带限信道MPPSK调制信号的深度神经网络解调器研究

摘要

在信息科技高度发展的今天，频谱资源显得越发珍贵。能够兼顾高频谱利用率和高能量利用率特性的高效调制技术，是解决频谱资源短缺的有效途径，具有重要的研究价值。其中MPPSK调制技术具有频谱利用率高、信息传输速率高、加密性强等优势，具有较好的军民应用前景。但传统上基于冲击滤波器的MPPSK解调器虽能将码元的相位跳变位置转换为幅度冲击，有利于通过冲击幅度判决进行码元检测，但在M进制较大或信道环境恶劣时解调性能也随之恶化。 随着人工智能技术的发展和大数据时代的来临，深度学习（Deep Learning，DL）技术在计算机视觉、模式识别、自然语言处理、图像分类等领域得到广泛且成功的应用。栈式稀疏自编码（Stacked Sparse Auto-Encoder，SSAE）网络在传统前馈型全连接网络的基础上引入参数预初始化、无监督训练等深度学习思维，能够自动从数据样本中提取高维特征信息，并通过数据变换和特征重构，进一步提高网络的性能。因此本文： 1.首先从高效调制的发展历程引出MPPSK调制技术，介绍传统冲击滤波方案的不足，提出将深度神经网络引入到MPPSK通信系统解调的研究观点。然后，从神经网络的训练算法、激励函数、数值优化等角度介绍了神经网络的相关理论知识，同时也阐述了DL的若干最新研究成果。 2.研究了带限信道下采用深度神经网络的MPPSK通信解调器。以带宽受限的AWGN信道为应用场景，将SSAE网络用于MPPSK信号解调器，分析论证了激励函数、神经网络规模、数值优化、网络结构优化等因素对解调性能的影响，给出了具体的实验仿真结果与分析结论。 3.基于带限信号的特性提出了“多码元联合判决”方案，利用码间干扰（Inter-Symbol Interface，ISI）辅助对当前码元信号的判决，通过仿真结果支持了该方案对AWGN信道下MPPSK信号解调的有效性。 4.研究了深度神经网络MPPSK解调器在多径信道下的抗ISI应用，基于递归神经网络（RecurrentNeural Networks，RNN）能够很好地解决时间序列相关的复杂分类问题，使用RNN作为多径信道下的MPPSK解调器，并成功地引入“集成学习”构成集成RNN，对多径信道下的MPPS K信号进行解调，给出了相应的实验结果与分析结论。

目录

第一个书签之前