[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

说明书

本发明属于通信技术领域，涉及一种混合噪声下基于深度学习的MSK信号解调方法。本发明传统无线通信信号接收策略中存在的问题，设计了一种基于深度学习的解调方法。在高斯噪声与脉冲噪声混合信道下，本发明提出的网络结构对MSK信号进行解调具有良好的误码性能，有效地提高了软解调准确率，且无需对高斯和脉冲混合噪声进行建模和参数估计，避免了传统无线通信信号的接收策略中复杂的脉冲参数估计。

技术领域

本发明属于通信技术领域，涉及一种混合噪声下基于深度学习的MSK信号解调方法。

背景技术

最小频移键控(Minimum Shift Keying,MSK)是一种连续相位调制，具有包络恒定、带外干扰小、频谱利用率高等特点，可同时兼顾功率效率和频谱效率，广泛应用于功率和带宽同时受限的无线通信系统。在很多应用场景中，无线通信系统接收机处的噪声除了高斯噪声外，还包含很强的脉冲分量，如果直接沿用基于高斯噪声的经典信号接收方法只能获得极差的性能。脉冲噪声是一种典型的非高斯噪声，无线通信面临的很多脉冲噪声可以建模为对称α稳定分布(symmetricalα-stable,SαS)分布。

传统无线通信系统中，针对纯脉冲噪声信道下MSK信号的接收有两种策略：一种是基于预处理的接收策略，先对接收信号进行预处理，抑制非高斯脉冲噪声，再采用高斯噪声下的通信信号接收技术进行同步和解调，根据信息论的数据处理不等式，这样方法会引入信息损失，无法获得最佳的接收性能；另一种是直接接收策略，不对接收信号进行预处理，而是直接基于脉冲噪声的统计特性设计信号同步与解调算法。除了α＝1,2这两类特殊情况，SαS分布模型没有解析的概率密度函数，基于最大似然测度的解调算法通常不存在闭合形式。为此，一般采用形式闭合、容易处理的鲁棒测度，包括柯西(Cauchy)测度、myriad测度等。由于脉冲和高斯混合噪声信道模型非常复杂，如果直接沿用脉冲噪声下的MSK信号接收策略进行混合噪声下的MSK信号解调，噪声模型参数估计将会非常困难。

发明内容

针对混合噪声信道下，传统无线通信信号接收策略中存在的问题，本发明提出一种基于深度学习方法的MSK带通信号解调的方案。

深度学习是机器学习领域的一个重要分支，旨在通过组合低层特征形成更加抽象的高层特征以发现数据的分布式特征表示。因此，利用深度学习对数据特征的表达能力，可以直接从发射和接收数据中学习潜在的信道特征，从而解决复杂噪声环境下信道模型参数估计困难的问题。循环神经网络(Recurrent Neural Network,RNN)是一类用于处理和预测序列数据的神经网络，能够挖掘数据中的时序信息以及语义信息的深度表达能力。普通的RNN对于时序长短依赖具有不确定性，而长短时记忆网络(Long Short Term MemoryNetwork,LSTM)可以很好的解决这个问题。本发明利用深度学习设计混合噪声下的MSK信号带通信号解调方法，避免传统方法的缺陷。

假设信源发射序列为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。

利用本发明提出脉冲噪声下MSK信号通带解调方案实现包括以下步骤：

步骤1：构建MSK信号带通解调网络。

MSK带通解调网络的输入为接收信号经滑动序列选取的时长为time_step的序列，输出为网络估计的对应发送比特的概率当有信道编码的情况下，概率可以作为软信息输入到信道译码模块。