本發(fā)明屬于數(shù)字通信技術(shù)領(lǐng)域，涉及一種dbpsk解調(diào)方法，具體涉及一種基于多個神經(jīng)網(wǎng)絡(luò)的dbpsk解調(diào)方法，可用于衛(wèi)星通信、深空通信。

技術(shù)背景

為了使數(shù)字信號在帶通信道中傳輸，必須用數(shù)字基帶信號對載波進行調(diào)制，以使信號與信道的特性相匹配。這種用數(shù)字基帶信號控制載波，把數(shù)字基帶信號變換為數(shù)字帶通信號的過程稱為數(shù)字調(diào)制，在接收端通過解調(diào)器把帶通信號還原成數(shù)字基帶信號的過程稱為數(shù)字解調(diào)。數(shù)字調(diào)制包含psk、ask以及fsk等多種方式，其中bpsk是psk中最為簡單的一種，它利用兩種載波相位0和π分別表示二進制“1”和“0”。因此bpsk已調(diào)信號的時域表達式為：

其中，表示第n個符號的絕對相位：

bpsk信號的解調(diào)通常采用相干解調(diào)法，即在解調(diào)端產(chǎn)生與接收信號同頻同相的相干載波，使其與接收信號相乘并經(jīng)過低通濾波后，即可得到基帶信號。但是，在bpsk信號載波恢復過程中可能出現(xiàn)相干載波與接收信號完全反相的情況，此時解調(diào)出的數(shù)字基帶信號會與發(fā)送的數(shù)字基帶信號正好相反，判決器輸出的碼元符號全部出錯，為了避免這種現(xiàn)象，實際應用中常常使用差分相移鍵控，即dbpsk。這種調(diào)制方式在調(diào)制時對基帶信號進行差分編碼，然后解調(diào)時再對相鄰碼元進行異或處理，即可得到原數(shù)字基帶數(shù)據(jù)。

dbpsk調(diào)制方法是利用前后相鄰碼元的載波相對相位變化傳遞數(shù)字信息的，所以又稱相對相移鍵控。假設(shè)δq為當前碼元與前一碼元的載波相位差，可定義一種數(shù)字信息與δq之間的關(guān)系為：

由以上原理可知，dbpsk信號的相位并不直接代表基帶信號，而前后碼元相對相位的差才唯一決定信息符號。dbpsk信號的調(diào)制過程為：先對二進制數(shù)字基帶信號進行差分編碼，即把表示數(shù)字信息序列的絕對碼變換成相對碼，然后再根據(jù)相對碼進行絕對調(diào)相，即對相對碼進行普通bpsk調(diào)制，即可產(chǎn)生二進制差分相移鍵控信號。上述差分編碼的規(guī)則為：

式中：為模2加法，an為絕對碼的第n個碼元，bn為相對碼的第n個碼元，bn-1為bn的前一碼元，相對碼的起始碼元b0可任意設(shè)定。換句話說，載波的相位遇到原數(shù)字信息“1”變化，遇到“0”則不變，載波相位的這種相對變化就攜帶了數(shù)字信息。

其解調(diào)過程使用以上過程的逆過程，稱為差分譯碼，即：

解調(diào)時，先對dbpsk信號進行相干解調(diào)，恢復出相對碼，再經(jīng)碼反變換器變換為絕對碼，從而恢復出發(fā)送的二進制數(shù)字信息。

onder等人2016年發(fā)表的論文《advancedneuralnetworkreceiverdesigntocombatmultiplechannelimpairments》(turkishjournalofelectricalengineeringandcomputersciences·january2016)中公開了一種使用單個神經(jīng)網(wǎng)絡(luò)進行mpsk信號的解調(diào)方法。此方法將已調(diào)信號的采樣點按照碼元周期分組，將每個碼元周期對應的采樣點作為神經(jīng)網(wǎng)絡(luò)的輸入向量，神經(jīng)網(wǎng)絡(luò)輸出向量代表對應的符號碼元，將輸出的符號碼元按時間順序排列成碼元序列，就得到了解調(diào)輸出。

