CN115834306A - 干扰条件下多通信信号符号序列直接估计方法 - Google Patents

Abstract

本发明公开了一种干扰条件下多通信信号符号序列直接估计方法，包括基于单通道观测进行并行符号序列估计特征FPSSE提取，得到分别包含各目标信号符号信息的特征序列；基于离线训练后的循环神经网络进行序列标注，得到符号序列估计结果，其中，将特征序列作为对循环神经网络进行离线训练时的输入。本方法采用的是多信号符号序列并行独立估计的思路，而非多信号符号序列联合估计，因而其计算复杂度不再随着目标信号数指数增长。同时，可以适用于各目标信号符号速率相同或不同的场景，实用性显著提升。由于通过FPSSE提取抑制了各目标信号相互间的干扰，其在各目标信号功率差异较为显著的情况下，估计性能较深度卷积网络解调器具有显著优势。

Description

干扰条件下多通信信号符号序列直接估计方法

技术领域

本发明属于数字信号处理技术领域，特别是涉及一种干扰条件下多通信信号符号序列直接估计方法。

背景技术

在当前合作/非合作通信中，出于对成本、体积等方面的考虑而较为广泛地采用单通道接收设备，这也使得复杂电磁环境下常面临的时频混叠数字通信信号问题变得更具有挑战性。为实现基于单通道混叠观测的信号分析及信息提取，必须先从其中分离得到目标信号。盲信号分离(Blind Signal Separation,BSS)技术即旨在仅基于混叠观测分离获取其中包含的感兴趣信号，其中单通道BSS技术更旨在基于单通道观测达成此目的。因此，对单通道BSS技术的研究将对提升现有合作/非合作通信***应对时频混叠数字通信信号的能力具有重要理论及现实意义。

多信号符号序列估计是目标信号为数字通信信号时一类特殊的单通道盲信号分离BSS任务，现有实现多信号符号序列估计的单通道BSS算法主要存在以下问题：一是由于采用多信号符号序列联合估计的方式，使得基于粒子滤波PF、逐幸存路径处理PSP等技术的主流基于模型类算法的计算量随目标信号数、目标信号调制阶数指数增长，尤其是基于粒子滤波PF的算法计算量过高。二是作为一类主流算法的逐幸存路径处理PSP目前只能适用于各目标信号符号速率相等的问题场景，实用性较为受限。三是对于以深度卷积网络解调器DCND为代表的已有数据驱动类算法而言，由于未进行有效预处理，使得其对各目标信号功率水平差异适应能力不强，在对各信号符号序列进行估计时，较容易受到来自其他信号的干扰。

发明内容

本发明的目的是提供一种干扰条件下多通信信号符号序列直接估计方法，来解决现有基于模型并采用联合估计的多信号符号序列估计算法计算复杂度较高且对目标信号参数适应能力不足的问题。

