JPH048019A - Demodulator - Google Patents

Abstract

PURPOSE:To equalize not only linear distortion but also nonlinear distortion by using a neural network so that a reception signal is an object value thereby making detection and equalization. CONSTITUTION:A detection circuit 101 detects a reception signal from a transmission line, the detection signal is equalized by an equalizing circuit 102 of neural network type and outputted as a demodulation signal. The equalizing function by the neural network in the equalizing circuit 102 is realized by allowing the neural network to study the relation between training data and a demodulation waveform including distortion.

Description

【発明の詳細な説明】 ［概要］ ニューラルネットワークにより等化を行う機能を備えた
復調装置に関し、 線形歪のみならず非線形歪も等化することができる機能
をニューラルネットワークを用いて実現した復調装置を
提供することを目的とし、受信信号を復調する復調系回
路と、復調系回路の出力信号が目標値になるようにニュ
ーラルネットワークを用いて等化して復調信号を得る等
化回路とを具備してなる。[Detailed Description of the Invention] [Summary] Regarding a demodulator equipped with a function of performing equalization using a neural network, this demodulator uses a neural network to realize a function that can equalize not only linear distortion but also nonlinear distortion. The system is equipped with a demodulation system circuit that demodulates a received signal, and an equalization circuit that obtains a demodulated signal by equalizing the output signal of the demodulation system circuit using a neural network so that it becomes a target value. It becomes.

［産業上の利用分野］ 本発明はニューラルネットワークにより等化を行う機能
を備えた復調装置に関する。[Industrial Application Field] The present invention relates to a demodulator having a function of performing equalization using a neural network.

無線通信または有線通信においては、振幅歪、遅延歪、
位相歪、周波数選択歪などの伝送路歪により生じる復調
信号（受信データ）の誤りを減少させるために等化が行
われる。この等化を行う等什器としては、線形歪だけで
なく、伝送路または復調装置内部において生じる非線形
歪も等化できることが必要とされる。In wireless or wired communication, amplitude distortion, delay distortion,
Equalization is performed to reduce errors in demodulated signals (received data) caused by transmission path distortion such as phase distortion and frequency selection distortion. An equalizer that performs this equalization is required to be able to equalize not only linear distortion but also nonlinear distortion that occurs within the transmission path or demodulator.

［従来の技術］ 従来、−Ｍ的な等什器としては、トランスバーサル形等
化器がある。第１３図にはこのトランスバーサル形等化
器の構成例が示される。このトランスバーサル形等化器
は、入力信号をタップ遅延線６１に逐次にセットし、各
タップ値に係数器６２で係数をかけて加算器６３で合成
するものであり、係数器６２のそれぞれに係数を伝送路
の歪の程度に応じて調整することにより歪を取り除くも
のである。[Prior Art] Conventionally, as a -M equalizer, there is a transversal equalizer. FIG. 13 shows an example of the configuration of this transversal equalizer. This transversal equalizer sequentially sets an input signal to a tap delay line 61, multiplies each tap value by a coefficient in a coefficient unit 62, and synthesizes it in an adder 63. Distortion is removed by adjusting the coefficients according to the degree of distortion in the transmission path.

［発明が解決しようとする課題］ トランスバーサル形等化器などの従来の等什器は、伝送
路で生じる線形歪に対して有効なものであるが、伝送路
または復調装置内部で生じる非線形歪に対しては等化不
可能となるという問題点を有している。例えば、復調器
において、受信データレベルを一定にするためにリミッ
タ増幅器を挿入したり、復調器として遅延検波方式を使
用した場合には、非線形歪が生じてしまい、従来の等什
器では等化不可能となってしまう。[Problems to be Solved by the Invention] Conventional equalizers such as transversal equalizers are effective against linear distortion occurring in the transmission line, but they are effective against nonlinear distortion occurring within the transmission line or demodulator. The problem is that equalization is not possible for For example, if a limiter amplifier is inserted in the demodulator to keep the received data level constant, or if a delay detection method is used as the demodulator, nonlinear distortion will occur, and conventional equalizers will not be able to equalize it. It becomes possible.

本発明はかかる技術的問題点に鑑みてなされたものであ
り、その目的とするところは、線形歪のみならず非線形
歪も等化することができる機能をニューラルネットワー
クを用いて実現した復調装置を提供することにある。The present invention has been made in view of such technical problems, and its purpose is to provide a demodulator that uses a neural network to realize a function that can equalize not only linear distortion but also nonlinear distortion. It is about providing.

［課題を解決するための手段コ 第１図は本発明に係る原理説明図である。[Means to solve the problem] FIG. 1 is a diagram explaining the principle of the present invention.

本発明に係る復調装置は、第１図（イ）に示されるよう
に、一つの形態として、受信信号を検波する検波回路１
０１と、検波回路１．０１の検波信号が目標値となるよ
うにニューラルネットワークを用いて等化して復調信号
を得る等化回路１０２とを具備してなる。As shown in FIG. 1(a), the demodulator according to the present invention includes a detection circuit 1 that detects a received signal.
01, and an equalization circuit 102 that obtains a demodulated signal by equalizing the detected signal of the detection circuit 1.01 using a neural network so that it becomes a target value.

