[发明专利]一种基于LSTM的QDPSK差分解调方法

权利要求书

1.一种基于LSTM的QDPSK差分解调方法，其特征在于，包括以下步骤：

步骤一：构建基于深度学习的QDPSK调制器，将QDPSK的调制器设计为传统差分编码与基于DNN的QPSK调制器相结合的方式，其中DNN的QPSK调制器采用端到端自编码器形式，将两个DNN神经网络通过AWGN信道连接后进行端到端训练，将得到的DNN调制器与差分编码器连接后构成QDPSK调制器；

步骤二：构建基于LSTM的QDPSK差分解调器，选择双向LSTM作为差分解调器的主体结构，QDPSK差分解调器主要包括双向LSTM层、全连接Dense层和批量标准化BN层；双向LSTM层主要用来学习差分编码前后码元之间的相关性，进行差分译码；Dense层用来计算和判决输出，完成解调工作；BN层在不改变数据分布的前提下，将数据集中在指定范围之内，用来防止过拟合，加快训练速度；

步骤三：构建训练和测试所用的数据集；

步骤四：设置仿真参数进行训练；选择合适的信噪比，将数据集处理成不同的信噪比，分别输入到网络中进行训练，并进行超参优化，得到不同信噪比条件下的差分解调器模型；

步骤五：测试差分解调器性能，利用测试集测试不同信噪比下不同模型的误符号率性能。

2.根据权利要求1所述的一种基于LSTM的QDPSK差分解调方法，其特征在于，所述步骤一具体为：

原始信息序列s经过差分编码器编码后转换成相对码序列t，序列t经过DNN网络调制后映射为发送序列x，而DNN网络则转化为一个未知的映射函数则：

x＝h(t) (1)

接受序列y为：

y＝x+n (2)

n～CN(0,σ²) (3)

其中，n为高斯白噪声，服从均值为0，方差为σ²的复高斯分布；

而LSTM差分解调器网络转换为一个未知的映射函数g，包括了解调和差分译码过程:

训练过程重构为一个最小化损失函数的过程：

其中，L为损失函数，选择光滑可导，有利于梯度下降的均方误差函数MSE作为损失函数。

3.根据权利要求2所述的一种基于LSTM的QDPSK差分解调方法，其特征在于，所述步骤二具体为：

具有L层的全连接神经网络可以描述为一个输入为x₀的张量到输出为x_L的张量的映射f(x₀,θ)，每一层的迭代过程为：

x_l＝f_l(x_l-1,θ_l)，l＝1,...,L (6)

f_l(x_l-1,θ_l)＝σ(W_lx_l-1+b_l) (7)

其中f_l(x_l-1,θ_l)是第l层的映射，映射的结果取决于前一层的输入和这一层的网络参数θ_l，θ＝{θ₁,θ₂,...,θ_L}为模型通过训练得到的所有网络参数集，W_l和b_l均为参数θ_l＝{W_l,b_l}的元素，σ(·)称为激活函数，例如ReLU、Sigmoid、Tanh函数等，为网络引入非线性性；在训练过程中，输入和输出的向量来建立一个损失最小化的优化问题，通过调整参数θ来最小化损失函数l(u,v):

其中，表示期望的输出值，而调制解调器期望解调后的信息与输入信息一致，最小化误符号率因此期望输出值等于输入值，即x_L.i表示实际的输出值。