为实现上述目的，本发明提供了一种干扰条件下多通信信号符号序列直接估计方法，包括：

基于单通道观测进行并行符号序列估计特征FPSSE的提取，得到分别包含各目标信号符号信息的特征序列；

基于离线训练后的循环神经网络进行序列标注，得到符号序列估计结果，其中，将所述特征序列作为对循环神经网络进行离线训练时的输入。

可选的，在提取符号序列估计特征前，需要构建单通道混叠观测，具体包括：

假设单个天线同时接收到I个频谱重叠的数字通信信号，则该单通道混叠观测可表示为：

其中，s_i(n-m_i)表示传输时延为m_i个采样间隔的第i个目标信号，a_i为其对应信道增益，v(n)表示AWGN，N为总采样点数；

对于典型幅度/相位调制数字通信信号，s_i(n)进一步被表示为

其中，E为信号功率；

对应于传输的第q_i个符号，Q_i为总符号数；g_i(·)表示综合考虑了发送端脉冲成型及物理传输信道的等效脉冲成型函数，T_s及

分别为采样间隔及符号过采样率；

为残余载频。

可选的，基于单通道观测进行并行符号序列估计特征FPSSE提取包括：

按照(1)构建P个单通道混叠观测，每个混叠观测中包含的I个数字通信信号的调制样式从大小为C的集合ω中进行选取；

对于第p(p∈[1，P])个混叠观测，从中提取I个FPSSE子序列，每一个子序列与其对应信号的已知符号序列可以组成一个训练样本。

可选的，提取FPSSE子序列包括：假设g_i(·)具有FIR结构，且从

持续至

故受s_i(n)的第q_i个符号影响的采样点范围为：

对于第

个符号，

有

当

时，s_i(n)的一阶差分序列被表示为：

假设采样充分

且g_i(·)为对称函数，此时有：

及

则式(14)被近似为：

当

时，d_i(n)则为

综合式(1)(15)及(16)，得x(n)的一阶差分为：

其中，Φ_i表示以下采样点的集合：

可选的，提取FPSSE子序列还包括：对于目标信号s_i(n)，其子序列

从{d(n)|n∈[1，N]}中抽取如下：

按照各信号进行划分后，{d(n)|n∈[1，N]}将被划分为子序列集

其中每个子序列对应一个目标信号。

可选的，提取FPSSE子序列还包括：

对于i∈[1I]，进一步基于

计算下列规范化的幅度及相位序列，分别记为

其中，|·|表示取复数序列的幅值，

表示

的均值，∠(·)表示复数取相位，k_i∈[1，Q_i-2L_i+1]，将

作为与接收信号中的信号s_i(n)对应的FPSSE序列。

可选的，对循环神经网络进行离线训练中，为了对可能存在的不同调制样式的信号进行解调，构建一个循环神经网络集合，所述集合中的各循环神经网络的结构及参数相同，面向不同调制样式的目标信号的符号序列估计进行训练，每个循环神经网络均包括两层BLSTM层及一层全连接分类层。

可选的，所述分类层的输出维度由其所面向信号的调试阶数决定。

本发明的技术效果为：本方法通过将符号序列估计建模为序列标注问题，并基于循环神经网络实现序列标注，构建了可进行多信号符号序列并行估计的单输入-多输出符号序列估计器。与DCND直接以单通道混叠观测为输入不同，本方法首先基于单通道观测进行并行符号序列估计特征提取，主要包括差分运算及特定时刻抽取，以获取分别包含各目标信号符号信息的特征序列。在对基于RNN的符号序列估计器的离线训练，均是以该特征序列为对各目标信号符号序列进行估计的网络输入。与现有基于模型的多信号符号序列估计算法不同，本方法采用的是多信号符号序列并行独立估计的思路，而非多信号符号序列联合估计，因而其计算复杂度不再随着目标信号数指数增长。同时，其突破了PSP算法对目标信号符号速率关系的限制，可以适用于各目标信号符号速率相同或不同的场景，实用性显著提升。由于通过FPSSE提取抑制了各目标信号相互间的干扰，其在各目标信号功率差异较为显著的情况下，估计性能较DCND具有显著优势。仿真实验结果表明，通过本方法所提符号序列估计器具有在不同信号功率比下同时精确估计多个目标信号符号序列的能力，且对功率水平差异较大的不同目标信号具有很好的适应能力。在泛化能力测试中，本方法所提数据驱动方法在训练时未见的测试条件下仍展现了良好的估计性能。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本发明实施例提供的干扰条件下多通信信号符号序列直接估计方法的流程示意图；

图2是本发明实施例提供的基于RNN的多信号符号序列估计器；

图3是本发明实施例提供的两目标信号在不同SINR下的并行符号序列估计BER图；

图4是本发明实施例提供的不同SIMO符号序列估计算法BER比较图。

图5是本发明实施例提供的提符号序列估计器泛化性能测试图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，本实施例中提供一种干扰条件下多通信信号符号序列直接估计方法，包括以下步骤：