本発明に係る復調装置は、第１図（ロ）に示されるよう
に、他の形態として、受信信号が目標値となるようにニ
ューラルネットワークを用いて検波および等化して復調
信号を得る検波等化回路１０５を具備してなる。As shown in FIG. 1(B), the demodulation device according to the present invention includes, as another form, a detection method that obtains a demodulated signal by detecting and equalizing the received signal using a neural network so that the received signal has a target value. It is equipped with a conversion circuit 105.

本発明に係る復調装置は、また他の形態として、上述の
検波回路１０１または検波等化回路１０５の前段に、受
信信号を増幅する増幅回路１０３または１０６を具備し
てなる。In another embodiment, the demodulation device according to the present invention includes an amplifier circuit 103 or 106 for amplifying a received signal before the detection circuit 101 or the detection equalization circuit 105 described above.

また本発明に係る復調装置は、更に他の形態として、上
述の増幅回路１０３または１０６の前段に、受信信号を
周波数変換する周波数変換回路１０４または１０７を具
備してなる。Furthermore, the demodulation device according to the present invention includes, as a further embodiment, a frequency conversion circuit 104 or 107 that converts the frequency of a received signal before the amplification circuit 103 or 106 described above.

上記増幅回路１０３または１０６は線形増幅器、非線形
増幅器、あるいは自動利得制御形増幅器とすることがで
きる。The amplifier circuit 103 or 106 can be a linear amplifier, a nonlinear amplifier, or an automatic gain control type amplifier.

また上記検波回路１０１は同期検波回路、遅延検波回路
、あるいは周波数検波回路とすることができる。Further, the detection circuit 101 can be a synchronous detection circuit, a delay detection circuit, or a frequency detection circuit.

また上記等化回路１０２または検波等化回路１０５は、
入力データを逐次記憶する第１の記憶回路と、教師デー
タを記憶する第２の記憶回路と、ニューラルネットワー
クとを備え、第１の記憶回路に蓄積されたトレーニング
データをニューラルネットワークに提示して教師データ
に基づきニューラルネットワークを学習させるように構
成することができる。Further, the equalization circuit 102 or the detection equalization circuit 105 is
It includes a first memory circuit that sequentially stores input data, a second memory circuit that stores teacher data, and a neural network, and presents the training data accumulated in the first memory circuit to the neural network to provide a teacher. The neural network can be configured to learn based on data.

更にまた、上記等化回路１０２または検波等化回路１０
５は、入力データを逐次記憶する第１の記憶回路と、種
々の通信環境の特性を予め想定してそれぞれの通信環境
に対応して予め求められたニューラルネットワークのパ
ラメータを記憶する第２の記憶回路と、ニューラルネッ
トワークと、入力信号から通信環境の特性を検出する特
・ｌ検出回路とを具備し、特性検出回路により検出され
た通信環境の特性に応じて、第２の記憶回路から読み出
したニューラルネットワークのパラメータを該ニューラ
ルネットワークにセットするように構成することができ
る。Furthermore, the equalization circuit 102 or the detection equalization circuit 10
5 is a first memory circuit that sequentially stores input data; and a second memory that stores neural network parameters that are predetermined based on the characteristics of various communication environments and are determined in advance for each communication environment. a circuit, a neural network, and a characteristic detection circuit for detecting characteristics of a communication environment from an input signal, and reads data from a second storage circuit according to characteristics of the communication environment detected by the characteristic detection circuit. Parameters of the neural network can be configured to be set in the neural network.

［作用］ 伝送路からの受信信号を検出回路１０１で検波し、その
検波信号をニューラルネットワーク形の等化回路１０２
で等化して復調信号として出力する。等化回路１０２で
は、トレーニングデータと歪を含んだ復調波形との関係
をニューラルネットワークに学習させることにより、ニ
ューラルネットワークによる等化機能を実現している。[Operation] The detection circuit 101 detects the received signal from the transmission path, and the detected signal is sent to the neural network type equalization circuit 102.
Equalize the signal and output it as a demodulated signal. The equalization circuit 102 realizes an equalization function by the neural network by having the neural network learn the relationship between the training data and the demodulated waveform containing distortion.

また、伝送路からの受信信号を直接にニューラルネット
ワーク形の検波等化回路１０５に入力させる構成とし、
この検波等化回路１０５のニューラルネットワークに、
トレーニングデータと歪を含んだ被変調波との関係を学
習させることによって、検波と等化の機能をニューラル
ネットワークで同時的に実現することもできる。Further, the received signal from the transmission path is directly input to the neural network type detection equalization circuit 105,
In the neural network of this detection equalization circuit 105,
By learning the relationship between training data and a distorted modulated wave, a neural network can simultaneously perform detection and equalization functions.

ニューラルネットワークのパラメータの設定の仕方とし
ては、例えば２通りある。一つは、受信データ中に既知
のトレーニングデータを含ませ、データ受信の都度、こ
のトレーニングデータをニューラルネットワークに提示
することにより学習を行い、パラメータを決めるもので
ある。There are, for example, two ways to set the parameters of the neural network. One is to include known training data in received data and present this training data to a neural network each time data is received to perform learning and determine parameters.

