基于深度学习网络的高阶调制信号解调方法与流程

本发明属于通信技术领域，更进一步涉及无线通信技术领域中的一种基于深度学习网络的高阶调制信号解调方法。本发明可用来将无线通信系统接收端实时接收的高阶调制信号进行解调，得到解调后的高阶调制信号中的比特流。

背景技术：

通常，高阶调制信号在无线通信系统中包括多进制相移键控mpsk(multiplephaseshiftkeying)和多进制正交振幅调制mqam(multiplequadratureamplitudemodulation)信号。实时并且可靠地接收高阶调制信号中的比特流是实现高效低延时通信的核心，因此需要解调后得到的高阶调制信号中的比特流具备低误码率的特点，为得到低误码率的比特流，这就要求通信系统采用高可靠性的解调方法对高阶调制信号进行解调。

北京航天长征飞行器研究所在其申请的专利文献“一种通用qam及apsk解调器和解调方法”(申请号cn201810324489.6，公开号cn108712358a，公布日期2018.04.11)中提出了一种基于相干解调方法解调qam及apsk信号中比特流的方法。该解调方法的主要步骤是：(1)对接收的高阶调制信号进行中频滤波处理，滤除带外干扰；(2)对经过中频滤波模块后的信号分别与同相和正交两个载波信号相乘变为i/q两路信号，并进行下变频处理；(3)对经过下变频模块处理后的i/q信号进行低通滤波处理，滤除高频噪声；(4)对经过低通滤波模块后的i/q信号设置硬判决门限并对i/q信号的每一个码元符号进行抽样判决得到i/q两路比特流；(5)对经过抽样判决模块后得到的i/q两路比特流进行并串转换得到解调后的高阶调制信号中的比特流。该方法存在的不足之处是：该方法在对i/q信号进行抽样判决过程中，每个码元符号仅抽取该码元周期内的一个采样点与硬判决门限进行对比，这会导致随机判决错误的出现，进而导致解调误码率的升高。

timothyjoshea等人在其发表的论文“anintroductiontodeeplearningforthephysicallayer”(ieeetransactionsoncognitivecommunications&networking,2017,3(4):563-575.公开日期2017.10.11)中提出了一种基于全连接型网络nn(neuralnetwork)的解调mpsk信号中比特流的方法。该方法的主要步骤是：(1)采用多重密集层的全连接型网络nn(neuralnetwork)对接收的高阶调制信号进行特征提取；(2)将提取的特征信息经过softmax分类网络分类得到所有可能发送信息比特的概率向量p；(3)计算概率向量p中最高概率元素的索引，恢复高阶调制信号中的比特流。该方法存在的不足之处是：在使用反向传播bp(backpropagation)算法对全连接型网络nn(neuralnetwork)进行训练时，梯度随传播层数的递增呈现指数衰减形式，层数增多后低层基本上接收不到有效的训练信号，导致网络的训练难度增大，使得解调网络难以实现最优解，进而导致解调网络性能下降。

技术实现要素：

本发明的目的在于针对上述现有技术存在的不足，提出了一种基于深度学习网络的高阶调制信号解调方法，用于解决现有高阶调制信号解调方法在进行高阶调制信号解调时存在的解调误码率高和网络训练难度大的技术问题。

为实现上述目的，本发明的思路是：先构建深度学习网络，将训练集输入到深度学习网络，然后利用对数似然函数对深度学习网络进行训练，最后将待解调的高阶调制信号输入到训练好的深度学习网络中，解调高阶调制信号中的比特流。

实现本发明思路的步骤如下：

(1)获取高阶调制信号的采样序列：

(1a)实时接收卫星天线发送的高阶调制信号；

(1b)用高阶调制信号分别与同相和正交两个载波信号相乘，得到两路基带信号；

(1c)对每路基带信号的每个码元采集个点，得到两路采样序列，其中，f表示码元速率，fs表示采样频率，fs≥2f；

(2)对采样序列进行预处理：

(2a)对每路采样序列中的每个码元进行one-hot编码，得到每个码元的标签向量，将所有码元的标签向量按照接收顺序排列成一个大小为m×k的二维标签矩阵，m表示二维标签矩阵的行数，其值等于码元的总数，k表示二维标签矩阵的列数，其值等于标签向量的长度；

(2b)将每路采样序列以码元速率为单位划分成多个短序列，将第一路的第一个短序列与第二路的第一个短序列首尾相连构成一个子序列，以此类推，得到所有的子序列，将所有的子序列按照接收顺序排列成一个大小为l×n的二维矩阵，l表示二维矩阵的行数，其值等于子序列的总数，n表示二维矩阵的列数，其值等于子序列的长度；