使用onder等人公開的方法進行dbpsk解調(diào)，神經(jīng)網(wǎng)絡(luò)解調(diào)得到的是相對碼，需要進行額外的差分譯碼過程，這樣會造成解調(diào)過程中速度的下降和系統(tǒng)復雜度的上升。并且本方法沒有考慮神經(jīng)網(wǎng)絡(luò)對采樣時刻的敏感性，在初始采樣時刻有偏差時神經(jīng)網(wǎng)絡(luò)無法準確判斷輸入向量對應的碼元，而在實踐中adc對已調(diào)信號采樣的初始時刻是隨機的，因此使用此方法進行解調(diào)會帶來較大誤碼。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)存在的不足，提供了一種基于多神經(jīng)網(wǎng)絡(luò)的dbpsk信號解調(diào)方法，使用多個神經(jīng)網(wǎng)絡(luò)結(jié)合搜索幀頭的方法來判斷初始采樣時刻，以兩個碼元周期對應的采樣點作為神經(jīng)網(wǎng)絡(luò)的輸入向量，然后神經(jīng)網(wǎng)絡(luò)直接輸出解調(diào)結(jié)果，用于解決現(xiàn)有dbpsk信號解調(diào)方法中誤碼率高的技術(shù)問題。

為實現(xiàn)上述的目的，本發(fā)明采取的技術(shù)方案包括如下步驟：

(1)獲取01隨機序列o和加噪信號r：

(1a)仿真軟件隨機產(chǎn)生01隨機序列o；

(1b)對01隨機序列o進行差分編碼，得到差分編碼序列；

(1c)對差分編碼序列進行bpsk調(diào)制，并對調(diào)制結(jié)果進行加性高斯白噪聲信道仿真，得到加噪信號r；

(2)獲取加噪信號r的采樣序列集θ1,θ2,…,θi,…,θm：

(2a)設(shè)加噪信號r初始采樣時刻分別為t1,t2,…,ti,…,tk，其中，ti為第i種初始采樣時刻，且ti＝it/k，t為加噪信號r的碼元周期，k為加噪信號r初始采樣時刻的種數(shù)，且k≥2；

(2b)利用加噪信號r初始采樣時刻t1,t2,…,ti,…,tk的每種時刻分別對加噪信號r進行采樣，得到加噪信號r的采樣序列集θ1,θ2,…,θi,…,θm，其中，m為采樣序列的個數(shù)，且m＝k，θi為第i個加噪信號r的采樣序列；

(3)設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：設(shè)定包含輸入層、隱藏層和輸出層的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中輸入層節(jié)點個數(shù)與待解調(diào)信號兩個碼元周期內(nèi)的采樣點個數(shù)相等，隱藏層節(jié)點個數(shù)等于輸入層節(jié)點個數(shù)的一半，輸出層節(jié)點個數(shù)為1，且隱藏層和輸出層的激活函數(shù)均采用sigmoid函數(shù)；

(4)獲取m組神經(jīng)網(wǎng)絡(luò)訓練集：

(4a)以加噪信號r的采樣序列集θ1,θ2,…,θi,…,θm的各采樣序列中任意兩個相鄰碼元周期對應的采樣點作為神經(jīng)網(wǎng)絡(luò)的不同輸入向量，每個采樣序列中所有輸入向量組成一組輸入向量集，得到m組神經(jīng)網(wǎng)絡(luò)輸入向量集，其中的輸入向量的維度與設(shè)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層節(jié)點個數(shù)相同；

(4b)將01隨機序列o中各碼元作為神經(jīng)網(wǎng)絡(luò)的不同輸出向量，得到神經(jīng)網(wǎng)絡(luò)輸出向量集，其中的輸出向量的維度與設(shè)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸出層節(jié)點個數(shù)相同；

(4c)將m組神經(jīng)網(wǎng)絡(luò)輸入向量集中的每組向量集分別與輸出向量集合并，得到m組神經(jīng)網(wǎng)絡(luò)訓練集；

(5)訓練神經(jīng)網(wǎng)絡(luò)：利用m組神經(jīng)網(wǎng)絡(luò)訓練集對設(shè)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，得到已訓練的神經(jīng)網(wǎng)絡(luò)集n1,n2,…,ni,…,nn，其中，ni為第i個神經(jīng)網(wǎng)絡(luò)，n為神經(jīng)網(wǎng)絡(luò)的數(shù)量，且n＝m；

(6)對設(shè)定的待解調(diào)信號進行多神經(jīng)網(wǎng)絡(luò)解調(diào)：

(6a)設(shè)定格式為基帶數(shù)據(jù)中每間隔一定數(shù)量的碼元插入一個幀頭c的待解調(diào)信號；

(6b)對設(shè)定的待解調(diào)信號進行ad采樣，獲得待解調(diào)信號采樣序列；

(6c)將待解調(diào)信號采樣序列中任意兩個相鄰碼元周期對應的采樣點作為神經(jīng)網(wǎng)絡(luò)的不同輸入向量，得到待解調(diào)信號輸入向量集；