他の一つは、予め種々の伝送路の特性を想定して、それ
ぞれ−の伝送路特性に応じてニューラルネットワークを
予め学習させてパラメータを求め、これを復調側に保持
しておき、復調側では、データを受信すると、その受信
データのインパルス応答などから伝送路特性を検出し、
その検出された伝送路特性に対応するパラメータを選択
して、これをニューラルネットワークに設定するもので
ある。この方法ではデータ受信の都度、学習を行う必要
がないので、復調側の処理速度を上げることができる。The other method is to assume various transmission path characteristics in advance, train a neural network in advance according to the respective transmission path characteristics, obtain parameters, and store these on the demodulation side. When data is received, the transmission path characteristics are detected from the impulse response of the received data, and
Parameters corresponding to the detected transmission path characteristics are selected and set in the neural network. With this method, there is no need to perform learning every time data is received, so the processing speed on the demodulation side can be increased.

［実施例］ 以下、図面を参照して本発明の詳細な説明する。なお、
以下の図面において、同じ参照番号が付された回路は同
じ機能を持つ回路であるものする。[Example] Hereinafter, the present invention will be described in detail with reference to the drawings. In addition,
In the following drawings, circuits with the same reference numerals have the same functions.

本発明の一実施例としての復調装置が第２図に示される
。図中、１は伝送路からの受信信号を復調する復調器、
２は復調器１の出力信号を等化して復調信号を出力する
等什器であり、この等什器２はニューラルネットワーク
を利用して構成されている。A demodulator as an embodiment of the present invention is shown in FIG. In the figure, 1 is a demodulator that demodulates the received signal from the transmission path;
Reference numeral 2 denotes an equalizer that equalizes the output signal of the demodulator 1 and outputs a demodulated signal, and this equalizer 2 is configured using a neural network.

このニューラルネットワークを用いた等什器２の構成例
が第３図に示される。第３図において、２０はニューラ
ルネットワーク、２１は入力データを逐次に記憶するシ
フトレジスタである。２２はこのシフトレジスタ２１の
一部の保持データをニューラルネットワーク２０が必要
とするデータ数（この実施例では４タツプ）だけ選択し
てニューラルネットワーク２０に与えるデータセレクタ
である。ニューラルネットワーク２０はデータセレクタ
２２で選択された入力データを逐次に等化して復調信号
として出力する機能を持つ。An example of the configuration of the furniture 2 using this neural network is shown in FIG. In FIG. 3, 20 is a neural network, and 21 is a shift register that sequentially stores input data. Reference numeral 22 denotes a data selector that selects a portion of the data held in the shift register 21 by the number of data (4 taps in this embodiment) required by the neural network 20 and supplies the selected data to the neural network 20. The neural network 20 has a function of sequentially equalizing the input data selected by the data selector 22 and outputting it as a demodulated signal.

２３はニューラネットワーク２０を学習させる際に用い
る既知のパターンの教師データを記憶するパターンＲＯ
Ｍ、２４はニューラルネットワーク２０の学習時にパタ
ーンＲＯＭ２３の教師データをニューラルネットワーク
２０に転送するためのゲート回路、２５は等什器２の全
体動作の制御を行う制御回路である。制御回路２５には
、受信信号のフレーム同期クロックとビット同期クロッ
クが入力されており、これらのクロックに従って動作タ
イミングを決定しつつ制御を行う。23 is a pattern RO that stores training data of known patterns used when learning the neural network 20;
M, 24 is a gate circuit for transferring the training data of the pattern ROM 23 to the neural network 20 during learning of the neural network 20, and 25 is a control circuit for controlling the overall operation of the furniture 2. A frame synchronization clock and a bit synchronization clock of the received signal are input to the control circuit 25, and control is performed while determining the operation timing according to these clocks.

このニューラルネットワーク２０の構成例が第４図に示
される。このニューラルネットワーク２０は階層ネット
ワークと呼ばれる回路を基本モジュールにして構成され
る非線型フィルタであり、この実施例では入力データ数
が４タツプとなっている。この階層ネットワークは、入
力層２０２、中間層２０３、出力層２０４からなる階層
構造を持ち、各層間が完全結合したフィードフォワード
形のネットワークとなっている。このネットワークはユ
ニット（あるいはニューロン）と呼ばれる基本素子を多
数結合することにより構成され、各ユニットは下層のユ
ニットから受けた入力を結合の重みにより重み付は和し
、出力関数によりしきい値処理することによって出力を
決定する。この出力が次の層のユニットの入力となる。An example of the configuration of this neural network 20 is shown in FIG. This neural network 20 is a nonlinear filter constructed using a circuit called a hierarchical network as a basic module, and in this embodiment, the number of input data is four taps. This hierarchical network has a hierarchical structure consisting of an input layer 202, an intermediate layer 203, and an output layer 204, and is a feedforward type network in which each layer is completely connected. This network is constructed by connecting a large number of basic elements called units (or neurons), and each unit weights and sums the input received from lower layer units according to the connection weight, and performs threshold processing using an output function. Determine the output by This output becomes the input for the next layer unit.

