一种基于神经网络的OFDM系统IQ信号解调方法及装置制造方法及图纸

本申请公开了一种基于神经网络的OFDM系统IQ信号解调方法及装置，用以解决目前的IQ信号解调方法存在的系统复杂度较高、通信评价指标较差的问题。该方法通过正交频分复用OFDM系统采集原始数据集，得到I路信号和Q路信号，作为训练数据集；原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔的接收信号；根据OFDM系统的子载波数目，分别确定针对I路信号和Q路信号的基于长短期记忆神经网络的解调网络；确定峰值平均功率比检测网络，对于削波后的发送信号，在经过解调网络处理后进行信号恢复；采用训练数据集对解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于OFDM系统的IQ信号解调。用于OFDM系统的IQ信号解调。用于OFDM系统的IQ信号解调。

【技术实现步骤摘要】
一种基于神经网络的OFDM系统IQ信号解调方法及装置


[0001]本申请涉及智能通信领域，尤其涉及一种基于神经网络的OFDM系统IQ 信号解调方法及装置。

技术介绍

[0002]数字调制技术是现代通信的重要方法，与传统的模拟调制相比，其具有更好的抗干扰性能，更强的抗信道损耗，以及更好的安全性。其中，同相正交IQ 调制解调作为数字调制的特殊架构，凭借高数据速率以及易于实现等优势，广泛应用于无线通信系统。
[0003]IQ调制架构以0、1比特为调制信号，其将原始数据比特流按照一定的规则映射至IQ坐标系，映射完成后得到数字同向(In
‑
phase，I)和正交(Quadrature， Q)信号，再分别由数字模拟转换器DAC转换为模拟I和Q信号，最后经IQ 调制器上变频至射频发送。
[0004]在矢量坐标系中，横轴为实部，纵轴为虚部。数字IQ调制完成了符号到矢量坐标系的映射，映射点一般称为星座点，具有实部和虚部。从矢量角度来说，实部与虚部是正交的关系，通常称实部为In
‑
phase分量，虚部为Quadrature 分量，即IQ，因此，该矢量坐标系也称为IQ坐标系。在IQ坐标系中，任意一点都确定一个矢量，可以写为(I+JQ)的形式，数字调制后可得到相应的I 和Q波形。
[0005]目前在通过模拟调制或数字调制对IQ信号进行解调映射时，一般采用控制载波信号的幅度、频率和相位三要素来调制信号，分别称为调幅、调频和调相。在该解调过程中存在系统复杂度较高、通信评价指标较差的问题。