S1、基于单通道观测进行并行符号序列估计特征FPSSE提取，得到分别包含各目标信号符号信息的特征序列；

S2、基于离线训练后的循环神经网络进行序列标注，得到符号序列估计结果，其中，将所述特征序列作为对循环神经网络进行离线训练时的输入。

本实施例中的循环神经网络采用双向RNN即BRNN结构与LSTM结构进行整合，成为BLSTM结构，各隐含层中包括成对的前向及后向LSTM节点，相邻层间由tanh激活函数连接。下列式描述了在每一时刻隐含层中的前向LSTM节点进行的运算：

s_t＝g_t⊙i_t+s_t-1⊙f_t (9)

其中，

与

分别表示各前向节点在t-1与t时刻的输出；g_t，i_t，f_t，o_t分别为t时刻输入节点，输入门，遗忘门及输出门对应的激活函数值；s_t-1与s_t分别为t-1及t时刻的记忆元胞状态；W^gx，W^ix，W^fx，W^ox分别为输入与各对应单元间的传统权重矩阵；W^gh，W^ih，W^fh，W^oh分别为前向隐含层节点与自身在相邻时刻间的“循环”权重矩阵；b_g，b_i，b_f，b_o为各单元偏置矢量；φ(·)与⊙分别表示tanh函数与点乘运算。在此，矢量表示的是整个隐含层中的所有前向节点对应部分的取值。例如，s即由整个隐含层中所有前向节点记忆元胞的状态值组成。

而对于BLSTM的后向隐含层节点而言，除了循环连接的方向反转之外，其余的计算是类似的。具体而言，要计算各后向节点在t时刻的输出，需要基于t时刻的输入及后向节点在t+1时刻的元胞状态。同一对BLSTM隐含层共享输入，二者输出则在整合后送入下一网络层。

采用时间反向传播技术BPTT或其变种形式，即截断时间反向传播技术TBPTT。与标准反向传播技术不同的是，在基于BPTT进行训练时，是假设单个RNN层在时间上展开，将其视为在不同时间步之间共享参数的多层网络，并同时考虑了梯度在相邻网络层间的纵向传播及在相邻时间步上的横向传播，在两个方向上对网络参数进行优化。而在TBPTT中，为了提高对较长序列的处理效率，对反向传播的时间步数进行了一定的限制。通过包含足够迭代次数的训练，当在训练集上的损失函数值低于某一门限或序列标注的错误率低于某一水平，则可视为网络训练完成。在序列标注的在线测试中，直接将输入序列送入已训练网络，网络输出即为当前测试样本的序列标注结果。

进一步优化方案，在提取符号序列估计特征前，需要构建单通道混叠观测：

假设单个天线同时接收到I个频谱重叠的数字通信信号，则该单通道混叠观测可表示为：

其中，s_i(n-m_i)表示传输时延为m_i个采样间隔的第i个目标信号，a_i为其对应信道增益，v(n)表示AWGN，N为总采样点数；

对于典型幅度/相位调制数字通信信号，s_i(n)进一步被表示为

其中，E为信号功率；

对应于传输的第q_i个符号，Q_i为总符号数；g_i(·)表示综合考虑了发送端脉冲成型及物理传输信道的等效脉冲成型函数，T_s及

分别为采样间隔及符号过采样率；

为残余载频。

进一步优化方案，基于单通道观测进行并行符号序列估计特征FPSSE提取包括：为了构建训练样本集，按照(1)构建P个单通道混叠观测，每个混叠观测中包含的I个数字通信信号的调制样式从大小为C的集合ω中进行选取；对于第p(p∈[1，P])个混叠观测，从中提取I个FPSSE子序列，每一个子序列与其对应信号的已知符号序列可以组成一个训练样本。例如，基于第p个混叠观测中的第i个目标信号构建的训练样本可以表示为：

其中

由信号i的第[L_i，Q_i-L_i]个编码后符号组成。在经过初始生成提取后，S中的全部PI个训练样本被按照其对应的信号调制样式划分为C个子集。因此，最终总共有C个训练样本子集{S_d|d∈[1，C]}被生成，每个训练样本子集专门用于某一种调制样式信号的RNN训练。

