一种基于机器学习的信号解调方法与流程

本发明涉及高斯白噪声信道下信号解调领域，涉及单一调制方式信号和多种混合调制方式信号的解调。

背景技术：

随着通信技术的不断发展，人们对于万物互联的需求也越来越强烈，通信频谱资源和带宽也越来越紧张。通常，人们想到通过提高调制阶数提高发送码元携带的信息量，以此提高频谱和带宽的利用率，但是随着调制阶数的增加，接收机解调的难度越来越大，误码率越来越高，这时通常会采用相干解调的方法来降低误码率。但是在实际的通信系统中，无线信道的条件十分复杂，造成接收端难以精确提取载波相位、时延等信息，这使得相关解调的复杂度大大增加。

传统的信号解调过程分为同步和解调两步，首先需要通过一系列算法进行同步参数估计，然后在同步参数已知的条件下对信号进行解调。为了给接收机提供实时的载波提取和跟踪，通信系统需要采用很多的反馈回路，而且一般要求接收的数据要连续，但是在一些条件下，现有的通信系统无法满足上面的要求，即使数据连续，而且由于反馈环路的锁定需要一定的时间，在以高速率传输数据时，即使有反馈环路，接收机也难以实现载波同步和定时同步。在传统信号解调中，通常忽略了残留的同步误差，这将使解调的性能大大降低。

为了适应不同硬件设备和通信环境，通常需要选择不同的信号调制方式，如psk、qam、fsk等。无线电信号的调制和解调方案对于低误码率数据的有效传输在无线通信中起着重要的作用。为了获得更好的性能，许多调制和解调技术都经过前人充分的论证。但是如果按照常规的方法，面对不同的调制信号，需要不同的接收机电路来进行解调，导致接收机电路的复杂度大大增加。

技术实现要素：

本发明的目的是为了解决现有针对不同调制方式信号解调时，需要不同的硬件电路去解调，并且难以对多种调制方式未知的信号进行解调的问题，而提出一种基于机器学习的信号解调方法。

