本发明专利技术涉及一种基于深度神经网络的信道译码辅助载波同步方法和装置，包括：对含有载波偏差的接收信号进行预处理，得到帧同步后的接收信号；基于帧同步后的接收信号计算得到译码反馈特征向量，并将其作为预先建立的DNN模型的输入，根据DNN模型的预测结果对接收信号进行载波补偿；判断载波补偿值是否满足预设收敛判定条件，若满足，则声明载波同步建立，执行后续信号处理流程；否则，返回上一步骤，直至满足收敛判定条件。本发明专利技术基于DNN来加速译码辅助载波同步算法的迭代过程，直接预测信号真实的载波参数，避免传统译码辅助载波同步算法的多次迭代过程，有效降低计算开销。本发明专利技术可以广泛应用于数字通信技术和机器学习交叉领域。广泛应用于数字通信技术和机器学习交叉领域。广泛应用于数字通信技术和机器学习交叉领域。
【技术实现步骤摘要】
基于深度神经网络的信道译码辅助载波同步方法和装置
[0001]本专利技术属于数字通信技术和机器学习交叉领域，具体涉及一种基于深度神经网络(DNN)的信道译码辅助载波同步方法和装置。
技术介绍
[0002]载波同步是信号接收过程中的关键环节之一，用于估计和消除信号中残留的载频分量，实现相干解调。在深空通信、远洋水下通信以及军事隐蔽通信等重要场景下，由于接收信号的信噪比较低，传统的盲估计算法存在门限效应，不能准确地对信号的载频参数进行估计，因此需要设计一种适用于低信噪比信号的载波同步算法。
[0003]译码辅助载波同步是目前针对低信噪比场景的主要解决方案，其基本原理是将信道译码器的软信息反馈用于载波同步性能的改善，从而利用编码增益来克服信道噪声对于同步过程的干扰。然而，现有的信道译码辅助载波同步算法需要反复执行信道译码操作，计算复杂度较高，严重限制了接收机的数据吞吐率。
技术实现思路
[0004]针对上述问题，本专利技术的目的是提供一种低复杂度的基于深度神经网络的信道译码辅助载波同步方法和装置。
[0005]为实现上述目的，本专利技术采取以下技术方案：
[0006]第一方面，本专利技术提供一种基于深度神经网络的信道译码辅助载波同步方法，包含以下步骤：
[0007]对含有载波偏差的接收信号进行预处理，得到帧同步后的接收信号；
[0008]基于帧同步后的接收信号计算得到译码反馈特征向量，并将其作为预先建立的DNN模型的输入，根据DNN模型的预测结果对接收信号进行载波补偿；
[0009]判断载波补偿值是否满足预设收敛判定条件，若满足，则声明载波同步建立，执行后续信号处理流程；否则，返回上一步骤，直至满足收敛判定条件。
[0010]进一步，所述对含有载波偏差的接收信号进行预处理时，预处理过程包含载波粗同步、匹配滤波以及帧同步。
[0011]进一步，所述载波粗同步包括：
[0012]对含有载波偏差的接收信号进行缓存；
[0013]采用快速傅里叶变换算法对缓存的接收信号的载波频率进行估计，得到载波参数估计值；
[0014]基于载波参数估计值对接收信号进行载波粗补偿。
[0015]进一步，所述基于帧同步后的接收信号计算得到译码反馈特征向量，并将其作为预先建立的DNN模型的输入，根据DNN模型的预测结果对接收信号进行载波补偿，包括：
[0016]对帧同步后的接收信号，分别在附加固定载波偏置和不附加载波偏置两种情形下，进行解调和信道译码，得到两路信号的后验LLR向量；
[0017]对得到的两路信号的后验LLR向量进行似然概率特征提取，计算得到译码反馈特征向量；
[0018]将译码反馈特征向量作为DNN模型的输入，对载波参数进行回归预测；
[0019]根据载波参数预测结果对接收信号进行载波补偿。
[0020]进一步，所述译码反馈特征向量包括六个维度，分别为：似然概率函数值、似然概率函数相位域偏导、似然概率函数频域偏导、偏置似然概率函数值、偏置似然概率函数相位域偏导、偏置似然概率函数频域偏导。
[0021]进一步，所述该DNN模型包含一个输入层、两个隐藏层以及一个回归输出层；
[0022]所述输入层用于读入译码反馈特征向量中的六维特征数据，并将其传递至隐藏层；
[0023]两个所述隐藏层将用于对读入的译码反馈特征向量进行重组，通过两级非线性全连接映射，提取得到与信号载波参数具有强相关关系的高层特征表示；
[0024]所述回归输出层用于根据所述隐藏层中提取得到的高层特征回归预测接收信号的载波参数，得到最终的载波参数估计结果。
[0025]第二方面，本专利技术提供一种基于深度神经网络的信道译码辅助载波同步系统，包括：
[0026]预处理模块，用于对含有载波偏差的接收信号进行预处理，得到帧同步后的接收信号；
[0027]载波预测补偿模块，用于将基于帧同步后的接收信号计算得到的译码反馈特征向量作为预先建立的DNN模型的输入，并根据预测结果对接收信号进行载波补偿；
[0028]输出模块，用于判断载波补偿值是否满足预设收敛判定条件，若满足，则输出载波同步信号，执行后续信号处理流程；否则，返回载波预测补偿模块，直至满足收敛判定条件。
