一种基于神经网络的OFDM系统IQ信号解调方法及装置

一种基于神经网络的ofdm系统iq信号解调方法及装置
技术领域
1.本技术涉及智能通信领域，尤其涉及一种基于神经网络的ofdm系统iq 信号解调方法及装置。


背景技术：

2.数字调制技术是现代通信的重要方法，与传统的模拟调制相比，其具有更好的抗干扰性能，更强的抗信道损耗，以及更好的安全性。其中，同相正交iq 调制解调作为数字调制的特殊架构，凭借高数据速率以及易于实现等优势，广泛应用于无线通信系统。
3.iq调制架构以0、1比特为调制信号，其将原始数据比特流按照一定的规则映射至iq坐标系，映射完成后得到数字同向(in-phase，i)和正交(quadrature， q)信号，再分别由数字模拟转换器dac转换为模拟i和q信号，最后经iq 调制器上变频至射频发送。
4.在矢量坐标系中，横轴为实部，纵轴为虚部。数字iq调制完成了符号到矢量坐标系的映射，映射点一般称为星座点，具有实部和虚部。从矢量角度来说，实部与虚部是正交的关系，通常称实部为in-phase分量，虚部为quadrature 分量，即iq，因此，该矢量坐标系也称为iq坐标系。在iq坐标系中，任意一点都确定一个矢量，可以写为(i jq)的形式，数字调制后可得到相应的i 和q波形。
5.目前在通过模拟调制或数字调制对iq信号进行解调映射时，一般采用控制载波信号的幅度、频率和相位三要素来调制信号，分别称为调幅、调频和调相。在该解调过程中存在系统复杂度较高、通信评价指标较差的问题。


技术实现要素：

6.本技术实施例提供一种基于神经网络的ofdm系统iq信号解调方法及装置，用以解决目前的iq信号解调方法存在的系统复杂度较高、通信评价指标较差的问题。
7.本技术实施例提供的一种基于神经网络的ofdm系统iq信号解调方法，包括：
8.通过正交频分复用ofdm系统采集原始数据集，得到i路信号和q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；
9.根据所述ofdm系统的子载波数目，分别确定针对所述i路信号和q路信号的基于长短期记忆神经网络的解调网络；
10.确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；
11.采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述ofdm系统的iq信号解调。
12.在一个示例中，所述多径和衰落信息的时域冲激响应的公式为：
13.14.其中，f＝f
d sin(2πu)，f为离散多普勒频移，fd为最大多普勒频移，θ＝2πu为离散多普勒相位，u为独立随机变量，l为多径信道径数，m为调和系数，ρ[k]为路径能量，τk为时间延迟，k为路径序号。
[0015]
在一个示例中，所述解调网络的输入通过以下方式得到：
[0016][0017]
其中，y为接收信号，也表示所述解调网络的输入，x为待发送信号，h为所述多径和衰落信息的时域冲激响应，为卷积操作，n为信道噪声。
[0018]
在一个示例中，通过正交频分复用ofdm系统采集原始数据集，得到i 路信号和q路信号，作为训练数据集，具体包括：
[0019]
通过正交频分复用ofdm系统采集原始数据集；
[0020]
通过混频器产生正交的正弦波，对所述原始数据集进行处理；
[0021]
通过低通滤波器，对经过所述混频器处理的原始数据集再进行处理，得到正交的i路和q路两路信号，作为训练数据集。
[0022]
在一个示例中，所述解调网络包括两层长短期记忆网络层，一层分类层，对应的节点数分别为512、1024、n，其中，n表示所述ofdm系统的子载波数目；
[0023]
所述峰值平均功率比检测网络包括一层长短期记忆网络层，一层全连接层。
[0024]
在一个示例中，所述集成网络的训练批次为600，批次大小为1000。
[0025]
在一个示例中，所述集成网络采用的激活函数为relu函数，采用的损失函数为mae函数，采用的参数优化器为adam优化器。
[0026]
本技术实施例提供的一种基于神经网络的ofdm系统iq信号解调装置，包括：
[0027]
