基于数据类型识别的调频信号时频同步系统及方法

1.本发明属于通信技术领域，特别涉及一种基于数据类型识别的调频信号时频同步系统及方法。


背景技术：

2.调频信号作为数字通信中常用的通信方式，广泛应用于短波等中低速数据通信。且短波通信中多采用突发调频信号通信，使得信号与噪声之间交替出现，导致传统的解调方法难以满足处理需求。随着软件无线电技术在数字信号处理领域的广泛应用，其高效、灵活的特点更适合调频信号解调。但由于多普勒频偏、噪声干扰和接收机时钟偏差等影响，接收到的调频信号与发射信号相比存在频率偏差和时延(码元偏移)等现象，如不进行校准，将导致解调出错，因此在调频信号解调过程中，频率同步和码元同步问题格外重要。
3.传统的调频信号解调方法分为非相干解调法和相干解调法，其中非相干解调法包括包络检波法、过零检测法和鉴频法等，在低信噪比情况下，均存在解调能力差、误码率高等问题。相干解调法需要在调频信号中精准提取载波信号，随着信号处理技术在数字通信方面的迅速发展，出现了运用短时傅里叶变换、正交自延时和自适应数字滤波等方法，但都存在码元或载波同步问题。因此，对调频信号解调技术的研究，更多的放在了频率同步和码元同步的研究上。
4.2011年金文光等在《2fsk信号dstft解调算法中的同步新方法》中，使用离散短时傅里叶变化(dstft)进行2fsk信号解调，通过分析比较2fsk信号的谱图与码元偏移之间的特定关系进行码元同步，将信号接收分为码元起始点捕获过程和码元跟踪过程，通过获取的不同谱图采用不同的同步操作。
5.2016年郭志阳等在《基于fpga的dstft算法对fsk信号解调的改进》中，在dstft解调算法的基础上，运用两个载波功率谱估计的关系实现对码元偏移点数的记录和跟踪的同步，能够在失步状态时候快速地进入同步状态，减少了系统资源消耗和数据丢失。
6.2016年heyi hu等在《demodulation of continuous phase 2fsk signal with gardner synchronization》中使用改进的gardner同步算法进行连续相位fsk信号同步，可抵抗7％的频率偏差，且比传统的相干解调方法在信噪比为9.88db左右时有更低的误码率。
7.2018年崔玉娇等在《短波突发fsk信号解调技术研究》中，针对fsk信号解调中的突发监测和同步判决问题，提出了一种基于谱熵监测和短时傅里叶判决的突发信号解调方法，根据信号和噪声的功率谱熵分布不同，将解调信号区分为信号段和噪声段，同时利用dstft解调算法进行具有抗频偏能力的码元同步和fsk信号解调，通过寻找载频附近功率谱幅值的累积量进行码元判决，提高了解调的抗噪声性能，并采用基于最大峰值比判决的码元同步方法，避免了噪声误判和频偏造成的同步误差，提高了系统的解调性能。
8.气象信号是常见的探测信号。对于部署在地面的探空接收机而言，需要接收通过热气球悬挂在空中的气象探测仪发射的气象信号，气象信号为调频信号，由于气象探测仪飘浮在空中，且发射信号通过气层到达接收机天线存在不同程度的衰减，因此接收机接收
到的信号与发射信号相比存在时刻变化的频率偏移和码元偏移，频率同步和码元同步的可靠性将直接影响气象信号解调的正确性。
9.对于气象信号，现有的基于信号处理的调频信号解调中，频率同步和码元同步方式主要存在以下几点不足：
10.第一，接收的气象信号为二进制调频信号(2fsk)，数据由0、1两符号构成，调制时两种符号分别使用两个不同频率的载波表示，现有的调频信号解调方法中关于频率同步或码元同步的算法均需要满足一个前提：假设两个符号是以等概率发送的，即数据内0、1两个符号的出现数量基本一致，也就是说，在一段时间内两个载波功率基本相同。但是在实际应用中，若调频信号没有经过加扰或编码等预处理直接进行调制发射，其数据内容难以满足该假设条件。
11.在气象探测应用中，数据包括经度、纬度、海拔和风速等气象测量值，数据内容如表1所例：
12.表1气象探测仪发送数据内容示例表
