[发明专利]基于多神经网络的DBPSK解调方法

摘要

本发明公开了一种基于多神经网络的DBPSK信号解调方法，解决现有DBPSK信号解调方法中误码率高的技术问题。步骤包括：获取随机序列和加噪信号；获取加噪信号的采样序列集；设定神经网络结构；获取多组神经网络训练集；训练多个神经网络；对设定的待解调信号进行多神经网络解调。本发明通过使用多个神经网络，解决了采样过程中采样时刻不确定带来的解调误码率高的问题，并能同时完成对DBPSK信号的解调和差分译码过程。本发明具有解调误码率低，解调速度快，实现成本低，灵活性强等优点，可用于卫星通信、深空通信。

主权项

1.一种基于多神经网络的DBPSK解调方法，其特征在于包括如下步骤：(1)获取01随机序列O和加噪信号R：(1a)仿真软件随机产生01随机序列O；(1b)对01随机序列O进行差分编码，得到差分编码序列；(1c)对差分编码序列进行BPSK调制，并对调制结果进行加性高斯白噪声信道仿真，得到加噪信号R；(2)获取加噪信号R的采样序列集θ₁,θ₂,…,θ_i,…,θ_m：(2a)设加噪信号R初始采样时刻分别为t₁,t₂,…,t_i,…,t_k，其中，t_i为第i种初始采样时刻，且t_i＝iT/k，T为加噪信号R的码元周期，k为加噪信号R初始采样时刻的种数，且k≥2；(2b)利用加噪信号R初始采样时刻t₁,t₂,…,t_i,…,t_k的每种时刻分别对加噪信号R进行采样，得到加噪信号R的采样序列集θ₁,θ₂,…,θ_i,…,θ_m，其中，m为采样序列的个数，且m＝k，θ_i为第i个加噪信号R的采样序列；(3)设定神经网络结构：设定包含输入层、隐藏层和输出层的前馈神经网络结构，其中输入层节点个数与待解调信号两个码元周期内的采样点个数相等，隐藏层节点个数等于输入层节点个数的一半，输出层节点个数为1，且隐藏层和输出层的激活函数均采用sigmoid函数；(4)获取m组神经网络训练集：(4a)以加噪信号R的采样序列集θ₁,θ₂,…,θ_i,…,θ_m的各采样序列中任意两个相邻码元周期对应的采样点作为神经网络的不同输入向量，每个采样序列中所有输入向量组成一组输入向量集，得到m组神经网络输入向量集，其中的输入向量的维度与设定的神经网络结构的输入层节点个数相同；(4b)将01随机序列O中各码元作为神经网络的不同输出向量，得到神经网络输出向量集，其中的输出向量的维度与设定的神经网络结构的输出层节点个数相同；(4c)将m组神经网络输入向量集中的每组向量集分别与输出向量集合并，得到m组神经网络训练集；(5)训练神经网络：利用m组神经网络训练集对设定的神经网络结构进行训练，得到已训练的神经网络集N₁,N₂,…,N_i,…,N_n，其中，N_i为第i个神经网络，n为神经网络的数量，且n＝m；(6)对设定的待解调信号进行多神经网络解调：(6a)设定格式为基带数据中每间隔一定数量的码元插入一个帧头C的待解调信号；(6b)对设定的待解调信号进行AD采样，获得待解调信号采样序列；(6c)将待解调信号采样序列中任意两个相邻码元周期对应的采样点作为神经网络的不同输入向量，得到待解调信号输入向量集；(6d)将待解调信号输入向量集中的输入向量逐个分别输入到神经网络集N₁,N₂,…,N_i,…,N_n的每一个神经网络中，得到n个神经网络输出序列；(6e)在n个神经网络输出序列中搜索待解调信号所设定的帧头C，并保留连续多次搜索到帧头C的输出序列对应的神经网络，关闭其余神经网络，得到保留的神经网络集N'₁,N'₂,…,N'_q，其中，q为保留的神经网络集中的神经网络总数；(6f)将神经网络的输出序列作为解调结果，并输出。