一种基于机器学习的信号解调方法具体过程为：

步骤一、采集原始基带信号，对基带信号进行处理，得到噪声信号，构建去噪自编码器，对噪声信号进行降噪处理，得到降噪处理后的信号；

去噪自编码器包含编码器和解码器；

具体过程为：

步骤一一、构建去噪自编码器的编码器，对采集的调制信号的特征进行提取；

步骤一二、构建去噪自编码器的解码器，对提取特征的信号进行去噪声还原，得到降噪处理后的信号；

步骤二、对步骤一中编码器和解码器中的神经网络进行训练，对参数进行优化，得到训练好的去噪自编码器网络及参数；

步骤三、构建基于卷积神经网络的信号解调模型；

步骤四、对步骤三构建的基于卷积神经网络的信号解调模型进行有监督训练，采用高斯分布对信号解调模型参数进初始化，不断对参数进行调整和优化，得到训练好的信号解调模型；

步骤五、将步骤二中训练好的去噪自编码器网络和步骤四中训练好的信号解调模型级联到一起(网络按顺序级联到一起)，对单一调制信号和多种调制方式混合的信号进行解调。

本发明的有益效果为：

1、本发明设计出了基于卷积神经网络的信号解调模型，该模型能够对多种单一信号能够实现解调的功能，同时模型对抵抗高斯白噪声信道的影响具有很好的性能。对于bpsk调制信号来说，在信噪比为0db时，误码率接近10^-1，在信噪比高于9db时误码率已经降到10^-4以下了。对于4-pam调制信号来说，在15db的信噪比下，模型解调的误码率也达到了10^-3左右。对于fsk调制信号来说，基于卷积神经网络的解调模型虽然相较于相干解调理论上的误码性能还有一些差距，但是二者的前提条件不同，相干解调理论上的误码曲线是在频率间隔等于码元传输速率的前提下得到的，而卷积神经网络模型是在频率间隔等于码元传输速率一半的前提下得到的，因此本发明设计的频谱利用率更高，通过对相同条件下fsk信号非相干解调进行matlab仿真，实验发现，对于非相干解调来说，频率间隔变小，会使误码性能大大降低，这里本发明以最佳非相干解调作为对照，同等条件下，卷积神经网络模型的解调性能要比非相干解调性能提高3.5个db，相较于最佳非相干接收来说，本发明的模型在信噪比低于11db时，性能优于最佳非相干检测，在信噪比高于11db时，性能略低于最佳非相干检测。同时本发明所述的解调模型经过训练后可以对多种信号进行解调，与其他基于学习的解调方式相比，本发明的模型不需要手动设计特征，与基于非学习的解调方式相比，本发明所述的模型可以对多种信号进行解调而不需要更换硬件及算法，只要事先训练好模型即可，也可以对多种调制方式未知的信号进行解调，只要事先训练好模型即可。

2、本发明设计的信号解调模型可以对bpsk、fsk、4-pam三种调制信号进行统一解调，这是传统方法无法做到的，也是基于深度学习的方法独有的特点。在10db信噪比条件下，混合解调的误码率仍然可以达到10^-2左右，对比不同信号单一解调的结果，可以发现，该信号解调模型在对多种信号进行解调时具有独立性，即各种信号之间解调互相不影响，影响性能的主要因素为信号的信噪比。

3、本发明采用去噪自编码器作为预训练的改进方法。使用去噪自编码器作为预训练的方案能够很大程度上地增强网络的抗噪声干扰性能，从而提高算法的性能。在多种调制信号统一解调时，去噪自编码器的改进方法相比随机初始化模型的方法，性能有1-2db的提升。

附图说明

图1为本发明的基于卷积神经网络的信号解调模型的基本流程图；

图2为本发明的基于卷积神经网络的信号解调模型结构图；

图3为本发明的信号解调模型对fsk调制信号在awgn信道下解调的性能曲线图；

图4为本发明的信号解调模型对bpsk、fsk、4-pam三种调制信号在awgn信道下统一解调的性能曲线图；

图5为本发明的带有去噪自编码器的信号解调模型的基本流程图；

图6a为本发明的去噪自编码器的编码器神经网络结构图；

图6b为本发明的去噪自编码器的解码器神经网络结构图；

图7为本发明的信号解调模型用去噪自编码器模型改进后对bpsk、fsk、4-pam三种载波调制信号统一解调性能曲线的对比图；

图8为本发明的信号解调模型用去噪自编码器模型改进后对4-pam单一载波调制信号在awgn信道下解调性能曲线图。

具体实施方式

具体实施方式一：本实施方式的一种基于机器学习的信号解调方法具体过程为：

步骤一、采集原始基带信号，对基带信号进行处理，得到噪声信号，构建去噪自编码器，对噪声信号进行降噪处理，得到降噪处理后的信号；如图5、图6a、图6b所示；

去噪自编码器包含编码器和解码器；

具体过程为：

步骤一一、构建去噪自编码器的编码器，对采集的调制信号的特征进行提取；

步骤一二、构建去噪自编码器的解码器，对提取特征的信号进行去噪声还原，得到降噪处理后的信号；

步骤二、对步骤一中编码器和解码器中的神经网络进行训练，对参数进行优化，得到训练好的去噪自编码器网络及参数；

步骤三、构建基于卷积神经网络的信号解调模型；如图1、图2所示；

步骤四、对步骤三构建的基于卷积神经网络的信号解调模型进行有监督训练，采用高斯分布对信号解调模型参数进初始化，不断对参数进行调整和优化，得到训练好的信号解调模型；

步骤五、将步骤二中训练好的去噪自编码器网络和步骤四中训练好的信号解调模型级联到一起(网络按顺序级联到一起)，对单一调制信号和多种调制方式混合的信号进行解调。

具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中采集原始基带信号，对基带信号进行处理，得到噪声信号；具体过程如下：

