CN106027438A - 一种用于模数混合调幅广播***的抗混叠调制解调器 - Google Patents
一种用于模数混合调幅广播***的抗混叠调制解调器 Download PDFInfo
- Publication number
- CN106027438A CN106027438A CN201610519041.0A CN201610519041A CN106027438A CN 106027438 A CN106027438 A CN 106027438A CN 201610519041 A CN201610519041 A CN 201610519041A CN 106027438 A CN106027438 A CN 106027438A
- Authority
- CN
- China
- Prior art keywords
- mppsk
- signal
- modulation
- sae
- demodulator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
- H04L27/22—Demodulator circuits; Receiver circuits
- H04L27/227—Demodulator circuits; Receiver circuits using coherent demodulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种用于模数混合调幅广播***的抗混叠调制解调器,该解调器针对从多元位置相移键控/保留载波的双边带调幅(MPPSK/DSB‑AM)复合调制***接收信号中分离出的MPPSK数字调制信号,利用稀疏自编码(SAE)神经网络进行深度学习(DL)训练,使得训练后的DL‑SAE神经网络能够对因发送端带宽限制而产生强码间干扰的MPPSK接收信号样本进行分类,从而解调误码率比常规的幅度积分判决解调器和匹配滤波判决解调器降低了至少一个数量级,保证了模拟音频与高速数据在9kHz调幅广播信道中的同时混合传输。
Description
技术领域
本发明涉及存在码间干扰的数字通信***,尤其涉及存在码间干扰的兼容调幅广播的复合调制***的调制信号的判决解调问题,属于数字通信与非线性信号处理领域。
背景技术
传统的模拟调幅(AM)广播作为一种古老的通信体制,已经沿用了近百年,至今已远远无法满足人们的需求,数字化广播成为其发展的必然趋势。如何充分利用新技术实现广播节目的有效覆盖,实现模拟音频广播向数字音频广播的平稳过渡亟需解决;下面给出现有技术中存在的几种解决方案。
1.MPPSK传输体制
为了充分利用现有的大功率模拟AM广播发送设备和广播网络,应该兼容现行的保留载波的模拟双边带调幅(DSB-AM)传输***;而DSB-AM信号由一个不含任何信息的正弦载波和上下两个含有相同调制信息的模拟边带组成,因此为了实现模拟与数字***的同播,必须利用DSB-AM信号的载波进行数字调制:只要数字调制信息的功率谱(PSD)边带在模拟主信号的9kHz(以载频为中心±4.5kHz)带宽内至少低于载波50dB,即可实现同播。我们把这种携带很低PSD边带数字信息的载波简称为“数字载波”,而为了产生“数字载波”,必须考虑能够保留正弦载波分量的数字调制技术。
传统的二元相移键控(BPSK)的码元“0”和“1”反相,完全抑制了载波,虽有很好的解调性能,但理论上频谱利用率仅为1bps/Hz。中国专利ZL200710025202.1(多元位置相移键控调制和解调方法)提出的多元位置的相移键控调制则是一种调制区间非对称的调相技术,不仅保留了载波,而且依靠多进制调制提升了频谱效率,该专利是对原始MPPSK调制的一种简化和改进,其表达式如下:
其中:k=0,1,…,M-1(M>2)为发送的信息符号,T为码元周期;ωc为载波角频率,Tc=2π/ωc为载波周期;0≤rg<1为符号保护间隔控制因子,由M,K,N和rg构成了改变信号带宽、传输效率和解调性能的“调制参数”。
更重要的是,分析表明当rg=0时,如果满足:
N=M·K (2)
则MPPSK信号PSD中的线谱可完全消除,对于同一频道的模拟音频信号和邻近频道的其它广播电台信号的干扰,可以更低。
2.MPPSK/DSB-AM复合调制***
基于数字载波思想和MPPSK调制,中国专利申请201310464224.3(一种兼容中波模拟调幅广播的复合调制***)提出了一种MPPSK/DSB-AM复合调制***。该复合调制***在保持原DSB-AM广播信号体制不变的基础上,使用MPPSK数字载波代替正弦载波去承载模拟广播信号的幅度调制。调制信号的幅度信息承载了音频信号,而相位信息则包含了数字信号,从而在现有的9kHz中波带宽内,同时传输了模拟与数字两路信号,大大提高了频谱利用率。
MPPSK/DSB-AM复合调制***对于数字信息采用传统的相干解调:首先对接收到并经过下变频的中频复合调制信号进行相干检波(利用从接收信号中提取出的同频同相的相干载波,与接收信号相乘后再低通滤波)得到基带信号,然后在位同步脉冲的定位下对一个码元周期内的基带信号采样值进行匹配滤波判决或幅度积分判决,即可解调出数字调制信息。然而,为了使MPPSK/DSB-AM复合调制发射信号的PSD边带满足无线电管理部门的规定,同时降低对于模拟音频信号解调音质的损伤,还必须对MPPSK调制信号本身已经很低的PSD边带施加进一步的频谱掩模限制,这就极大地影响了MPPSK数字调制信号的传输性能,引入了严重的码间干扰(ISI),即使在很高的信噪比下,上述传统解调方法在不加信道编码时的解调误码率也仅趋于1%量级,必须发明更好的解调方法以提高对于MPPSK/DSB-AM复合调制信号的解调性能。