(3)生成训练集：

(3a)将二维矩阵中的所有的元素组成初始训练集；

(3b)将初始训练集复制h次，将得到的h个初始训练集组成训练集，其中10≤h≤30；

(4)构建深度学习网络：

(4a)搭建一个5层的深度学习网络，其结构依次为：输入层→第一中间层→第二中间层→第三中间层→softmax多分类层；

(4b)设置深度学习网络各层参数如下：

将输入层的节点个数设置为400；

将第一至第三中间层的节点个数依次设置为200、100、50，若深度学习网络采用卷积神经网络cnn，将第一至第二中间层的卷积核大小均设置为1×3，卷积核个数均设置为1，卷积步长依次设置为2和1，将第三中间层的节点个数设置为100；

将softmax多分类层的节点个数设置为32；

(5)训练深度学习网络：

(5a)将训练集输入到深度学习网络中，输出一个维度与二维标签矩阵相同的二维预测矩阵；

(5b)利用二维标签矩阵和二维预测矩阵构建对数似然函数，计算对数似然函数的损失值；

(5c)利用损失值和梯度下降法，计算深度学习网络中每个中间层的每个节点的梯度；

(5d)利用每个中间层的每个节点的梯度，迭代更新深度学习网络中每个中间层的每个节点的权重，直到损失值小于0.001时，得到训练好的深度学习网络，保存训练好的深度学习网络中每个中间层的每个节点的权重；

(6)获得二维判决矩阵：

(6a)将实时接收的待解调的高阶调制信号按照与步骤(1)和步骤(2)相同的处理方法得到一个待解调的高阶调制信号的二维矩阵；

(6b)将待解调的高阶调制信号的二维矩阵输入到训练好的深度学习网络中，输出一个维度与二维标签矩阵相同的二维判决矩阵；

(7)解调高阶调制信号中的比特流：

将二维判决矩阵的每一行中最大元素对应位置的下标减去1，将处理后的所有最大元素组成高阶调制信号解调后的比特流。

本发明与现有技术相比具有如下优点：

第一，由于本发明构建了一个5层的深度学习网络对高阶调制信号进行特征提取，克服了现有技术在对高阶调制信号进行抽样判决过程中，每个码元符号仅抽取该码元周期内的一个采样点与硬判决门限进行对比，导致出现随机判决错误的缺陷，使得本发明降低了高阶调制信号的解调误码率。

第二，由于本发明利用对数似然函数对深度学习网络进行训练，克服了现有技术在使用反向传播bp(backpropagation)算法对全连接型网络nn(neuralnetwork)进行训练时，梯度随传播层数的递增呈现指数衰减形式，层数增多后低层基本上接收不到有效的训练信号，导致网络训练难度增大，使得解调网络难以实现最优解，进而导致解调网络性能下降的缺陷，使得本发明在降低网络训练难度的同时提高了解调网络的性能。

附图说明

图1是本发明的流程图；

图2是本发明的仿真结果图，其中，图2(a)是采用现有技术相干解调方法，对16qam调制信号进行解调得到的误码率随信噪比变化的曲线图，图2(b)是采用本发明堆叠自编码sae网络解调方法，对16qam调制信号进行解调得到的误码率随信噪比变化的曲线图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照附图1，对本发明的具体步骤做进一步的描述。

步骤1.获取高阶调制信号的采样序列。

实时接收卫星天线发送的高阶调制信号。

用高阶调制信号分别与同相和正交两个载波信号相乘，得到两路基带信号。

对每路基带信号的每个码元采集个点，得到两路采样序列，其中，f表示码元速率，fs表示采样频率，fs≥2f。

步骤2.对采样序列进行预处理。

对每路采样序列中的每个码元进行one-hot编码，得到每个码元的标签向量，将所有码元的标签向量按照接收顺序排列成一个大小为m×k的二维标签矩阵，m表示二维标签矩阵的行数，其值等于码元的总数，k表示二维标签矩阵的列数，其值等于标签向量的长度。

所述的one-hot编码是指将待编码的码元编码成一个长度为d的向量，d的取值与标签向量的长度相等。

将每路采样序列以码元速率为单位划分成多个短序列，将第一路的第一个短序列与第二路的第一个短序列首尾相连构成一个子序列，以此类推，得到所有的子序列，将所有的子序列按照接收顺序排列成一个大小为l×n的二维矩阵，l表示二维矩阵的行数，其值等于子序列的总数，n表示二维矩阵的列数，其值等于子序列的长度。

步骤3.生成训练集。

将二维矩阵中的所有的元素组成初始训练集。

将初始训练集复制h次，将得到的h个初始训练集组成训练集，其中10≤h≤30。

步骤4.构建深度学习网络。

搭建一个5层的深度学习网络，其结构依次为：输入层→第一中间层→第二中间层→第三中间层→softmax多分类层。

由于5层深度学习网络中共有三个中间层，因此，在降低网络复杂度的同时可以保证深度学习网络充分提取高阶调制信号的特征信息。

所述的深度学习网络是指堆叠自编码sae网络、循环神经网络rnn和卷积神经网络cnn中的任意一个网络，其中所述的堆叠自编码sae网络的第一中间层、第二中间层和第三中间层分别是指第一隐含层、第二隐含层和第三隐含层，所述的循环神经网络rnn的第一中间层、第二中间层和第三中间层分别是指第一循环层、第二循环层和第三循环层，所述的卷积神经网络cnn的第一中间层、第二中间层和第三中间层分别是指第一卷积层、第二卷积层和全连接层。

