本發明屬于集成電路和通信領域，具體為一種基于神經網絡的數字調制信號解調器及其解調方法，適用于各種調制方式。

背景技術：

模擬通信和數字通信廣泛應用于通信業務中，但數字通信已成為當代通信系統的主流。與模擬通信相比，數字通信具有抗干擾能力強、可靠性高、保密性強、便于存儲和處理、設備易于集成、體積小、功耗低等優點。

調制的目的是把要傳輸的模擬信號或數字信號變成適合信道傳輸的信號，要傳輸的模擬信號稱為調制信號。在通信系統的發送端，把基帶信號的頻譜搬移到具體給定信道通帶內的過程稱為調制。在接收端，把已搬移到給定信道通帶內的頻譜還原為基帶頻譜，從而將信號還原為原始基帶信號的過程稱為解調。使用數字基帶信號對載波進行調制稱為數字調制。數字調制相應有數字調幅、數字調頻、數字調相三種方式。由于數字基帶信號取值是離散的，因而調制后的載波參數取值也是離散的。數字調制的過程就像用數字基帶信號去控制選通門的狀態一樣，從幾個具有不同參數的獨立震蕩源中選擇參數，所以又把數字調制稱為“鍵控”，相應有振幅鍵控(ask)、頻移鍵控(fsk)和相移鍵控(psk)三種基本方式。

隨著數字通信技術的發展，產生了多進制數字調制，多進制振幅鍵控(mask)、多進制頻移鍵控(mfsk)和多進制相移鍵控(mpsk)。之后，人們為了改善頻譜利用率低、抗多徑抗衰落能力差、功率譜衰減慢以及帶外輻射嚴重等問題，新的數字調制技術被提出，例如正交振幅調制(qam)和正交頻分復用調制(ofdm)。

目前數字調制信號解調是通過模數轉換器(adc)和數字信號處理(dsp)來實現的，由于每種調制信號使用的技術不同，在dsp中要實現包括下變頻混頻、帶通濾波、同相和正交(i、q)解調、位同步提取、信道譯碼、信源譯碼等。因此，每種不同的調制信號需要設計不同的dsp軟件來實現解調。

神經網絡是一項以生物大腦的結構和功能為基礎，以網絡節點模仿大腦的神經細胞，以網絡連接權模仿大腦的激勵電平的技術，能有效的處理問題的非線性、模糊性和不確定關系。在傳統的計算機中，我們告訴計算機要做什么，將大問題分解成許多小的，精確定義的任務，計算機可以很容易的執行。相比之下，在神經網絡中，我們不告訴計算機如何解決我們的問題。相反，它從觀察數據中學習，找出自己解決問題的方案。神經網絡相應的有全連接神經網絡也叫前饋神經網絡(fnn)，例圖見圖2。除此之外還有卷積神經網絡(cnn)，和循環神經網絡(rnn)，cnn也是一種前饋神經網絡，cnn例圖見圖3，rnn例圖見圖4。rnn引入了定向循環，可以處理那些輸入之間前后關聯的問題。普通的rnn對于時序長短依賴具有不確定性，而長短時記憶模型(lstm)可以很好的解決這個問題，lstm例圖見圖5。

美國專利(us2016/0248610a1和us2015/0249554a1)提出了將人工神經網絡用于解調器來解決i/q信號失調和信號間干擾(isi)。該專利是在傳統的解調基礎上加入了神經網絡，使用神經網絡來補償i/q失調，消除isi干擾，實現恢復原始調制信號，最終實現提高傳統解調的性能。

技術實現要素：

針對上述存在問題或不足，本發明提供了一種基于神經網絡的數字調制信號解調器及其解調方法，利用神經網絡對adc轉換過的調制信號進行學習，記錄下可以解調該信號時的網絡權重值，之后遇到相同調制方式的信號即可實現信號的識別并解調。