13.数据内容二进制表示纬度：39”41’n00000011_00001001_00000100_00000001经度：115”72’e00000001_00000001_00000101_00000111海拔：10000m00000010_00000111_00000001_00000000风速：10.4m/s00000000_00001010_00000100_00000000
14.从表中可以看出二进制表示的数据内容大部分由符号0构成，经过调制后，发射信号大部分由代表符号0的载波构成，当气象探测仪连续长时间发射单一符号时，接收机只接收到一个载波信号，若使用传统的频率同步和码元同步算法，将出现频率失锁或码元跟踪错误等问题，导致解调错误，无法得到正确的气象数据。
15.第二，现有的气象探测仪由不同公司设计生产，各家公司设定的调制使用的两种载波频率各不相同，而接收机需要适配并正确解调各种载波频率的信号，但现有的解调算法均假设在单一固定调制频率下处理，即两个符号所对应的载波频率固定。由调频信号功率谱密度可知，当两个载波频率发生变化时，其功率谱密度将出现不同特征，传统算法在面对不同载波频率的信号时，并不能做到全部适配，可能出现解调错误的问题。
16.以二进制调频信号(2fsk)为例，已知其调制信号可以看成两个不同载频的二进制调幅信号(2ask)信号叠加，因此，2fsk的功率谱密度可以看作中心频率分别为f1和f2的两个2ask功率谱密度的组合，如式(1)：
[0017][0018]
其中，p
2fsk
为2fsk的功率谱密度，p
s1
和p
s2
分别为两个2ask的功率谱密度，设2ask的基带信号为单极性不归零脉冲序列，其功率谱如式(2)：
[0019][0020]
其中，fb为符号速率，tb为符号宽度，即tb＝1/fb，δ(f)为冲击信号，将式(2)代入式(1)，得到2fsk功率谱密度函数如式(3)：
[0021][0022]
由上式可以看出，2fsk信号的功率谱密度包含连续谱和离散谱两部分，当两个载频的间距较小时，功率谱密度曲线只有单峰，当间距加大时，曲线出现双峰，当间距大于2fb时，双峰完全分离。由此可以看出，当两个载频不固定时，传统的解调方式无法对不同特征的功率谱密度图像做出相应调整，因此会影响解调性能。


技术实现要素：

[0023]
本发明提供了一种基于数据类型识别的调频信号时频同步系统及方法，用于克服现有调频信号解调方式中时频同步存在的上述缺点。本发明使用深度学习网络根据基带信号时域、频域与时频域三种特征图对每段数据进行分类，每段数据由0、1两种符号或噪声构成，将两种符号数量相近的数据段分类为有效数据段，数量相差较大的数据段分类为无效数据段，无符号的数据段分类为噪声。将分类结果作用于现有的频率同步和码元同步模块，频率同步模块使用鉴频曲线计算频偏估计值，码元同步模块使用两种符号的功率差计算码元偏移估计值，实现联合频率同步和码元同步，并使用相干解调方法经采样判决得到解调结果。解决了连续相同符号会影响时频同步性能的问题，且支持任意调制频率的调频信号时频同步，提高了解调抗干扰能力和适用性。
[0024]
本发明核心在于使用深度学习网络对现有气象探测仪发射的调频信号进行分类，将一段时间内两种符号数量相近的数据信号判断为有效数据，在有效数据段使用现有频率同步和码元同步方法进行时频同步，进而进行相干解调。
[0025]
具体技术方案如下：
[0026]
基于数据类型识别的调频信号时频同步系统，包括信号采集模块、深度学习网络模块和信号处理模块，
[0027]
信号采集模块由三部分组成，分别为模数转换部分、下变频部分和下采样部分，模数转换部分采样气象探测仪发射的调频信号，得到数字频带信号，下变频部分将数字频带信号搬移到基带，得到数字基带信号，下采样模块对数字基带信号进行过采样，最终得到过采样倍数合适的基带iq信号；
[0028]
深度学习网络模块由两部分组成，分别为特征提取模块和神经网络模块，特征提取模块用于将每组基带iq信号分别进行时域、频域与时频域转换，得到每组基带iq信号三组特征图，一组基带iq信号指积累一段时间的基带iq信号，每组基带iq信号包含若干符号，符号由0和1组成，每组信号内两种符号数量不同；神经网络模块用于对每组基带iq信号的三组特征图三分类，分类标准为该组信号内两种符号数量是否相近，如果两种符号数量相近则为有效数据，数量相差大则为无效数据，无符号发送则为噪声，分类结果将作用于信号处理模块中的频率同步模块和码元同步模块；
