Nothing Special   »   [go: up one dir, main page]

CN111884967B - 基于时频分析和卷积神经网络的qpsk信号解调方法 - Google Patents

基于时频分析和卷积神经网络的qpsk信号解调方法 Download PDF

Info

Publication number
CN111884967B
CN111884967B CN202010743782.3A CN202010743782A CN111884967B CN 111884967 B CN111884967 B CN 111884967B CN 202010743782 A CN202010743782 A CN 202010743782A CN 111884967 B CN111884967 B CN 111884967B
Authority
CN
China
Prior art keywords
time
frequency distribution
neural network
convolutional neural
frequency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010743782.3A
Other languages
English (en)
Other versions
CN111884967A (zh
Inventor
李月
叶亮
贺梦利
黄刚
朱倩倩
郑鑫宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heilongjiang University
Original Assignee
Heilongjiang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Heilongjiang University filed Critical Heilongjiang University
Priority to CN202010743782.3A priority Critical patent/CN111884967B/zh
Publication of CN111884967A publication Critical patent/CN111884967A/zh
Application granted granted Critical
Publication of CN111884967B publication Critical patent/CN111884967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
    • H04L27/22—Demodulator circuits; Receiver circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

一种基于时频分析和卷积神经网络的QPSK信号解调方法，具体涉及一种QPSK信号解调方法。本发明是为了解决QPSK信号受同频干扰与噪声污染严重问题，首先对接收到的QPSK脉冲成型信号进行时频分析得到时频图，并对时频图进行预处理；然后输入预先训练好的卷积神经网络对接收信号时频图进行分类，并依据分类结果选择滤波通域，控制时变滤波器对接收信号进行滤波及解调，得到解调数据；最后依据分类结果可得到接收信号所属符号样本集，可通过符号样本集对解调数据进一步纠错。通过本方法可以有效抑制同频干扰，提升接收端的信干噪比性能，降低误比特率。本发明适用于QPSK信号的解调。