該基于神經網絡的數字調制信號解調器，包括adc和神經網絡識別模塊。

所述adc用于將輸入的調制信號轉換成數字信號，將其輸入至神經網絡識別模塊；

所述神經網絡識別模塊用于對adc輸入的調制信號進行學習并識別出調制方式和解調出數字基帶信號并輸出。

進一步的，所述神經網絡識別模塊由fnn、cnn、rnn或lstm這四種神經網絡構成。rnn和lstm由于有時序記憶功能，可以直接構成神經網絡識別模塊。fnn和cnn由于不具有時序記憶功能，需要配合二選一多路選擇器和寄存器來實現時序記憶功能，從而構成神經網絡識別模塊。

上述數字調制信號解調器的解調方法，分為學習過程和解調過程。學習過程是為得到可以解調數字調制信號時的網絡權重值；解調過程是利用學習過程中得到網絡權重值對adc轉換過的調制信號進行識別并解調出數字基帶信號。

學習過程具體如下：

步驟1、輸入調制信號；通過adc將調制信號轉換為數字信號；

步驟2、神經網絡識別模塊對adc轉換過的數字信號進行學習，再根據學習結果來修改網絡權重值；

步驟3、使用未被學習的信號作為測試集，對比測試結果的準確率能否≥預期誤碼率；

步驟4、如果準確率≥預期誤碼率，則記錄下網絡權重值，學習過程結束；如果準確率低于預期誤碼率，則重復步驟1-3，直到準確率≥預期誤碼率。

解調過程具體如下：

步驟1、輸入調制信號(信號的調制方式在學習過程中已學習過)；通過adc將調制信號轉換為數字信號；

步驟2、根據學習過程中得到的神經網絡的權重值，通過神經網絡識別模塊識別出adc轉換過的調制信號并解調出數字基帶信號。

該解調方法可解調n種調制信號，n≥1，學習的過程需要同時輸入n種調制信號進行學習。學習方法流程圖見圖6。

上述解調方法中的調制方式，適用于振幅鍵控(ask)、頻移鍵控(fsk)、相移鍵控(psk)、二進制啟閉鍵控(ook)、多進制振幅鍵控(mask)、最小頻移鍵控(msk)、多進制頻移鍵控(mfsk)、高斯最小頻移鍵控(gmsk)、多進制相移鍵控(mpsk)、正交相移鍵控(qpsk)、偏移四相相移鍵控(oqpsk)、正交振幅調制(qam)、多進制正交振幅調制(mqam)、時分多址(tdma)、頻分多址(fdma)、碼分多址(cmda)和/或正交頻分復用技術(ofdm)。

本發明利用神經網絡直接解調調制信號，而不是在傳統解調基礎上加上神經網絡來提高解調性能。最終本發明在不改變神經網絡的軟件配置的情況下，同時解調n種調制信號；并可以學習新的調制信號及其調制方式，實現解調。

綜上所述，本發明在不改變神經網絡的軟件配置的情況下，同時解調n種調制信號；并可以學習新的調制信號及其調制方式，實現解調。

附圖說明

圖1是本發明數字調制信號解調器結構示意框圖；

圖2是fnn神經網絡的拓撲結構示意圖；

圖3是cnn神經網絡的拓撲結構示意圖；

圖4是rnn神經網絡的拓撲結構示意圖；

圖5是lstm神經網絡的拓撲結構示意圖；

圖6是本發明解調信號的流程示意圖；

圖7是實施例1的解調器結構示意圖；

圖8是實施例1的解調器解調90％ask調制信號的仿真圖；

圖9是實施例1的解調器解調fsk調制信號的仿真圖；

圖10是實施例2的解調器結構示意圖；

圖11是實施例3的解調器結構示意圖；

圖12是實施例4的解調器結構示意圖。

具體實施方式

下面結合附圖和實施例對本發明做進一步的詳細說明。

本發明所述的解調數字調制信號的方法，是利用神經網絡識別模塊對adc轉換過的調制信號進行學習，記錄下可以解調該信號時的網絡權重值，之后輸入相同調制方式的信號即同類的調制信號，實現調制信號的識別并解調出數字基帶信號。

