QPSK神经网络解调算法的FPGA实现研究

摘要

近年来，通信技术取得了突飞猛进的发展，解调作为通信系统中的一个重要环节得到了广泛的应用。调制信号在传输、接收的过程中会引入很多的非理想因素，例如频偏、时偏和多径效应等，这些因素的存在对解调的性能提出了更高的要求。在传统解调系统中，逻辑较为复杂，存在大量的可配置参数，造成解调系统的鲁棒性较差，而且传统解调方法大都是通用型为主，对频偏、时偏等特殊条件的适应性较差。卷积神经网络是人工神经网络的一种，它对输入信息的预处理要求低，特征提取准确率高，且具有自主学习能力。其中一维卷积神经网络因其独特的一维结构特征，特别适合离散时间序列的处理。 本文提出利用一维卷积神经网络来实现QPSK（Quadrature Phase Shift Keying）解调功能。通过构建适合的网络结构，可以提高解调系统的鲁棒性，通过适当的训练，可以提高解调器对频偏、时偏等特殊条件的适应性。本文对QPSK调制信号的特征进行了分析，在明确QPSK调制信号所携带的信息是包含在相对相位突变中的基础上，将相对相位突变作为一种特征，利用一维卷积神经网络对其进行特征检测，进而实现解调。在重复实验的基础上给出了最优的网络结构，并对网络的训练过程进行了说明。本文提出了基于一维卷积神经网络的QPSK解调算法的FPGA（Field Programmable Gate Array）实现方案，主要对FPGA实现整体架构和其中最核心的相对相位突变检测模块进行了详细说明，在实现过程中采用了基于时间延迟网的一维same卷积核实现方法、基于分段拟合的sigmoid激活函数实现方法、网络的分时复用方法，并介绍了数据精度和量化方法的选择以及系统的流水线和并行结构。通过上述方法和结构，减小了FPGA实现过程中的计算量，提高了硬件资源的使用效率。 本文对算法的FPGA实现结果进行了测试。首先对测试平台的搭建进行了说明，接下来详细介绍了训练数据的产生过程，然后对实现结果进行了测试，主要包括三个方面：输入向量的长度和隐层神经元个数对解调性能的影响测试，采样功能的测试，AWGN（Additive White Gaussian Noise）条件下的BER（Bit Error Ratio）测试。最后，本文在同一硬件条件下将所实现的解调算法与一个常用的相干解调算法在资源占用、功耗、延迟和对频偏适应性四个方面进行了对比。结果显示，在AWGN信道条件下，神经网络解调损失几乎可以保持在2dB以内，而相比于相干解调算法，神经网络解调算法具有较小的延迟和更好的对频偏的适应性。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

第一章绪论

1.1研究背景及意义

1.2国内外研究现状

1.2.1数字调制解调技术

1.2.2深度学习和卷积神经网络

1.3论文主要研究内容及章节安排

第二章QPSK神经网络解调技术的基础理论

2.1QPSK调制解调原理

2.1.1QPSK调制原理

2.1.2QPSK相干解调原理

2.1.3解调器性能的衡量

2.2一维卷积神经网络基本理论

2.2.1神经元模型

2.2.2一维卷积核模型

2.2.3层级模型

2.2.4反向传播算法

2.3QPSK神经网络解调算法

2.3.1基于一维卷积神经网络的QPSK解调算法

2.3.2一维卷积神经网络的结构

2.3.3一维卷积神经网络的训练

2.4本章小结

第三章QPSK神经网络解调算法的FPGA实现

3.1FPGA开发环境及开发流程介绍

3.2FPGA实现的系统架构

3.2.1系统的输入和输出

3.2.2系统的组成

3.3相位突变检测模块的实现

3.3.2一维same卷积核

3.3.3神经元模型

3.3.4激活函数

3.3.5控制模块

3.4数据精度与量化

3.4.1数据精度的选择

3.4.2统一量化方法

3.5流水线与并行设计

3.6本章小结

第四章QPSK神经网络解调算法实现结果和测试

4.1实验平台的搭建

4.2网络的训练

4.3实现结果的测试

4.3.1网络结构的测试

4.3.2采样功能的测试

4.3.3解调功能的测试

4.4实现结果的对比

4.4.1资源占用、功耗、延迟的对比

4.4.2适应性的对比

4.5本章小结

第五章总结与展望

5.1总结

5.2展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.攻读硕士学位期间的研究成果

3.1发表学术论文

3.2申请（授权）专利

3.3参与科研项目及获奖