一种基于神经网络控制发射机工作模式的方法技术

一种基于神经网络控制发射机工作模式的方法，涉及电通信技术以及神经网络技术。发射机的输入信号通过神经网络分类后产生不同的控制信号用来控制发射机的工作模式，其中控制信号包括但不限于功率控制信号、频率控制信号、增益控制信号、线性度控制信号、数据率控制信号、调制方式控制信号。本发明专利技术在针对多发射目标的应用环境中，可以通过神经网络对输入信号进行分类，针对每一个发射目标调整发射机的工作模式，以达到自动信道切换和节能的目的。

Method for controlling working mode of transmitter based on Neural Network

A method for controlling the working mode of a transmitter based on a neural network, relating to the electric communication technology and the neural network technology. The input signal in the transmitter working mode of different control signals used to control the transmitter through neural network classification, the control signal including but not limited to the power control signal, the frequency control signal, a gain control signal and linearity control signal and data rate control signal and modulation control signal. The invention in the application environment of multi emission target, can be used to classify the input signal by neural network, for each target launch to adjust the transmitter work mode, in order to achieve the purpose of energy saving and automatic channel switching.

【技术实现步骤摘要】
一种基于神经网络控制发射机工作模式的方法
本专利技术涉及通信技术与神经网络技术，具体的说是涉及一种基于神经网络控制发射机工作模式的方法。
技术介绍
通信技术是电子工程的重要分支，同时也是其中一个基础学科。其中发射机是通信技术中不可或缺的部分。一个发射机要完成调制、上变换和功率放大，调制的目的是把要传输的模拟信号或数字信号变成适合信道传输的信号，要传输的模拟信号称为调制信号。在通信系统的发送端，把基带信号的频谱搬移到具体给定信道通带内的过程称为调制。调制有调幅、调频、调相等调制方法。根据不同的输入信号，发射机的发射端需要不同的功率、不同的调制方法、不同的载波信号等。一般而言，在针对多发射目标的应用环境中，输入信号具有不确定性。不同的输入信号需要采取不同的发射模式，才能达到传输效率的最大化。为了解决这一问题，首先要解决的就是要电路识别出不同类型的输入信号，进而将发射机调整为相应的工作模式。而传统电路很难识别输入信号的不同与自动调整发射机的工作模式，从而使得整个电路的功耗增加与传输信道的浪费。因此，有必要提供一种能智能识别输入信号的种类，并相应的改变发射机工作模式的电路。
技术实现思路
本专利技术为了解决由于现有技术限制造成的无法自动识别输入信号并自动调整发射机的工作模式的缺陷，提供了一种基于神经网络控制发射机工作模式的方法，能够降低电路的功耗以及提升信道的利用率。本专利技术的技术方案为：一种基于神经网络控制发射机工作模式的方法，包括如下步骤：步骤一：将发射机的输入信号X通过神经网络进行分类得到所述发射机输入信号X的分类信息；步骤二：根据步骤一得到的分类信息产生不同的控制信号，所述控制信号包括但不限于功率控制信号、频率控制信号、增益控制信号、线性度控制信号、数据率控制信号、调制方式控制信号；步骤三：将与步骤一所述相同的发射机的输入信号X和步骤二产生的控制信号输入到发射机，发射机根据所述控制信号改变其工作模式，并在该工作模式下对所述发射机的输入信号X进行处理。