图2展示了本方法所提基于RNN的SIMO多信号符号序列估计器。这里的单输入指的是仅基于单通道混叠观测，多输出指的是输出多信号符号序列估计结果。符号序列估计器在在线测试前首先经过离线训练。在离线训练中，C个RNN分别在{S_d|d∈[1，C]}上被训练完成序列标注任务。在在线测试中，首先从待测试的混叠观测中提取出I个FPSSE子序列，然后将其分别送入对应调制样式的已训练RNN中，则最终多个RNN的输出即分别为估计得到的I个信号的符号序列。

进一步优化方案，传统符号序列估计器(例如相干解调器)一般是直接基于对下变频后的接收信号的同步抽取结果进行判决完成符号估计，而在接收信号中同时包含多个通信信号的情况下，由于各信号间的相互干扰，其错误率将极大升高。因此对于混叠多信号符号序列进行估计时，需要设计新的特征提取方式，重点是避免各信号在符号序列估计过程中的相互干扰，随后即可考虑以序列标注的形式分别完成多信号符号序列估计。在式(2)中，g_i(·)具有FIR结构，且从

持续至

故受s_i(n)的第q_i个符号影响的采样点范围为：

对于第

个符号，

有：

当

时，s_i(n)的一阶差分序列被表示为：

假设采样充分

且g_i(·)为对称函数，此时有：

及

则式(14)可被近似为：

当

时，d_i(n)则为

式(15)及(16)表明：

1)

中隐含着关于

及

的信息。总体上可以说{s_i(n)|i∈[1，I]}的符号信息包含在其位于

点处的一阶差分序列中。

2){s_i(n)|i∈1，I]}的一阶差分序列在本质上是稀疏的，即只在少部分点处会有较为显著的取值。而这些显著取值点的位置是由各目标信号的符号过采样率决定的。

点处正好为目标信号s_i(n)的符号切换时刻，因而影响其相邻两采样点取值的符号子序列将不同，故进行差分运算时，差分值将包含前后符号的信息(如式(15)所示)，且幅度将较大。而在目标信号s_i(n)的非符号切换时刻，影响其相邻采样点取值的符号子序列保持不变，故差分值将较小(如式(16)所示，此时的差分值基本仅由g_i(·)在相邻采样点间的取值变化决定，在采样充分的条件下，其变化是较为微弱的)。

综合式(1)(15)及(16)，得x(n)的一阶差分为：

其中，Φ_i表示以下采样点的集合：

由式(17)可知，信号s_i(n)的符号信息被包含在

中，同时其中来自其他目标信号的干扰被有效地抑制了。因为

与

均相关，故

实际上是结构化的。因此，这要求在基于

中的元素对信号s_i(n)的符号进行推断时，将输入序列中的上下文信息均考虑在内。在此，考虑使用具有BLSTM结构的RNN来完成这一标注任务。

进一步优化方案，由于实际中各目标信号符号过采样率可能不同，且各信号的传输时延随机，可以假设

在这样的正交性下，接收信号的差分序列实际上可以被分解为多个与各目标信号对应的差分子序列。因此，提取FPSSE子序列还包括：对于目标信号s_i(n)，其子序列

从{d(n)|n∈[1，N]}中抽取如下：

注意到由于

且有式(16)，其他信号对于

的影响将得到有效的抑制。

按照各信号进行划分后，{d(n)|n∈[1，N]}将被划分为子序列集

其中每个子序列对应一个目标信号。

进一步优化方案，在理想情况下，希望一个符号序列估计器的输入仅仅与传输符号有关。这是为了避免其他与符号无关的信号及信道参数对符号估计结果的影响。而从式(17)可以看到，除了传输符号，

