[发明专利]一种超奈奎斯特速率通信的DL‑CNN解调器

说明书

技术领域

本发明涉及通信领域，特别是通信的符号速率超过奈奎斯特速率时码间干扰调制信号的判决解调问题。

背景技术

随着信息技术、宽带移动通信和智能手机的不断发展，不仅导致无线电频谱成为稀缺资源，而且遍布全国的通信基站每年耗电也超过上百亿度，因此，现代信息社会迫切需求具有高频谱利用率和高能量利用率的信息传输体制。

1.超奈奎斯特速率

在数字通信领域，波特率即调制速率，指的是有效数据信号调制载波的速率，可理解为单位时间内所传输符号(也称码元)的个数，单位为Symbol/s或波特(Baud或Bd)。而奈奎斯特(Nyquist)定理指出，特定信道的码元速率不可能超过低通信道带宽的2倍，因而2Bd/Hz就称为奈奎斯特速率。现有通信系统欲提高在单位频带内的信息传输速率(即比特率，单位为bit/s或bps)，只能增加每个通信码元所取离散值的个数，即引入高阶调制。这是通信技术领域的公知常识和经典技术，与之关联又有下述两个公知常识：

1)奈奎斯特速率只是无干扰状态下的理论最高传输速率，而实际物理信道难免有各种干扰，故信道容量要受香农(Shannon)公式制约；

2)码元速率超过奈奎斯特速率并非不能通信，但符号间一定会产生码间干扰(ISI)，而现有的最佳接收机模型和相关解调理论，都是建立在没有码间干扰的前提下的。

因此，基于本领域的公知常识，以下几条结论也是显然的：

1)奈奎斯特速率调制信号通过带宽更窄信道进行的通信，就是超奈奎斯特速率通信(即通信码元速率超过奈奎斯特速率)；

2)超奈奎斯特速率通信可以直接提高频谱利用率；

3)对奈奎斯特速率调制信号施加带宽更窄的带通滤波(简称“超带限滤波”)，即得超奈奎斯特速率信号；

4)对于同样的码元速率，传输与接收超奈奎斯特速率信号可采用更窄的信道与接收机带宽，这有助于降低接收机噪声系数，提高接收机灵敏度，并可望在同样的发射功率下得到更高的接收信噪比(SNR)，或更远的通信距离；

5)实现超奈奎斯特速率通信的关键，在于能正确解调码间干扰信号，而现有技术通常分为两步：首先通过信道均衡、逆滤波等技术手段消除码间干扰，恢复正常调制信号；再采用常规方法完成解调。

总之，超奈奎斯特速率调制信号本质上是因正常速率调制信号受到过窄的带通(载波调制信号)或低通(基带信号)滤波限制而损失高频分量的结果，而现有的接收处理技术首先采用信道均衡或逆滤波消除码间干扰，在频域上看就是要采用一个等效的带阻(对于载波调制信号)或高通(对于基带信号)滤波器来相对补偿接收信号的高频分量，这不可避免地也会相应地提升带外噪声，引起解调前接收信噪比的恶化。所以，能够直接解调超奈奎斯特速率调制信号的高性能解调器，是能够同时提升通信系统频谱利用率和能量利用率的关键。

2.深度学习-卷积神经网络(DL-CNN)

2006年，加拿大多伦多大学教授Geoffrey Hinton在《科学》杂志上发表了一篇关于多隐层深度神经网络的文章，开启了深度学习(Deep learning，简称DL)在学术界和工业界的研究浪潮。

1)深度学习是机器学习的一个分支，主要特点是通过多层次的学习而得到对于原始数据不同抽象程度的表示，进而提高分类和预测等任务的准确性。例如有一堆输入I(如一堆不同环境下采集的信号)，假设我们设计了一个n层的系统S，通过调整系统中的参数，使得它的输出仍然是输入I，那么就可以自动得到输入I的一系列层次特征，即S1,...,Sn。因此，区别于传统的支撑向量机(SVM)等浅层学习算法，DL无需依靠人工经验抽取样本特征，而是通过构建具有很多隐层的机器学习模型和海量的训练数据(即利用“大数据”)，来自动学习更有用的特征，从而最终提升分类或预测的准确性。