(6d)將待解調(diào)信號輸入向量集中的輸入向量逐個分別輸入到神經(jīng)網(wǎng)絡(luò)集n1,n2,…,ni,…,nn的每一個神經(jīng)網(wǎng)絡(luò)中，得到n個神經(jīng)網(wǎng)絡(luò)輸出序列；

(6e)在n個神經(jīng)網(wǎng)絡(luò)輸出序列中搜索待解調(diào)信號所設(shè)定的幀頭c，并保留連續(xù)多次搜索到幀頭c的輸出序列對應的神經(jīng)網(wǎng)絡(luò)，關(guān)閉其余神經(jīng)網(wǎng)絡(luò)，得到保留的神經(jīng)網(wǎng)絡(luò)集n'1,n'2,…,n'q，其中，q為保留的神經(jīng)網(wǎng)絡(luò)集中的神經(jīng)網(wǎng)絡(luò)總數(shù)；

(6f)將神經(jīng)網(wǎng)絡(luò)的輸出序列作為解調(diào)結(jié)果，并輸出；

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點：

1.本發(fā)明在實現(xiàn)dbpsk解調(diào)的過程中，首先產(chǎn)生多組初始采樣時刻不同的訓練集，然后使用訓練集訓練多個神經(jīng)網(wǎng)絡(luò)，并使用這些神經(jīng)網(wǎng)絡(luò)來處理未知初始采樣時刻的待解調(diào)信號采樣點，對于任意初始采樣時刻的待解調(diào)信號序列，都能選取匹配的網(wǎng)絡(luò)進行解調(diào)，得到解調(diào)輸出，與現(xiàn)有技術(shù)相比，有效地降低了解調(diào)誤碼率。

2.本發(fā)明在實現(xiàn)dbpsk解調(diào)的過程中，采用的神經(jīng)網(wǎng)絡(luò)可以同時完成bpsk解調(diào)和差分譯碼的功能，與現(xiàn)有技術(shù)相比，簡化了解調(diào)系統(tǒng)，且提高了解調(diào)速度。

3.本發(fā)明在實現(xiàn)dbpsk解調(diào)的過程中，使用多個神經(jīng)網(wǎng)絡(luò)來判斷采樣時刻，使解調(diào)系統(tǒng)可以更好的應對多普勒頻移和采樣時鐘誤差，因此具有較強的抗干擾性。

附圖說明

圖1是本發(fā)明的實現(xiàn)流程圖；

圖2是本發(fā)明dbpsk調(diào)制信號波形圖；

圖3是兩種不同采樣時刻的采樣點波形對比圖；

圖4是本發(fā)明神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

具體實施方式

下面結(jié)合附圖和具體實施例，對本發(fā)明作進一步說明。

參照圖1，一種基于多神經(jīng)網(wǎng)絡(luò)的dbpsk解調(diào)方法，包括如下步驟：

步驟1，獲取隨機序列o和加噪信號r：

步驟1a，仿真軟件隨機產(chǎn)生01隨機序列o，隨機序列o是包含20000個二進制碼元的隨機序列，o＝(o1,o2,…,o20000)。

步驟1b，對其01隨機序列o進行差分編碼，起始碼元b0取1，得到包含20001個二進制碼元的差分編碼序列。假設(shè)01隨機序列起始的12個碼元為“011011000101”，則編碼后的差分編碼序列為“1101101111001”。

步驟1c，對編碼后序列進行bpsk調(diào)制，產(chǎn)生20001個碼元周期的調(diào)制信號，調(diào)制時碼元頻率為1mhz，載波頻率為1mhz，獲得調(diào)制信號的起始部分如圖2所示。并對調(diào)制結(jié)果進行加性高斯白噪聲信道仿真，信噪比為5db，得到加噪信號r。

步驟2，獲取加噪信號r的采樣序列集θ1,θ2,…,θi,…,θ32：

由于在解調(diào)過程中對調(diào)制信號進行采樣時，初始的采樣時刻是隨機的，而不同時刻采樣點對應的信號特征是不同的。所述的初始采樣時刻為，以加噪信號r的碼元周期的初始時刻為零時刻，采樣序列中第一個采樣點的采樣時刻。假設(shè)初始采樣時刻為t，則使用t＝t0樣本訓練出的網(wǎng)絡(luò)無法對t＝t1(t1≠t0)的數(shù)據(jù)進行精確解調(diào)。如圖3(a)和圖3(b)所示，假設(shè)碼元周期為t，t＝0和t＝17t/32的采樣點在特征上有較大區(qū)別。

