[发明专利]一种混合噪声下基于深度学习的MSK信号解调方法

权利要求书

1.一种混合噪声下基于深度学习的MSK信号解调方法，其特征在于，包括以下步骤：

S1、令信源发射序列为s(t)，T_b为二进制信源比特的周期；以T_s为采样间隔对MSK通带信号进行采样，得到MSK信号的采样序列x，高斯噪声为n_g，脉冲噪声为n_p，接收机的接收数据流为y＝x+n_g+n_p；

S2、构建MSK信号带通解调网络，并采用样本数据对解调网络进行训练：

构建MSK信号带通解调网络的结构为：输入层输入的样本格式为time_step×N_sample，time_step为时间步长，N_sample为一个符号时间内的采样点数；然后通过两层长短期记忆LSTM网络；用Reshape层整合LSTM层的输出，再连接到一个全连接层；最后同时连接time_step个全连接层，用softmax激活函数计算出每个时间步上的信号分别分类为“0”或“1”的概率作为网络的输出；

MSK信号带通解调网络的输入为样本数据，输出为网络估计的对应发送比特的概率所述样本数据的产生方式为，令接收机接收的数据流为y＝[y₁,y₂,…,y_N]，其中表示第i个T_b内的接收数据样本i＝1,2,…N_sample，以N_sample为步长，在y上滑动选取时长为time_step的序列作为网络的输入，将信源发射序列中对应位置的信源符号[s_i,s_i+1,…,s_{i+time_step-1}]^T进行one-hot编码，将“0”映射为“10”，表示“1”映射为“01”，表示作为序列标签构成样本数据，对网络进行训练；

S3、根据训练好的MSK信号带通解调网络，使用滑动序列的方式从接收数据流选取序列输入网络，获得输入序列中每个时间步上的预测符号概率其中由于网络使用了滑动的方式构造输入序列，每个符号在不同的序列中将进行time_step次估计，对time_step次估计的概率取平均

使用对第i个符号进行硬判，或者将其作为软信息输入信道译码模块，实现对MSK信号解调。