Description

基于时频分析和卷积神经网络的QPSK信号解调方法
技术领域
本发明涉及移动通信领域，具体涉及一种QPSK信号解调方法。
背景技术
在各种非正交资源共享方式中，不同用户的信号在时频平面上是重叠在一起的，接收端通过码域、空域、功率域的差异来区分不同用户的信号，实现有用信号恢复。但通过对信号的时频分析，我们发现不同用户信号在时频平面上的能量集中区域不同，可进一步结合时变滤波的方法，依据有用信号的时频分布对接收信号进行滤波，提升信号的信干噪比，进而提升误码率性能。但在通信系统中使用时变滤波时，无法从受干扰和噪声污染的信号中准确得到符合有用信号时频分布特性的滤波通域。本专利通过卷积神经网络选取与接收信号匹配的滤波通域，进而完成时变滤波，实现对干扰和噪声抑制。此外，匹配滤波通域所对应的符号样本集可进一步对QPSK解调数据进行纠错，提升误码率性能。
发明内容
本发明是为了解决QPSK信号受同频干扰与噪声污染严重问题。现提供一种基于时频分析和卷积神经网络的QPSK信号解调方法，包括以下步骤：
(1)在接收端接收信号，对接收到的信号进行截取；
(2)对截取后的信号做时频分析，产生时频分布图，对产生的时频分布图进行预处理；
(3)将预处理后的时频分布图输入训练好的卷积神经网络进行分类，并根据分类结果确定接收信号对应的滤波通域；
(4)依据相应类别的时频分布图，产生时变滤波模板，对接收信号进行时变滤波，最终得到解调符号；
(5)进一步计算解调符号和接收信号时频分布图对应的4个符号样本之间的汉明距离，并依据最小汉明距离对应的符号样本对解调符号进行纠错。
进一步地，步骤(1)中所述的信号截取长度为4个符号周期。
进一步地，步骤(2)所述的预处理过程，包括以下步骤：在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期。
进一步地，步骤(3)中所述的训练好的卷积神经网络，其训练方法包括如下步骤：
(3.1)依据QPSK信号的I、Q两路所有可能的发送数据产生n个时频分布图，将时频分布图相同的待发送数据归为一类，那么共产生n'类时频分布图；
(3.2)对归类后的QPSK信号的n'类时频分布图进行预处理；
(3.3)对神经网络进行训练，将预处理后的n'类时频分布图的每一类的m个样本作为卷积神经网络的输入，得到神经网络的最优权值。
优选地，步骤(3.1)所述的产生n个时频分布图，其中n取值为64。
优选地，步骤(3.1)所述的产生n'类时频分布图，其中n'取值为16。
进一步地，步骤(3.2)所述的预处理过程，包括以下步骤：在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期。
优选地，步骤(3.3)中的m取值满足m≥100。
进一步地，步骤(3.3)中所述的m个样本满足都是不含干扰和噪声的纯净时频分布图，通过将预处理后的每个时频分布图复制m遍得到。
本发明有益的效果为：
由于不同用户信号在时频平面上的能量集中区域不同，本发明通过提出一种基于时频分析和卷积神经网络的QPSK信号解调方法，从受干扰和噪声污染的信号中准确得到符合有用信号时频分布特性的滤波通域，实现一定程度的纠错码的功能，可以有效抑制同频干扰，提升接收端的信干噪比性能，降低误比特率。
附图说明
图1是本发明流程图。
图2是QPSK信号的16类时频分布图；其中图2a表示信号000001,001111,110000,111110；图2b表示信号000010,010111,101000,111101；图2c表示信号000011,011111,100000,111100；图2d表示信号000100,011000,100111,111011；图2e表示信号000101,010000,101111,111010；图2f表示信号000110,001000,110111,111001；图2g表示信号000111,111000,111111,000000；图2h表示信号001101,010001,101110,110010；图2i表示信号001001,001110,110001,110110；图2j表示信号001001,001110,110001,110110；图2k表示信号001011,011110,100001,110100；图2l表示信号001100,011001,100110,110011；图2m表示信号010010,010101,101010,101101；图2n表示信号010011,011101,100010,101100；图2o表示信号010100,011010,100101,101011；图2p表示信号011011,011100,100011,100100；
图3是对未进行预处理的时频分布图的CNN分类结果；
图4是三类错分样本预处理之后的时频分布图；其中图4a表示信号000011,011111,100000,111100；图4b表示信号000110,001000,110111,111001；图4c表示信号001001,001110,110001,110110；
图5是对预处理后的时频分布图进行CNN分类的结果。
具体实施方式
具体实施方式一，结合图1说明本实施方式，本实施方式所述的基于时频分析和卷积神经网络的QPSK信号解调方法，具体包括如下步骤：
(1)依据QPSK信号的I、Q两路所有可能的发送数据产生64个时频分布图，将时频分布图相同的待发送数据归为一类，那么共产生16类时频分布图，如图2a-图2p所示。其中时频分析工具选用时频分辨率高、聚集度好的时频变换即可，如短时傅里叶变换STFT或抑制交叉项的Choi-Williams分布；