采集模块，通过正交频分复用ofdm系统采集原始数据集，得到i路信号和q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；
[0028]
确定模块，根据所述ofdm系统的子载波数目，分别确定针对所述i路信号和q路信号的基于长短期记忆神经网络的解调网络；
[0029]
恢复模块，确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；
[0030]
训练模块，采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述ofdm系统的iq信号解调。
[0031]
本技术实施例提供一种基于神经网络的ofdm系统iq信号解调方法及装置，至少包括以下有益效果：
[0032]
基于创新型的结构设计，采用模型驱动的网络搭建模式，结合无线通信传统数字调制中的iq解调结构，将深度学习思想引入无线通信中。通过设计模型驱动的结构，改进了传统iq调制结构。利用长短期记忆网络擅长处理时间序列的特性进行iq调制解调，采用神经网络取代解调过程，避免了在传统解调过程中lo信号不正交进而影响信号解调过程的问题。并且，将i路信号和 q路信号分开，能够降低网络数据处理的复杂度，也降低系统复杂度，减少了训练时间。
[0033]
另外，对于ofdm系统来说，信号是合成信号，则发送信号在时域可能具有很高的功率峰值。峰均比问题不仅影响发射功率放大器的效率，而且降低了模数和数模转换器的信
号量化噪声比(sqnr)。所以，ofdm系统一般会对发送信号进行papr限制操作，例如削波技术。本方案增加papr检测网络，通过lstm和全连接层，对ofdm系统中的削波信号进行信号恢复，抑制papr 对于信号解调的影响，从而优化了如误码率、误差幅度向量、峰均比等通信评价指标。
附图说明
[0034]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0035]
图1为本技术实施例提供的一种基于神经网络的ofdm系统iq信号解调方法流程图；
[0036]
图2为本技术实施例提供的解调网络结构图；
[0037]
图3为本技术实施例提供的集成网络结构图；
[0038]
图4为本技术实施例提供的集成网络信噪比误码率示意图；
[0039]
图5为本技术实施例提供的集成网络误差向量幅度性能示意图；
[0040]
图6为本技术实施例提供的集成网络互补累积分布函数性能示意图；
[0041]
图7为本技术实施例提供的削波后的误码率性能示意图；
[0042]
图8为本技术实施例提供的一种基于神经网络的ofdm系统iq信号解调装置结构示意图。
具体实施方式
[0043]
为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0044]
图1为本技术实施例提供的一种基于神经网络的ofdm系统iq信号解调方法流程图，具体包括以下步骤：
[0045]
s101：通过正交频分复用ofdm系统采集原始数据集，得到i路信号和q 路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号。
[0046]
在本技术实施例中，采集基于传统ofdm无线通信的iq调制解调信号作为原始数据集，原始数据集包含了多径和衰落信息的去除保护前缀的iq两路的合成接收信号。
[0047]
iq信号作为合成信号，两路信号相位差为90度，根据正交性的原理，两路信号完全没有相互干扰，可以进行i路和q路的信号分离。两路信号分别通过本振口的混频器，混频器产生相互正交的正弦波，其频率等于发送端本振口混频器的频率，接着信号通过低通滤波器，即可得到相互正交的i路和q路信号，作为训练数据集，用于训练神经网络。并且，根据得到的i路和q路信号，确定训练数据集的标签。将i路和q路信号分开处理，能够降低网络数据处理的复杂度。
[0048]
在一个实施例中，多径和衰落信息的时域冲激响应的公式为：
[0049][0050]
其中，f＝f
d sin(2πu)，f为离散多普勒频移，fd为最大多普勒频移，θ＝2πu为离散多普勒相位，u为独立随机变量，l为多径信道径数，m为调和系数，ρ[k]为路径能量，τk为时间延迟，k为路径序号。
