一种基于人工智能的QPSK接收机及其辅助模型训练方法技术

本发明专利技术涉及一种基于人工智能的QPSK接收机辅助模型训练方法，包括：搭建QPSK系统模型，使用QPSK系统模型获取训练数据集，搭建rethink神经网络模型，生成预测标签，使用训练数据集训练rethink神经网络模型，优化rethink神经网络模型的损失函数，使用Nadam算法优化损失函数，更新rethink神经网络模型的参数，直至预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。本发明专利技术的方法所训练的模型采用基于反思结构的rethink神经网络，考虑到标签之间隐藏的相关性，能够在通信接收机的解调环节中进行解调，该模型的解调能够解决传统硬判决方法在低信噪比条件下，因噪声干扰而导致识別准确率不高的问题。率不高的问题。率不高的问题。

【技术实现步骤摘要】
一种基于人工智能的QPSK接收机及其辅助模型训练方法


[0001]本专利技术属于无线通信
，具体涉及一种基于人工智能的QPSK接收机及其辅助模型训练方法。

技术介绍

[0002]近年来,人工智能在计算机视觉、自动控制技术、自然语言处理等众多领域得到了广泛应用，不断取得新的突破：人脸识别、无人驾驶、智能音箱、机器翻译等。人工智能逐渐渗透进了人们生活的方方面面，这也引起了学术界到工业界的广泛关注。在无线通信领域,将人工智能与无线通信接收机结合是目前研究的热点方向之一，传统无线通信接收机的的缺陷也极有可能因此得到一定程度上的修复。
[0003]正交相移键控技术(QPSK)作为一种频谱利用率高、抗干扰性强的数字调制方式,在无线通信系统中得到了广泛的应用。人工智能辅助的QPSK接收机正在取代和改进传统的QPSK接收机。传统的QPSK接收机在低信噪比条件下，对经过编码和加噪的信号进行解调时采用硬判决方法，最终的误比特率较高，识別准确率不高。
[0004]因此，亟需一种方案，以解决在低信噪比条件下，接收机接收信号时因噪声干扰而导致识別准确率不高的问题。