(2)对归类后的QPSK信号的16类时频分布图进行预处理。在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期，如图3所示，图示中的6位比特流表示进行QPSK信号调制的6比特数据。这样处理的原因是有3个时频分布图刚好是另外3个时频分布图的是水平翻转映像，即000011是000001所对应时频分布图的翻转映像，000110是000100所对应时频分布图的翻转映像，001001是011011所对应时频分布图的翻转映像。卷积神经网络对这3个时频分布图提取特征时，所提取的特征和其映像时频分布图是一样的，所以分类时有三对时频分布图完全分不开，如图4a-图4c所示。为了解决这个问题，对时频分布图进行如上预处理，使任何两个时频分布图不再是翻转映像关系；
(3)将预处理后的16类时频分布图作为卷积神经网络的输入，对神经网络进行训练，得到神经网络的最优权值。神经网络的结构根据网络设计方法自行设计，输入卷积神经网络进行训练的16类时频分布图的每一类有m个样本；根据神经网络的特点，其中m需满足训练要求，不能太小，满足m≥100；这m个样本都是不含干扰和噪声的纯净时频分布图，通过将预处理后的每个时频分布图复制m遍得到，按照这种方法训练之后的分类结果如图5所示；
(4)在通信终端，从天线接收到的受干扰和噪声污染的信号通过下变频和A/D变换单元，获得信号y(n)，并送入缓存器缓存；
(5)对缓存器中缓存的接收信号y(n)进行截取，用滑动窗口截取窗口长度为4个符号周期。对截取后的信号做时频分析，产生时频分布图。对产生的时频分布图进行预处理，在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期，产生预处理后的时频分布图；
(6)将得到的接收信号的时频分布图输入训练好的卷积神经网络进行分类，并根据分类结果确定接收信号对应的滤波通域；
(7)依据相应类别的时频分布图，产生时变滤波模板，对接收信号进行时变滤波，最终得到解调符号。其中时变滤波方法采用隐式滤波或显式滤波方法均可，但时变滤波产生的时延要满足系统设计要求。
(8)将时变滤波后的接收信号送入QPSK解调单元进行数据解调，得到恢复之后的数据。
(9)将解调之后的数据送入符号样本纠错单元，与本接收信号时频分布图所对应的4个符号样本进行比对，计算解调符号和各样本之间的汉明距离，并依据最小汉明距离对应的符号样本对解调符号进行纠错，实现一定程度上的纠错码的功能。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.基于时频分析和卷积神经网络的QPSK信号解调方法，其特征在于，包括如下步骤：
(1)在接收端接收信号，对接收到的信号进行截取；
(2)对截取后的信号做时频分析，产生时频分布图，对产生的时频分布图进行预处理；
(3)将预处理后的时频分布图输入训练好的卷积神经网络进行分类，并根据分类结果确定接收信号对应的滤波通域；
所述的训练好的卷积神经网络，其训练方法包括如下步骤：
(3.1)依据QPSK信号的I、Q两路所有可能的发送数据产生n个时频分布图，将时频分布图相同的待发送数据归为一类，那么共产生n'类时频分布图；
(3.2)对归类后的QPSK信号的n'类时频分布图进行预处理；
(3.3)对神经网络进行训练，将预处理后的n'类时频分布图的每一类的m个样本作为卷积神经网络的输入，得到神经网络的最优权值；
(4)依据相应类别的时频分布图，产生时变滤波模板，对接收信号进行时变滤波，最终得到解调符号；
(5)进一步计算解调符号和接收信号时频分布图对应的4个符号样本之间的汉明距离，并依据最小汉明距离对应的符号样本对解调符号进行纠错。
2.根据权利要求1所述的基于时频分析和卷积神经网络的QPSK信号解调方法，其特征在于，步骤(1)中所述的信号截取长度为4个符号周期。
3.根据权利要求1所述的基于时频分析和卷积神经网络的QPSK信号解调方法，其特征在于，步骤(2)所述的预处理过程，包括以下步骤：在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期。
4.根据权利要求3所述的基于时频分析和卷积神经网络的QPSK信号解调方法，其特征在于，步骤(3.1)所述的产生n个时频分布图，其中n取值为64。
5.根据权利要求1所述的基于时频分析和卷积神经网络的QPSK信号解调方法，其特征在于，步骤(3.1)所述的产生n'类时频分布图，其中n'取值为16。
6.根据权利要求1所述的基于时频分析和卷积神经网络的QPSK信号解调方法，其特征在于，步骤(3.2)所述的预处理过程，包括以下步骤：在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期。
7.根据权利要求1所述的基于时频分析和卷积神经网络的QPSK信号解调方法，其特征在于，步骤(3.3)中的m取值满足m≥100。
8.根据权利要求1所述的基于时频分析和卷积神经网络的QPSK信号解调方法，其特征在于，步骤(3.3)中所述的m个样本满足都是不含干扰和噪声的纯净时频分布图，通过将预处理后的每个时频分布图复制m遍得到。
CN202010743782.3A 2020-07-29 2020-07-29 基于时频分析和卷积神经网络的qpsk信号解调方法 Active CN111884967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010743782.3A CN111884967B (zh) 2020-07-29 2020-07-29 基于时频分析和卷积神经网络的qpsk信号解调方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010743782.3A CN111884967B (zh) 2020-07-29 2020-07-29 基于时频分析和卷积神经网络的qpsk信号解调方法