技术实现思路

[0006]本申请实施例提供一种基于神经网络的OFDM系统IQ信号解调方法及装置，用以解决目前的IQ信号解调方法存在的系统复杂度较高、通信评价指标较差的问题。
[0007]本申请实施例提供的一种基于神经网络的OFDM系统IQ信号解调方法，包括：
[0008]通过正交频分复用OFDM系统采集原始数据集，得到I路信号和Q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；
[0009]根据所述OFDM系统的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络；
[0010]确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；
[0011]采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM系统的IQ信号解调。
[0012]在一个示例中，所述多径和衰落信息的时域冲激响应的公式为：
[0013][0014]其中，f＝f
d sin(2πu)，f为离散多普勒频移，f
d
为最大多普勒频移，θ＝2πu为离散多普勒相位，u为独立随机变量，L为多径信道径数，M为调和系数，ρ[k]为路径能量，τ
k
为时间延迟，k为路径序号。
[0015]在一个示例中，所述解调网络的输入通过以下方式得到：
[0016][0017]其中，Y为接收信号，也表示所述解调网络的输入，X为待发送信号，h为所述多径和衰落信息的时域冲激响应，为卷积操作，n为信道噪声。
[0018]在一个示例中，通过正交频分复用OFDM系统采集原始数据集，得到I 路信号和Q路信号，作为训练数据集，具体包括：
[0019]通过正交频分复用OFDM系统采集原始数据集；
[0020]通过混频器产生正交的正弦波，对所述原始数据集进行处理；
[0021]通过低通滤波器，对经过所述混频器处理的原始数据集再进行处理，得到正交的I路和Q路两路信号，作为训练数据集。
[0022]在一个示例中，所述解调网络包括两层长短期记忆网络层，一层分类层，对应的节点数分别为512、1024、N，其中，N表示所述OFDM系统的子载波数目；
[0023]所述峰值平均功率比检测网络包括一层长短期记忆网络层，一层全连接层。
[0024]在一个示例中，所述集成网络的训练批次为600，批次大小为1000。
[0025]在一个示例中，所述集成网络采用的激活函数为ReLU函数，采用的损失函数为MAE函数，采用的参数优化器为Adam优化器。
[0026]本申请实施例提供的一种基于神经网络的OFDM系统IQ信号解调装置，包括：
[0027]采集模块，通过正交频分复用OFDM系统采集原始数据集，得到I路信号和Q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；
[0028]确定模块，根据所述OFDM系统的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络；
[0029]恢复模块，确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；
[0030]训练模块，采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM系统的IQ信号解调。
[0031]本申请实施例提供一种基于神经网络的OFDM系统IQ信号解调方法及装置，至少包括以下有益效果：
[0032]基于创新型的结构设计，采用模型驱动的网络搭建模式，结合无线通信传统数字调制中的IQ解调结构，将深度学习思想引入无线通信中。通过设计模型驱动的结构，改进了传统IQ调制结构。利用长短期记忆网络擅长处理时间序列的特性进行IQ调制解调，采用神经网络取代解调过程，避免了在传统解调过程中LO信号不正交进而影响信号解调过程的问题。并且，将I路信号和 Q路信号分开，能够降低网络数据处理的复杂度，也降低系统复杂度，减少了训练时间。
[0033]另外，对于OFDM系统来说，信号是合成信号，则发送信号在时域可能具有很高的功率峰值。峰均比问题不仅影响发射功率放大器的效率，而且降低了模数和数模转换器的信
号量化噪声比(SQNR)。所以，OFDM系统一般会对发送信号进行PAPR限制操作，例如削波技术。本方案增加PAPR检测网络，通过LSTM和全连接层，对OFDM系统中的削波信号进行信号恢复，抑制PAPR 对于信号解调的影响，从而优化了如误码率、误差幅度向量、峰均比等通信评价指标。
附图说明
[0034]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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：
[0035]图1为本申请实施例提供的一种基于神经网络的OFDM系统IQ信号解调方法流程图；
[0036]图2为本申请实施例提供的解调网络结构图；
[0037]图3为本申请实施例提供的集成网络结构图；
[0038]图4为本申请实施例提供的集成网络信噪比误码率示意图；
[0039]图5为本申请实施例提供的集成网络误差向量幅度性能示意图；
[0040]图6为本申请实施例提供的集成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的OFDM系统IQ信号解调方法，其特征在于，包括：通过正交频分复用OFDM系统采集原始数据集，得到I路信号和Q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；根据所述OFDM系统的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络；确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM系统的IQ信号解调。2.根据权利要求1所述的方法，其特征在于，所述多径和衰落信息的时域冲激响应的公式为：其中，f＝f
d
sin(2πu)，f为离散多普勒频移，f
d
为最大多普勒频移，θ＝2πu为离散多普勒相位，u为独立随机变量，L为多径信道径数，M为调和系数，ρ[k]为路径能量，τ
k
为时间延迟，k为路径序号。3.根据权利要求2所述的方法，其特征在于，所述解调网络的输入通过以下方式得到：其中，Y为接收信号，也表示所述解调网络的输入，X为待发送信号，h为所述多径和衰落信息的时域冲激响应，为卷积操作，n为信道噪声。4.根据权利要求1所述的方法，其特征在于，通过正交频分复用OFDM系统采集原始数据集，得到I路信号和Q路信号，作为训练数据集，具体包括：通过正交频分复用OF...

【专利技术属性】
技术研发人员：李军，张志晨，李敬芳，王宝栓，任洪东，朱平，辛同亮，张倩，张绪毅，王昱凯，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：