技术实现思路

[0005]基于现有技术中存在的上述缺点和不足，本专利技术的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本专利技术的目的之一是提供满足前述需求之一或多个的一种基于人工智能的QPSK接收机及其辅助模型训练方法。
[0006]为了达到上述专利技术目的，本专利技术采用以下技术方案：
[0007]一种基于人工智能的QPSK接收机辅助模型训练方法，具体包括如下步骤：
[0008]S1、搭建QPSK系统模型，使用QPSK系统模型获取训练数据集；
[0009]S2、搭建rethink神经网络模型，rethink神经网络模型用于对经过编码和噪声影响的信号进行解调，生成预测标签；
[0010]S3、使用训练数据集训练rethink神经网络模型，优化rethink神经网络模型的损失函数；
[0011]S4、使用Nadam算法优化损失函数，更新rethink神经网络模型的参数，直至预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。
[0012]作为一种优选的方案，使用QPSK系统模型获取训练数据集具体为，使用QPSK系统模型对经过汉明编码后的数据进行QPSK调制，然后使用根升余弦进行过采样，再加入高斯噪声作为干扰，经过匹配滤波和欠采样得到56位特征。
[0013]作为一种优选的方案，rethink神经网络模型对经过编码和噪声影响的信号的解调具体包括：
[0014]对输入的信号进行五次重复向量迭代；
[0015]输入第一层网络，第一层网络使用非线性激活函数Relu；
[0016]输入第二层网络，第二层网络为长短期记忆神经网络，具有128个神经元，使用激活函数sigmoid；
[0017]输入全连接层进行输出，全连接层具有56个神经元。
[0018]作为一种进一步优选的方案，预测标签为56位。
[0019]第二方面，本专利技术提供一种基于人工智能辅助模型的QPSK解调方法，使用上述任一项的基于人工智能的QPSK接收机辅助模型训练方法所训练的QPSK接收机辅助模型，其特征在于，具体包括：
[0020]使用QPSK接收机辅助模型对经过编码和噪声影响的信号进行解调，生成预测标签；
[0021]对预测标签进行汉明译码，还原得到原码。
[0022]作为一种优选方案，汉明译码为(7,4)译码，输出32位比特流。
[0023]第三方面，本专利技术提供一种基于人工智能辅助模型的QPSK智能接收机，使用上述的基于人工智能辅助模型的QPSK解调方法。
[0024]本专利技术与现有技术相比，有益效果是：
[0025]本专利技术的方法所训练的模型采用基于反思结构的rethink神经网络，考虑到标签之间隐藏的相关性，同时运用了多标签分类的方法来提高预测性能，将经过汉明编码、QPSK调制、根升余弦进行过采样和高斯噪声处理、再进行匹配滤波和欠采样后的信息输入到rethink神经网络中，从而能够在通信接收机的解调环节中进行解调，该模型的解调能够解决传统硬判决方法在低信噪比条件下，因噪声干扰而导致识別准确率不高的问题。
附图说明
[0026]图1是本专利技术的基于人工智能的QPSK接收机辅助模型训练方法的流程图；
[0027]图2是本专利技术的解调方法和传统硬判决方法的误比特率对比图；
[0028]图3是本专利技术的rethink神经网络的结构示意图。
具体实施方式
[0029]为了更清楚地说明本专利技术实施例，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0030]实施例：本申请提供一种基于人工智能的QPSK接收机辅助模型训练方法，其流程图如图1所示，在本申请的某一实施例中，方法具体包括如下步骤：
[0031]S1、搭建QPSK系统模型，使用QPSK系统模型获取训练数据集；
[0032]S2、搭建rethink神经网络模型，rethink神经网络模型用于对经过编码和噪声影响的信号进行解调，生成预测标签；
[0033]S3、使用训练数据集训练rethink神经网络模型，优化rethink神经网络模型的损失函数；
[0034]S4、使用Nadam算法优化损失函数，更新rethink神经网络模型的参数，直至预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。
[0035]作为一种优选的方案，在步骤S1的一个更进一步的实施例中，使用QPSK系统模型获取训练数据集具体为，使用QPSK系统模型对经过汉明编码后的数据进行QPSK调制，然后使用根升余弦进行过采样，再加入高斯噪声作为干扰，经过匹配滤波和欠采样得到56位特征。
[0036]其中，QPSK系统模型要传输的一条数据为01比特流，信息位为4位，共8组，即一共为32位。在QPSK系统模型中，在发送端对要传输的数据进行(7,4)汉明编码得到56位，再经过QPSK调制，利用根升余弦进行过采样，每符号采样数为8，之后再加入高斯噪声作为干扰，经过了匹配滤波和欠采样：每8个样本取一个符号，然后得到56位特征，汉明编码得到的56位汉明码则作为标签。经过上述QPSK系统模型所生成的所有特征和对应的标签一起组成训练数据集。
[0037]在步骤S2的一个更进一步的实施例中，rethink神经网络模型对经过编码和噪声影响的信号的解调具体包括：
[0038]对输入的信号进行五次重复向量迭代；
[0039]输入第一层网络，第一层网络使用非线性激活函数Relu；
[0040]输入第二层网络，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的QPSK接收机辅助模型训练方法，其特征在于，具体包括如下步骤：S1、搭建QPSK系统模型，使用所述QPSK系统模型获取训练数据集；S2、搭建rethink神经网络模型，所述rethink神经网络模型用于对经过编码和噪声影响的信号进行解调，生成预测标签；S3、使用所述训练数据集训练所述rethink神经网络模型，优化所述rethink神经网络模型的损失函数；S4、使用Nadam算法优化所述损失函数，更新所述rethink神经网络模型的参数，直至所述预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。2.如权利要求1所述的一种基于人工智能的QPSK接收机辅助模型训练方法，其特征在于，使用所述QPSK系统模型获取训练数据集具体为，使用所述QPSK系统模型对经过汉明编码后的数据进行QPSK调制，然后使用根升余弦进行过采样，再加入高斯噪声作为干扰，经过匹配滤波和欠采样得到56位特征。3.如权利要求1所述的一种基于人工智能的QPSK接收机辅助模型训练方法，其特征在于，所述rethink神经网络模型对经过编码和噪声影响的信号...

【专利技术属性】
技术研发人员：韩会梅，朱力，常会敏，沈天嘉，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：