しきい値関数としては例えばシグモイド関数と呼ばれる
非線形関数を用いることができる。As the threshold function, for example, a nonlinear function called a sigmoid function can be used.

階層ネットワークは、このユニット間の結合の重みを学
習により適応的に変化させることで１種々の機能を獲得
できる。この階層ネットワークは任意の入出力関数を近
似できることが理論的に証明されている。ある近似関数
を実現する階層ネットワークの構築は、入出力関数の事
例の提示による学習により可能である。このような学習
方法は、入力に対して正しい出力を教えることで学習を
行なわせることで、教師付き学習と呼ばれている。A hierarchical network can acquire various functions by adaptively changing the weights of connections between units through learning. It has been theoretically proven that this hierarchical network can approximate any input/output function. Construction of a hierarchical network that realizes a certain approximation function is possible by learning by presenting examples of input/output functions. This type of learning method is called supervised learning, in which learning is performed by teaching the correct output in response to input.

この階層ネットワークはトランスバーサル形フィルタと
類似しているが、通常用いられるトランスバーサル形フ
ィルタが線形変換しかできないのに対して、階層ネット
ワークでは非線形変換が可能であり、したがって非線形
歪を等化する非線形フィルタとして利用することができ
る。This hierarchical network is similar to a transversal type filter, but whereas the commonly used transversal type filter can only perform linear transformation, a hierarchical network can perform nonlinear transformation, and therefore can use a nonlinear Can be used as a filter.

この実施例装置の動作を以下に説明する。The operation of this embodiment device will be explained below.

この実施例では、復調器ｌで復調された出力信号を更に
等什器２で等化して歪が低減された復調信号を得るもの
であるが、このためには、送信データの一部に挿入され
たトレーニングデータ（復調側で既知のデータフにより
等什器２のニューラルネットワーク２０を教育すること
が必要となる。この教育により、伝送路もしくは復調器
における歪の状態を学習し、この教育結果を用いること
により、等化の効果が得られるものである。In this embodiment, the output signal demodulated by the demodulator 1 is further equalized by the equalizer 2 to obtain a demodulated signal with reduced distortion. It is necessary to train the neural network 20 of the fixture 2 using training data (known data on the demodulation side). Through this training, it is possible to learn the state of distortion in the transmission line or demodulator, and use this training result. Therefore, the effect of equalization can be obtained.

この教育の方法について以下に説明する。ここで受信デ
ータはバースト上のデータであるものとし、第６図の送
信データのフレームフォーマットに示されるように、こ
の受信データ中には、フレームの先頭部分、あるいは中
間部分に、トレーニングデータが挿入されている。ここ
でトレーニングデータはパターンＲＯＭ２３に格納され
ている教師データと同じパターンのデータであり、従っ
て復調側で既知である。他の通信データは通信したいデ
ータの内容であり、復調側で未知である。This educational method will be explained below. Here, it is assumed that the received data is burst data, and as shown in the frame format of the transmitted data in Figure 6, training data is inserted into the received data at the beginning or middle of the frame. has been done. Here, the training data is data of the same pattern as the teacher data stored in the pattern ROM 23, and is therefore known on the demodulation side. The other communication data is the content of the data to be communicated and is unknown to the demodulator side.

復調器１で復調された受信データは次に等什器２に入力
され、等什器２のシフトレジスタ２１に格納される。制
御回路２５は受信データのフレーム同期クロックおよび
ビット同期クロックにより受信データ中のトレーニング
データの位置を検出し、第５図に示されるように、この
トレーニングデータ部分から連続した４つのデータをデ
ータセレクタ２２により逐次に選択し、ニューラルネッ
トワーク２０に与える。The received data demodulated by the demodulator 1 is then input to the fixture 2 and stored in the shift register 21 of the fixture 2. The control circuit 25 detects the position of training data in the received data using the frame synchronization clock and bit synchronization clock of the received data, and as shown in FIG. are sequentially selected and applied to the neural network 20.

ニューラルネットワーク２０には、学習時（トレーニン
グ時）にパターンＲＯＭ２３からゲート回路２４を介し
て教師データ（出力目標とするデータでトレーニングデ
ータと一致するもの）が入力されており、ニューラルネ
ットワーク２０は入力データが、目標値としての教師デ
ータになるように、ニューラルネットワーク２０にその
ネットワークパラメータを学習させていく。この学習は
良好な教育結果が得られるまで、トレーニングデータを
繰り返しニューラルネットワーク２０に提示して行なう
。The neural network 20 receives teacher data (data to be outputted and matches the training data) from the pattern ROM 23 via the gate circuit 24 during learning (training), and the neural network 20 receives the input data. The neural network 20 is made to learn the network parameters so that the values become the teacher data as the target values. This learning is performed by repeatedly presenting training data to the neural network 20 until a good educational result is obtained.