设置深度学习网络各层参数如下。

将输入层的节点个数设置为400。

将第一至第三中间层的节点个数依次设置为200、100、50，若深度学习网络采用卷积神经网络cnn，将第一至第二中间层的卷积核大小均设置为1×3，卷积核个数均设置为1，卷积步长依次设置为2和1，将第三中间层的节点个数设置为100。

将softmax多分类层的节点个数设置为32。

步骤5.训练深度学习网络。

将训练集输入到深度学习网络中，输出一个维度与二维标签矩阵相同的二维预测矩阵。

利用二维标签矩阵和二维预测矩阵构建对数似然函数，计算对数似然函数的损失值。

所述的对数似然函数如下：

l＝log(||wb-wc||2)

其中，l表示对数似然函数的损失值，log表示以10为底的对数操作，||||2表示二范数操作，wb表示二维标签矩阵，wc表示二维预测矩阵。

利用损失值和梯度下降法，计算深度学习网络中每个中间层的每个节点的梯度。

利用每个中间层的每个节点的梯度，迭代更新深度学习网络中每个中间层的每个节点的权重，直到损失值小于0.001时，得到训练好的深度学习网络，保存训练好的深度学习网络中每个中间层的每个节点的权重。

步骤6.获得二维判决矩阵。

将实时接收的待解调的高阶调制信号按照与步骤1和步骤2相同的处理方法得到一个待解调的高阶调制信号的二维矩阵。

将待解调的高阶调制信号的二维矩阵输入到训练好的深度学习网络中，输出一个维度与二维标签矩阵相同的二维判决矩阵。

步骤7.解调高阶调制信号中的比特流。

将二维判决矩阵的每一行中最大元素对应位置的下标减去1，将处理后的所有最大元素组成高阶调制信号解调后的比特流。

下面结合仿真实验对本发明的效果做进一步的说明：

1.仿真实验条件：

本发明的仿真实验的硬件平台：处理器为intel(r)core(tm)i5-4210mcpu、主频为2.60ghz、内存为8gb、显卡为nvidiageforce840m。

本发明的仿真实验的软件平台：windows7操作系统和matlabr2017b。

2.仿真内容及其结果分析：

本发明的仿真实验是采用本发明的方法和现有技术相干解调方法分别对待解调的高阶调制信号进行解调，得到高阶调制信号解调后的比特流。

在仿真实验中，现有技术相干解调方法是指，北京航天长征飞行器研究所在其申请的专利文献“一种通用qam及apsk解调器和解调方法”(申请号cn201810324489.6，公开号cn108712358a，公布日期2018.04.11)中提出的一种基于相干解调方法解调qam及apsk信号中比特流的方法，简称相干解调方法。

下面结合图2的仿真图对本发明的效果做进一步的描述。

图2(a)为采用现有技术相干解调方法，在16qam调制信号的信噪比取值分别从0db、1db到19db共20种取值大小的条件下，分别对16qam调制信号进行解调得到20个误码率数值，将20个误码率数值按照信噪比从小到大的顺序画在横坐标表示16qam调制信号的信噪比，纵坐标表示误码率的二维表格中得到的误码率随信噪比变化的曲线图。

图2(b)为采用本发明中的堆叠自编码sae网络解调方法，在16qam调制信号的信噪比取值分别从0db、1db到19db共20种取值大小的条件下，分别对16qam调制信号进行解调得到20个误码率数值，将20个误码率数值按照信噪比从小到大的顺序画在横坐标表示16qam调制信号的信噪比，纵坐标表示误码率的二维表格中得到的误码率随信噪比变化的曲线图。

由图2(a)可以看出，现有技术的相干解调方法对16qam调制信号进行解调得到的误码率曲线中，当信噪比等于18db时，误码率等于10^-3。

由图2(b)可以看出，本发明的堆叠自编码sae网络解调方法对16qam调制信号进行解调得到的误码率曲线中，当信噪比等于18db时，误码率等于2×10^-5，证明本发明可以降低高阶调制信号的解调误码率。

本发明的堆叠自编码sae网络解调方法只需要对堆叠自编码sae网络训练650次，便可使对数似然函数的损失值小于0.001，证明本发明可以在降低网络训练难度的同时提高解调网络的性能。

以上仿真实验表明：本发明通过构建深度学习网络，利用深度学习网络对高阶调制信号进行解调，能够降低高阶调制信号的解调误码率，通过对数似然函数对深度学习网络进行训练，可以降低网络的训练难度，解决了现有技术方法中存在的解调误码率高、网络训练难度大和解调网络性能低的问题，是一种非常实用的高阶调制信号解调方法。