3.深度学习-稀疏自编码(DL-SAE)
(1)深度学习(DL:Deep learning)始于2006年加拿大多伦多大学教授GeoffreyHinton在《科学》杂志上发表的一篇关于多隐层深度神经网络的论文,它是机器学习的一个分支,主要特点是通过多层次的学习而得到对于原始数据不同抽象程度的表示,进而提高分类和预测等任务的准确性。例如有一批输入I(如一批不同环境下采集的信号),假设我们设计了一个n层的***S,通过调整***中的参数,使得它的输出仍然是输入I,那么就可以自动得到输入I的一系列层次特征S1,S2,…,Sn。因此,区别于传统的支撑向量机(SVM)等浅层学习算法,DL无需依靠人工经验抽取样本特征,而是通过构建具有很多隐层的机器学习模型和海量的训练数据(即利用“大数据”),来自动学习更有用的特征,从而最终提升分类或预测的准确性。
(2)稀疏自编码(SAE:Sparse Autoencoder)网络是人工神经网络的一种。一个单层的自编码(AE)网络只有一个隐层,其目标输出等于输入。AE可获得输入数据的重要特征并重构输入信号。SAE在AE的基础上,增加了网络的稀疏性限制,即大部分隐层节点的值为0,只有少数非0。由于SAE的理论输出值是本身输入的特征值x,使得SAE网络的隐层可以很好地代替输入的特征。图1为一个SAE网络示例,其输入为每个神经元的激活量为ai,i=1,2,…,m,则:
a(X)=f(W1X+b1) (3)
其中f(Z)=1/(1+exp(-Z))是非线性激活函数,a(X)∈Rm是神经元激活向量,W1∈m×n是权重矩阵,b1∈Rm是偏置矢量。网络的输出为其中是输出值,W2∈n×m是权重矩阵,b2∈Rn也是一个偏置矢量。
给定一个训练样本集{(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))},它包含m个样例。可使用反向传播算法最小化重构误差来调整权值W1、W2和b1、b2。当网络未增加约束条件时,代价函数为:
其中,第一项是均方差项;第二项是规则化项(也叫权重衰减项),目的是减小权重的幅度,防止过度拟合。权重衰减参数λ用于控制式中两项的相对重要性。当对隐层神经元施加稀疏性限制时,代价函数可以表示为:
其中,J(W,b)定义如前,KL为稀疏性惩罚因子,表示隐层神经元j的平均活跃度(在训练集上取平均),ρ是稀疏性参数,β是控制稀疏性惩罚因子的权重。
AE神经网络通过不断训练调整参数使式(5)代价函数最小,来尝试学习一个hW,b≈x的函数,从无标注的数据中学习特征,来替代原始数据特征。对于大量已标注数据SAE可以对其进行微调,提升分类器的性能。在尝试解决一个具体的分类问题时,可以基于这些学习得到的特征描述任意的(可能较少的)已标注数据,使用有监督学习方法完成分类。
假定有大小为ml的已标注训练集(下标l表示“带类标”),可以为输入数据找到更好的特征描述。例如,可以将xl (1)输入到稀疏自编码器,得到隐层单元激活量al (1)。接下来,可以直接使用al (1)来代替原始数据xl (1)(称为“替代表示”)。也可以合二为一,使用新的向量(xl (1),al (1))来代替原始数据xl (1)(称为“级联表示”)。
经过变换,训练集变为或(取决于使用al (1)替换xl (1)还是将二者合并)。在实践中,将al (1)与xl (1)合并通常表现得更好。但是考虑到内存和计算的成本,也可以使用替换操作。
最终,可以训练出一个有监督学习算法(例如SVM,Logistic Regression等),得到一个判别函数对y值进行预测。预测过程如下:给定一个测试样本xtest,重复之前的过程,将其送入稀疏自编码器,得到atest。然后将atest(或者(xtest,atest))送入分类器中,得到预测值。具体步骤为:
1)利用无标注网络训练一个稀疏自编码器。
2)给定一个新样本,通过隐层提取出特征al (i)。
3)用训练特征al (i)来代替原始特征,可获得如下训练数据集:
4)训练一个从特征a(l)到类标号y(i)的Logistic分类器;最终分类器如图2所示。
该模型的参数可以通过两个训练步骤获得:在网络的第一层,将输入x映射至隐层单元激活量a的权值W(1)可通过稀疏自编码器训练过程获得。在第二层,将隐层单元a映射至分类输出的权值W(2)可通过Logistic回归或Softmax回归获得。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种用于模数混合调幅广播***的抗混叠调制解调器,为实现模拟音频广播向数字音频广播的平稳过渡提供参考。
技术方案:为实现上述目的,本发明采用的技术方案为:
对现有技术进行研究,我们注意到:(1)M进制通信信号的解调本质上只是对M个码元分类,因而对MPPSK/DSB-AM复合调制信号中MPPSK调制信号的解调,实质是一个M进制码元的分类问题,原理上完全可采用DL-SAE算法处理;(2)信道带宽的限制和码间干扰的影响,使得所述复合调制***中MPPSK调制信号的前后码元样本之间具有了局部相关性,有助于SAE网络获得输入数据的重要特征并重构输入信号;(3)通过选择不同的信噪比和基带码元数,调制样本可形成足够的“大数据”供SAE进行深度学习。因此,基于深度学习方法训练SAE网络,让DL-SAE学习并记忆MPPSK/DSB-AM复合调制***中MPPSK调制信号的内在码元特征和码间干扰模式后,对其输入端的MPPSK调制信号采样值序列进行模式分类和判决,即可望实现对于MPPSK/DSB-AM复合调制信号中MPPSK调制信号的正确解调。