ニューラルネットワーク２０のネットワークパラメータ
の初期値としては、ランダム値を設定する場合、あるい
は、ある一定値を設定する場合が考えられる。後者のあ
る一定値としては、例えば中央タップの係数を重く　（
大きく）、他の部分を軽く　（小さ（）する等の方法が
あり、適切な一定値を予め設定することで、ニューラル
ネットワーク２０の学習時間を短縮することができる。As the initial values of the network parameters of the neural network 20, it is possible to set random values or to set certain constant values. As a certain value of the latter, for example, increase the coefficient of the center tap (
There are methods such as making the other parts lighter (larger) and smaller (smaller) the other parts, and by setting an appropriate constant value in advance, the learning time of the neural network 20 can be shortened.

以上のようにしてニューラルネットワーク２０を教育し
てネットワークパラメータを決定したならば、次に通信
データ部分をデータセレクタ２２で逐次に選択してニュ
ーラルネットワーク２０に送り、逐次に等化（波形整形
）を行う。After educating the neural network 20 and determining the network parameters as described above, the communication data portions are sequentially selected using the data selector 22 and sent to the neural network 20, and are sequentially equalized (waveform shaping). conduct.

第７図には実施例装置による受信特性例が示される。下
段（ハ）は歪のない送信元の波形、上段（イ）が伝送路
や復調系により歪が生じた波形であり、中段（ロ）が歪
波形（イ）をニューラルネットワーク形等化器に入力し
て得られた復調出力波形である。この第７図からも、実
施例装置により波形等化の効果が得られることを確認で
きる。FIG. 7 shows an example of reception characteristics by the embodiment device. The lower row (c) shows the undistorted source waveform, the upper row (a) shows the waveform distorted by the transmission line and demodulation system, and the middle row (b) shows the distorted waveform (a) applied to a neural network equalizer. This is the demodulated output waveform obtained by inputting the signal. It can also be confirmed from FIG. 7 that the effect of waveform equalization can be obtained by the apparatus of the embodiment.

本発明の実施にあっては種々の変形形態が可能である。Various modifications are possible in implementing the invention.

例えば、ニューラルネットワークを用いた等什器２の構
成は第３図に示されるものに限られるものではない。例
えば第８図にはかかる等什器の他の構成例が示される。For example, the configuration of the furniture 2 using a neural network is not limited to that shown in FIG. 3. For example, FIG. 8 shows another example of the structure of such fixtures.

第８図において、２０はニューラルネットワーク、２１
はシフトレジスタ、２２はデータセレクタ、２５は制御
回路であり、これらは前述の実施例で説明したものと同
じものである。In FIG. 8, 20 is a neural network, 21
2 is a shift register, 22 is a data selector, and 25 is a control circuit, which are the same as those described in the previous embodiment.

２６はパラメータＲＯＭであり、種々の伝送路特性に対
応したニューラルネットワークのパラメータ（重み係数
など）が格納されている。すなわち、伝送路の種々の状
態を予め想定し、それぞれの伝送路特性に対してニュー
ラルネットワークを予め教育して適切なパラメータを求
めておき、これらをパラメータＲＯＭ２６に格納してお
くものである。A parameter ROM 26 stores neural network parameters (weighting coefficients, etc.) corresponding to various transmission path characteristics. That is, various states of the transmission path are assumed in advance, the neural network is trained in advance for each transmission path characteristic, appropriate parameters are determined, and these are stored in the parameter ROM 26.

２８は特性検出回路であり、入力データとして既知の所
定パターンの試験データが入力されることにより、その
試験データのインパルス応答など人力波形から伝送路の
状態を検出するものである。２７はパラメータ切替え回
路であり、特性検出回路２８で検出された伝送路特性に
応じたパラメータをパラメータＲＯＭ２６から選択して
、ニューラルネットワーク２０に与える回路である。Reference numeral 28 denotes a characteristic detection circuit, which detects the state of the transmission line from a human input waveform such as an impulse response of the test data by inputting a known predetermined pattern of test data as input data. Reference numeral 27 denotes a parameter switching circuit, which selects a parameter corresponding to the transmission path characteristic detected by the characteristic detection circuit 28 from the parameter ROM 26 and supplies it to the neural network 20.

この実施例装置では、入力データに基づき、現在受信中
伝送路の特性がいかなるものであるかを、特性検出回路
２８により検出し、その伝送路特性にあったニューラル
ネットワーク２０のパラメータをパラメータ切替え回路
２７によりパラメータＲＯＭ２６から取り出し、これを
ニューラルネットワーク２０にセットするものである。In this embodiment, the characteristic detection circuit 28 detects the characteristics of the transmission path currently being received based on the input data, and the parameter switching circuit selects the parameters of the neural network 20 that match the characteristics of the transmission path. 27, it is taken out from the parameter ROM 26 and set in the neural network 20.

したがってこの実施例装置では、データ受信の度にニュ
ーラルネットワークの学習は行っていないので、復調側
における受信処理に学習処理が不要となり、その学習時
間の分、復調側の処理速度を上げることができる。Therefore, in this example device, since the neural network is not trained every time data is received, learning processing is not required for reception processing on the demodulation side, and the processing speed on the demodulation side can be increased by the learning time. .

