超奈奎斯特(FTN)速率传输的递归神经网络解调方法

摘要

传统通信理论认为当信号传输速率超过奈奎斯特速率时，引起的码间干扰会导致通信性能下降，因此在现实中常常采用正交调制。Mazo在1975年发现当发送脉冲为理想sinc脉冲，在码元速率不超过奈奎斯特速率25％的前提下，归一化信号最小距离不变，因此在高信噪比下可以获得相近的性能，并将此技术称为FTN(Faster Than Nyquist)传输技术。当使用非sinc脉冲调制时，FTN传输可以比奈奎斯特速率传输提供更高的系统容量，并且可以根据实际情况调整速率，表现出很大的潜力。
　　本文主要研究FTN传输理论，并重点研究了基于递归神经网络的FTN解调技术。FTN传输人为引入了码间干扰，需要使用MLSE解调才能获得理论最优的性能，但需要知道等效信道的精确信息且复杂度很高。而基于神经网络的FTN解调可以直接根据训练数据和接收信号进行训练。传统的解调需要进行匹配滤波、白化、均衡、判决等步骤，而神经网络可以直接实现对输入信号的判决，在实际系统中可以更加充分地利用真实环境的信息，具有性能潜力。本文通过仿真验证了递归神经网络用于FTN解调的可行性，并且对不同参数下神经网络的性能做了较为详细的仿真研究。
　　首先，对FTN传输的原理做了详细的分析研究。介绍了FTN传输的概念，分析了其Mazo限，介绍了其限制信道容量;建立了FTN传输的离散模型，分析了离散模型中观测矩阵的性质;讨论了FTN传输的MLSE检测以及两种简单的线性均衡算法，并对不同的算法性能进行了仿真分析。
　　其次，对神经网络模型进行了分析研究。介绍了前向神经网络与递归神经网络的模型结构，分析推导了神经网络BP算法的矩阵形式，详细介绍了神经网络训练中常用的算法，并使用Softmax回归对奈奎斯特速率下BPSK调制信号进行了训练与解调。
　　最后，研究了利用前向神经网络与递归神经网络解调FTN传输信号。将Softmax回归与线性均衡进行了对比，验证了采用线性均衡对FTN传输引入的码间干扰消除的局限性;用MLP模型和RNN模型对FTN的解调进行了详细的仿真分析，发现在训练数据足够的情况下，两者均能逼近MLSE的解调性能，且RNN可以在参数非常少的情况下达到接近理想的误码率性能，验证了RNN在FTN传输中实现解调的可行性。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 国内外研究现状

1．3 论文研究内容及意义

1．4 论文组织结构

第二章 FTN传输

2．1 FTN传输技术概述

2．1．1 奈奎斯特准则与正交传输

2．1．2 FTN传输与Mazo限

2．1．3 FTN系统信道容量

2．2 FTN传输离散模型

2．2．1 FTN传输的向量形式

2．2．2 离散模型中观测矩阵性质

2．3 FTN传输的检测技术

2．3．1 最大似然检测与二次规划的等价性

2．3．2 最大似然(MLSE)检测

2．3．3 迫零均衡

2．3．4 最小均方误差均衡

2．3．5 算法仿真与分析

2．4 本章小结

第三章 神经网络与信号解调

3．1 神经网络模型

3．1．1 神经网络历史

3．1．2 前向神经网络

3．1．3 递归神经网络

3．2 神经网络的训练算法

3．2．1 BP算法

3．2．2 激励函数

3．2．3 常见的优化算法

3．3 奈奎斯特速率传输的神经网络解调

3．3．1 系统建模

3．3．2 Softmax回归

3．3．3 参数比较与性能分析

3．4 本章小结

第四章 FTN传输的神经网络解调

4．1 系统建模

4．2 Softmax回归与线性均衡的比较

4．3 MLP解调性能与参数比较

4．3．1 输入维度性能对比

4．3．2 激励函数性能对比

4．3．3 隐层维度性能对比

4．4 RNN解调性能与参数比较

4．4．1 训练算法与收敛速率比较

4．4．2 输入维度下性能对比

4．4．3 隐层维度性能对比

4．5 MLP与RNN模型对比

4．5．1 训练误差与误码率关系分析

4．5．2 参数数量与性能对比

4．6 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

致谢

参考文献

作者简介