[0029]
信号处理模块由三部分组成，分别为频率同步模块、相干解调模块和码元同步模块，频率同步模块通过鉴频曲线得到频偏估计值，对深度神经网络模块识别出的有效数据进行频率调整，得到无频偏的基带iq信号；相干解调模块根据已知的调制频率分别使用窄带滤波器提取两个载频信号，计算同一时刻下两个载频功率值差，得到解调曲线；码元同步模块根据解调曲线幅值即两个载频功率差值计算码元偏差估计值，对深度神经网络模块识别出的有效数据，使用当前码元偏差估计值进行码元调整，得到最佳采样点位置，经过采样判决得到解调结果。
[0030]
所述神经网络模块采用残差卷积神经网络架构。
[0031]
所述模数转换部分使用高速模数芯片。
[0032]
所述下变频部分由直接频率生成器dds和复乘器构成，直接频率生成器生成与数字频带信号频率相同的正弦信号，复乘器将数字频带信号与正弦信号相乘后，将数字频带信号搬移到基带，得到数字基带信号。
[0033]
基于数据类型识别的调频信号时频同步方法，基于调频信号时频同步系统，使用深度学习网络对接收到的气象探测数据进行分类，将两符号数量相近的数据段判断为有效数据，使用深度学习网络的分类结果对有效数据进行频率同步和码元同步，具体包括以下步骤：
[0034]
步骤1：模数转换模块使用高速模数芯片采样气象探测仪发射的调频信号，得到数字频带信号；
[0035]
步骤2：数字频带信号输入下变频部分，下变频部分由直接频率生成器dds和复乘器构成，直接频率生成器生成与数字频带信号频率相同的正弦信号，复乘器将数字频带信号与正弦信号相乘后，将数字频带信号搬移到基带，得到数字基带信号；
[0036]
步骤3：数字基带信号经过下采样模块得到过采样倍数合适的基带iq信号；
[0037]
步骤4：基带iq信号分为两个分支，两个分支并行同时进行，一路基带iq信号首先积累一段时间构成一组输入信号，每组基带iq信号都包含若干符号，符号由0和1组成，每组基带iq信号输入特征提取模块，经过特征提取模块的时域、频域与时频域转换，得到三组特征图；每组基带iq信号的特征图输入神经网络模块，得到每组数据的三分类结果，分类标准为每组信号内两种符号数量是否相近，两种符号数量相近则为有效数据，数量相差大则为无效数据，无符号发送则为噪声，分类结果将作用于信号处理模块中的频率同步模块和码元同步模块；
[0038]
另一路基带iq信号经过频率同步模块，通过鉴频曲线得到频偏估计值，再根据神经网络模块得到的分类结果，若分类结果为有效数据，则使用当前频偏估计值进行频率调整得到无频偏的基带iq信号；对无频偏的基带iq信号进行相干解调，得到解调曲线；码元同步模块根据解调曲线幅值计算码元偏差估计值，并根据神经网络模块的分类结果，对有效数据使用当前码元偏差估计值进行码元调整，得到最佳采样点位置，经过采样判决得到解调结果。
[0039]
针对问题一，本发明对基带iq信号分别进行时域、频域和时频域的特征提取，使用深度学习网络根据基带信号不同特征对数据内容进行分类，使用分类结果帮助进行频率同步和码元同步，有效解决了气象探测中连续长时间接收单一符号导致的频率码元同步失锁问题。
[0040]
针对问题二，本发明结合并优化现有方法，利用鉴频曲线计算频偏估计值，利用两载波功率差计算码元偏差估计值，该频率同步和码元同步方法适用于各种载波频率间距的调频信号时频同步。
[0041]
有益效果
[0042]
(1)本发明在接收连续同一符号数据时，由于神经网络对数据进行分类，将分类结果作用于频率同步和码元同步模块。在长时间连续接收同一符号时，不会改变频率同步和码元同步状态，确保仍可正确解调，且可以解调任意数据协议的调频信号，拓展了该解调方法的使用场景，提高了适用性。
[0043]
