[發明專利]一種基于緊湊自編碼器的符號檢測和調制識別方法

有效

• 申請號: 202111339218.6
• 申請日: 2021-11-12
• 公開（公告）號: CN114124630B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 許道峰;郝崇正;樊縣林;柯昌駿;王成華
• 申請（專利權）人: 中國電子科技集團公司第二十八研究所;南京航空航天大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06F18/24;G06N3/0464;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 胡建華

本發明是一種基于緊湊自編碼器的符號檢測和調制識別方法，包括如下步驟：步驟1，在信號接收端對不同調制方式的到達信號進行采樣得到原始混合采樣數據；步驟2，利用累積量和矩運算對原始混合采樣數據預處理，提取信號特征并得到混合信號數據集；步驟3，采用CAE?SDMC檢測器對混合信號數據集進行符號檢測和調制識別，即分別找到CAE?SDMC檢測器的符號檢測和調制識別最優判別函數；步驟4：根據步驟3中的符號檢測和調制識別最優判別函數確定CAE?SDMC檢測器的最優參數，進而實現恢復原始混合采樣數據中的符號信息，同時輸出原始混合采樣數據對應的調制方式。

技術領域

本發明涉及一種符號檢測和調制識別方法，特別是一種基于緊湊自編碼器的符號檢測和調制識別方法。

背景技術

符號檢測和調制識別是智能通信系統的基本任務。符號檢測是指接收機端的檢測器對受噪聲干擾和信道損傷的發送信號進行重建，從而恢復發送的信息。調制識別是通過決策理論或模式識別的方法對收到的信號進行調制方式的分類。傳統的符號檢測和調制識別算法完全依賴于已知的信道模型和參數，然而，實際通信系統中信道模型的建立和參數的估計面臨較大的挑戰。

近年來，基于深度神經網絡(Deep Neural Network，DNN)的信號檢測在物理層信號處理中得到了快速的發展，基于深度神經網絡的智能信號檢測方法為解決上述挑戰提供了一種可能的途徑。深度神經網絡在物理層信號檢測中的應用包括，基于卷積神經網絡(Convolutional Neural Network，CNN)的二進制相移鍵控(Binary Phase Shift Keying，BPSK)解調器，該方案可以實現在高斯白噪聲信道(Additive White Gaussian Noise,AWGN)和瑞利衰落(Rayleigh)信道下對二進制相移鍵控調制符號檢測；利用全連接結構的深度神經網絡實現端到端的通信系統，該系統中考慮了利用深度神經網絡結構對符號間干擾和符號同步的處理；此外，基于卷積神經網絡的調制識別分類器也得到了廣泛的研究。

然而，傳統的智能信號檢測中需要先進行調制識別判定，然后根據調制方式選擇解調器實現符號檢測；同時，已知的工作中，基于深度神經網絡的檢測器僅能實現對單一信號的符號恢復，無法處理混合信號的檢測；此外，大多數檢測是在理想條件下進行的，忽略了信道損傷等因素對檢測性能的影響。

因此，需要一種不依賴于信道模型和噪聲假設，且可以同時完成混合信號符號檢測和調制識別的智能檢測器。

發明內容

發明目的：本發明所要解決的技術問題是針對現有技術的不足，提供一種基于緊湊自編碼器的符號檢測和調制識別方法。

為了解決上述技術問題，本發明公開了一種基于緊湊自編碼器的符號檢測和調制識別方法，包括緊湊自編碼器-符號檢測和調制識別CAE-SDMC(Compact AutoEncoder-Symbol Detection and Modulation Classification)檢測器，CAE-SDMC檢測器在檢測過程中，具體步驟如下：

步驟1，在接收端對不同調制方式的到達信號分別進行采樣；

步驟2，利用累積量和矩運算對步驟1中的原始混合采樣數據進行處理，用于提取不同調制方式的信號特征；

步驟3，采用CAE-SDMC檢測器對混合信號數據集進行符號檢測和調制識別，即分別找到CAE-SDMC檢測器的符號檢測和調制識別最優判別函數。設計的CAE-SDMC檢測器包含對混合信號進行符號檢測的緊湊自編碼器符號檢測器(Compact AutoEncoder-SymbolDetection，CAE-SD)和對混合信號進行調制識別的緊湊自編碼器調制識別(CompactAutoEncoder-Modulation Classification，CAE-MC)檢測器；