端到端数字通信解调方法与流程

技术特征：
1.一种端到端数字通信解调方法，其特征在于，包括以下步骤：采用顺次串联的随机序列生成器、调制器、基带成形滤波器和上变频器组成发射端，构建调制数据生成系统，基于卷积神经网络，采用相连在高斯白噪声传输信道上的中频滤波器、数据预处理模块在内的接收端，构建训练端到端具备同时实现码元最佳采样点位置提取和神经网络一体化解调功能的神经网络解调器模型和端到端的卷积神经网络解调器；在接收端，首先，对接收到的中频信号序列采用带通滤波器滤除带外噪声，然后，对接收符号进行归一化处理，调制数据生成系统设置网络超参数，在发射端设置发射端参数和信道参数，建立调制数据集，生成调制数据；数据预处理模块对接收到的中频信号序列进行预处理，包括频率估计与校正、幅度归一化和数据分块的基本功能；神经网络解调模型提取码元最佳采样点位置，对接收到的中频信号序列进行深度学习训练，一方面，通过构建不同起点样本集和有监督学习训练，实现不同样本符号最佳采样点位置的提取；另一方面，用调制数据来训练解调器，训练神经网络解调模型解调测试集中的数据集，输出解调后的信息流，通过练端到端的神经网络解调器模型，以损失值最小保存最优的解调器模型参数，得到最优的解调器模型，用于调制信号的解调；神经网络解调器模型设置网络超参数，并且训练起始点位置随机的训练样本，在训练过程中，采用交叉熵损失函数作为解调器的优化函数，读入测试集中的调制数据集和包含多个码元的信号流输入训练完成的解调器，通过深度网络实现多个码元的同时解调，解调器模型输出解调后的结果。2.如权利要求1所述的端到端数字通信解调方法，其特征在于：制数据生成系统设置发射端参数和信道参数，生成调制以及经过高斯白噪声传输信道后的信号，将发射端发射机的符号率fd设置为2.5mbd、采样率fs设置为10msps、每个符号有4个采样点的调制信号，把成型滤波器的滚降系数均匀分布在0.1
‑
0.5的范围内，测试数据集信噪比在
‑
2～8db范围内，针对训练集和验证集的信噪比在3～4db范围内随机变化，用一个根升余弦信号脉冲来实现成型滤波。3.如权利要求1所述的端到端数字通信解调方法，其特征在于：在接收端，接收端信号起始位置具备随机性，首先，对接收到的中频信号序列采用带通滤波器滤除带外噪声；然后，采用以下公式进行归一化处理带通滤波后的中频信号序列其中，xi为第i个接收符号，为x的均值，σ为标准差。4.如权利要求1所述的端到端数字通信解调方法，其特征在于：发射端建立的调制数据集包括：训练数据集、验证数据集和测试数据集，其中，训练数据集为所述调制数据集的80％，测试数据集为所述调制数据集的10％，测试数据集为所述调制数据集的10％，训练集用来训练解调器，验证集用来在训练时验证端到端解调模型训练的好坏，测试集用来在模型训练完成后测试模型的性能。5.如权利要求1所述的端到端数字通信解调方法，其特征在于：卷积神经网络解调器包括二者是对称结构的编码器和解码器，其中，编码器对应的是信号下采样过程，解码器对应的是信号特征图的上采样过程。6.如权利要求5所述的端到端数字通信解调方法，其特征在于：编码器通过顺次串联的
n个下采样层组成输入层，并且每个下采样层至少两个卷积块；同理，解码器也通过顺次串联的n个上采样层组成输出层，并且每个上采样层至少两个卷积块。7.如权利要求6所述的端到端数字通信解调方法，其特征在于：编码器包含1
‑
7个下采样层，每个采样层有1
‑
7个卷积块，每个卷积块含有32个卷积核和大小为3
×
1、步长为1的卷积层，解码器包含1
‑
7个卷积块和1
‑
7个上采样层，其中，卷积块使用基于深度卷积神经网络(d
‑
cnn)的1
‑
dcnn来适配一维的数字通信信号数据，用一维信号处理输入卷积核与特征图的一维向量，采用如下所示一维卷积的计算公式，计算输出向量中第m个值o
m
：式中，f为激活函数，w
p
为一维卷积核中的第p个权值，i
m p
为输入向量中的第(m p)个数值，b为偏置，1
‑
dcnn是一种局部连接和权值共享的卷积神经网络cnn。8.如权利要求1所述的端到端数字通信解调方法，其特征在于：在每个卷积层后面添加批标准化层来提高学习速率的能力，使网络在不过拟合的情况下更快地收敛，在一个批次的训练中，批标准化层每次传入m个训练样本，并关注网络中当前层的第j个维度、第j个神经元结点z
j
的某一层，为了防止方差为0产生无效计算，设置一个极小值∈参数，计算当前层的第j个神经元结点的均值μ
j
，，，其中，z表示第l层的线性计算结果，j为神经元结点的方差个数，z
j
∈实数域r1×
m
，为当前层的第j个神经元结点的方差，为前向传播中批标准化的处理结果。9.如权利要求8所述的端到端数字通信解调方法，其特征在于：卷积神经网络解调器设置网络超参数α，利用整个网络除最后一层外的所有层的激活函数leakyrelu，将超参数α约定为0<α<1，对α随机取值，且α的分布满足均值为0,标准差为1的正态分布，计算每一层卷积之后的激活值：然后设置最后一层的数据维度为(1024，4)，用最后一层激活函数softmax来输出解调结果，并采用调制数据集训练解调器，得到最优的解调器，其中，x表示卷积层的输出值，α是一个值很小的系数，参数α的经验值为0.1。10.如权利要求9所述的端到端数字通信解调方法，其特征在于：在训练过程中，采用随机梯度下降对损失函数优化：随机梯度下
降算法收敛的充分条件为：其中，η
t
和g
t
分别为随机梯度下降算法第t次迭代时的学习率和梯度。

技术总结
本发明公开的一种端到端数字通信解调方法，具有更强的灵活性，解调精度高，并能提升处理时效性。本发明通过下述技术方案实现：调制数据生成系统建立调制数据集，生成调制数据；数据预处理模块对接收到的中频信号序列进行预处理，神经网络解调模型提取码元最佳采样点位置，并对接收到的中频信号序列进行深度学习训练，获取解调器模型，输出解调后的信息流；神经网络解调器模型设置网络超参数，并且训练起始点位置随机的训练样本，在训练过程中，采用交叉熵损失函数作为解调器的优化函数，读入测试集中的调制数据集和包含多个码元的信号流输入训练完成的解调器，通过深度网络实现多个码元的同时解调，解调器输出解调后的结果。解调器输出解调后的结果。解调器输出解调后的结果。


技术研发人员：梁先明 曹广平 陈文洁 赵若冰 李奇真
受保护的技术使用者：西南电子技术研究所(中国电子科技集团公司第十研究所)
技术研发日：2021.07.31
技术公布日：2021/11/9