(2)本发明综合优化现有技术方法，根据神经网络分类结果，利用鉴频曲线计算得到可靠的频偏估计值进行频率同步，经相干解调后，通过计算解调曲线最大值得到可靠的最佳采样点位置进行码元同步，经采样判决后得到解调结果，具有较好的解调性能和较高的灵敏度，提高了抗干扰能力，且可以解调任意调制频率的调频信号，发送方可以按需配置调制载频。
[0044]
(3)神经网络模块择优使用了残差卷积神经网络架构，能够取得更高的分类正确率。
附图说明
[0045]
图1基于数据类型识别的调频信号时频同步方法原理框图；
[0046]
图2基于数据类型识别的调频信号时频同步方法流程图；
[0047]
图3基带iq信号处理原理框图；
[0048]
图4残差块结构图；
[0049]
图5 resnet-18网络结构；
[0050]
图6基带iq信号时域图；
[0051]
图7基带iq信号频域图；
[0052]
图8基带iq信号时频域图；
[0053]
图9残差卷积神经网络示意图；
[0054]
图10(a)残差卷积网络训练结果图；
[0055]
图10(b)残差卷积网络测试结果图；
[0056]
图11 0khz频偏下调频信号解调误码率曲线图；
[0057]
图12 10khz频偏下调频信号解调误码率曲线图；
[0058]
术语解释：
[0059]
resnet:residual network，残差网络
[0060]
fsk：frequency shift keying，频移键控
[0061]
dstft:discrete short time fourier transform，离散短时傅里叶变换
具体实施方式
[0062]
本发明主要是通过以下技术方案实现的：
[0063]
(一)方案流程图及原理框图
[0064]
本发明的原理框图如图1所示，流程图如图2所示，下面根据原理框图和流程图对
本发明的具体实现方案进行详细阐述。
[0065]
(1)信号采集模块
[0066]
信号采集模块由三部分组成，分别为模数转换部分、下变频部分和下采样部分。模数转换部分使用高速模数芯片采样气象探测仪发射的调频信号，得到数字频带信号。下变频部分采用现有技术完成，其由直接频率生成器(dds)和复乘器构成，直接频率生成器生成与数字频带信号频率相同的正弦信号，复乘器将数字频带信号与正弦信号相乘后，将数字频带信号搬移到基带，得到数字基带信号。此时的数字基带信号采样率很高，过采样倍数较大，为了便于后续信号处理模块的解调，数字基带信号经过下采样模块得到过采样倍数合适的基带iq信号。
[0067]
(2)深度学习网络模块
[0068]
深度学习网络模块由两部分组成，分别为特征提取模块和神经网络模块。首先积累一段时间的基带iq信号，作为一组输入信号，每组输入的基带iq信号都包含若干符号，符号由0和1组成，每组信号内两种符号数量不同。在特征提取模块中，将每组基带iq信号分别进行时域、频域与时频域转换，得到三组特征图，作为神经网络的输入。神经网络模块采用残差卷积神经网络架构(resnet18)，根据输入的特征图，对每组数据进行三分类，分类标准为该组信号内两种符号数量是否相近：两种符号数量相近则为有效数据，数量相差较大则为无效数据，无符号发送则为噪声。分类结果将作用于信号处理模块中的频率同步模块和码元同步模块。神经网络模块择优使用了残差卷积神经网络架构，还可以采用其他神经网络架构代替，例如lenet、alexnet或vgg等现有神经网络架构。
[0069]
(3)信号处理模块
[0070]
信号处理模块由三部分组成，分别为频率同步模块、相干解调模块和码元同步模块。由信号采集模块得到的基带iq信号是带有频偏的调制信号，首先经过频率同步模块，其通过鉴频曲线得到频偏估计值，再根据深度神经网络模块得到的分类结果，若分类结果为有效数据，则使用当前频偏估计值进行频率调整得到无频偏的基带iq信号。而后进行相干解调，其方法是根据已知的调制频率分别使用窄带滤波器提取两个载频信号，计算同一时刻下两个载频功率值差，由此得到解调曲线。根据解调曲线幅值即两个载频功率差值计算码元偏差估计值，同样根据深度神经网络模块的分类结果，若为有效数据，则使用当前码元偏差估计值进行码元调整，得到最佳采样点位置，经过采样判决得到解调结果。
