[发明专利]一种基于人工智能的QPSK接收机及其辅助模型训练方法

说明书

本发明涉及一种基于人工智能的QPSK接收机辅助模型训练方法，包括：搭建QPSK系统模型，使用QPSK系统模型获取训练数据集，搭建rethink神经网络模型，生成预测标签，使用训练数据集训练rethink神经网络模型，优化rethink神经网络模型的损失函数，使用Nadam算法优化损失函数，更新rethink神经网络模型的参数，直至预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。本发明的方法所训练的模型采用基于反思结构的rethink神经网络，考虑到标签之间隐藏的相关性，能够在通信接收机的解调环节中进行解调，该模型的解调能够解决传统硬判决方法在低信噪比条件下，因噪声干扰而导致识別准确率不高的问题。

技术领域

本发明属于无线通信技术领域，具体涉及一种基于人工智能的QPSK接收机及其辅助模型训练方法。

背景技术

近年来,人工智能在计算机视觉、自动控制技术、自然语言处理等众多领域得到了广泛应用，不断取得新的突破：人脸识别、无人驾驶、智能音箱、机器翻译等。人工智能逐渐渗透进了人们生活的方方面面，这也引起了学术界到工业界的广泛关注。在无线通信领域,将人工智能与无线通信接收机结合是目前研究的热点方向之一，传统无线通信接收机的的缺陷也极有可能因此得到一定程度上的修复。

正交相移键控技术(QPSK)作为一种频谱利用率高、抗干扰性强的数字调制方式,在无线通信系统中得到了广泛的应用。人工智能辅助的QPSK接收机正在取代和改进传统的QPSK接收机。传统的QPSK接收机在低信噪比条件下，对经过编码和加噪的信号进行解调时采用硬判决方法，最终的误比特率较高，识別准确率不高。

因此，亟需一种方案，以解决在低信噪比条件下，接收机接收信号时因噪声干扰而导致识別准确率不高的问题。

发明内容

基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种基于人工智能的QPSK接收机及其辅助模型训练方法。

为了达到上述发明目的，本发明采用以下技术方案：

一种基于人工智能的QPSK接收机辅助模型训练方法，具体包括如下步骤：

S1、搭建QPSK系统模型，使用QPSK系统模型获取训练数据集；

S2、搭建rethink神经网络模型，rethink神经网络模型用于对经过编码和噪声影响的信号进行解调，生成预测标签；

S3、使用训练数据集训练rethink神经网络模型，优化rethink神经网络模型的损失函数；

S4、使用Nadam算法优化损失函数，更新rethink神经网络模型的参数，直至预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。

作为一种优选的方案，使用QPSK系统模型获取训练数据集具体为，使用QPSK系统模型对经过汉明编码后的数据进行QPSK调制，然后使用根升余弦进行过采样，再加入高斯噪声作为干扰，经过匹配滤波和欠采样得到56位特征。

作为一种优选的方案，rethink神经网络模型对经过编码和噪声影响的信号的解调具体包括：

对输入的信号进行五次重复向量迭代；

输入第一层网络，第一层网络使用非线性激活函数Relu；

输入第二层网络，第二层网络为长短期记忆神经网络，具有128个神经元，使用激活函数sigmoid；

输入全连接层进行输出，全连接层具有56个神经元。

作为一种进一步优选的方案，预测标签为56位。