基于上述分析,我们提出一种用于模数混合调幅广播***的抗混叠调制解调器,所述模数混合调幅广播***采用以MPPSK调制信号作为数字载波来承载AM广播信号的DSB-AM符合调制,得到的调制信号为MPPSK/DSB-AM复合调制信号;该抗混叠调制解调器包括相并联的模拟音频信号解调器和数字信号解调器;
在模拟音频信号解调器中:接收到的MPPSK/DSB-AM复合调制信号首先与本振信号相乘;然后利用低通滤波器或带通滤波器滤出频率为Fmin~Fmax的模拟音频信号,实现音频信号的相干解调;接着利用带通滤波器滤出频率为Fmax~fI/4的信号分量,即分离出MPPSK数字调制基带信号;其中:Fmin为模拟音频信号的最低频率,Fmax为模拟音频信号的最高频率,fI为接收机的中频频率;
在数字信号解调器中,利用DL-SAE神经网络对MPPSK数字调制基带信号进行抗混叠解调。
优选的,所述接收机的中频频率fI=465kHz,本振信号为本地提取的465kHz中频相干载波;465kHz是我国调幅广播收音机的中频标准,采用该中频频率使得模拟音频信号仍可采用现有的调幅广播收音机进行收听,无需任何改动即可实现模拟音频信号的非相干解调。
具体的,所述DL-SAE神经网络,首先利用DL方法将SAE神经网络训练为分类器,使得DL-SAE神经网络能够学习和记忆因发送端带宽限制而产生强码间干扰的MPPSK调制信号的波形特征和信道影响,然后直接利用DL-SAE神经网络对MPPSK数字调制基带信号进行分类判决,解调出MPPSK码元。
有益效果:本发明提供的用于模数混合调幅广播***的抗混叠调制解调器,相对于现有技术,在以下方面具有优势:
1、提升了能量利用率:①DL-SAE判决检测充分学习和利用了码间干扰调制信号波形的整体特征及内在信息,因而与只是简单利用幅度信息的门限判决和传统匹配滤波判决相比,大幅提升了解调性能,而且码间干扰越严重,相比于传统幅度积分判决解调器和匹配滤波判决解调器的优势越大;②对于同样的码元速率,传输与接收复合调制信号可采用更窄的信道与接收机带宽,这有助于降低接收机噪声系数,提高接收机灵敏度,并可望在同样的发射功率下得到更高的接收信噪比。而接收机解调性能和灵敏度的提升都相当于发射功率的增大,可以扩大覆盖区域;而若保持原通信距离指标不变,则发射功率便可降低。这对于降低广播***的能源消耗和电磁污染,实现“绿色通信”,具有实际意义。
2、提升了频谱利用率:调制器端单方面缩窄信号频谱带宽固然可以直接提高频谱利用率,却未必可行,因为码间干扰可能会使***性能恶化到失去使用价值;除非解调器端在调制信号带宽缩窄时,仍能使解调性能保持在可接受的水平。而DL-SAE解调器利用该类多层网络所具有的非线性、适应性和深度学习能力,通过在较强码间干扰下对接收信号样本进行分类判决,从而实现了对于发端调制信号“提速”后的抗码间干扰解调,使得提升频谱利用率具有可行性和实际意义。
3、增强了适应能力:①DL-SAE解调器在“大数据”支撑下的深度学习能力,使其可以记忆更多的信号特征和信道特性,因而提高了一般非线性解调器的泛化能力,在实际工作时具有更强的稳健性(或鲁棒性),适应场合更广;②采用经典的门限检测或幅度积分判决,一般是在输出峰值附近取若干采样逐点求和后再进行门限判决,而SAE判决则是对一个码元周期内全部采样的批处理,甚至是对n个码元周期内全部采样的一次性联合判决,因而对于采样同步的精度要求远低于前者,对位同步的要求也更低;③现有通信接收机为补偿或消除因带限而引起的码间干扰,解调前首先要进行信道估计、信道均衡、逆滤波等技术处理,而本发明的DL-SAE解调器可通过预先的学习而省去或“合并”这一步骤,也避免了因带外噪声提升而导致的解调前信噪比的恶化;④DL-SAE解调器可以在线学习,因而具有以解调器网络拓扑或硬件结构的“不变”来适应调制方式和信道特性的“万变”的潜力,有利于解调器和接收机的规格化、通用性、可定制和软件无线电实现。
附图说明
图1是一个SAE网络结构的示例。
图2是基于SAE的一个文字识别***的SAE网络结构的示例,包括输入层、输出层在内总共有3层;中间层是隐层,用于提取输入数据的特征,最后一层为输出层,根据提取的特征进行分类。
图3是兼容调幅广播的复合调制***原理框图:图3(a)是MPPSK/DSB-AM复合调制发射机***;图3(b)是对图3(a)的仿真***;图3(c)是MPPSK/DSB-AM复合调制接收机***,实现对该模数混合传输信号的抗混叠解调;图3(d)是DL-SAE分类判决器的内部原理框图。
图4是载频为930kHz,MPPSK调制参数为K=2、M=64、rg=0、N=K×M=128,采样频率fs=3.6MHz的MPPSK数字调制信号及复合调制信号的相关波形:图4(a)是模拟音频信号、MPPSK数字调制信号及MPPSK/DSB-AM复合调制信号的时域波形;图4(b)是MPPSK数字调制信号的功率谱;图4(c)和图4(d)分别是MPPSK/DSB-AM复合调制信号的时域波形和功率谱;图4(e)是经过带通滤波器成型后的MPPSK/DSB-AM复合调制信号发射功率谱;图4(f)是AWGN信道信噪比为SNR=8.6dB时,接收到的复合调制信号的功率谱及其放大图;frequency表示频率。
