一种基于深度学习的连续相位调制信号解调方法技术

本发明专利技术公开了一种基于深度学习的连续相位调制信号解调方法，属于通信领域；首先，收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；然后，搭建神经网络模型，输入训练样本进行模型训练；所述神经网络模型包括依次串连的三层卷积层和全连接层；每层卷积层包含多条并行的卷积分支；对于每个样本，依次利用各卷积层中的八条卷积分支进行并行特征提取和融合，得到特征图输入给全连接层；多次迭代并调整学习率直至模型参数达到最优；最后，将待解调的调制信号输入训练好的神经网络模型中进行自动解调；本发明专利技术在GMSK下的解调性能与传统MLSD方法的理论性能接近，在FSK下的解调性能超越了传统MLSD方法的解调性能，模型泛化能力与鲁棒性更强。泛化能力与鲁棒性更强。泛化能力与鲁棒性更强。

【技术实现步骤摘要】
一种基于深度学习的连续相位调制信号解调方法


[0001]本专利技术属于通信
，具体是一种基于深度学习的连续相位调制信号解调方法。

技术介绍

[0002]在空间通信系统中，可以有效利用的频谱资源非常有限，而且由于通信链路较长，导致对调制信号的频带效率和功率效率的要求较高。CPM(Cross Phase Modulation)调制体制因其包络恒定，可以使得发送端的功率放大器工作在转化效率高的非线性区，并且在高功率放大器中失真较小。另外，CPM因其频谱紧凑的特点拥有较高的频谱效率和功率效率，可以缓解频谱资源紧张的问题。因此，这种高效的数字相位调制方法，广泛被应用于靶场、遥感测绘和卫星通信等领域。
[0003]想要达到较高的频谱效率和解调性能的前提是必须完成CPM信号的位同步和解调。传统的CPM解调性能很大程度上由解调算法及位同步方法决定。目前常用的解调算法有相干解调和非相干解调，使用最广泛的是最大似然序列检测算法(MLSD)，这种算法的效果很好，但是在解调前需要进行匹配滤波，相位旋转等步骤，然后送入维特比译码器(Viterber)进行判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的连续相位调制信号解调方法，其特征在于，具体步骤如下：首先，收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；然后，搭建神经网络模型，并输入训练样本进行模型训练；所述神经网络模型中包括依次连接的第一卷积层、第二卷积层、第三卷积层和全连接层；每层卷积层包含多条卷积分支；对于每个样本，利用第一卷积层中的八条卷积分支对样本进行并行特征提取，并融合后输入给第二卷积层；第二卷积层中的八条卷积分支对第一融合特征图进行并行特征提取，再融合输入给第三卷积层；第三层卷积层中的八条卷积分支对第二融合特征图进行并行特征提取，融合后展平为二维特征向量输入给全连接层；全连接层将二维特征向量映射到原始信号序列样本空间并输入给Sigmoid函数得到样本的每个采样点的预测值；多次迭代并调整学习率直至模型达到稳定时，选取最优模型参数，得到训练好的神经网络模型；最后，将待解调的调制信号序列、信噪比和信号原始序列，共同输入训练好的神经网络模型中进行自动解调。2.如...

【专利技术属性】
技术研发人员：段瑞枫，杨嘉晨，李诚驹，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：