Publications (2)

Publication Number Publication Date
CN111884967A CN111884967A (zh) 2020-11-03
CN111884967B true CN111884967B (zh) 2022-07-01

Family

ID=73201078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010743782.3A Active CN111884967B (zh) 2020-07-29 2020-07-29 基于时频分析和卷积神经网络的qpsk信号解调方法

Country Status (1)

Country Link
CN (1) CN111884967B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116260547B (zh) * 2023-05-11 2023-09-22 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种抑制同频干扰的系统及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010013637A1 (de) * 2010-04-01 2011-10-06 Rohde & Schwarz Gmbh & Co. Kg Verfahren zur Klassifizierung von Signalen nach der verwendeten Modulationsart
CN105162434B (zh) * 2015-09-22 2017-11-03 哈尔滨工业大学 基于时频分析的时变滤波参数产生与实现系统及方法
CN107147600B (zh) * 2017-04-28 2020-11-17 电子科技大学 一种基于神经网络的数字调制信号解调器及其解调方法
CN108764077B (zh) * 2018-05-15 2021-03-19 重庆邮电大学 一种基于卷积神经网络的数字信号调制分类方法
CN108832982A (zh) * 2018-05-30 2018-11-16 毛述春 一种用于基站信号的时频分布调制方法
EP3883468A2 (en) * 2018-11-19 2021-09-29 ResMed Sensor Technologies Limited Methods and apparatus for detection of disordered breathing
CN109361471B (zh) * 2018-11-22 2021-09-14 汤文宇 一种基于幅度偏差分析的光通信信号调制格式识别方法
CN109981517B (zh) * 2019-01-22 2020-06-19 西安电子科技大学 一种基于fpga的qpsk神经网络解调器及其控制方法
CN111238814B (zh) * 2019-09-30 2021-08-31 杭州安脉盛智能技术有限公司 一种基于短时希尔伯特变换的滚动轴承故障诊断方法

Also Published As

Publication number Publication date
CN111884967A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
WO2018176889A1 (zh) 一种数字通信信号调制方式自动识别方法
CN108764077B (zh) 一种基于卷积神经网络的数字信号调制分类方法
CN110113075B (zh) 基于stft-spwvd的混合网台跳频参数盲估计方法
CN110099019A (zh) 基于深度学习的LoRa调制信号检测方法
CN109446877A (zh) 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法
CN102624468A (zh) 基于双fft的宽带自动检测方法
CN112287796B (zh) 基于VMD-Teager能量算子的辐射源识别方法
CN111884967B (zh) 基于时频分析和卷积神经网络的qpsk信号解调方法
CN101764786A (zh) 基于聚类算法的mqam信号识别方法
CN110943944A (zh) 一种基于深度学习的ofdm系统的信道估计方法
CN116738278A (zh) 基于小波变换和多模态特征融合的自动调制分类方法
CN112992173B (zh) 基于改进bca盲源分离的信号分离和去噪方法
CN101895494A (zh) 基于随机共振预处理的数字调制方式自动识别方法
CN109067678A (zh) 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统
CN109547376A (zh) 一种基于调制特性的高斯混合模型的调制识别方法
CN115065975B (zh) 一种融合特征提取方法以及频谱感知方法和系统
CN112202696B (zh) 基于模糊自编码器的水声信号自动调制识别方法
CN112232120B (zh) 一种基于软件无线电的雷达辐射源信号分类系统及方法
CN116166935B (zh) 面向铁路通信的多源背景信号识别方法及装置
CN110536299B (zh) 基于边缘计算和离散随机卷积的数据包合法性确认方法
CN117857266A (zh) 一种基于滑动窗口的lstm网络光通信信号均衡方法
CN116318478A (zh) 一种基于能效的归一化无人机频谱感知方法及系统
CN115225441A (zh) 一种复杂环境下的无人机集群通信波形识别方法
CN111130694B (zh) 一种低时延聚类的pdcch盲检方法及其系统
Yu et al. Unknown radar signal recognition technology based on DS Evidence Theory

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant