本发明属于人工智能技术领域,具体是涉及一种基于神经网络的gmsk脉冲多普勒频移测量方法。
背景技术:
在通信中,当发射终端处于高速运动时,由于多普勒效应,移动终端的发射信号到达接收端时会发生多普勒频移。通过载频多普勒频移的测量,在移动通信中可以进行频率校准从而降低通信误码率,在非合作的信号分选中多普勒频移所隐含的物体运动速度可以作为分选的依据。
技术实现要素:
本发明针对具体gmsk脉冲信号,提出了一种基于神经网络的多普勒频移测量方法。移动通信的场景或者信号分选场景中可以假设已知原始的gmsk脉冲的载频,则可以先利用原始载频从gmsk脉冲信号中获得基带信号,从gmsk的调制原理上看,本质上是将码元信息加入相位中,当引入频移时,相当于在基带信号中叠加了随时间增加的相位漂移。本发明将从这个角度,在相位漂移中提取载频偏移量从而完成测频。
本发明所采用的技术方案为:
s1、频域信息提取
首先,对接收的gmsk基带信号进行fft变换获得频域信息,由于脉冲信号多是带限信号,信息集中于零频附近,且处于去除带外噪声的考虑,可以选择带内频域信息而不是全部频域信息进行下一步分析。
s2、神经网络模型学习
利用神经网络的强大拟合能力对从频域信息中进行多普勒频移的提取进行模型学习。设置三层神经网络,第一层接收频域信息,第二层中间层对信息进行处理,最后一层一个具有thah激活函数的节点输出估计的多普勒频移。针对特定的gmsk信号,准备频域信号与对应多普勒频移的数据集,使用rmsprop优化算法完成对网络进行训练。
s3、采用训练好的神经网络对目标gmsk信号进行多普勒频移测量。
将需要估计的gmsk基带信号的频域信息输入训练好的网络模型中进行,获得估计的多普勒频移结果。
本发明的有益效果为,本发明针对如何从接收的gmsk脉冲信号中提取多普勒频移信息给出了一种基于神经网络的估计方法。通过仿真可以发现本发明的多普勒频移测量效果明显优于传统的fft和music算法。
附图说明
图1为多普勒估计模型;
图2为算法在不同信噪比下的测量均方误差。
具体实施方式
下面结合附图及实施例,详细描述本发明的技术方案:
实施例
本例中设置gmsk信号模型如下:采样率fs=100mhz,过采样率r=20,带内信噪比es/n0设置为0到20db,gmsk调制的时延带宽积tbb=0.5,设置脉冲的码元长度n=32,多普勒频移fd范围为0到5khz。
图1是针对这一场景的多普勒估计模型。选取122个零频附近的频域信息作为模型输入,神经网络第一层采应122个节点,第二层采用40个中间节点。
图2是表示不同方法在不同信噪比下的均方误差mse。为了适应在噪声存在下的多普勒测量,神经网络的训练时选择7db的噪声数据200000组,一方面为了在0到20db多种eb/n0的信号频率估计中得到更好的效果,另一方面也是引入噪声减少训练中过拟合现象。选择传统的fft和music测频方法与本发明方法进行对比,并给出理论测频性能上限crb,测试数据选择0到20db步进为1db,每个信噪比点生成2000组数据,计算均方误差mse,可以发现本发明对多普勒频移的估计效果非常明显优于传统的fft和music。
1.基于神经网络的gmsk脉冲多普勒频移测量方法,其特征在于,包括以下步骤:
s1、对接收的gmsk基带信号进行fft变换获得频域信息;
s2、构建神经网络模型,神经网络模型包括三层,第一层输入层用于接收频域信息并输入到神经网络,第二层中间层用于对输入的信息进行处理,第三层为一个具有thah激活函数的节点用于输出估计的多普勒频移;对于目标gmsk信号,通过收集频域信号与对应的多普勒频移构成训练数据集,使用rmsprop优化算法对神经网络进行训练,即可获得能针对目标gmsk信号获得多普勒频移的训练好的神经网络;
s3、采用训练好的神经网络对目标gmsk信号进行多普勒频移测量。