基于多神经网络的DBPSK解调方法与流程

本发明属于数字通信技术领域，涉及一种dbpsk解调方法，具体涉及一种基于多个神经网络的dbpsk解调方法，可用于卫星通信、深空通信。

技术背景

为了使数字信号在带通信道中传输，必须用数字基带信号对载波进行调制，以使信号与信道的特性相匹配。这种用数字基带信号控制载波，把数字基带信号变换为数字带通信号的过程称为数字调制，在接收端通过解调器把带通信号还原成数字基带信号的过程称为数字解调。数字调制包含psk、ask以及fsk等多种方式，其中bpsk是psk中最为简单的一种，它利用两种载波相位0和π分别表示二进制“1”和“0”。因此bpsk已调信号的时域表达式为：

其中，表示第n个符号的绝对相位：

bpsk信号的解调通常采用相干解调法，即在解调端产生与接收信号同频同相的相干载波，使其与接收信号相乘并经过低通滤波后，即可得到基带信号。但是，在bpsk信号载波恢复过程中可能出现相干载波与接收信号完全反相的情况，此时解调出的数字基带信号会与发送的数字基带信号正好相反，判决器输出的码元符号全部出错，为了避免这种现象，实际应用中常常使用差分相移键控，即dbpsk。这种调制方式在调制时对基带信号进行差分编码，然后解调时再对相邻码元进行异或处理，即可得到原数字基带数据。

dbpsk调制方法是利用前后相邻码元的载波相对相位变化传递数字信息的，所以又称相对相移键控。假设δq为当前码元与前一码元的载波相位差，可定义一种数字信息与δq之间的关系为：

由以上原理可知，dbpsk信号的相位并不直接代表基带信号，而前后码元相对相位的差才唯一决定信息符号。dbpsk信号的调制过程为：先对二进制数字基带信号进行差分编码，即把表示数字信息序列的绝对码变换成相对码，然后再根据相对码进行绝对调相，即对相对码进行普通bpsk调制，即可产生二进制差分相移键控信号。上述差分编码的规则为：

式中：为模2加法，an为绝对码的第n个码元，bn为相对码的第n个码元，bn-1为bn的前一码元，相对码的起始码元b0可任意设定。换句话说，载波的相位遇到原数字信息“1”变化，遇到“0”则不变，载波相位的这种相对变化就携带了数字信息。

其解调过程使用以上过程的逆过程，称为差分译码，即：

解调时，先对dbpsk信号进行相干解调，恢复出相对码，再经码反变换器变换为绝对码，从而恢复出发送的二进制数字信息。

onder等人2016年发表的论文《advancedneuralnetworkreceiverdesigntocombatmultiplechannelimpairments》(turkishjournalofelectricalengineeringandcomputersciences·january2016)中公开了一种使用单个神经网络进行mpsk信号的解调方法。此方法将已调信号的采样点按照码元周期分组，将每个码元周期对应的采样点作为神经网络的输入向量，神经网络输出向量代表对应的符号码元，将输出的符号码元按时间顺序排列成码元序列，就得到了解调输出。

使用onder等人公开的方法进行dbpsk解调，神经网络解调得到的是相对码，需要进行额外的差分译码过程，这样会造成解调过程中速度的下降和系统复杂度的上升。并且本方法没有考虑神经网络对采样时刻的敏感性，在初始采样时刻有偏差时神经网络无法准确判断输入向量对应的码元，而在实践中adc对已调信号采样的初始时刻是随机的，因此使用此方法进行解调会带来较大误码。

技术实现要素：

本发明的目的在于克服上述现有技术存在的不足，提供了一种基于多神经网络的dbpsk信号解调方法，使用多个神经网络结合搜索帧头的方法来判断初始采样时刻，以两个码元周期对应的采样点作为神经网络的输入向量，然后神经网络直接输出解调结果，用于解决现有dbpsk信号解调方法中误码率高的技术问题。

为实现上述的目的，本发明采取的技术方案包括如下步骤：

(1)获取01随机序列o和加噪信号r：

(1a)仿真软件随机产生01随机序列o；

(1b)对01随机序列o进行差分编码，得到差分编码序列；

(1c)对差分编码序列进行bpsk调制，并对调制结果进行加性高斯白噪声信道仿真，得到加噪信号r；

(2)获取加噪信号r的采样序列集θ1,θ2,…,θi,…,θm：

(2a)设加噪信号r初始采样时刻分别为t1,t2,…,ti,…,tk，其中，ti为第i种初始采样时刻，且ti＝it/k，t为加噪信号r的码元周期，k为加噪信号r初始采样时刻的种数，且k≥2；

(2b)利用加噪信号r初始采样时刻t1,t2,…,ti,…,tk的每种时刻分别对加噪信号r进行采样，得到加噪信号r的采样序列集θ1,θ2,…,θi,…,θm，其中，m为采样序列的个数，且m＝k，θi为第i个加噪信号r的采样序列；

