数字基带信号。

实施例1

图7是本实施例提出的基于单一lstm(或rnn)神经网络的数字调制信号解调器结构图，其包括一个adc和一个由lstm(或rnn)神经网络组成的识别解调模块。调制信号经adc转换为数字信号后传入由lstm(或rnn)神经网络组成的识别解调模块，lstm(或rnn)神经网络对输入的调制信号进行学习后得到网络权重值。在该网络权重值下，输入相同调制方式的信号可以实现信号的识别并解调出数字基带信号。

图8是本实施例解调器解调90％ask调制信号的仿真图。

图9是本实施例解调器解调fsk调制信号的仿真图。

本实施例不仅仅局限于解调ask、fsk、psk信号，也可用于解调其他调制信号例如ook、mask、msk、mfsk、gmsk、mpsk、mpsk、qpsk、oqpsk、qam、mqam、tdma、fdma、cdma、ofdm等。

实施例2

图10是本实施例提出的基于单一cnn(或fnn)神经网络的数字调制信号解调器结构图，其包括一个adc，一个二选一多路选择器，第一寄存器，第二寄存器和一个cnn(或fnn)神经网络。当调制信号开始输入，二选一多路选择器使能第一寄存器，adc转换过的调制信号存入第一寄存器，当第一寄存器存满后，二选一多路选择器使能第二寄存器，adc转换过的调制信号存入第二寄存器，同时第一寄存器存储的信号并行传入cnn(或fnn)神经网络。当第二寄存器存满后，二选一多路选择器使能第一寄存器，adc转换的调制信号存入第一寄存器，同时第二寄存器存储的信号并行传入cnn(或fnn)神经网络。第一寄存器和第二寄存器交替工作，把adc转换过的调制信号不间断的传入cnn(或fnn)神经网络。cnn(或fnn)神经网络对传入的调制信号进行学习后得到网络权重值。在该网络权重值下，输入相同调制方式的信号可以实现信号的识别并解调出数字基带信号。

本实施例不仅仅局限于解调ask、fsk、psk信号，也可用于解调其他调制信号例如ook、mask、msk、mfsk、gmsk、mpsk、mpsk、qpsk、oqpsk、qam、mqam、tdma、fdma、cdma、ofdm等。

实施例3

图11是本实施例提出的基于n个lstm(或rnn)神经网络的数字调制信号解调器结构图(下文以解调ask、fsk、psk三种信号为例，因此以四个lstm(或rnn)为例来说明如何具体实施)，其包括一个adc，第一lstm(或rnn)神经网络，第二lstm(或rnn)神经网络，第三lstm(或rnn)神经网络和第四lstm(或rnn)神经网络。调制信号经adc转换成数字信号传入第一lstm(或rnn)神经网络，第一lstm(或rnn)神经网络对传入的调制信号学习后得到网络权重值。在该网络权重值下，再输入相同调制方式的信号，第一lstm(或rnn)神经网络可以识别信号的调制方式并传给第二lstm(或rnn)神经网络或第三lstm(或rnn)神经网络或第四lstm(或rnn)神经网络。当调制信号是ask调制信号时，信号传给第二lstm(或rnn)神经网络，第二lstm(或rnn)神经网络对ask调制信号进行学习后得到网络权重值，在该网络权重值下，再输入ask调制信号第二lstm(或rnn)神经网络可以解调出基带信号。当调制信号是fsk调制信号时，信号传给第三lstm(或rnn)神经网络，第三lstm(或rnn)神经网络对fsk调制信号进行学习后得到网络权重值，在该网络权重值下，再输入fsk调制信号第三lstm(或rnn)神经网络可以解调出基带信号。当调制信号是psk调制信号时，信号传给第四lstm(或rnn)神经网络，第四lstm(或rnn)神经网络对psk调制信号进行学习后得到网络权重值，在该网络权重值下，再输入psk调制信号第四lstm(或rnn)神经网络可以解调出基带信号。

本实施例可以解调ask、fsk、psk三种调制信号，因此神经网络识别模块由四个lstm(或rnn)神经网络组成，一个lstm(或rnn)神经网络用于识别信号调制方式，其他三个lstm(或rnn)神经网络用于解调出数字基带信号。

本实施例不仅仅局限于解调ask、fsk、psk信号，也可用于解调其他调制信号例如ook、mask、msk、mfsk、gmsk、mpsk、mpsk、qpsk、oqpsk、qam、mqam、tdma、fdma、cdma、ofdm等。具体实施时lstm(或rnn)神经网络的数量n由需要解调的调制信号数量确定。

实施例4

图12是本实施例提出的基于n个cnn(或fnn)神经网络的数字调制信号解调器结构图(下文以解调ask、fsk、psk三种信号为例，因此以四个cnn(或fnn)为例来说明如何具体实施)，其中包括一个adc，一个二选一多路选择器，第一寄存器，第二寄存器，第一cnn(或fnn)神经网络，第二cnn(或fnn)神经网络，第三cnn(或fnn)神经网络和第四cnn(或fnn)神经网络。当调制信号开始输入，二选一多路选择器使能第一寄存器，adc转换过的调制信号存入第一寄存器，当第一寄存器存满后，二选一多路选择器使能第二寄存器，adc转换过的调制信号存入第二寄存器，同时第一寄存器存储的信号并行传入第一cnn(或fnn)神经网络。当第二寄存器存满后，二选一多路选择器使能第一寄存器，adc转换的调制信号存入第一寄存器，同时第二寄存器存储的信号并行传入第一cnn(或fnn)神经网络。第一寄存器和第二寄存器交替工作，把adc转换过的调制信号不间断的传入第一cnn(或fnn)神经网络。第一cnn(或fnn)神经网络对传入的调制信号学习后得到网络权重值，在该网络权重值下，再输入相同调制方式的信号，第一cnn(或fnn)神经网络可以识别信号的调制方式并传给第二cnn(或fnn)神经网络或第三cnn(或fnn)神经网络或第四cnn(或fnn)神经网络。当调制信号是ask调制信号时，信号传给第二cnn(或fnn)神经网络，第二cnn(或fnn)神经网络对ask调制信号进行学习后得到网络权重值，在该网络权重值下，再输入ask调制信号第二cnn(或fnn)神经网络可以解调出基带信号。当调制信号是fsk调制信号时，信号传给第三cnn(或fnn)神经网络，第三cnn(或fnn)神经网络对fsk调制信号进行学习后得到网络权重值，在该网络权重值下，再输入fsk调制信号第三cnn(或fnn)神经网络可以解调出基带信号。当调制信号是psk调制信号时，信号传给第四cnn(或fnn)神经网络，第四cnn(或fnn)神经网络对psk调制信号进行学习后得到网络权重值，在该网络权重值下，再输入psk调制信号第四cnn(或fnn)神经网络可以解调出基带信号。

本实施例可以解调ask、fsk、psk三种调制信号，因此神经网络识别模块由四个cnn(或fnn)神经网络组成，一个cnn(或fnn)神经网络用于识别信号调制方式，其他三个cnn(或fnn)神经网络用于解调出数字基带信号。

本实施例不仅仅局限于解调ask、fsk、psk信号，也可用于解调其他调制信号例如ook、mask、msk、mfsk、gmsk、mpsk、mpsk、qpsk、oqpsk、qam、mqam、tdma、fdma、cdma、ofdm等。具体实施时cnn(或fnn)神经网络的数量n由需要解调的调制信号数量确定。