[0051]
ρ[k]和τk如表1所示：
[0052]
表1
[0053][0054]
解调网络的输入通过以下方式得到：
[0055][0056]
其中，y为接收信号，也表示所述解调网络的输入，x为待发送信号，h为所述多径和衰落信息的时域冲激响应，为卷积操作，n为信道噪声。
[0057]
在一个实施例中，ofdm无线通信系统的具体实现过程包括以下步骤：
[0058]
第一，发送端待传输的比特信息经过数字调制后串并变换，利用快速傅里叶逆变换实现发送端上变频器的简化，之后插入循环前缀，以抗击符号间干扰 (isi)，此时的待发送信号可以表示为：
[0059][0060]
第二，发送信号经过信道后，接收信号可以表示为：
[0061][0062]
第三，信号经过噪声满足均值为零，方差为的加性高斯白噪声，然后对接收信号进行去除cp的操作。
[0063]
第四，由于数字调制信号的特殊性，将信号分为iq两路，分别输入相应解调网络中，进行调制过程。
[0064]
在一个实施例中，对获取到的训练数据集进行随机打乱，再从中确定预设比例的数据作为训练集，用于进行神经网络的训练，将其余数据作为网络性能的验证集，用于进行神经网络的性能验证，这样有利于提高训练出的神经网络的准确性。比如，将训练数据集的
60％作为训练集，其余40％作为验证集。
[0065]
s102：根据所述ofdm系统的子载波数目，分别确定针对所述i路信号和 q路信号的基于长短期记忆神经网络的解调网络。
[0066]
在本技术实施例中，分别针对i路信号和q路信号，设计其对应的基于长短期记忆(long short-term memory，lstm)神经网络的解调网络，并将训练数据集中发送与接收的i路信号和q路信号分别作为其各自对应的解调网络的输入和输出。
[0067]
解调网络使用lstm块基本结构，每一层网络包含了数组参数，即每组包含了输入门、遗忘门、状态门以及输出门，状态门体现了lstm网络的记忆功能，形式为矢量，决定了各时刻相互影响的强弱，遗忘门决定了输入状态的更新，其中主要采用的激活函数为sigmoid和tanh。
[0068]
lstm网络中每一层只有一个核心，有多个输入输出，即多组参数，在方案的解调网络中，设置数层的隐层网络，并采用了三层网络，其中包含两层 lstm网络层，节点个数分别为512、1024，还包含输出层(即分类层)为全连接层，节点数个数等于系统子载波数目。
[0069]
为了提高网络训练准确率，杜绝过拟合的现象，设计采用一百万行数据，训练批次(batch)为600，批次大小为一千，即一次喂入一千组数据，用以更新网络参数。
[0070]
在一个实施例中，ofdm系统采用固定数字调制方式，分别有qpsk、 160qam、64qam、子载波数目为512，循环前缀长度为64，未插入导频。
[0071]
图2为本技术实施例提供的解调网络结构示意图。在图2中，下方为i路信号，其通过对应的解调网络进行解调后输出，上方为q路信号，其通过对应的解调网络进行解调后输出。最后，两路信号相加，相位差为90度。
[0072]
s103：确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复。
[0073]
考虑到ofdm系统中常见的峰均比问题，即合成信号的功率过大，尤其对于上行通信，终端ue的电池限制，需要考虑峰值平均功率比(peak to averagepower ratio，papr)问题，故在此设信号在发送时进行了削波处理。本技术实施例在调节网络后增加了papr检测网络，papr检测网络采用两层的lstm 网络，通过数据处理，进行信号恢复，降低削波技术对信号解调的影响。
[0074]
图3为本技术实施例提供的集成网络结构图。在图3中，下方为i路信号，其通过对应的解调网络进行调制后输出，上方为q路信号，其通过对应的解调网络进行调制后输出。papr检测网络进行信号恢复后，q路信号再进行正交与i路信号集成。
[0075]
s104：采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述ofdm系统的iq信号解调。