的幅度及相位仍分别受

及

的影响。因此，提取FPSSE子序列还包括：对于i∈[1I]，进一步基于

计算下列规范化的幅度及相位序列，分别记为

其中，|·|表示取复数序列的幅值，

表示

的均值，∠(·)表示复数取相位，k_i∈[1，Q_i-2L_i+1]，将

作为与接收信号中的信号s_i(n)对应的FPSSE序列。

进一步优化方案，对循环神经网络进行离线训练中，为了对可能存在的不同调制样式的信号进行解调，构建一个循环神经网络集合，所述集合中的各循环神经网络的结构及参数相同，面向不同调制样式的目标信号的符号序列估计进行训练，每个循环神经网络均包括两层BLSTM层及一层全连接分类层。分类层的激活函数为softmax。

进一步优化方案，所述分类层的输出维度由其所面向信号的调试阶数决定。

性能及测试条件指标

将采用本方法获得的基于RNN的SIMO多信号符号序列估计器在不同条件下进行了测试，并将其与已有基于单通道观测的多信号符号序列估计算法进行了比较。

其中仿真实验1测试了所提符号序列估计器在不同目标信号功率比下的估计性能，并将本方法中所选RNN结构与其他RNN网络结构进行了比较。仿真实验2在符号序列估计精度及时间复杂度两方面将本方法所提符号序列估计器与现有基于模型及数据驱动的符号序列估计算法进行了比较。考虑到泛化能力对数据驱动类方法的重要性，仿真实验3测试了本方法所提序列估计器在训练时未见条件下的测试性能。

采用各目标信号误比特率(BER)作为指标。与第i个目标信号对应的BER可定义如下：

其中，

为将估计所得符号序列转换为对应比特序列后，与实际比特序列不一致的比特数；B_i为该目标信号比特序列总长度。

由于在对某一目标信号符号序列进行估计时，误比特主要源自于混叠的其他目标信号及环境噪声的扰动，因而在本方法仿真实验中重点考察了所提符号序列估计器在不同扰动强度下的性能，并以信干噪比SINR作为混叠观测中扰动强度的衡量指标。需要说明的是，目标信号与干扰信号是相对的概念，在对某一目标信号进行符号序列估计时，其余所有目标信号均被视为对当前信号的干扰，反之亦然。因此，对于目标信号i(i∈[1，I])，其在混叠观测中的SINR被定义为：

仿真实验

符号序列估计器的基本训练参数及设置如下：RNN基于PyTorch0.4.0平台实现，训练/验证及测试数据基于MatlabR2018a在Intel(R)Core(TM)[email protected]处理器上生成。单个RNN的训练/验证/测试分别基于4×105/1×105/4×106个调制符号完成。训练样本生成过程中仿真了不同信道增益，SNR设置为25dB。每一隐含层的前后向节点个数均为128。训练优化器及学习率分别被设置为经典的Adam及0.001。训练批大小为100，训练轮数为200。

仿真实验1本方法所提符号序列估计器在不同目标信号功率比下的性能测试与分析。

在本仿真实验中，考虑两个目标信号，分别为BPSK与2PAM信号。为考察所提符号序列估计器对目标信号符号速率不同场景的适用性，将两目标信号的符号速率分别设置为0.112KB(Baud)与0.1KB。图3展示了本方法所提符号序列估计器在不同功率比下对两目标信号进行并行符号序列估计后的BER。其中，(a)BPSK(b)2PAM。SNR＝25dB。L₁＝L₂＝1。在计算某一信号的的SINR时，是将另一目标信号视为干扰。同时展示的还有传统相干解调器及基于原始RNN构建的符号序列估计器的BER结果(在原始RNN符号序列估计器中BLSTM层被替换为神经元个数相同的原始RNN层。在早期实验中，还构建了基于全连接层的符号序列估计器，即将BLSTM层替换为全连接层。但由于实际中全连接层无法处理具有结构的输入，故其估计性能较差，对应结果未进行展示。)。可以看到，在相干解调(即常规的符号序列估计流程)几乎完全失效的情况下，本方法所提符号序列估计器在不同SINR下成功对两目标信号符号序列完成了并行估计。即使在干扰信号显著强于当前目标信号时，本方法所提符号序列估计器仍然完成了对目标信号符号序列的精确估计(例如，在SINR＝-10dB时，两目标信号BER均低于10-2)，而此时传统相干解调器已经基本失效。这主要得益于所进行的FPSSE提取。从式(16)(17)可以看到，在