[0071]
以上是该时频同步方法的整体流程，其中算法部分集中在信号处理模块和神经网络模块，下面将对重要模块实现过程进行详细介绍。
[0072]
(二)各个模块实现过程展开如下：
[0073]
接收机解调主要算法集中在信号采集模块后，即对基带iq信号的处理过程，这部分原理框图如图3所示：
[0074]
(1)特征提取模块实现过程
[0075]
特征提取模块的作用是对基带iq信号进行时域、频域与时频域的特征提取，作为深度学习模块的输入，为神经网络学习训练进行数据分类提供多种特征量。时域信号为基带iq信号，其由式(4)所示：
[0076]
[0077]
其中，a代表基带iq信号幅值，ω0和ω1分别为0、1两个载波频率。对基带iq信号离散化采样并进行离散傅里叶变换(dft)得到频谱即频域特征，设每段数据长度为n，dft的定义如式5：
[0078][0079]
x(n)是对x(t)的离散化采样，n取值从0到n-1，代表该段数据共n个点。x(k)为经过dft后得到的信号频谱，k取值从0到n-1，代表频谱共n个点。由式5可知离散傅里叶变换是对信号在频域[0,2π]上的n点等间隔采样，也就是对信号频谱的离散化，频率分辨率为2π/n。频谱无法反映频率特征随时间的变化，而离散短时傅里叶变换(dstft)能够将时域信息转化到时频域，其表达式如式6所示：
[0080][0081]
其中w(n)为移动窗函数，窗函数可以任意选择，本发明使用汉明窗作为窗函数，x(n)依然是离散化的时域信号，n为每段数据长度。由此可见，dstft是加窗的离散傅里叶变换，可以看作是信号在某时刻附近的局部频谱，得到的是信号频率随时间变化的分布情况。
[0082]
将基带iq信号进行式5和式6变换，可得到频域特征和时频域特征，和时域离散信号共三个特征作为深度学习模块的输入。
[0083]
(2)深度学习网络模块实现过程
[0084]
深度学习网络的作用之一就是进行数据或图像分类，因此本发明使用深度学习网络进行通信信号的数据分类，采用残差卷积神经网络架构(resnet)。残差卷积网络解决了神经网络深度持续加深后带来的准确率反而下降问题，被称作“退化”问题，解决方式是加入了残差学习块，其结构如图4所示：
[0085]
假设某段神经网络的输入是x，期望输出为h(x)，即h(x)为期望的复杂映射，但由于网络深度增加导致学习难度加大。而残差块直接把输入x传到输出作为初始结果，即图3中的右侧连线，称为“shortcut connections”，此时学习目标转变为f(x)＝h(x)-x，即残差神经网络不再学习一个完整的输出，而是学习期望输出h(x)和输入全等映射x的差值。这样的设计使得当网络结构加深时，最坏的情况仅是残差f(x)为0，而不会恶化学习结果，使得网络稳定易于学习，随着网络深度增加，性能将逐渐改善。
[0086]
本发明采用残差神经网络架构中的resnet-18网络结构，如图5所示：
[0087]
该网络由输入层，4个卷积层和1个全连接输出层构成，其中输入层采用64组7x7卷积核，步长为2，经过最大池化层后，进入4个卷积层，每个卷积层结构相似，都包含多组3x3卷积核和一个池化层，区别的每个卷积层包含卷积核个数不同，分别为64、128、256和512组。最后由平均池化和全连接层作为输出层，得到分类结果，整个网络结构共有18层。
[0088]
(3)频率同步模块实现过程
[0089]
基带iq信号在式(4)已经定义，频率同步模块利用鉴频曲线估计频偏，鉴频曲线由基带iq信号与自己延迟进行复共轭相乘后再求角度得到，鉴频曲线如式7所示：
[0090]
[0091]
其中，为鉴频曲线，δω为当前采样点与前一采样点基带iq信号的频率差。由于总是可以将两个载波频率设为互为相反数的频率即ω1＝-ω0，且设基带iq信号频偏为δ
ω
，将其和式(4)代入式(7)可得二进制调制信号鉴频曲线如式(8)所示：
[0092][0093]
对每段数据的鉴频曲线求平均，可得式(9)：
[0094][0095]