本発明の復調装置の実施例としてはこの他種々のものが
あり、以下にこれらの例を示す。There are various other embodiments of the demodulator of the present invention, and these examples will be shown below.

第９図には本発明の他の実施例が示される。第９図にお
いて、１１は伝送路からの受信信号を増幅する増幅回路
、１２は増幅回路１１で増幅された受信信号を検波する
検波回路であり、２は前述のニューラルネットワークを
用いた等什器である。ここで増幅回路１１は線形増幅器
、非線形増幅器、またはＡＧＣ（自動利得制御）増幅器
の何れであってもよく、また検波回路１２は同期検波器
、遅延検波器、または周波数検波器の何れであってもよ
く、これは後述する他の実施例においても同じである。Another embodiment of the invention is shown in FIG. In FIG. 9, 11 is an amplifier circuit that amplifies the received signal from the transmission path, 12 is a detection circuit that detects the received signal amplified by the amplifier circuit 11, and 2 is the equipment using the neural network described above. be. Here, the amplifier circuit 11 may be a linear amplifier, a nonlinear amplifier, or an AGC (automatic gain control) amplifier, and the detection circuit 12 may be a synchronous detector, a delay detector, or a frequency detector. This also applies to other embodiments described later.

第１０図には本発明の更に他の実施例が示される。この
実施例は上述の第９図の実施例回路の増幅回路１１の前
段に、受信信号の周波数を無線周波数帯から中間周波数
帯に変換する周波数変換回路１３を設けたものであり、
他の構成は第９図のものと同じである。FIG. 10 shows yet another embodiment of the present invention. In this embodiment, a frequency conversion circuit 13 for converting the frequency of a received signal from a radio frequency band to an intermediate frequency band is provided before the amplifier circuit 11 of the embodiment circuit of FIG. 9 described above.
The other configurations are the same as those in FIG.

第１１図には本発明の更に他の実施例が示される。この
実施例は伝送路からの受信信号（被変調波）を増幅回路
１１で増幅した後に、この被変調波を直接にニューラル
ネットワークからなる検波等化回路３に入力させて復調
出力を得るようにしたものである。この検波等化回路３
の構成は前述の等化回路２と同じであるが、機能的には
この検波等化回路３は被変調波の検波と等化を同時に行
っており、目標値となるトレーニングデータと歪を含ん
だ被変調波形との関係をニューラルネットワークに学習
させることにより、被変調波から直接に復調出力を得る
ことができるものである。FIG. 11 shows yet another embodiment of the present invention. In this embodiment, after a received signal (modulated wave) from a transmission path is amplified by an amplifier circuit 11, this modulated wave is directly input to a detection equalization circuit 3 consisting of a neural network to obtain a demodulated output. This is what I did. This detection equalization circuit 3
The configuration of is the same as the equalization circuit 2 described above, but functionally, this detection equalization circuit 3 simultaneously detects and equalizes the modulated wave, and contains the training data that is the target value and the distortion. By having a neural network learn the relationship between the modulated wave and the modulated wave, a demodulated output can be obtained directly from the modulated wave.

ここで被変調波としては、ベースバンド帯の信号、ある
いは搬送波で変調した信号の何れであってもよい。Here, the modulated wave may be either a baseband signal or a signal modulated with a carrier wave.

第１２図には本発明の更に他の実施例が示される。この
実施例は上述の第１１図の実施例回路の増幅回路１１の
前段に、周波数変換回路１３を設けたものであり、他の
構成は第１１図のものと同じである。FIG. 12 shows yet another embodiment of the present invention. In this embodiment, a frequency conversion circuit 13 is provided before the amplifier circuit 11 of the embodiment circuit of FIG. 11 described above, and the other configurations are the same as that of FIG. 11.

［発明の効果］ 以上に説明したように、本発明によれば、復調装置にお
いて、線形歪のみならず非線形歪も等化することができ
る機能をニューラルネットワークを用いて実現できる。[Effects of the Invention] As described above, according to the present invention, in a demodulator, a function capable of equalizing not only linear distortion but also nonlinear distortion can be realized using a neural network.

【図面の簡単な説明】[Brief explanation of drawings]