具体的，所述步骤一中通过神经网络分类发射机的输入信号X的工作过程分为训练阶段和工作阶段；训练阶段：a、将发射机的输入信号X中的所有样本输入神经网络；b、根据发射机的输入信号X在神经网络中建立发射机工作状态集合Y，所述发射机工作状态集合Y中的每个元素中的变量根据所述发射机的输入信号X确定，所述变量包括但不限于功率、频率、增益、线性度、数据率、调制方式，所述发射机工作状态集合Y中每个元素包括一个或者多个变量；c、神经网络对一部分样本进行学习并调整网络权重矩阵W，得到函数f(X)，即神经网络的输出值，所述网络权重矩阵W为函数f(X)的权重值；d、将剩下的未被学习的样本作为测试集，对神经网络输出值即函数f(X)和目标输出即步骤b中建立的发射机工作状态集合Y做比较，判断两者误差是否小于预设精度，若两者误差不小于预设精度时返回步骤a，直到神经网络输出和目标输出的误差小于预设精度，保存网络权重矩阵W，训练结束；工作阶段：根据训练阶段得到的神经网络的网络权重矩阵W对发射机的输入信号X分类，每一次输入到神经网络的发射机的输入信号X对应所述发射机工作状态集合Y中的一个元素。具体的，所述发射机工作状态集合Y包括元素Y1、元素Y2、元素Y3，所述元素Y1表示发射机工作状态包括工作频率为2.4GHz、输出功率为-20dB、发射数据率为100kbps；所述元素Y2表示发射机工作状态包括工作频率为400MHz、增益为10dB、发射数据率为10kbps；所述元素Y3表示发射机工作状态包括工作频率为5-6GHz、增益为15dB、输出IP3为10dBm、调制方式为FSK。发射机工作状态集合Y中的元素包括所有发射机的工作状态，以上三个元素仅为参考。具体的，所述神经网络为卷积神经网络。具体的，所述神经网络模块为前馈神经网络。具体的，所述发射机的输入信号在输入到所述神经网络之前，还通过了一个二选一多路选择器、一个第一寄存器和一个第二寄存器，所述二选一多路选择器的数据输入端连接发射机的输入信号，所述二选一多路选择器的第一数据输出端输出的数据通过第一寄存器后输入到神经网络的数据输入端，所述二选一多路选择器的第二数据输出端输出的数据通过第二寄存器后输入到神经网络的数据输入端，所述二选一多路选择器通过一个使能信号控制第一寄存器和第二寄存器，所述使能信号为0时，所述发射机的输入信号通过二选一多路选择器后输入到第一寄存器，同时第二寄存器将存储的信号传入神经网络，第一寄存器存满后所述使能信号变为1，此时发射机的输入信号通过二选一多路选择器后输入到第二寄存器，同时第一寄存器将存储的信号传入神经网络，第一寄存器和第二寄存器交替工作，把发射机的输入信号不间断的传入神经网络。具体的，所述神经网络包括循环神经网络和长短时记忆模型神经网络。具体的，所述频率控制信号由锁相环产生，所述锁相环连接在所述神经网络和发射机之间，所述锁相环根据所述神经网络输出的分类信息中关于频率控制类别的信号改变锁相环的频率，从而改变发射机的工作频率。具体的，所述功率控制信号和所述线性度控制信号由功率放大器产生，所述功率放大器连接在所述神经网络和发射机之间，所述功率放大器根据所述神经网络输出的分类信息中关于功率控制类别和线性度控制类别的信号改变功率放大器的功率和线性度，从而改变发射机的功率和线性度。以上锁相环和功率放大器作为神经网络和发射机之间的桥梁，对应神经网络产生的分类信息产生控制发射机工作模式的控制信号。神经网络是一项以生物大脑的结构和功能为基础，以网络节点模仿大脑的神经细胞，以网络连接权模仿大脑的激励电平的技术。该技术能有效的处理问题的非线性、模糊性和不确定关系。该神经网络模块可以由一种或多种神经网络构成，例如长短时记忆模型神经网络(LSTM)、循环神经网络(RNN)、前馈神经网络(FNN)或卷积神经网络(CNN)。神经网络模块采用数字或模拟电路实现，用以将系统的输入信号基于训练时的样本进行分类。发射机控制模块能够基于神经网络模块对输入信号划分的类别产生不同的控制信号，针对每一个发射目标调整发射机的工作模式。发射机模块根据输入信号和发射机控制模块的控制信号，改变发射机的输出功率、工作频率、增益、线性度和数据率中的一种或多种性能。所述锁相环属于发射极控制模块中控制频率的器件，所述功率放大器属于发射极控制模块中控制功率和线性度的器件。本专利技术的有益效果为：在针对多发射目标的应用环境中，可以通过神经网络对输入信号进行分类，针对每一个发射目标调整发射机的工作模式，以达到自动信道切换和节能的目的；本专利技术不需要预先知道输入信号的数据结构，操作更简单，且相比于现有技术能判断的工作模式更多；本专利技术尤其适用于高速、高集成度应用环境。附图说明图1是本专利技术基于一种神经网络分类方式控制发射机工作模式的工作流程图；图2是本专利技术中提出的一种基于神经网络的发射机电路结构示意图；图3是本专利技术实施例1中的基于CNN/FNN等神经网络的发射机电路结构示意图；图4是本专利技术实施例2中的基于RNN/LSTM神经网络的发射机电路结构示意图；图5是本专利技术实施例3中的基于神经网络的发射机控制PLL调整发射机频率结构示意图；图6是本专利技术实施例4中的基于神经网络的发射机控制PA调整发射机功率和线本文档来自技高网...