(3)设定神经网络结构：设定包含输入层、隐藏层和输出层的前馈神经网络结构，其中输入层节点个数与待解调信号两个码元周期内的采样点个数相等，隐藏层节点个数等于输入层节点个数的一半，输出层节点个数为1，且隐藏层和输出层的激活函数均采用sigmoid函数；

(4)获取m组神经网络训练集：

(4a)以加噪信号r的采样序列集θ1,θ2,…,θi,…,θm的各采样序列中任意两个相邻码元周期对应的采样点作为神经网络的不同输入向量，每个采样序列中所有输入向量组成一组输入向量集，得到m组神经网络输入向量集，其中的输入向量的维度与设定的神经网络结构的输入层节点个数相同；

(4b)将01随机序列o中各码元作为神经网络的不同输出向量，得到神经网络输出向量集，其中的输出向量的维度与设定的神经网络结构的输出层节点个数相同；

(4c)将m组神经网络输入向量集中的每组向量集分别与输出向量集合并，得到m组神经网络训练集；

(5)训练神经网络：利用m组神经网络训练集对设定的神经网络结构进行训练，得到已训练的神经网络集n1,n2,…,ni,…,nn，其中，ni为第i个神经网络，n为神经网络的数量，且n＝m；

(6)对设定的待解调信号进行多神经网络解调：

(6a)设定格式为基带数据中每间隔一定数量的码元插入一个帧头c的待解调信号；

(6b)对设定的待解调信号进行ad采样，获得待解调信号采样序列；

(6c)将待解调信号采样序列中任意两个相邻码元周期对应的采样点作为神经网络的不同输入向量，得到待解调信号输入向量集；

(6d)将待解调信号输入向量集中的输入向量逐个分别输入到神经网络集n1,n2,…,ni,…,nn的每一个神经网络中，得到n个神经网络输出序列；

(6e)在n个神经网络输出序列中搜索待解调信号所设定的帧头c，并保留连续多次搜索到帧头c的输出序列对应的神经网络，关闭其余神经网络，得到保留的神经网络集n'1,n'2,…,n'q，其中，q为保留的神经网络集中的神经网络总数；

(6f)将神经网络的输出序列作为解调结果，并输出；

本发明与现有技术相比，具有以下优点：

1.本发明在实现dbpsk解调的过程中，首先产生多组初始采样时刻不同的训练集，然后使用训练集训练多个神经网络，并使用这些神经网络来处理未知初始采样时刻的待解调信号采样点，对于任意初始采样时刻的待解调信号序列，都能选取匹配的网络进行解调，得到解调输出，与现有技术相比，有效地降低了解调误码率。

2.本发明在实现dbpsk解调的过程中，采用的神经网络可以同时完成bpsk解调和差分译码的功能，与现有技术相比，简化了解调系统，且提高了解调速度。

3.本发明在实现dbpsk解调的过程中，使用多个神经网络来判断采样时刻，使解调系统可以更好的应对多普勒频移和采样时钟误差，因此具有较强的抗干扰性。

附图说明

图1是本发明的实现流程图；

图2是本发明dbpsk调制信号波形图；

图3是两种不同采样时刻的采样点波形对比图；

图4是本发明神经网络结构图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步说明。

参照图1，一种基于多神经网络的dbpsk解调方法，包括如下步骤：

步骤1，获取随机序列o和加噪信号r：

步骤1a，仿真软件随机产生01随机序列o，随机序列o是包含20000个二进制码元的随机序列，o＝(o1,o2,…,o20000)。

步骤1b，对其01随机序列o进行差分编码，起始码元b0取1，得到包含20001个二进制码元的差分编码序列。假设01随机序列起始的12个码元为“011011000101”，则编码后的差分编码序列为“1101101111001”。

步骤1c，对编码后序列进行bpsk调制，产生20001个码元周期的调制信号，调制时码元频率为1mhz，载波频率为1mhz，获得调制信号的起始部分如图2所示。并对调制结果进行加性高斯白噪声信道仿真，信噪比为5db，得到加噪信号r。

步骤2，获取加噪信号r的采样序列集θ1,θ2,…,θi,…,θ32：

由于在解调过程中对调制信号进行采样时，初始的采样时刻是随机的，而不同时刻采样点对应的信号特征是不同的。所述的初始采样时刻为，以加噪信号r的码元周期的初始时刻为零时刻，采样序列中第一个采样点的采样时刻。假设初始采样时刻为t，则使用t＝t0样本训练出的网络无法对t＝t1(t1≠t0)的数据进行精确解调。如图3(a)和图3(b)所示，假设码元周期为t，t＝0和t＝17t/32的采样点在特征上有较大区别。

为了解决这个问题，本发明采用多个神经网络进行解调。在步骤1产生加噪信号的基础上，本实施例假设加噪信号r初始采样时刻t分别为0,t/32,2t/32,…,it/32,…,31t/32，利用这些初始采样时刻分别对加噪信号r进行采样，采样频率fs为16mhz，得到加噪信号r的采样序列集θ1,θ2,…,θi,…,θ32，其中，θi为第i组加噪信号采样序列，其初始采样时刻为it/32。