第１図は本発明に係る原理説明図、 第２図は本発明の一実施例としての復調装置を示すブロ
ック図、 第３図は実施例装置におけるニューラルネットワーク形
等化器の構成例を示すブロック図、第４図は実施例装置
におけるニューラルネットワークの構成例を示すブロッ
ク図、 第５図は実施例の等什器におけるデータセレクト動作を
説明する図。 第６図は送信データのフレームフォーマットを示す図、 第７図は実施例装置の受信特性を説明する図、 第８図はニューラルネットワーク形等化器の他の構成例
を示すブロック図、 第９図は本発明の他の実施例を示すブロック図、 第１０図は本発明のまた他の実施例を示すブロック図、 第１１図は本発明の更に他の実施例を示すブロック図、 第１２図は本発明の更にまた他の実施例を示すブロック
図、および、 第１３図は従来のトランスバーサル形等化器を示すブロ
ック図である。 図において、 １・・−復調器 ２−・−ニューラルネットワーク形の等化回路３・・−
ニューラルネットワーク形の検波等化回路１１−・−増
幅回路 １２−・・検波回路 １３−・・周波数変換回路 ２０−・・ニューラルネットワーク ２１−・・シフトレジスタ ２２−・・データセレクタ ２３−・・パターンＲＯＭ ２４−・・ゲート回路 ２５−・・制御回路 ２６−・−パラメータＲＯＭ ２７−・・パラメータ切替え回路 ２８−・・特性検出回路 ２０１・・−タップ ２０２・−人力層 ２０３−・−中間層 ２０４・・・出力層 ４　多６　日月　の 炙鉋依１１ 第２ 図 フし−ム同朗クロック 実施材＋１１＝おけろ等化るーの構成 ■トしｍ＝〉フデータが：１ｍ＋−クク場合に４１テ“
−夕のフし−ムフォーマット第６ 図 変貌４列回路の受信時・圧 第７ 図 ニューラルネットワークによる１Ｐ縄牲そフィ！しり０
１■入第４ 図 テークでレクタ テパ−ダ江しフタｆ）＠イ千説−哨 フレーム同期グロック 再イし番の杷の イ１喚−１弓（、イタ１ｊ 第８ 図 ７１Ｆ＞発明のイ乞の ブ【方セーＡ夕１１ 第９ 図FIG. 1 is a diagram explaining the principle of the present invention. FIG. 2 is a block diagram showing a demodulation device as an embodiment of the present invention. FIG. 3 is a configuration example of a neural network equalizer in the embodiment device. FIG. 4 is a block diagram showing an example of the configuration of a neural network in the apparatus of the embodiment, and FIG. 5 is a diagram illustrating a data selection operation in the fixture of the embodiment. FIG. 6 is a diagram showing the frame format of transmission data, FIG. 7 is a diagram explaining the reception characteristics of the embodiment device, FIG. 8 is a block diagram showing another configuration example of the neural network type equalizer, and FIG. 10 is a block diagram showing another embodiment of the invention; FIG. 11 is a block diagram showing still another embodiment of the invention; 12. The figure is a block diagram showing still another embodiment of the present invention, and FIG. 13 is a block diagram showing a conventional transversal equalizer. In the figure, 1... - Demodulator 2 - - Neural network type equalization circuit 3... -
Neural network type detection equalization circuit 11--Amplification circuit 12--Detection circuit 13--Frequency conversion circuit 20--Neural network 21--Shift register 22--Data selector 23--Pattern ROM 24--Gate circuit 25--Control circuit 26--Parameter ROM 27--Parameter switching circuit 28--Characteristic detection circuit 201--Tap 202--Manpower layer 203--Intermediate layer 204 ... Output layer 4 Multi 6 Sun Moon's Roaring 11 Fig. 2 Configuration of Fushi-mu Doro clock implementation material + 11 = Okero equalization ■ When the data is: 1m + - Kuku 41 te
- Evening Frame Format Figure 6: Transformation of 4-column circuit when receiving/pressure Figure 7: 1P sacrifice by neural network! Shiri 0
1 ■ Entering the 4th figure with a rectate taper and a lid f) Figure 9

Claims (1)

