[发明专利]自适应数字调制信号解调器及其解调方法

说明书

本发明涉及一种自适应数字调制信号解调方法，包括获取已调制信号，并将调制信号转换为数字信号；提取数字信号的特征，其中特征包括信号的幅频特征和相频特征；将信号的幅频特征和相频特征作为多层前向复数值神经网络的输入，利用训练好的多层前向复数值神经网络识别数字信号的调制方式，其中使用基于自适应混合方向的CL‑BFGS算法训练多层前向复数值神经网络，通过在迭代过程中自适应地构建混合搜索方向，调整权值和偏置参数；根据多层前向复数值神经网络的识别结果对数字信号进行解调，获得解调后的数字基带信号。本发明克服了记忆尺度对算法性能造成的不良影响，能够实现多层前向复数值神经网络的高效学习，并取得调制方式识别的显著效果。

技术领域

本发明涉及通信技术领域，尤其是指一种自适应数字调制信号解调器及其解调方法。

背景技术

随着通信规模的日益增大，常见的数字调制方式渐渐地无法满足实际需求,多进制数字调制方式相继出现。多进制调制方式同样可以分为多进制频移键控(MFSK)、多进制振幅键控(MASK)和多进制相移键控(MPSK)。另一方面，为了解决频谱利用率低、抗多径衰弱能力差、功率谱衰减慢以及带外辐射严重等问题，人们提出了新的数字调制技术，比如正交振幅调制(QAM)和正交频分复用调制(OFDM)。作为调制的逆过程，解调的任务就是在接收端把接收到的已调信号还原为原始基带信号。

由于调制方式的不同，需要采用的解调方案也会不同。在现代电子战争和无线电频谱资源监管等非协作通信系统中，由于通信环境的复杂性和调制方式的多样性，往往会接收到未知调制方式的通信信号，从而对信号的解调带来了极大的困难。因此，通信系统中信号调制方式识别的研究具有非常重要的理论意义和实用价值。早期的信号调制方式识别通常是基于测量参数进行的人为解译，因此识别的准确性在很大程度上依赖于操作人员的技术水平和工作经验，而且需要耗费大量的人力资源。随着无线通信技术的不断发展，信号调制方式也变得越来越多样化，简单的人工识别方法已经无法满足当前的技术需求。为了解决这一问题，一些更加高效的信号调制方式自适应识别技术相继出现。一般来讲，经典的信号调制识别方法可以概括为两大类：基于假设检验的最大似然方法和基于特征值的模式识别方法。其中基于假设检验的最大似然方法需要对有噪声干扰的情况下所获得的信号的似然函数进行理论分析，确定合适的阈值，通过比较似然比和对应的阈值，对调制方式进行识别。另外基于特征值的模式识别方法则采用特征值提取方法将数字信号的特征值提取出来，然后利用机器学习方法(如最近邻算法、支持向量机、贝叶斯算法以及决策树等)对调制方式进行分类。

随着人工神经网络的不断发展，基于神经网络的数字信号调制方式的识别成为了当前的研究热点。已有学者研究了实数值神经网络在调制方式识别领域的应用，提出了一些较为实用的数字信号调制的自适应识别方法。值得注意的是，实数值神经网络往往无法充分利用数字信号的幅度和相位特征值，这在很大程度上限制了实数值神经网络的性能，即影响了信号调制方式的识别准确率。与实数值神经网络相比，复数值神经网络对信号的相位和幅度等具有更强的表示和处理能力。

为了实现基于复数值神经网络的信号调制方式的识别，我们需要事先对所设计的复数值神经网络进行充分训练，复数值神经网络的泛化性能很容易受到所采用的训练方法的影响。利用二阶导数信息的L-BFGS算法往往能够保证更快的收敛速度和更加精确的解。L-BFGS算法作为BFGS算法的改进一直是拟牛顿算法中最常用的算法。该算法仅仅使用有限对(比如m对)包含过去曲率信息的向量组近似地计算海森矩阵的逆，解决了BFGS算法需要存储上一次迭代中拟海森矩阵的问题。这里，m通常称为L-BFGS算法的记忆尺度。值得注意的是，不同的记忆尺度会对L-BFGS算法的性能产生很大的影响。实验结果表明，并非选择越大的记忆尺度就能保证更好的性能。与L-BFGS算法相似，复数值L-BFGS(CL-BFGS)算法也面临着记忆尺度的选择问题。然而，目前关于CL-BFGS的记忆尺度选择的相关研究还很少。大多数情况下，都是根据实际问题选择固定的记忆尺度。因此，CL-BFGS算法的性能受人为因素影响较大。另一方面，复数值神经网络的性能与采用的训练算法是密切相关的，所以解决CL-BFGS算法中记忆尺度的选择问题是非常重要的。

发明内容