為了解決這個問題，本發(fā)明采用多個神經(jīng)網(wǎng)絡(luò)進行解調(diào)。在步驟1產(chǎn)生加噪信號的基礎(chǔ)上，本實施例假設(shè)加噪信號r初始采樣時刻t分別為0,t/32,2t/32,…,it/32,…,31t/32，利用這些初始采樣時刻分別對加噪信號r進行采樣，采樣頻率fs為16mhz，得到加噪信號r的采樣序列集θ1,θ2,…,θi,…,θ32，其中，θi為第i組加噪信號采樣序列，其初始采樣時刻為it/32。

步驟3，設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：本發(fā)明設(shè)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如如圖4所示，設(shè)定包含輸入層、隱藏層和輸出層的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中輸入層節(jié)點個數(shù)與待解調(diào)信號兩個碼元周期內(nèi)的采樣點個數(shù)相等，隱藏層節(jié)點個數(shù)等于輸入層節(jié)點個數(shù)的一半，輸出層節(jié)點個數(shù)為1。本實施例中待解調(diào)信號碼元頻率f為1mhz，載波頻率fc為1mhz，采樣頻率fs為16mhz，故所述待解調(diào)信號一個碼元周期內(nèi)的采樣點個數(shù)為16，所以輸入層節(jié)點個數(shù)為32，隱藏層節(jié)點個數(shù)為16，輸出層節(jié)點個數(shù)為1。隱藏層和輸出層的激活函數(shù)均采用sigmoid函數(shù)。

步驟4，獲取m組神經(jīng)網(wǎng)絡(luò)訓練集：

步驟4a，以加噪信號r的采樣序列集θ1,θ2,…,θi,…,θ32的采樣序列θi中任意兩個相鄰碼元周期對應的采樣點作為神經(jīng)網(wǎng)絡(luò)的不同輸入向量，每個加噪信號采樣序列中所有輸入向量組成一組輸入向量集，得到32組神經(jīng)網(wǎng)絡(luò)輸入向量集。由于加噪信號r的碼元頻率為1mhz，采樣頻率為16mhz，故一個碼元周期內(nèi)的采樣點個數(shù)為16，神經(jīng)網(wǎng)絡(luò)輸入向量的維度為32，與步驟3中所述的神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點個數(shù)相同。以采樣序列θ1為例，以采樣序列θ1前兩個碼元周期對應的采樣點即第1到32個采樣點作為第一個輸入向量，以第2、3個碼元周期對應的采樣點即第17到48個采樣點作為第二個輸入向量，以此類推，將θ1中所有采樣點轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)的輸入向量，得到20000個輸入向量，組成了θ1對應的神經(jīng)網(wǎng)絡(luò)輸入向量集。

步驟4b，將01隨機序列o＝(o1,o2,…o20000)中各碼元作為神經(jīng)網(wǎng)絡(luò)的不同輸出向量，其中o1為第1個輸出向量，o2為第2個輸出向量，以此類推，得到20000個神經(jīng)網(wǎng)絡(luò)輸出向量，組成一組神經(jīng)網(wǎng)絡(luò)輸出向量集。其中每個輸出向量的維度都是1，與步驟3中所述的神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點個數(shù)相同。

步驟4c，將32組神經(jīng)網(wǎng)絡(luò)輸入向量集中的每組向量集分別與輸出向量集合并，得到32組神經(jīng)網(wǎng)絡(luò)訓練集。

步驟5，利用32組神經(jīng)網(wǎng)絡(luò)訓練集對設(shè)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，得到神經(jīng)網(wǎng)絡(luò)集n1,n2,…,ni,…,n32，共包含32個訓練好的神經(jīng)網(wǎng)絡(luò)，其中，ni為第i個神經(jīng)網(wǎng)絡(luò)。訓練神經(jīng)網(wǎng)絡(luò)實現(xiàn)步驟為：

步驟5a，對設(shè)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)各層節(jié)點的權(quán)值和偏置分別進行初始化。

步驟5b，設(shè)定神經(jīng)網(wǎng)絡(luò)訓練均方誤差的閾值，設(shè)定閾值為0.01。

步驟5c，將32組神經(jīng)網(wǎng)絡(luò)訓練集中的所有輸入向量輸入給神經(jīng)網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)實際輸出向量，并計算該神經(jīng)網(wǎng)絡(luò)實際輸出向量與神經(jīng)網(wǎng)絡(luò)訓練集中的輸出向量之間的均方誤差。