【特許請求の範囲】 １、受信信号を検波する検波回路（１０１）と、 該検波回路（１０１）の検波信号が目標値となるように
ニューラルネットワークを用いて等化して復調信号を得
る等化回路（１０２）とを具備してなる復調装置。 ２、上記検波回路（１０１）の前段に、受信信号を増幅
する増幅回路（１０３）を具備してなる請求項１記載の
復調装置。 ３、上記増幅回路（１０３）の前段に、受信信号を周波
数変換する周波数変換回路（１０４）を具備してなる請
求項２に記載の復調装置。 ４、上記検波回路（１０１）は同期検波回路、遅延検波
回路、または周波数検波回路である請求項１〜３の何れ
かに記載の復調装置。 ５、上記増幅回路（１０３）は線形増幅器、非線形増幅
器、または自動利得制御形増幅器である請求項２〜４の
何れかに記載の復調装置。 ６、上記等化回路（１０２）は、 入力データを逐次記憶する第１の記憶回路と、 教師データを記憶する第２の記憶回路と、 ニューラルネットワークとを備え、 該第１の記憶回路に蓄積されたトレーニングデータを該
ニューラルネットワークに提示して該教師データに基づ
き該ニューラルネットワークのパラメータを学習させる
ように構成された請求項１〜５の何れかに記載の復調装
置。 ７、上記等化回路（１０２）は、 入力データを逐次記憶する第１の記憶回路と、 種々の通信環境の特性を予め想定してそれぞれの通信環
境に対応して予め求められたニューラルネットワークの
パラメータを記憶する第２の記憶回路と、 ニューラルネットワークと、 入力信号から通信環境の特性を検出する特性検出回路と
を具備し、 該特性検出回路により検出された通信環境の特性に応じ
て該第２の記憶回路から読み出したニューラルネットワ
ークのパラメータを該ニューラルネットワークにセット
するように構成された請求項１〜５の何れかに記載の復
調装置。 ８、受信信号が目標値となるようにニューラルネットワ
ークを用いて検波および等化して復調信号を得る検波等
化回路（１０５）を具備してなる復調装置。 ９、上記検波等化回路（１０５）の前段に、受信信号を
増幅する増幅回路（１０６）を具備してなる請求項８記
載の復調装置。 １０、上記増幅回路（１０６）の前段に、受信信号を周
波数変換する周波数変換回路（１０７）を具備してなる
請求項９に記載の復調装置。 １１、上記増幅回路（１０６）は線形増幅器、非線形増
幅器、または自動利得制御形増幅器である請求項９また
は１０に記載の復調装置。 １２、上記検波等化回路（１０５）は、 入力データを逐次記憶する第１の記憶回路と、 教師データを記憶する第２の記憶回路と、 ニューラルネットワークとを備え、 該第１の記憶回路に蓄積されたトレーニングデータを該
ニューラルネットワークに提示して該教師データに基づ
き該ニューラルネットワークのパラメータを学習させる
ように構成された請求項８〜１１の何れかに記載の復調
装置。 １３、上記検波等化回路（１０５）は、 入力データを逐次記憶する第１の記憶回路と、 種々の通信環境の特性を予め想定してそれぞれの通信環
境に対応して予め求められたニューラルネットワークの
パラメータを記憶する第２の記憶回路と、 ニューラルネットワークと、 入力信号から通信環境の特性を検出する特性検出回路と
を具備し、 該特性検出回路により検出された通信環境の特性に応じ
て該第２の記憶回路から読み出したニューラルネットワ
ークのパラメータを該ニューラルネットワークにセット
するように構成された請求項８〜１１の何れかに記載の
復調装置。 １４、受信信号を復調する復調系回路と、 該復調系回路の出力信号が目標値になるようにニューラ
ルネットワークを用いて等化して復調信号を得る等化回
路とを具備してなる復調装置。[Claims] 1. A detection circuit (101) for detecting a received signal, and equalization for obtaining a demodulated signal by equalizing using a neural network so that the detection signal of the detection circuit (101) becomes a target value. A demodulator comprising a circuit (102). 2. The demodulator according to claim 1, further comprising an amplifier circuit (103) for amplifying the received signal before the detection circuit (101). 3. The demodulator according to claim 2, further comprising a frequency conversion circuit (104) for converting the frequency of the received signal before the amplifier circuit (103). 4. The demodulator according to claim 1, wherein the detection circuit (101) is a synchronous detection circuit, a delay detection circuit, or a frequency detection circuit. 5. The demodulator according to claim 2, wherein the amplifier circuit (103) is a linear amplifier, a nonlinear amplifier, or an automatic gain control type amplifier. 6. The equalization circuit (102) includes a first memory circuit that sequentially stores input data, a second memory circuit that stores teacher data, and a neural network, and stores data in the first memory circuit. 6. The demodulation device according to claim 1, wherein the demodulation device is configured to present trained training data to the neural network and make the neural network learn parameters based on the teacher data. 7. The equalization circuit (102) includes a first memory circuit that sequentially stores input data, and a neural network that is predetermined in accordance with each communication environment by assuming the characteristics of various communication environments in advance. a second storage circuit that stores parameters; a neural network; and a characteristic detection circuit that detects characteristics of a communication environment from an input signal; 6. The demodulation device according to claim 1, wherein the demodulation device is configured to set parameters of the neural network read from the memory circuit No. 2 into the neural network. 8. A demodulator comprising a detection and equalization circuit (105) that detects and equalizes the received signal using a neural network so that it has a target value to obtain a demodulated signal. 9. The demodulator according to claim 8, further comprising an amplifier circuit (106) for amplifying the received signal before the detection equalization circuit (105). 10. The demodulation device according to claim 9, further comprising a frequency conversion circuit (107) for converting the frequency of the received signal before the amplifier circuit (106). 11. The demodulation device according to claim 9 or 10, wherein the amplifier circuit (106) is a linear amplifier, a nonlinear amplifier, or an automatic gain control type amplifier. 12. The detection equalization circuit (105) includes: a first storage circuit that sequentially stores input data; a second storage circuit that stores teacher data; and a neural network; 12. The demodulation device according to claim 8, wherein the demodulation device is configured to present accumulated training data to the neural network and make the neural network learn parameters based on the teacher data. 13. The above-mentioned detection equalization circuit (105) includes: a first storage circuit that sequentially stores input data; and a neural network that is determined in advance to correspond to each communication environment by assuming the characteristics of various communication environments in advance. a second storage circuit that stores parameters of the communication environment; a neural network; and a characteristic detection circuit that detects characteristics of the communication environment from the input signal; 12. The demodulation device according to claim 8, wherein the demodulation device is configured to set parameters of the neural network read from the second storage circuit in the neural network. 14. A demodulation device comprising: a demodulation circuit that demodulates a received signal; and an equalization circuit that obtains a demodulated signal by equalizing the output signal of the demodulation circuit using a neural network so that it has a target value.