图5是MPPSK/EBPSK调制器的全数字实现方式的原理框图。
图6是对从MPPSK/DSB-AM复合调制信号中分离出的MPPSK调制信号,DL-SAE分类判决解调器(采用1万个训练数据和1万个测试数据的)、传统匹配滤波判决解调器和幅度积分判决解调器的解调误码率对比。
图7是当训练样本数分别为1万、2万和3万个点时,DL-SAE分类判决解调器对从MPPSK/DSB-AM复合调制信号中分离出的MPPSK调制信号的解调误码率对比。
图8是对从MPPSK/DSB-AM复合调制信号中分离出的MPPSK调制信号,DL-SAE分类判决解调器(采用2万个训练数据和2万个测试数据的)、传统匹配滤波判决解调器和幅度积分判决解调器的解调误码率对比。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一、本案的模数混合调幅广播***说明
本案的模数混合调幅广播***的调制解调框图如图3所示,包括调制器和解调器两个部分,其中解调器同时涉及了DL-SAE分类判决器;下面就各个部分加以具体说明。
(一)兼容调幅广播的复合调制***的调制器
兼容调幅广播的复合调制***采用MPPSK调制信号作为数字载波来承载AM广播信号的DSB-AM复合调制,得到MPPSK/DSB-AAM复合调制信号表达式如下:
Y(t)=A(1+kaa(t))sk(t) (6)
其中:A是MPPSK调制信号的幅度,a(t)是模拟音频信号,ka是音频调幅系数(既用于防止过调幅,也可控制模拟音频信号与数字信号之间的功率分配),sk(t)是作为复合调制载波(取代现行的纯正弦载波)的MPPSK调制信号,其表达如式(1)。根据式(6)得到如图3(a)所示的MPPSK/DSB-AM复合调制器原理框图。
MPPSK/DSB-AM复合调制器,在结构上由音频信号的DSB-AM调制和数字码流的MPPSK调制构成,其中音频信号带宽限制在4.5kHz内,而***设计时要求MPPSK调制信号的符号速率至少要高于4.5kBd。因此,为了进一步压低复合调制后MPPSK调制信号对音频信号的干扰,在接受音频信号调制前还需对MPPSK调制信号载波两侧音频带宽内的功率谱开槽;而完成MPPSK/DSB-AM复合调制后,还需进行带通滤波,以满足无线电管理部门规定的频谱掩模要求,这通常由发射机功放级的调谐回路来实现。
图3(a)和(b)所示MPPSK/DSB-AM复合调制器的音频输入信号、MPPSK已调制信号及MPPSK/DSB-AM复合调制信号的波形如图4(a)所示,MPPSK已调制信号及音频信号的功率谱分别如图4(b)和图4(c)所示,MPPSK/DSB-AM复合调制信号的功率谱如图4(d)所示,经发端带通成型滤波后的复合调制信号功率谱如图4(e)所示。考虑到实测时频谱仪分辨率的限制,图4(b)、图4(d)及图4(e)所示是将分辨率调至与频谱仪分辨率相一致的1~5Hz时的功率谱图。而在本案所述环境下的理论功率谱边带,将比图4中所显示的更低。图4(b)所示的数字调制信号的PSD边带在模拟主信号的9kHz(以载频为中心±4.5kHz)带宽内低于载波50dB,故可实现模拟音频和数字信号的同播。
(二)兼容调幅广播的复合调制***的解调器
本案所提出的MPPSK/DSB-AM复合调制接收机也完全向下兼容现行的商品AM收音机,整个接收机(即收音机)***的原理框图如图3(c)所示。具体工作过程如下:
(1)收音机的天线调谐回路从fr=531kHz~1602kHz的中波调幅频段中选择出所收听广播频道的MPPSK/DSB-AM复合调制信号(功率谱如图4(f)所示),经前置放大器放大后,与来自本地振荡器的本振信号混频(相乘并带通滤波),得到频率为fI=465kHz的中频MPPSK/DSB-AM信号,经过中频放大后分为两路输出。一路送给包络检波器,即可解调出模拟音频信号送至耳机或扬声器发声,这完全是直接沿用现有收音机的功能,解调恢复的声音质量也与采用纯正弦载波信号调制时相当,体现了向下兼容现有模拟AM广播体制的可行性。
(2)经过放大后的另一路中频MPPSK/DSB-AM复合调制信号用于解调MPPSK数字调制信息,这部分功能是将来的数字AM广播接收机必须添加的。对于这一路中频复合调制信号,首先利用相干解调技术将其变换到基带,相干解调器的核心器件是一个中频模拟乘法器,实现相乘的两个输入信号:一个就是MPPSK/DSB-AM中频信号,另一个则是从MPPSK/DSB-AM中频信号中提取出的、尽可能纯净且与MPPSK/DSB-AM中频信号同频同相的相干载波。两路信号在乘法器中相乘并滤除2倍频分量,即实现了对MPPSK/DSB-AM复合调制信号的相干解调,即将其由中频转换到基带。
(3)相干解调器(在此为乘法器)的输出为MPPSK数字调制信号与模拟音频信号的混合(叠加),二者在时间波形上完全混叠,在频谱上则由于音频信号频谱不超过4.5kHz,而前述“兼容调幅广播的复合调制***的调制器”设计中要求MPPSK调制信号的符号速率至少要超过4.5kBd,这保证了MPPSK基带信号的基波频率高于4.5kHz,这样就可以利用相应的滤波器分离模拟音频信号与数字基带信号,具体说就是利用低通滤波器将音频信号直接取出(目前为了向下兼容现有的AM收音机可不用,而将来的数字广播收音机则可基于此而省去用于图3(c)中用于实现非相干解调的包络检波器),同时利用高通(或带通)滤波器过滤出MPPSK调制信号(或MPPSK调制信号的主要频率成分)。