中来自其他混叠数字通信信号的干扰已经基本上被抑制，可以使得对当前目标信号符号序列的估计较少受到来自其他目标信号的影响。另一方面，由于可以对输入/输出中的长时及双向上下文信息进行利用，可以看到BLSTM网络的结果优于原始RNN网络的结果。这也表明了在本方法所建模的序列标注问题中，对双向上下文信息及长时上下文信息进行利用的必要性。

仿真实验2：本方法所提符号序列估计器与现有符号序列估计算法性能对比分析。

在本仿真实验中，将本方法所提SIMO多信号符号序列估计器与现有的基于模型及数据驱动的SIMO符号序列估计算法进行了比较。受PSP算法适用范围的限制，为进行公平比较，在此考虑两个具有相同符号速率的混叠BPSK信号。两信号间的相对时延值为0.1倍符号持续时间。对于PSP算法，将其LMS迭代的步长设为0.005。对于DCND，其两层卷积层包含的卷积核个数分别设为128，64。图4展示了不同符号序列估计算法的测试BER(两目标信号结果分别展示)。其中(a)BPSK#1，(b)BPSK#2。可以看到，本方法所提符号序列估计器相较现有基于模型及数据驱动的符号序列估计器而言BER显著下降，尤其是在两目标信号的功率具有显著差异时。这主要是因为，现有符号序列估计算法的输入对不同目标信号而言是不加以区分的(在PSP中是基于对混叠观测的符号速率抽取结果进行联合解调，而在DCND中是直接基于混叠观测)，即是基于同样的输入对不同目标信号进行符号序列估计，这使得不同目标信号之间的干扰不可避免地存在。与之不同的是，在本方法所提符号序列估计器中，是对不同目标信号分别抽取各自的FPSSE子序列，且FPSSE子序列的稀疏性决定了各目标信号在抽取后的相互干扰很弱，因而可以很好地适应目标信号功率差异较为显著的场景。同时，上述结果还验证了本方法所提符号序列估计器对目标信号符号速率相同时的场景亦具有良好的适应性，因而在此方面较之PSP而言是更为具有实用性的算法。另一方面，表1列出了本方法所提符号序列估计器及现有符号序列估计算法中的可训练参数数目及平均所需运行时间(可训练参数数目仅针对数据驱动类方法而言)。可以看到，在本仿真实验的测试条件下，本方法所提估计器与PSP算法时间复杂度相近。但需要注意的是，当前仿真实验是在目标信号数仅为2，且目标信号调制阶数均为2的条件下进行的测试。本方法所提估计器采用的是并行估计的方式，即同步且独立地对多个目标信号进行符号序列估计，且其计算复杂度不会随目标信号调制阶数指数增长。与之不同的是，若目标信号数增多或目标信号调制阶数升高，PSP算法的时间复杂度将随之指数增长，可以预见其平均运行用时将显著增加。

表1不同SIMO符号序列估计算法可训练参数数目及平均估计时间(每1000个符号)

