一种基于深度学习的短波通信信号信息恢复方法与流程

本发明涉及无线通信，尤其涉及短波通信，具体涉及一种基于深度学习的短波通信信号信息恢复方法。

背景技术：

1、短波通信依托电离层反射传播的特性，能够实现超视距、远距离通信，具备覆盖范围广、抗毁性强、无需地面中继设备等优势，在军事作战、海事航行、应急救援等领域具有不可替代的作用。然而，短波信道属于典型的复杂恶劣信道，信道条件动态多变，其特性表现为：其一，电离层多径传播效应会引发严重的符号间干扰，导致接收信号产生时域波形畸变；其二，电离层参数随时间、环境随机波动，使得信道呈现显著的时变衰落特性；其三，存在高电平的环境噪声和干扰。上述多种负面因素叠加，会造成接收短波信号严重失真、缺损，极大增加了接收端信息准确恢复的难度。

2、传统的短波通信接收处理方法通常采用模块化分步处理架构，依次完成信道估计、自适应均衡、信道译码等独立处理流程。其中，均衡环节多采用自适应均衡器实现，译码环节普遍采用维特比译码、turbo译码等算法。但这类方法存在以下缺点：信道估计的偏差会直接导致均衡性能下降，进而影响译码效果，形成逐级传递的误差累积效应；传统算法基于对信道特性的理想化数学模型（如高斯白噪声信道、固定多径模型），而实际短波信道复杂多变，理想化模型与实际信道特性匹配度低，极易出现模型失配问题，导致信号处理性能大幅下降；高阶调制和强纠错码下的联合优化计算复杂度高，难以满足实时通信的工程应用需求。

3、近年来，深度学习技术在图像、语音等信号处理领域取得长足发展，其特征挖掘能力与端到端非线性映射能力，为解决通信领域问题提供了新思路。现有研究已尝试将深度学习方法应用于短波通信的符号检测、信道译码等环节，但大多针对简化、理想的信道模型，或仅采用神经网络替换传统接收机中的单一功能模块（如仅替代均衡器），未能对短波信道噪声干扰、多径畸变、时变衰落等多维信号损伤因素进行联合建模与统一修复，无法从根本上解决复杂短波信道下的信号失真、缺损问题，信号信息恢复精度与环境适配性仍存在较大短板。

4、因此，目前亟需一种可自主学习短波信道复杂时变特性，能够抑制环境噪声、修复受损波形、抑制多径干扰，实现端到端高精度信息恢复的短波通信信号处理方法。

技术实现思路

1、鉴于上述的分析，本发明实施例旨在提供一种基于深度学习的短波通信信号信息恢复方法，用以解决现有传统短波通信信号因信道时变、多径效应和强噪声干扰导致的信息恢复性能差的问题之一。

2、一方面，本发明实施例提供了一种基于深度学习的短波通信信号信息恢复方法，包括如下步骤：

3、构建短波通信数据集，所述短波通信数据集中的样本包括短波通信iq信号与对应的比特序列；

4、构建深度信息恢复模型，所述深度信息恢复模型包括信息增强网络与特征提取网络；所述信息增强网络用于对输入的短波通信iq信号进行噪声抑制与受损信号波形补全处理；所述特征提取网络用于对经噪声抑制与受损信号波形补全处理后的短波通信iq信号进行特征提取得到特征序列，并基于所述特征序列输出比特序列；

5、基于所述短波通信数据集对所述深度信息恢复模型进行训练；

6、将待恢复的短波通信iq信号输入训练好的深度信息恢复模型得到恢复后的比特序列。

7、进一步地，所述构建短波通信数据集包括：

8、基于采集设备积累得到的真实短波通信的iq信号得到所述短波通信iq信号；

9、解析所述短波通信iq信号得到所述比特序列；

10、构建（iq信号，比特序列）形式样本对；

11、基于所述样本对构建所述短波通信数据集。

12、进一步地，所述信息增强网络包括对称串联的编码器与解码器；

13、所述编码器用于抑制噪声，得到短波通信iq信号的信号本源特征向量；

14、所述解码器基于所述本源特征向量补全受损信号波形，实现信号波形的重建恢复。

15、进一步地，所述编码器为四层一维卷积的编码器，多级卷积层的输入通道与输出通道依次为2至32、32至64、64至128、128至256，每层卷积后依次连接批归一化层和relu激活层；