【技术保护点】
一种基于神经网络控制发射机工作模式的方法，其特征在于，包括如下步骤：步骤一：将发射机的输入信号X通过神经网络进行分类得到所述发射机输入信号X的分类信息；步骤二：根据步骤一得到的分类信息产生不同的控制信号，所述控制信号包括但不限于功率控制信号、频率控制信号、增益控制信号、线性度控制信号、数据率控制信号、调制方式控制信号；步骤三：将与步骤一所述相同的发射机的输入信号X和步骤二产生的控制信号输入到发射机，发射机根据所述控制信号改变其工作模式，并在该工作模式下对所述发射机的输入信号X进行处理。

【技术特征摘要】
1.一种基于神经网络控制发射机工作模式的方法，其特征在于，包括如下步骤：步骤一：将发射机的输入信号X通过神经网络进行分类得到所述发射机输入信号X的分类信息；步骤二：根据步骤一得到的分类信息产生不同的控制信号，所述控制信号包括但不限于功率控制信号、频率控制信号、增益控制信号、线性度控制信号、数据率控制信号、调制方式控制信号；步骤三：将与步骤一所述相同的发射机的输入信号X和步骤二产生的控制信号输入到发射机，发射机根据所述控制信号改变其工作模式，并在该工作模式下对所述发射机的输入信号X进行处理。2.根据权利要求1所述的基于神经网络控制发射机工作模式的方法，其特征在于，所述步骤一中通过神经网络分类发射机的输入信号X的工作过程分为训练阶段和工作阶段；训练阶段：a、将发射机的输入信号X中的所有样本输入神经网络；b、根据发射机的输入信号X在神经网络中建立发射机工作状态集合Y，所述发射机工作状态集合Y中的每个元素中的变量根据所述发射机的输入信号X确定，所述变量包括但不限于功率、频率、增益、线性度、数据率、调制方式，所述发射机工作状态集合Y中每个元素包括一个或者多个变量；c、神经网络对一部分样本进行学习并调整网络权重矩阵W，得到函数f(X)，即神经网络的输出值，所述网络权重矩阵W为函数f(X)的权重值；d、将剩下的未被学习的样本作为测试集，对神经网络输出值即函数f(X)和目标输出即步骤b中建立的发射机工作状态集合Y做比较，判断两者误差是否小于预设精度，若两者误差不小于预设精度时返回步骤a，直到神经网络输出和目标输出的误差小于预设精度，保存网络权重矩阵W，训练结束；工作阶段：根据训练阶段得到的神经网络的网络权重矩阵W对发射机的输入信号X分类，每一次输入到神经网络的发射机的输入信号X对应所述发射机工作状态集合Y中的一个元素。3.根据权利要求2所述的基于神经网络控制发射机工作模式的方法，其特征在于，所述发射机工作状态集合Y包括元素Y1、元素Y2、元素Y3，所述元素Y1表示发射机工作状态包括工作频率为2.4GHz、输出功率为-20dB、发射数据率为100kbps；所述元素Y2表示发射机工作状态包括工作频率为400MHz、增益为10dB、发射数据率为10kbps；所述...

【专利技术属性】
技术研发人员：闫笛，
申请(专利权)人：成都市深思创芯科技有限公司，
类型：发明
国别省市：四川,51