仿真实验3：本方法所提符号序列估计器泛化能力测试与分析。

对于数据驱动类方法而言，泛化能力始终是较为重要的问题。因为一般而言，其训练过程无法将所有可能的数据进行遍历，因而是否具备应对训练时未见数据的能力，是决定数据驱动类方法是否具有实用性的关键之一。在本仿真实验中，即对本方法所提符号序列估计器在泛化条件下的性能进行了测试。在此，泛化条件下的测试主要指生成该测试数据时采用的信号/信道参数等未出现在训练数据生成中。在图5中的第一种情况下，测试SNR被从25dB降至15dB。在第二种情况下，两目标信号的相对时延被设置为在(0.1-0.9)倍符号持续时间之间随机生成，然后经过多次测试计算平均BER。可以看到，虽然本方法所提符号序列估计器仅在一定的条件下进行了离线训练，但其仍可以很好地应对训练时未见的泛化测试条件。即使SNR降低幅度达10dB，其导致的BER增长仍在可接受范围内。同时应当指出的是，若在训练时即考虑不同的SNR，则本方法所提符号序列估计器在较低测试SNR下的性能将可以预见地提升。这仅需通过在更广范围的SNR下生成训练数据即可实现。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种干扰条件下多通信信号符号序列直接估计方法，其特征在于，包括：

基于单通道观测进行并行符号序列估计特征FPSSE的提取，得到分别包含各目标信号符号信息的特征序列；

基于离线训练后的循环神经网络进行序列标注，得到符号序列估计结果，其中，将所述特征序列作为对循环神经网络进行离线训练时的输入。

2.根据权利要求1所述的方法，其特征在于，在提取符号序列估计特征前，需要构建单通道混叠观测，具体包括：

假设单个天线同时接收到I个频谱重叠的数字通信信号，则该单通道混叠观测可表示为：

其中，s_i(n-m_i)表示传输时延为m_i个采样间隔的第i个目标信号，a_i为其对应信道增益，v(n)表示AWGN，N为总采样点数；

对于典型幅度/相位调制数字通信信号，s_i(n)进一步被表示为

其中，E_i为信号功率；

对应于传输的第q_i个符号，Q_i为总符号数；g_i(·)表示综合考虑了发送端脉冲成型及物理传输信道的等效脉冲成型函数，T_s及

分别为采样间隔及符号过采样率；

为残余载频。

3.根据权利要求2所述的方法，其特征在于，基于单通道观测进行并行符号序列估计特征FPSSE提取包括：

按照(1)构建P个单通道混叠观测，每个混叠观测中包含的I个数字通信信号的调制样式从大小为C的集合ω中进行选取；

对于第p(p∈[1，P])个混叠观测，从中提取I个FPSSE子序列，每一个子序列与其对应信号的已知符号序列可以组成一个训练样本。

4.根据权利要求3所述的方法，其特征在于，提取FPSSE子序列包括：假设g_i(·)具有有限长单位冲激响应FIR结构，且从

持续至

故受s_i(n)的第q_i个符号影响的采样点范围为：

对于第

个符号，

有

当

时，s_i(n)的一阶差分序列被表示为:

假设采样充分

且g_i(·)为对称函数，此时有：

及

则式(14)被近似为：

当

时，d_i(n)则为

综合式(1)(15)及(16)，得x(n)的一阶差分为：

其中，Φ_i表示以下采样点的集合：

5.根据权利要求4所述的方法，其特征在于，提取FPSSE子序列还包括：对于目标信号s_i(n)，其子序列

从{d(n)|n∈[1，N]}中抽取如下：

按照各信号进行划分后，{d(n)|n∈[1，N]}将被划分为子序列集

其中每个子序列对应一个目标信号。

6.根据权利要求5所述的方法，其特征在于，提取FPSSE子序列还包括：

对于i∈[1，I]，进一步基于

计算下列规范化的幅度及相位序列，分别记为

其中，|·|表示取复数序列的幅值，

表示

的均值，∠(·)表示复数取相位，k_i∈[1，Q_i-2L_i+1]，将

作为与接收信号中的信号s_i(n)对应的FPSSE序列。

7.根据权利要求1所述的方法，其特征在于，对循环神经网络进行离线训练中，为了对可能存在的不同调制样式的信号进行解调，构建一个循环神经网络集合，所述集合中的各循环神经网络的结构及参数相同，面向不同调制样式的目标信号的符号序列估计进行训练，每个循环神经网络均包括两层BLSTM层及一层全连接分类层。

8.根据权利要求7所述的方法，其特征在于，所述分类层的输出维度由其所面向信号的调试阶数决定。

Images