16、所述解码器为四层一维反卷积的解码器，多级卷积层的输入通道与输出通道依次为256至128、128至64、64至32、32至2，前三层后连接批归一化层和relu激活层，最后一层采用线性输出，恢复得到i、q两路信号波形。

17、进一步地，所述iq信号输入所述信息增强网络之前，还包括，对所述iq信号的末端补零，使所述iq信号的长度为大于或等于且为16的整数倍的最小值，以满足编码器逐级降采样的长度对齐要求，其中，为所述iq信号的原始长度；

18、将补零后的所述iq信号输入所述信息增强网络后，对输出信号按原始长度截取得到对应的i、q波形。

19、进一步地，所述特征提取网络采用cnn+lstm的混合结构，包括cnn网络、lstm网络、全连接层和输出层；

20、所述cnn网络用于从输入的短波通信iq信号的波形中自动学习并提取局部特征，得到特征序列；

21、所述lstm网络用于对所述特征序列解析iq信号在时间维度上的长程依赖关系，输出隐藏状态；

22、所述全连接层用于根据所述隐藏状态映射得到预设维度的预测向量；所述预设维度为所述比特序列的比特个数；

23、所述输出层用于根据所述预测向量得到比特序列。

24、进一步地，所述cnn网络由三层一维卷积组成，多级卷积层的输入通道与输出通道依次为2至64、64至128、128至256，每层后连接批归一化层和relu激活层，所述cnn网络输出经过交换通道维和时间维后输出特征序列；

25、所述lstm网络输入维数为256、隐藏单元数为128，将所述特征序列输入两层lstm网络，得到第二层lstm网络最后一个时刻的隐藏状态；

26、基于所述全连接层和sigmoid函数得到所述隐藏状态对应的预设维度的预测向量；

27、基于所述输出层得到所述预测向量对应的所述比特序列。

28、进一步地，所述基于所述短波通信数据集对所述深度信息恢复模型进行训练，包括：

29、基于所述短波通信数据集中的iq信号训练所述信息增强网络；

30、将训练好的所述信息增强网络与特征提取网络进行串联得到深度信息恢复模型；

31、基于所述短波通信数据集中的iq信号和比特序列训练所述深度信息恢复模型；所述比特序列为训练标签。

32、进一步地，所述基于所述短波通信数据集中的iq信号训练所述信息增强网络，包括：

33、对所述短波通信数据集中的iq信号做随机掩码遮蔽处理，构成掩码遮蔽信号；所述掩码遮蔽处理包括对掩码片段的数值置0和对掩码片段进行随机噪声替换；

34、基于所述掩码遮蔽信号与所述iq信号训练所述信息增强网络。

35、进一步地，所述随机掩码遮蔽处理包括：

36、基于预设的iq信号最大掩码片段数量为每个iq信号随机生成掩码片段数量；

37、基于所述每个iq信号的采样点个数与掩码片段数量确定每个iq信号的最大掩码长度；

38、基于所述每个iq信号的最大掩码长度为每个掩码片段随机生成掩码长度；

39、基于所述每个iq信号的掩码片段数量、最大掩码长度以及所述掩码长度随机生成掩码片段的起始位置；

40、基于所述每个iq信号的每个掩码片段的起始位置与掩码长度进行掩码遮蔽处理。

41、与现有技术相比，本发明至少可实现如下有益效果之一：

42、1、本发明基于信息增强网络与特征提取网络解决了传统短波通信信号因信道时变、多径效应和强噪声干扰导致的信息恢复性能差的问题，实现了集噪声信号自动抑制、片段受损信号自动重建、多径效应自动消解于一体的短波通信信号信息精准恢复功能，构建的深度信息恢复模型能够端到端输出恢复后的信息比特序列，无需人工干预。

43、2、本发明摒弃了传统的模块化处理流程，将均衡与译码隐含在模型的训练学习中实现联合优化，避免了模块间的误差传播，实现了端到端全局性能最优。

44、3、本发明具有强大的非线性处理能力，深度学习模型能够以数据驱动的方式，自适应地学习短波信道的复杂非线性失真和噪声统计特性，对非高斯、非平稳干扰具有更强的鲁棒性。

45、4、本发明无需显式信道估计，模型隐式地学习并补偿了信道效应，省去了复杂且易出错的手动信道估计步骤，简化了接收机设计。

46、5、本发明网络架构具备良好适配能力，同一网络结构只需通过在不同信道条件下采集的数据进行重新训练，即可适配多种调制编码方案和变化的信道环境，具有较强的灵活性和通用性。

47、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。