步骤1、采集原始基带信号，对基带信号进行带载波调制，生成不同调制方式的信号，按照0-15db的信噪比范围，以1db为步长，对采集的载波调制信号添加高斯白噪声；

不同调制方式指的是原始信号为基带信号，然后调制到载波上，信号的调制方式不确定，可以是pam调制，也可以是bpsk调制等等不同的调制方式；

步骤2、对步骤1中添加高斯白噪声之后的通信信号进行采样，每一个符号采样128点，4个通信符号为一个样本数据，即采样512个采样点为一组，以512个信号采样点为单位对添加高斯白噪声之后的信号进行随机打乱，与原始未添加高斯白噪声的信号一一对应，按照4:1的比例划分成训练样本和测试样本，每个训练样本和测试样本由数据和标签构成，数据为添加高斯白噪声之后的的信号，标签为未添加高斯白噪声的信号；

通信信号的单位包括符号和比特，与不同的调制方式有关；

将训练样本送入去噪自编码器中训练，得到稳定的去噪参数；

训练样本和测试样本包含添加高斯白噪声之后的信号和未添加高斯白噪声的信号。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤一一中构建去噪自编码器的编码器，具体过程如下：

步骤一一一、采用卷积神经网络构建去噪自编码器的编码器的网络结构，网络结构包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、输出层；

第一卷积层、第二卷积层使用relu激活函数，形式为g(z)＝max{0,z}即在输入小于0时，输出为0，在输入大于零时，输出等于输入；

第一卷积层卷积核长度设置为5*5，卷积核的数量设置为16；

第二卷积层卷积核长度设置为5*5，卷积核的数量设置为32；

第一池化层池化步长为2，池化的宽度为3；

第二池化层池化步长为2，池化的宽度为3；

步骤一一二、将步骤2中得到的训练样本输入到构建的去噪自编码器的编码器中，得到编码器的输出h＝f(x)。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤一二中构建去噪自编码器的解码器，具体过程如下：

步骤一二一、采用卷积神经网络构建去噪自编码器的解码器的网络结构，网络结构包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、输出层；

第一卷积层、第二卷积层使用relu激活函数，形式为g(z)＝max{0,z}，即在输入小于0时，输出为0，在输入大于零时，输出等于输入；

第一卷积层卷积核长度设置为5*5，卷积核的数量设置为16；

第二卷积层卷积核长度设置为5*5，卷积核的数量设置为32；

第一池化层池化步长为2，池化的宽度为3；

第二池化层池化步长为2，池化的宽度为3；

步骤一二二、将步骤一一二中得到的编码器输出h＝f(x)输入到步骤一二一构建的去噪自编码器的解码器中，得到解码器的输出r＝g(h(x))。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤三中构建基于卷积神经网络的信号解调模型，具体过程如下：

基于卷积神经网络的信号解调模型网络结构包括输入层、第一卷积层、第一池化层、第一激活单元、第二卷积层、第二池化层、第二激活单元、随机失活层、两层全连接层、输出层；

解码器的输出r＝g(h(x))作为信号解调模型输入层的输入，输入层输入神经元的数量设置为512，这对应着每一个样本的8位比特数据，对应有512个采样点；4个通信符号为一个样本数据，4个通信符号，即8个比特符号，采样的数据形成一个样本；

第一卷基层卷积核长度设置为5*5，卷积核的数量设置为16；

第二卷基层卷积核长度设置为5*5，卷积核的数量设置为32；

第一池化层池化步长为2，池化的宽度为3；

第二池化层池化步长为2，池化的宽度为3；

第一激活单元、第二激活单元使用relu激活函数，形式为g(z)＝max{0,z}，即在输入小于0时，输出为0，在输入大于零时，输出等于输入；

随机失活层参数设置为20％，即前一层的网络输出的数据只有80％被保留，其余20％设置为0；

输出层输出结构是8个神经元的sigmoid单元，用以输出8位解调比特数据。

由于网络层数不多，加上中间添加了随机失活层，能有效防止网络的过拟合现象。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤四中对步骤三构建的基于卷积神经网络的信号解调模型进行有监督训练，采用高斯分布对信号解调模型参数进初始化，不断对参数进行调整和优化，得到得到训练好的信号解调模型；具体过程为：