[0076]
在本技术实施例中，通过训练数据集对构建的集成网络的网络结构(包括解调网络和峰值平均功率比检测网络)进行训练，在确定了网络具体结构、输入与输出后，使用反向传播过程更新网络参数，把每一次的实际输出值与正确值的差作为输入，通过反向传播来更新参数。
[0077]
所选的输出层的激活函数为relu函数，损失函数为绝对值平均误差 (mae)函数，参数优化器选择adam优化器。对应的公式为：
[0078]
[0079][0080]
可见，其引入了衰减系数ρ，这就使得如果某段时间梯度一直很小，由于ρ的存在，累积梯度就会以指数级的速度衰减，从而当前的梯度的影响会以指数级的速度增强。也就是说，在rmsprop算法中，不仅能让当前的更新在一段剧烈的更新后“降温”，也能在一段平稳的更新后“升温”。
[0081]
完成训练后，基于模型驱动的集成网络(即上述集成网络)即可替代原始 iq解调器进行信号处理。
[0082]
模拟iq调制器内部会出现两路本振口(lo)信号之间正交性不好的情况，即两路信号出现相位差的情况。在接收信号中，包络会出现衰减因子，类似于 iq幅度不平衡。对于数字调制信号，即使存在正交误差，从频谱上也很难观察到异常，但依然会影响信号的调制质量，误差向量幅度(evm)会恶化，星座图会发生旋转。
[0083]
在本技术实施例中，基于创新型的结构设计，采用模型驱动的网络搭建模式，结合无线通信传统数字调制中的iq解调结构，将深度学习思想引入无线通信中。通过设计模型驱动的结构，改进了传统iq调制结构。利用长短期记忆网络擅长处理时间序列的特性进行iq调制解调，采用神经网络取代解调过程，避免了在传统解调过程中lo信号不正交进而影响信号解调过程的问题。并且，将i路信号和q路信号分开，能够降低网络数据处理的复杂度，也降低系统复杂度，减少了训练时间。
[0084]
另外，对于ofdm系统来说，信号是合成信号，则发送信号在时域具有很高的功率峰值。峰均比问题不仅影响发射功率放大器的效率，而且降低了模数和数模转换器的信号量化噪声比(sqnr)。本方案增加papr检测网络，通过lstm和全连接层，对ofdm系统中削波后的发送信号进行信号恢复，抑制削波技术对于信号解调的影响，从而优化了如误码率、误差幅度向量、峰均比等通信评价指标。
[0085]
图4～图7为本技术实施例提供的集成网络的通信评价指标的相关示意图，包括信噪比误码率、误差向量幅度性能、互补累积分布函数性能、削波信号进行信号恢复后的误码率性能。
[0086]
可见，通过与传统iq解调信号准确率做对比，本方案在信噪比误码率、 evm性能、ccdf性能以及削波信号误码率等评价指标中表现良好。
[0087]
以上为本技术实施例提供的基于神经网络的ofdm系统iq信号解调方法，基于同样的发明思路，本技术实施例还提供了相应的基于神经网络的ofdm 系统iq信号解调装置，如图8所示。
[0088]
图8为本技术实施例提供的一种基于神经网络的ofdm系统iq信号解调装置结构示意图，具体包括：
[0089]
采集模块801，通过正交频分复用ofdm系统采集原始数据集，得到i路信号和q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除时钟脉冲信号后的接收信号；
[0090]
确定模块802，根据所述ofdm系统的子载波数目，分别确定针对所述i 路信号和q路信号的基于长短期记忆神经网络的解调网络；
[0091]
恢复模块803，确定峰值平均功率比检测网络，对经过所述解调网络处理后的信号
进行信号恢复；
[0092]
训练模块804，采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述ofdm系统的iq信号解调。
[0093]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0094]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0095]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。