论文部分内容阅读
近年来,数字通信技术在无线通信领域占据了主导地位,而调制解调是数字通信中的一项关键技术。相移键控(Phase Shift Keying,PSK)是一种最常用的数字调制方式,具有调制效率高、传输频带利用率高、抗噪声抗干扰能力强等优点。传统PSK解调器一般使用专用的硬件平台实现,具有实现成本高、开发周期长等缺点,近年来有被软件定义无线电取代的趋势。神经网络是一种非线性模型,在图像识别、图像处理以及自然语言处理方面已展现出了强大的能力。由于神经网络具有自适应能力以及泛化能力,可以通过训练的方式从现有数据中学习到提取特征的能力,且软件定义无线电中解调器是实现在计算机上的,因此利用神经网络实现解调算法具有可行性与优越性。本文提出了一种基于一维卷积神经网络(One-Dimensional Convolution Neural Network,1-D CNN)的PSK解调算法。该算法通过检测PSK调制信号中的相位跳变位置和种类完成解调功能。算法首先利用时间窗口获得1-D CNN的输入向量,然后使用1-D CNN分别检测各个输入向量中是否存在相位跳变,并将1-D CNN的输出按照时间顺序组成输出序列,最后经过定时同步模块处理得到解调结果。与其他基于神经网络的解调算法相比,本文提出的1-D CNN结构可以减少权值连接,从而减少运算复杂度。由于本文不是通过将采样点直接映射为码元来实现解调,避免了将PSK信号按照码元周期分组,同时配合定时同步模块的使用,解决了神经网络解调算法受载波频偏和采样频率误差的问题。本文搭建了1-D CNN模型,并仿真产生BPSK与QPSK调制数据来产生训练集,从而训练出能够检测BPSK与QPSK相位跳变的1-D CNN。仿真结果表明,不同信噪比的训练集训练得到的1-D CNN具有不同的解调性能,且使用信噪比为-2dB的训练集能够得到性能最好的1-D CNN。对于BPSK信号,本文提出的算法能够在信噪比为4dB以上时提供比理论值更好的解调性能,对于QPSK信号,本文提出的算法性能接近传统相干解调方法。与传统解调方法相比,本文提出的解调算法不需要使用特定硬件实现,具有更强的灵活性。由于解调的部分功能由神经网络实现,因此可以根据信道特点来产生训练数据,提高算法的适应性。此外,神经网络的泛化能力可以为解调提供更好的抗干扰能力。