步驟5d，對神經(jīng)網(wǎng)絡(luò)實際輸出向量與神經(jīng)網(wǎng)絡(luò)訓練集中的輸出向量之間的均方誤差進行反向傳播，并利用反向傳播的結(jié)果對經(jīng)過初始化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)各層節(jié)點的權(quán)值和偏置分別進行調(diào)整，得到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)各層節(jié)點新的權(quán)值和偏置。

步驟5e，循環(huán)執(zhí)行步驟5c到步驟5d，當均方誤差小于設(shè)定的神經(jīng)網(wǎng)絡(luò)訓練均方誤差閾值0.01時停止循環(huán)執(zhí)行，此時步驟5c到步驟5d的循環(huán)次數(shù)為3057，得到神經(jīng)網(wǎng)絡(luò)集n1,n2,…,ni,…,n32。

步驟6，對設(shè)定的待解調(diào)信號進行多神經(jīng)網(wǎng)絡(luò)解調(diào)：

步驟6a，設(shè)定格式為基帶數(shù)據(jù)中每間隔一定數(shù)量的碼元插入一個幀頭c的待解調(diào)信號，在本實施例中，所述間隔的碼元數(shù)量為1024，所述幀頭長度為32個碼元，內(nèi)容為二進制序列“0x5ce9ab43”。

步驟6b，待解調(diào)信號的載波頻率為1mhz，碼元頻率為1mhz，對設(shè)定的待解調(diào)信號進行ad采樣，采樣頻率為16mhz，獲得待解調(diào)信號采樣序列。

步驟6c，將待解調(diào)信號采樣序列中任意兩個相鄰碼元周期對應的采樣點作為神經(jīng)網(wǎng)絡(luò)的輸入向量，待解調(diào)信號一個碼元周期內(nèi)的采樣點個數(shù)為16，以待解調(diào)信號采樣序列前兩個碼元周期對應的采樣點即第1到32個采樣點作為的第一個輸入向量，以第2、3個碼元周期對應的采樣點即第17到48個采樣點作為第二個輸入向量，以此類推，將所有待解調(diào)信號采樣點轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)的輸入向量，得到待解調(diào)信號輸入向量集。

步驟6d，將待解調(diào)信號輸入向量集中的輸入向量逐個分別輸入到神經(jīng)網(wǎng)絡(luò)集n1,n2,…,ni,…,n32的每一個神經(jīng)網(wǎng)絡(luò)中，得到32個神經(jīng)網(wǎng)絡(luò)輸出序列。以神經(jīng)網(wǎng)絡(luò)n1為例，將待解調(diào)信號輸入向量集中的一個輸入向量輸入給神經(jīng)網(wǎng)絡(luò)n1，得到一個神經(jīng)網(wǎng)絡(luò)n1的輸出向量，將神經(jīng)網(wǎng)絡(luò)n1的所有輸出向量按時間順序排列，得到個神經(jīng)網(wǎng)絡(luò)n1的輸出序列。所述的輸出序列就是基帶數(shù)據(jù)輸出，在本步驟中神經(jīng)網(wǎng)絡(luò)同時完成了解調(diào)和差分譯碼的功能。

步驟6e，在32個神經(jīng)網(wǎng)絡(luò)輸出序列中搜索待解調(diào)信號所設(shè)定的幀頭c“0x5ce9ab43”，并保留連續(xù)多次搜索到幀頭c的輸出序列對應的神經(jīng)網(wǎng)絡(luò)，關(guān)閉其余神經(jīng)網(wǎng)絡(luò)，在本實施例中，得到保留的神經(jīng)網(wǎng)絡(luò)集n7,n8,n9。

步驟6f，選取下標處于中間的神經(jīng)網(wǎng)絡(luò)n8作為選中的神經(jīng)網(wǎng)絡(luò)，將神經(jīng)網(wǎng)絡(luò)n8的輸出序列作為解調(diào)結(jié)果，并輸出。

以上是對本發(fā)明的具體實施例進行了描述。需要理解的是，本發(fā)明并不局限于上述特定實施方式，本領(lǐng)域技術(shù)人員可以在權(quán)利要求范圍內(nèi)做出各種變形或修改，這并不影響本發(fā)明的實質(zhì)內(nèi)容。