實施例1

圖7是本實施例提出的基于單一lstm(或rnn)神經網絡的數字調制信號解調器結構圖，其包括一個adc和一個由lstm(或rnn)神經網絡組成的識別解調模塊。調制信號經adc轉換為數字信號后傳入由lstm(或rnn)神經網絡組成的識別解調模塊，lstm(或rnn)神經網絡對輸入的調制信號進行學習后得到網絡權重值。在該網絡權重值下，輸入相同調制方式的信號可以實現信號的識別并解調出數字基帶信號。

圖8是本實施例解調器解調90％ask調制信號的仿真圖。

圖9是本實施例解調器解調fsk調制信號的仿真圖。

本實施例不僅僅局限于解調ask、fsk、psk信號，也可用于解調其他調制信號例如ook、mask、msk、mfsk、gmsk、mpsk、mpsk、qpsk、oqpsk、qam、mqam、tdma、fdma、cdma、ofdm等。

實施例2

圖10是本實施例提出的基于單一cnn(或fnn)神經網絡的數字調制信號解調器結構圖，其包括一個adc，一個二選一多路選擇器，第一寄存器，第二寄存器和一個cnn(或fnn)神經網絡。當調制信號開始輸入，二選一多路選擇器使能第一寄存器，adc轉換過的調制信號存入第一寄存器，當第一寄存器存滿后，二選一多路選擇器使能第二寄存器，adc轉換過的調制信號存入第二寄存器，同時第一寄存器存儲的信號并行傳入cnn(或fnn)神經網絡。當第二寄存器存滿后，二選一多路選擇器使能第一寄存器，adc轉換的調制信號存入第一寄存器，同時第二寄存器存儲的信號并行傳入cnn(或fnn)神經網絡。第一寄存器和第二寄存器交替工作，把adc轉換過的調制信號不間斷的傳入cnn(或fnn)神經網絡。cnn(或fnn)神經網絡對傳入的調制信號進行學習后得到網絡權重值。在該網絡權重值下，輸入相同調制方式的信號可以實現信號的識別并解調出數字基帶信號。

本實施例不僅僅局限于解調ask、fsk、psk信號，也可用于解調其他調制信號例如ook、mask、msk、mfsk、gmsk、mpsk、mpsk、qpsk、oqpsk、qam、mqam、tdma、fdma、cdma、ofdm等。

實施例3

圖11是本實施例提出的基于n個lstm(或rnn)神經網絡的數字調制信號解調器結構圖(下文以解調ask、fsk、psk三種信號為例，因此以四個lstm(或rnn)為例來說明如何具體實施)，其包括一個adc，第一lstm(或rnn)神經網絡，第二lstm(或rnn)神經網絡，第三lstm(或rnn)神經網絡和第四lstm(或rnn)神經網絡。調制信號經adc轉換成數字信號傳入第一lstm(或rnn)神經網絡，第一lstm(或rnn)神經網絡對傳入的調制信號學習后得到網絡權重值。在該網絡權重值下，再輸入相同調制方式的信號，第一lstm(或rnn)神經網絡可以識別信號的調制方式并傳給第二lstm(或rnn)神經網絡或第三lstm(或rnn)神經網絡或第四lstm(或rnn)神經網絡。當調制信號是ask調制信號時，信號傳給第二lstm(或rnn)神經網絡，第二lstm(或rnn)神經網絡對ask調制信號進行學習后得到網絡權重值，在該網絡權重值下，再輸入ask調制信號第二lstm(或rnn)神經網絡可以解調出基帶信號。當調制信號是fsk調制信號時，信號傳給第三lstm(或rnn)神經網絡，第三lstm(或rnn)神經網絡對fsk調制信號進行學習后得到網絡權重值，在該網絡權重值下，再輸入fsk調制信號第三lstm(或rnn)神經網絡可以解調出基帶信號。當調制信號是psk調制信號時，信號傳給第四lstm(或rnn)神經網絡，第四lstm(或rnn)神經網絡對psk調制信號進行學習后得到網絡權重值，在該網絡權重值下，再輸入psk調制信號第四lstm(或rnn)神經網絡可以解調出基帶信號。