(4)把分离出的基带MPPSK调制信号送入DL-SAE分类判决器,从中解调出原始的调制数据码流。
(三)DL-SAE分类判决器
本案是要在较强码间干扰情况下,将M进制码元的整体波形特征上恶化了的差异,提供给SAE进一步学习、训练和分辨。因此,将SAE判决检测方法应用于MPPSK/DSB-AM复合***中MPPSK调制信号的解调,是本发明的关键技术内容。
但是,本案并不专门研究SAE本身,而是针对已成功用于图像识别及手写***分类等领域的SAE网络结构进行适当修改,使之适用于训练复合调制***中MPPSK调制信号的采样序列,提出基于DL-SAE的MPPSK调制信号抗码间干扰解调器,原理框图如图3(d)所示。这里将SAE训练为分类器,对接收到的整个码元进行识别。从来自不同信噪比和码间干扰环境下的“大数据”通信样本中进行深度学习,提取和记忆带***间干扰的调制信号滤波响应的波形特征和内在关联。SAE对于每一个输入码元输出一个标志其类别的数字,如用0表示“0”码元,用1表示“1”码元,直至用M表示“M码元”,再用此数字去控制输出相应的本地标准码元波形,即可完成训练。训练成功后,就可用已经深度学习好的网络对新输入的信号采样序列进行分类判决,解调出MPPSK数据码元。
可见,本发明所提出的DL-SAE解调器原理上可用于解调各种数字调制信号。
二、基于本案思想的一个具体实施例
(一)MPPSK调制参数的选择
根据本说明书背景技术中有关“MPPSK传输体制”的内容所述,在选择MPPSK调制参数时应该尽量满足式(2),即取rg=0和N=M×K,这样可完全消除MPPSK已调信号功率谱中的离散线谱,对于同一频道的模拟音频信号和邻近频道的其它广播电台信号的干扰,可以更低。
考虑到我国中波调幅频段的发射载频规定为531kHz~1602kHz,因此为说明问题,本实施例取其频段中段的北京台fc=930kHz,并取K=2、M=64、N=128,此时MPPSK调制的符号率为fc/N=930/128=7.265625kBd,前述须超过音频信号最高频率4.5kHz的要求得到满足,而传输码率则高达RbMPPSK=(fc log2 M)/N=43.59375kbps。因此,即使将来在实际应用中拿出一半码率进行信道编码,以进一步保证***的可靠性,我们仍可得到约21.8kbps的净码率用于传输数据,或进行16kbps码率的调频音质数字声音广播。
(二)MPPSK调制器的实现
为了调整方便,本实施例对于MPPSK调制器采用如图5所示的全数字方式实现:利用具有M种取值的MPPSK码元序列控制多路选择器,从M组MPPSK调制波形数字样本中选出与当前码元相对应的,送数模转换器(DAC)直接转换成载频为fc的模拟MPPSK已调信号输出即可。
(三)音频信号的DSB-AM调制
由于所述MPPSK已调信号是类似于正弦波的恒包络信号,因此,仿真时对于模拟音频信号MPPSK/DSB-AM复合调制的实现,只需在音频信号中加入直流分量后与MPPSK已调信号相乘并保留全部频率分量即可,如图3(b)所示。加入直流分量是为了仿真时避免音频信号的过调幅,且加入的直流分量越大,MPPSK/DSB-AM已调信号中的载波分量越强,而该直流分量在实际的调幅广播发射机中就是其调制级的直流偏置电平,而调幅指数可以通过改变式(6)中的调幅因子ka来调节。本实施例中控制音频信号的绝对峰值为所加直流分量幅度的90%,即式(6)中ka=0.9。乘法器输出的复合调制信号经广播发射机功率放大器放大和滤波后,即可送至发射塔(天线)上对外发射,如图3(b)所示(而仿真中只要输出MPPSK/DSB-AM已调信号的数字采样值即可)。
(三)MPPSK解调器的实现
整个接收机(即收音机)***的原理框图如图3(c)所示,包括相并联的模拟音频信号解调器和数字信号解调器。在模拟音频信号解调器中:接收到的MPPSK/DSB-AM复合调制信号首先与本振信号相乘;然后利用低通滤波器或带通滤波器滤出频率为Fmin~Fmax的模拟音频信号,实现音频信号的相干解调;接着利用带通滤波器滤出频率为Fmax~fI/4的信号分量,即分离出MPPSK数字调制基带信号。在数字信号解调器中,利用DL-SAE神经网络对MPPSK数字调制基带信号进行抗混叠解调。
DL-SAE分类判决器的原理框图如图3(d)所示,为了利用SAE对新输入的MPPSK调制信号样本序列进行分类识别,首先要对其内部神经元相互连接的权值系数进行训练,也就是要让SAE学习并记忆所要分类的对象或模式。SAE网络的训练为无监督训练模型,实现输出等于输入,即以输入作为标签类比于有监督训练模型进行训练,本实施例直接对DL-SAE进行Matlab训练和仿真。
(1)DL-SAE解调器设计的一般原则
由于DL-SAE解调器实际工作时的输入信号是含有信道噪声的,因而在训练时也需要人为添加一定的噪声或扰动,一是为了符合将来解调器的实际工作情况,二是它会直接影响SAE解调器最终的泛化能力。本案中,训练噪声的大小依据码间干扰的强度而定,但目前尚无理论可循,本实施例只能依据大量的仿真得到一些经验准则和具体做法:
①信道环境越恶劣,码间干扰越严重,训练噪声应越小。这一点不难理解,因为对于任何通信***,通常都是接收信号和接收环境越恶劣,接收性能也越差(甚至无法工作),因而此时在SAE训练时也就无需再额外添加更大的噪声;
②可采取多次实验的方法,以得到泛化能力相对最好的网络。