使用随机梯度下降算法对步骤三构建的基于卷积神经网络的信号解调模型进行有监督训练，学习速率设置为0.0001；

在信噪比大于等于10db时，利用高斯分布初始化信号解调模型参数，通过迭代、优化使解调模型的参数趋于稳定，并且能使解调后的误码率降到最低；

将得到的信号解调模型参数作为信噪比低于10db时的初始化信号解调模型参数，通过迭代、优化，使信号解调模型的解调性能达到最佳，即误差函数不再减小，趋于稳定，得到训练好的信号解调模型。

由于优化算法是迭代的，需要指定初始值，采用高斯分布随机初始化参数。

在高信噪比条件，首先利用高斯分布初始化信号解调模型参数，通过迭代、优化使解调模型的参数趋于稳定，并且能使解调后的误码率降到最低；

将得到的信号解调模型参数作为其他低信噪比条件下的初始化模型参数，之后通过迭代、优化，使模型的解调性能达到最佳。本发明认为在高信噪比信号的训练过程中，迭代更新后的参数已经具有了一定的从被噪声覆盖的信号中提取特征的能力。以这个初始值开始训练时，相当于只需要让神经网络学习从被噪声污染更严重的信号中提取特征的能力，相当于减轻了学习的难度，从而改善性能。

其它步骤及参数与具体实施方式一至五之一相同。

如图3为本发明的信号解调模型对fsk调制信号在awgn信道下解调的性能曲线图；

如图4为本发明的信号解调模型对bpsk、fsk、4-pam三种调制信号在awgn信道下统一解调的性能曲线图；

如图7为本发明的信号解调模型用去噪自编码器模型改进后对bpsk、fsk、4-pam三种载波调制信号统一解调性能曲线的对比图；

如图8为本发明的信号解调模型用去噪自编码器模型改进后对4-pam单一载波调制信号在awgn信道下解调性能曲线图。

得出本发明对于bpsk调制信号来说，在信噪比为0db时，误码率接近10^-1，在信噪比高于9db时误码率已经降到10^-4以下了。对于4-pam调制信号来说，在15db的信噪比下，模型解调的误码率也达到了10^-3左右。对于fsk调制信号来说，基于卷积神经网络的解调模型虽然相较于相干解调理论上的误码性能还有一些差距，但是二者的前提条件不同，相干解调理论上的误码曲线是在频率间隔等于码元传输速率的前提下得到的，而卷积神经网络模型是在频率间隔等于码元传输速率一半的前提下得到的，因此本发明设计的频谱利用率更高，通过对相同条件下fsk信号非相干解调进行matlab仿真，实验发现，对于非相干解调来说，频率间隔变小，会使误码性能大大降低，这里本发明以最佳非相干解调作为对照，同等条件下，卷积神经网络模型的解调性能要比非相干解调性能提高3.5个db，相较于最佳非相干接收来说，本发明的模型在信噪比低于11db时，性能优于最佳非相干检测，在信噪比高于11db时，性能略低于最佳非相干检测。同时本发明所述的解调模型经过训练后可以对多种信号进行解调，与其他基于学习的解调方式相比，本发明的模型不需要手动设计特征，与基于非学习的解调方式相比，本发明所述的模型可以对多种信号进行解调而不需要更换硬件及算法，只要事先训练好模型即可，也可以对多种调制方式未知的信号进行解调，只要事先训练好模型即可。

本发明设计的信号解调模型可以对bpsk、fsk、4-pam三种调制信号进行统一解调，这是传统方法无法做到的，也是基于深度学习的方法独有的特点。在10db信噪比条件下，混合解调的误码率仍然可以达到10^-2左右，对比不同信号单一解调的结果，可以发现，该信号解调模型在对多种信号进行解调时具有独立性，即各种信号之间解调互相不影响，影响性能的主要因素为信号的信噪比。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。