本實施例可以解調ask、fsk、psk三種調制信號，因此神經網絡識別模塊由四個lstm(或rnn)神經網絡組成，一個lstm(或rnn)神經網絡用于識別信號調制方式，其他三個lstm(或rnn)神經網絡用于解調出數字基帶信號。

本實施例不僅僅局限于解調ask、fsk、psk信號，也可用于解調其他調制信號例如ook、mask、msk、mfsk、gmsk、mpsk、mpsk、qpsk、oqpsk、qam、mqam、tdma、fdma、cdma、ofdm等。具體實施時lstm(或rnn)神經網絡的數量n由需要解調的調制信號數量確定。

實施例4

圖12是本實施例提出的基于n個cnn(或fnn)神經網絡的數字調制信號解調器結構圖(下文以解調ask、fsk、psk三種信號為例，因此以四個cnn(或fnn)為例來說明如何具體實施)，其中包括一個adc，一個二選一多路選擇器，第一寄存器，第二寄存器，第一cnn(或fnn)神經網絡，第二cnn(或fnn)神經網絡，第三cnn(或fnn)神經網絡和第四cnn(或fnn)神經網絡。當調制信號開始輸入，二選一多路選擇器使能第一寄存器，adc轉換過的調制信號存入第一寄存器，當第一寄存器存滿后，二選一多路選擇器使能第二寄存器，adc轉換過的調制信號存入第二寄存器，同時第一寄存器存儲的信號并行傳入第一cnn(或fnn)神經網絡。當第二寄存器存滿后，二選一多路選擇器使能第一寄存器，adc轉換的調制信號存入第一寄存器，同時第二寄存器存儲的信號并行傳入第一cnn(或fnn)神經網絡。第一寄存器和第二寄存器交替工作，把adc轉換過的調制信號不間斷的傳入第一cnn(或fnn)神經網絡。第一cnn(或fnn)神經網絡對傳入的調制信號學習后得到網絡權重值，在該網絡權重值下，再輸入相同調制方式的信號，第一cnn(或fnn)神經網絡可以識別信號的調制方式并傳給第二cnn(或fnn)神經網絡或第三cnn(或fnn)神經網絡或第四cnn(或fnn)神經網絡。當調制信號是ask調制信號時，信號傳給第二cnn(或fnn)神經網絡，第二cnn(或fnn)神經網絡對ask調制信號進行學習后得到網絡權重值，在該網絡權重值下，再輸入ask調制信號第二cnn(或fnn)神經網絡可以解調出基帶信號。當調制信號是fsk調制信號時，信號傳給第三cnn(或fnn)神經網絡，第三cnn(或fnn)神經網絡對fsk調制信號進行學習后得到網絡權重值，在該網絡權重值下，再輸入fsk調制信號第三cnn(或fnn)神經網絡可以解調出基帶信號。當調制信號是psk調制信號時，信號傳給第四cnn(或fnn)神經網絡，第四cnn(或fnn)神經網絡對psk調制信號進行學習后得到網絡權重值，在該網絡權重值下，再輸入psk調制信號第四cnn(或fnn)神經網絡可以解調出基帶信號。

本實施例可以解調ask、fsk、psk三種調制信號，因此神經網絡識別模塊由四個cnn(或fnn)神經網絡組成，一個cnn(或fnn)神經網絡用于識別信號調制方式，其他三個cnn(或fnn)神經網絡用于解調出數字基帶信號。

本實施例不僅僅局限于解調ask、fsk、psk信號，也可用于解調其他調制信號例如ook、mask、msk、mfsk、gmsk、mpsk、mpsk、qpsk、oqpsk、qam、mqam、tdma、fdma、cdma、ofdm等。具體實施時cnn(或fnn)神經網絡的數量n由需要解調的調制信號數量確定。