[发明专利]一种基于LSTM的QDPSK差分解调方法

说明书

本发明提供一种基于LSTM的QDPSK差分解调方法，本发明涉及电子和通信技术领域，本发明利用LSTM网络具有记忆功能的特性，解决DNN网络无法进行差分译码的问题。采用QDPSK差分调制解调方式能有效解决基于DNN的QPSK解调器在载波提取时存在的反向工作问题。同时，本发明不仅在基带下进行仿真，还在带通下存在干扰时进行设计，测试了神经网络的抗干扰情况。

技术领域

本发明涉及电子和通信技术领域，特别是涉及一种基于LSTM的QDPSK差分解调方法。

背景技术

调制解调技术是通信系统中非常重要的组成部分，随着数字通信技术的发展，数字调 制解调技术因为其优秀的抗噪声性能、抗干扰性能以及优异保密性能而被广泛应用在如今 的通信系统中。其中PSK调制方式有着频谱利用率高、对信道敏感程度低和误符号率低 等优点，因此如今的通信系统经常用到PSK调制方式，对于MPSK而言，四进制相移键控即QPSK最为经典。在QPSK基础上改进的QDPSK差分调制解调方式能很好的解决 QPSK在解调时存在的反向工作问题，因此被广泛应用于通信系统中。

QDPSK调制信号的产生与QPSK相似，首先将待传输的码元根据差分编码规则进行差分编码，然后再进行QPSK调制即可生成QDPSK调制信号。QDPSK解调方式有两种， 一种是根据其与QPSK信号的相似性，首先将QDPSK信号进行相干解调，然后将得到的 相对码进行码逆变换得到绝对码完成解调；另一种则是利用两个2DPSK的差分相干支路 进行解调，虽然不需要差分译码器但是却是以牺牲误码率为代价。

随着深度学习技术的发展，将深度学习应用于通信物理层的研究也取得了众多成果。 端到端的调制解调器是借鉴自编码器的设计思路将调制器和解调器分别利用DNN网络代 替，并通过AWGN信道进行连接后进行端到端的训练。端到端的训练使得整个调制系统设计是趋向于最优化的，同时数据驱动设计的过程能很大程度上降低数学模型建立的复杂度。同时，在不同信噪比条件下训练得到的调制器调制后的星座图会产生一定的变化，来适应信道的特性，这也体现出深度学习对于通信系统有一定的适应性。

而现有的基于DNN的QPSK端到端调制解调技术的缺陷如下：

1.采用神经网络代替传统的调制解调器在载波提取时仍然存在载波相位不匹配的问 题，QPSK信号解调时仍然会产生方向工作问题。

2.普通DNN网络不具有时间记忆性，并不能提取差分调制中差分编码部分前后相邻 码元之间的关联性。

3.在基带进行训练和测试，有一定的局限性，同时并未考虑干扰对神经网络的影响。

发明内容

本发明为了解决基于DNN的端到端QPSK调制解调器在解调时存在反向工作的问题，以及其在基带下进行仿真测试缺乏抗干扰性能测试的问题，从而提出了一种基于 LSTM的QDPSK差分解调方法。本发明主要分为两大部分：基带下无干扰时基于LSTM 的QDPSK差分解调器的设计和带通下有干扰时基于LSTM的QDPSK差分解调器设计。

本发明提供一种基于LSTM的QDPSK差分解调方法，具体方案如下：

一种基于LSTM的QDPSK差分解调方法，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；