[0029]进一步，所述载波预测补偿模块包括后验LLR向量计算模块、译码反馈特征向量计算模块、载波预测模块和第二载波补偿模块；
[0030]所述后验LLR向量计算模块用于根据帧同步后的接收信号，分别在附加固定载波偏置和不附加载波偏置两种情形下，进行解调和信道译码，得到两路信号的后验LLR向量；
[0031]所述译码反馈特征向量计算模块用于对得到的两路信号的后验LLR向量进行似然概率特征提取，计算得到译码反馈特征向量；
[0032]所述载波预测模块用于将译码反馈特征向量输入DNN模型，对载波参数进行回归预测；
[0033]所述第二载波补偿模块用于根据载波参数预测结果对接收信号进行载波补偿。
[0034]第三方面，本专利技术提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法中的任一方法。
[0035]第四方面，本专利技术提供一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
[0036]本专利技术由于采取以上技术方案，其具有以下优点：本专利技术通过训练DNN模型建立形态特征和载波参数之间的查找映射关系，在同步过程中基于译码LLR向量计算似然概率函
数形态特征，即译码反馈特征向量，从而直接预测信号真实的载波参数，避免传统译码辅助载波同步算法的多次迭代过程，有效降低计算开销。本专利技术基于DNN模型来加速译码辅助载波同步算法的迭代过程，相较于国际上的先进算法，其计算开销降为1/10，并且当信噪比高于译码门限时，同步精度逼近于修正克拉美罗界。因此，本专利技术可以广泛应用于数字通信技术和机器学习交叉领域。
附图说明
[0037]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
[0038]图1是译码辅助载波同步似然概率函数曲线图；
[0039]图2是译码辅助载波同步中似然概率函数等高线趋势图；
[0040]图3是本专利技术实施例提供的基于深度神经网络的信道译码辅助载波同步方法流程图；
[0041]图4是本专利技术所采用的深度神经网络模型示意图；
[0042]图5是根据本专利技术的基于深度神经网络的信道译码辅助载波同步装置示意图；
[0043]图6是在LDPC(6144,1024)编码、QPSK调制方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度神经网络的信道译码辅助载波同步方法，其特征在于，包含以下步骤：对含有载波偏差的接收信号进行预处理，得到帧同步后的接收信号；基于帧同步后的接收信号计算得到译码反馈特征向量，并将其作为预先建立的DNN模型的输入，根据DNN模型的预测结果对接收信号进行载波补偿；判断载波补偿值是否满足预设收敛判定条件，若满足，则声明载波同步建立，执行后续信号处理流程；否则，返回上一步骤，直至满足收敛判定条件。2.如权利要求1所述的一种基于深度神经网络的信道译码辅助载波同步方法，其特征在于，所述对含有载波偏差的接收信号进行预处理时，预处理过程包含载波粗同步、匹配滤波以及帧同步。3.如权利要求2所述的一种基于深度神经网络的信道译码辅助载波同步方法，其特征在于，所述载波粗同步包括：对含有载波偏差的接收信号进行缓存；采用快速傅里叶变换算法对缓存的接收信号的载波频率进行估计，得到载波参数估计值；基于载波参数估计值对接收信号进行载波粗补偿。4.如权利要求1所述的一种基于深度神经网络的信道译码辅助载波同步方法，其特征在于，所述基于帧同步后的接收信号计算得到译码反馈特征向量，并将其作为预先建立的DNN模型的输入，根据DNN模型的预测结果对接收信号进行载波补偿，包括：对帧同步后的接收信号，分别在附加固定载波偏置和不附加载波偏置两种情形下，进行解调和信道译码，得到两路信号的后验LLR向量；对得到的两路信号的后验LLR向量进行似然概率特征提取，计算得到译码反馈特征向量；将译码反馈特征向量作为DNN模型的输入，对载波参数进行回归预测；根据载波参数预测结果对接收信号进行载波补偿。5.如权利要求4所述的一种基于深度神经网络的信道译码辅助载波同步方法，其特征在于，所述译码反馈特征向量包括六个维度，分别为：似然概率函数值、似然概率函数相位域偏导、似然概率函数频域偏导、偏置似然概率函数值、偏置似然概率函数相位域偏导、偏置似然概率函数频域偏导。6.如权利要求4所述的一种基于深度神经网络的信道译码辅助载波同步方法，其特征在于，所述该DNN模型包含一个输入层、两个隐藏层以及一个回归输出层；所述...
【专利技术属性】
技术研发人员：詹亚锋，陈泰伊，谢浩然，肖小龙，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。