(2)DL-SAE解调器仿真参数的选择
调制仍采用式(1)所定义的改进的MPPSK调制,载频fc=930kHz,并取K=2、M=64、N=K×M=128、rg=0,采样频率3.6MHz。
(3)DL-SAE解调器训练样本数的确定
DL-SAE算法是一类“大数据”算法,其有效性与训练数据量直接相关,理论上说,训练数据量越大,DL-SAE分类的正确率越高。但庞大的数据量必然会降低计算效率。本案对比了1万个训练数据、1万个测试数据和2万个训练数据、2万个测试数据的解调误码率,综合考虑计算效率等因素,采用2万个训练数据、2万个测试数据来进行实验。
(4)选定SAE结构及迭代次数并进行SAE网络训练
①SAE结构主要涉及网络的层数以及每层的单元数,通常网络的隐层越多,每层所含的单元数越多,网络的训练效果越好,但是过多的网络层数和单元数会出现过拟合。经过多次试验认证,针对本实施例的数据,最宜采用的SAE网络为4层结构:512-400-200-64,包括含有512个单元的输入层,400个单元的隐层1,200个单元的隐层2,以及64个单元的输出层,即M=64进制的分类输出。为得到最好的分类效果,经多次试验,取相关的网络参数为:加噪系数为0.1、dropout参数为0.1、权重衰减系数为1×10-4。
②增加迭代次数可提高SAE的学***衡性能与训练代价,本实施例采用了40次迭代对SAE进行训练。
由深度学习的“大数据”特性,针对不同的数据,将有不同的最优DL-SAE模型,故本实施例采用的DL-SAE模型仅用于说明本实施例,并不用于限制本发明。
(5)性能仿真
图6为1万个训练数据和1万个测试数据时DL-SAE分类判决与传统匹配滤波判决及幅度积分判决的MPPSK解调输出的误码率对比。由图6可看出,DL-SAE解调器的性能比传统的匹配滤波判决解调器及幅度积分判决解调器,至少提高了1个数量级。
图7为训练样本数分别为1万、2万和3万个点时,DL-SAE分类判决解调器对从MPPSK/DSB-AM复合调制信号中分离出的MPPSK调制信号的解调误码率对比。由图7可以看出,样本数为2万点和3万点时的误码率要低于1万点时的误码率,但相差不大,且当信噪比接近25dB时,2万个样本和3万个样本的误码率基本相同。可见,当信噪比较高时,增加样本数带来的解调性能提升并不明显,再综合到计算效率等因素,本实施例最终选取2万点进行仿真实验,则最终的解调性能对比示于图8。
由图8可以看出,由于发送端成型滤波导致的强码间干扰,导致了即使在高信噪比下,匹配滤波器判决和幅度积分判决的误码率均达不到10-3量级,再提升信噪比也无法改善;但本申请书所发明的DL-SAE分类判决算法,却可以从大量数据中学习出较好的分类面,对多进制的MPPSK码元波形做出正确分类,将解调误码率降至10-4量级。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种用于模数混合调幅广播***的抗混叠调制解调器,所述模数混合调幅广播***采用以MPPSK调制信号作为数字载波来承载AM广播信号的DSB-AM符合调制,得到的调制信号为MPPSK/DSB-AM复合调制信号;其特征在于:该抗混叠调制解调器包括相并联的模拟音频信号解调器和数字信号解调器;
在模拟音频信号解调器中:接收到的MPPSK/DSB-AM复合调制信号首先与本振信号相乘;然后利用低通滤波器或带通滤波器滤出频率为Fmin~Fm ax的模拟音频信号,实现音频信号的相干解调;接着利用带通滤波器滤出频率为Fmax~fI/4的信号分量,即分离出MPPSK数字调制基带信号;其中:Fmin为模拟音频信号的最低频率,Fmax为模拟音频信号的最高频率,fI为接收机的中频频率;
在数字信号解调器中,利用DL-SAE神经网络对MPPSK数字调制基带信号进行抗混叠解调。
2.根据权利要求1所述的用于模数混合调幅广播***的抗混叠调制解调器,其特征在于:所述接收机的中频频率fI=465kHz,本振信号为本地提取的465kHz中频相干载波。
3.根据权利要求1所述的用于模数混合调幅广播***的抗混叠调制解调器,其特征在于:所述DL-SAE神经网络,首先利用DL方法将SAE神经网络训练为分类器,使得DL-SAE神经网络能够学习和记忆因发送端带宽限制而产生强码间干扰的MPPSK调制信号的波形特征和信道影响,然后直接利用DL-SAE神经网络对MPPSK数字调制基带信号进行分类判决,解调出MPPSK码元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610519041.0A CN106027438B (zh) | 2016-07-04 | 2016-07-04 | 一种用于模数混合调幅广播***的抗混叠调制解调器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610519041.0A CN106027438B (zh) | 2016-07-04 | 2016-07-04 | 一种用于模数混合调幅广播***的抗混叠调制解调器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106027438A true CN106027438A (zh) | 2016-10-12 |
CN106027438B CN106027438B (zh) | 2020-04-07 |
Family