将深度学习网络模块的分类结果输入到频率同步模块中，当分类结果为有效数据时，式(9)中约等于号成立。对每一时间段鉴频曲线求平均值，得到频偏估计值根据深度学习网络模块的分类结果，若分类结果为有效数据，则认为频偏估计值可靠，进行频偏校准。
[0096]
带有频偏的基带iq信号可由式(4)和式(8)表示为式(10)：
[0097][0098]
由dds产生带有频偏估计值的复正弦信号i(t)，如式(11)：
[0099][0100]
当深度学习网络模块的分类结果为有效数据时，经分析可知将带有频偏的基带iq信号和复正弦信号相乘，即可得到无频偏的基带iq信号s(t)，如式(12)：
[0101][0102]
(4)相干解调模块实现过程
[0103]
无频偏的基带iq信号作为相干解调模块的输入信号，且调制频率
±
ω0已知，由dds产生两路载频信号q(t)，如式13：
[0104][0105]
使用复乘器将无频偏的基带iq信号与dds生成载频信号分别进行复共轭相乘，得到如式(14)：
[0106][0107]
将相乘后的信号经过低通滤波器滤除
±
2ω0附近高频分量，且将iq信号相减，得到式15所示信号，即为解调曲线y(t)：
[0108][0109]
其中a
′
为解调曲线幅值。
[0110]
这是理想情况下解调曲线的近似值，对其进行采样判决即可得到解调结果，但是
实际情况下，由于码元速率偏差和噪声影响，解调曲线的幅值是变化的，为了保证解调结果的正确，还需要经过码元同步模块，在幅值最大处进行采样，即认为曲线峰值处为最佳采样点。
[0111]
(5)码元同步模块实现过程
[0112]
码元同步模块输入信号为相干解调后得到的解调曲线，其幅值为两个载频功率差值，设过采样倍数为m，即需要每隔m点在最佳采样点处进行一次采样判决，由于发射信号符号速率偏差，还需要根据解调曲线峰值点变化调整最佳采样点位置。采用对一段时间内数据隔点求和的方式计算最佳采样点位置，同时根据深度学习网络模块输出的分类结果，将有效数据段的最佳采样点估计值作用于码元同步，其具体步骤如下：
[0113]
步骤1：对一段时间内解调曲线每隔m点求和，得到m个采样点幅度和值；
[0114]
步骤2：同时得到深度学习网络模块输出的分类结果，判断该时间段内数据是否为有效数据；
[0115]
步骤3：若该段数据为有效数据，将m个采样点幅度和值中最大值对应采样点位置作为最佳采样点估计值，若前后两段数据的最佳采样点估计值不同，则采样点向此次最佳采样点估计值偏移一个采样点。否则，返回步骤1，采样点位置不做调整。
[0116]
(三)基于数据类型识别的调频信号时频同步方法的实施过程
[0117]
本实施例中，在地面部署探空仪接收机需接收共6家公司生产的气象探测仪设备发射信号，探测仪与接收机距离约100千米。这些信号的符号速率均为2.4khz，但符号的调制频率各不相同，具体参数在下文表2说明。
[0118]
接收的为二进制调频信号(2fsk)，数据由0、1两符号构成，调制时两种符号分别使用两个不同频率的载波表示。在气象探测应用中，数据包括经度、纬度、海拔和风速等气象测量值，数据内容如表1所示。从表1中可以看出二进制表示的数据内容大部分由符号0构成，经过调制后，发射信号大部分由代表符号0的载波构成。且在实际放飞过程中，由于气象探测仪由热气球悬挂放飞在空中，接收到的信号存在多普勒频偏，频偏范围在
±
10khz，因此接收机需要对接收信号进行实时同步。此外，由于气象探测仪距地面接收机越来越远，接收到的信号强度越来越低，因此接收机需要支持低信噪比下的信号正确解调。本发明的基于数据类型识别的调频信号时频同步方法应用于该接收机设备，实现对上述气象探测信号的接收同步。
[0119]
基于数据类型识别的调频信号时频同步方法实施步骤具体如下：
[0120]
步骤1：在模数转换模块使用高速模数芯片采样气象探测仪发射的调频信号，得到数字频带信号。
[0121]
步骤2：下变频部分采用现有技术完成，其由直接频率生成器(dds)和复乘器构成，直接频率生成器生成与数字频带信号频率相同的正弦信号，复乘器将数字频带信号与正弦信号相乘后，将数字频带信号搬移到基带，得到数字基带信号。