步骤3，设定神经网络结构：本发明设定的神经网络结构如如图4所示，设定包含输入层、隐藏层和输出层的前馈神经网络结构，其中输入层节点个数与待解调信号两个码元周期内的采样点个数相等，隐藏层节点个数等于输入层节点个数的一半，输出层节点个数为1。本实施例中待解调信号码元频率f为1mhz，载波频率fc为1mhz，采样频率fs为16mhz，故所述待解调信号一个码元周期内的采样点个数为16，所以输入层节点个数为32，隐藏层节点个数为16，输出层节点个数为1。隐藏层和输出层的激活函数均采用sigmoid函数。

步骤4，获取m组神经网络训练集：

步骤4a，以加噪信号r的采样序列集θ1,θ2,…,θi,…,θ32的采样序列θi中任意两个相邻码元周期对应的采样点作为神经网络的不同输入向量，每个加噪信号采样序列中所有输入向量组成一组输入向量集，得到32组神经网络输入向量集。由于加噪信号r的码元频率为1mhz，采样频率为16mhz，故一个码元周期内的采样点个数为16，神经网络输入向量的维度为32，与步骤3中所述的神经网络输入层节点个数相同。以采样序列θ1为例，以采样序列θ1前两个码元周期对应的采样点即第1到32个采样点作为第一个输入向量，以第2、3个码元周期对应的采样点即第17到48个采样点作为第二个输入向量，以此类推，将θ1中所有采样点转换为神经网络的输入向量，得到20000个输入向量，组成了θ1对应的神经网络输入向量集。

步骤4b，将01随机序列o＝(o1,o2,…o20000)中各码元作为神经网络的不同输出向量，其中o1为第1个输出向量，o2为第2个输出向量，以此类推，得到20000个神经网络输出向量，组成一组神经网络输出向量集。其中每个输出向量的维度都是1，与步骤3中所述的神经网络输出层节点个数相同。

步骤4c，将32组神经网络输入向量集中的每组向量集分别与输出向量集合并，得到32组神经网络训练集。

步骤5，利用32组神经网络训练集对设定的神经网络结构进行训练，得到神经网络集n1,n2,…,ni,…,n32，共包含32个训练好的神经网络，其中，ni为第i个神经网络。训练神经网络实现步骤为：

步骤5a，对设定的神经网络结构各层节点的权值和偏置分别进行初始化。

步骤5b，设定神经网络训练均方误差的阈值，设定阈值为0.01。

步骤5c，将32组神经网络训练集中的所有输入向量输入给神经网络，得到神经网络实际输出向量，并计算该神经网络实际输出向量与神经网络训练集中的输出向量之间的均方误差。

步骤5d，对神经网络实际输出向量与神经网络训练集中的输出向量之间的均方误差进行反向传播，并利用反向传播的结果对经过初始化的神经网络结构各层节点的权值和偏置分别进行调整，得到神经网络结构各层节点新的权值和偏置。

步骤5e，循环执行步骤5c到步骤5d，当均方误差小于设定的神经网络训练均方误差阈值0.01时停止循环执行，此时步骤5c到步骤5d的循环次数为3057，得到神经网络集n1,n2,…,ni,…,n32。

步骤6，对设定的待解调信号进行多神经网络解调：

步骤6a，设定格式为基带数据中每间隔一定数量的码元插入一个帧头c的待解调信号，在本实施例中，所述间隔的码元数量为1024，所述帧头长度为32个码元，内容为二进制序列“0x5ce9ab43”。

步骤6b，待解调信号的载波频率为1mhz，码元频率为1mhz，对设定的待解调信号进行ad采样，采样频率为16mhz，获得待解调信号采样序列。

步骤6c，将待解调信号采样序列中任意两个相邻码元周期对应的采样点作为神经网络的输入向量，待解调信号一个码元周期内的采样点个数为16，以待解调信号采样序列前两个码元周期对应的采样点即第1到32个采样点作为的第一个输入向量，以第2、3个码元周期对应的采样点即第17到48个采样点作为第二个输入向量，以此类推，将所有待解调信号采样点转换为神经网络的输入向量，得到待解调信号输入向量集。

步骤6d，将待解调信号输入向量集中的输入向量逐个分别输入到神经网络集n1,n2,…,ni,…,n32的每一个神经网络中，得到32个神经网络输出序列。以神经网络n1为例，将待解调信号输入向量集中的一个输入向量输入给神经网络n1，得到一个神经网络n1的输出向量，将神经网络n1的所有输出向量按时间顺序排列，得到个神经网络n1的输出序列。所述的输出序列就是基带数据输出，在本步骤中神经网络同时完成了解调和差分译码的功能。

步骤6e，在32个神经网络输出序列中搜索待解调信号所设定的帧头c“0x5ce9ab43”，并保留连续多次搜索到帧头c的输出序列对应的神经网络，关闭其余神经网络，在本实施例中，得到保留的神经网络集n7,n8,n9。

步骤6f，选取下标处于中间的神经网络n8作为选中的神经网络，将神经网络n8的输出序列作为解调结果，并输出。

以上是对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求范围内做出各种变形或修改，这并不影响本发明的实质内容。