ID=57106669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610519041.0A Active CN106027438B (zh) | 2016-07-04 | 2016-07-04 | 一种用于模数混合调幅广播***的抗混叠调制解调器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106027438B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764077A (zh) * | 2018-05-15 | 2018-11-06 | 重庆邮电大学 | 一种基于卷积神经网络的数字信号调制分类方法 |
CN110086496A (zh) * | 2019-04-24 | 2019-08-02 | 苏州东奇信息科技股份有限公司 | 一种兼容现有对讲机体制的新型数字对讲机*** |
CN110535798A (zh) * | 2019-08-08 | 2019-12-03 | 南京航空航天大学 | 一种基于fpga的lfm_bpsk复合调制信号实时产生方法 |
CN112104400A (zh) * | 2020-04-24 | 2020-12-18 | 广西华南通信股份有限公司 | 基于有监督机器学习的组合式中继选择方法及*** |
CN112104577A (zh) * | 2019-06-17 | 2020-12-18 | 现代自动车株式会社 | 用于基于人工神经网络补偿信道的设备及方法 |
CN112804010A (zh) * | 2019-11-14 | 2021-05-14 | 苏州东奇信息科技股份有限公司 | 一种极***错的二元偏移脉冲键控调制和解调方法 |
CN114844528A (zh) * | 2017-05-03 | 2022-08-02 | 阿西亚Spe有限责任公司 | 用于在线上实施高速波导传输的***和方法 |
CN115913850A (zh) * | 2022-11-18 | 2023-04-04 | 中国电子科技集团公司第十研究所 | 一种基于残差网络的开集调制识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103501211A (zh) * | 2013-10-08 | 2014-01-08 | 苏州东奇信息科技股份有限公司 | 一种兼容中波模拟调幅广播的复合调制*** |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104811276A (zh) * | 2015-05-04 | 2015-07-29 | 东南大学 | 一种超奈奎斯特速率通信的dl-cnn解调器 |
CN104915676A (zh) * | 2015-05-19 | 2015-09-16 | 西安电子科技大学 | 基于深层特征学习和分水岭的sar图像分类 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
-
2016
- 2016-07-04 CN CN201610519041.0A patent/CN106027438B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103501211A (zh) * | 2013-10-08 | 2014-01-08 | 苏州东奇信息科技股份有限公司 | 一种兼容中波模拟调幅广播的复合调制*** |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104811276A (zh) * | 2015-05-04 | 2015-07-29 | 东南大学 | 一种超奈奎斯特速率通信的dl-cnn解调器 |
CN104915676A (zh) * | 2015-05-19 | 2015-09-16 | 西安电子科技大学 | 基于深层特征学习和分水岭的sar图像分类 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
Non-Patent Citations (1)
Title |
---|
靳一,吴乐南,余静,陈艺方: "MPPSK 调制解调器研究", 《信号处理》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844528A (zh) * | 2017-05-03 | 2022-08-02 | 阿西亚Spe有限责任公司 | 用于在线上实施高速波导传输的***和方法 |
CN114844528B (zh) * | 2017-05-03 | 2024-03-29 | 阿西亚Spe有限责任公司 | 用于在线上实施高速波导传输的*** |
CN108764077A (zh) * | 2018-05-15 | 2018-11-06 | 重庆邮电大学 | 一种基于卷积神经网络的数字信号调制分类方法 |
CN108764077B (zh) * | 2018-05-15 | 2021-03-19 | 重庆邮电大学 | 一种基于卷积神经网络的数字信号调制分类方法 |
CN110086496A (zh) * | 2019-04-24 | 2019-08-02 | 苏州东奇信息科技股份有限公司 | 一种兼容现有对讲机体制的新型数字对讲机*** |