[0122]
步骤3：数字基带信号经过下采样模块得到过采样倍数合适的基带iq信号。
[0123]
步骤4：流程图在生成基带iq信号后分为左右两个分支，两个分支并行同时进行。基带iq信号在流入右侧分支时，在特征提取模块，首先积累一段时间的基带iq信号，作为一组输入信号，每组输入的基带iq信号都包含若干符号，符号由0和1组成。将每组基带iq信号分别进行时域、频域与时频域转换，得到三组特征图，作为神经网络的输入。
[0124]
神经网络模块采用残差卷积神经网络架构(resnet18)，根据输入的特征图，对每组数据进行三分类，分类标准为该组信号内两种符号数量是否相近，两种符号数量相近则为有效数据，数量相差较大则为无效数据，无符号发送则为噪声，分类结果将作用于信号处理模块中的频率同步模块和码元同步模块。
[0125]
步骤3输出的基带iq信号在流入左侧分支时，经过频率同步模块，使用现有方法，通过鉴频曲线得到频偏估计值，再根据神经网络模块得到的分类结果，若分类结果为有效数据，则使用当前频偏估计值进行频率调整得到无频偏的基带iq信号。
[0126]
使用现有方法进行相干解调，其方法是根据已知的调制频率分别使用窄带滤波器提取两个载频信号，计算同一时刻下两个载频功率值差，由此得到解调曲线。
[0127]
在码元同步模块，根据解调曲线幅值计算码元偏差估计值，同样根据神经网络模块的分类结果，若为有效数据，则使用当前码元偏差估计值进行码元调整，得到最佳采样点位置，经过采样判决得到解调结果。
[0128]
其中，深度学习网络模块需要经过训练后才可以实现分类，仿真产生基带数字iq信号，并将每段数据根据其两种符号数量打好标签，生成若干组数据特征和标签对，作为深度学习网络模块的训练集。训练集测试参数如表2所示：
[0129]
表2训练集参数表
[0130][0131][0132]
同时将每段数据两种符号数量比换算为两种符号功率差，如式(16)所示：
[0133]
[0134]
其中，n为每段数据长度，n0和n1为每段数据0、1符号个数。δp为两符号功率差，当n0＝n1时，功率差为0，即δp越接近0说明数据01符号数量比例越接近1：1。设置功率差门限为1.5db，则定义数据分类标准如下：
[0135]
①
有效数据：该段数据两种符号功率差小于功率差门限；
[0136]
②
无效数据：该段数据两种符号功率差大于功率差门限；
[0137]
③
噪声：该段信号为高斯白噪声信号；
[0138]
按照上述参数生成三种特征图，分别如图6、7、8所示。
[0139]
从频域图和时频域图中可以看出，有效数据的调频信号在两个调制载频处功率差较小，每个载频带宽约为符号速率宽度即2.4khz。将每组特征图作为神经网络输入，将标签作为神经网络分类结果进行训练，流程示意图如图9所示，采用相同参数生成若干组数据和标签对作为测试集，训练和测试结果如图10所示：
[0140]
可以看出在训练过程中第4次循环后，网络分类正确率接近100％。同时在测试过程中，经过第3次循环后，网络分类正确率即接近100％。且训练和测试中，错误率最后均能减小到约0％。
[0141]
将深度学习网络模块的分类结果输入到上述频率同步和码元同步模块并使用相干解调算法对调频信号解调，并且与理论误码率进行对比，采用相干解调时调频信号系统的总误码率pe如式(17)所示：
[0142][0143]
其中，为解调器输入端的信噪比，在大信噪比条件下，可近似为式(18)：
[0144][0145]
在频偏0khz和10khz下分别统计实际误码率并与理论误码率对比，结果如图11和图12所示，从图中可以看出，无论是否有频偏，实际误码率曲线基本与理论误码率曲线拟合，证明了同步算法的有效性，且体现了本发明较好的解调性能和抗噪声抗频偏能力。
[0146]
本发明使用深度学习网络对接收到的气象探测数据进行分类，将两符号数量相近的数据段判断为有效数据，使用深度学习网络的分类结果辅助频率同步和码元同步，在保证接收机灵敏度的情况下，提高了接收机抗干扰性能和适用性。