CN112104577A (zh) * | 2019-06-17 | 2020-12-18 | 现代自动车株式会社 | 用于基于人工神经网络补偿信道的设备及方法 |
CN110535798A (zh) * | 2019-08-08 | 2019-12-03 | 南京航空航天大学 | 一种基于fpga的lfm_bpsk复合调制信号实时产生方法 |
CN112804010A (zh) * | 2019-11-14 | 2021-05-14 | 苏州东奇信息科技股份有限公司 | 一种极***错的二元偏移脉冲键控调制和解调方法 |
CN112104400A (zh) * | 2020-04-24 | 2020-12-18 | 广西华南通信股份有限公司 | 基于有监督机器学习的组合式中继选择方法及*** |
CN115913850A (zh) * | 2022-11-18 | 2023-04-04 | 中国电子科技集团公司第十研究所 | 一种基于残差网络的开集调制识别方法 |
CN115913850B (zh) * | 2022-11-18 | 2024-04-05 | 中国电子科技集团公司第十研究所 | 一种基于残差网络的开集调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106027438B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106027438A (zh) | 一种用于模数混合调幅广播***的抗混叠调制解调器 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN104811276B (zh) | 一种超奈奎斯特速率通信的dl‑cnn解调器 | |
Ma et al. | Signal demodulation with machine learning methods for physical layer visible light communications: Prototype platform, open dataset, and algorithms | |
CN107547460A (zh) | 基于深度学习的无线通信调制信号识别方法 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN108764077A (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
Le et al. | Modulation identification using neural networks for cognitive radios | |
CN110166391A (zh) | 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 | |
CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
Chen et al. | Automatic modulation classification using multi-scale convolutional neural network | |
CN114615118B (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN108881096A (zh) | 一种基于相位判决的空间调制mqam基站 | |
Zeng et al. | Multi-channel attentive feature fusion for radio frequency fingerprinting | |
Prakasam et al. | Automatic modulation identification of QPSK and GMSK using wavelet transform for adaptive demodulator in SDR | |
Luo et al. | Robustness of deep modulation recognition under awgn and rician fading | |
CN205883257U (zh) | 脉冲调制信号接收*** | |
Ma et al. | Deep learning based cognitive radio modulation parameter estimation | |
Zha et al. | Power of deep learning for amplitude-phase signal modulation recognition | |
Zhang et al. | Heterogeneous deep model fusion for automatic modulation classification | |
Rahman et al. | Ensemble classifier based modulation recognition for beyond 5G massive MIMO (mMIMO) communication |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |