阅读说明：本技术 基于时频分析和卷积神经网络的qpsk信号解调方法 (QPSK signal demodulation method based on time-frequency analysis and convolutional neural network ) 是由 李月 叶亮 贺梦利 黄刚 朱倩倩 郑鑫宇 于 2020-07-29 设计创作，主要内容包括：一种基于时频分析和卷积神经网络的QPSK信号解调方法,具体涉及一种QPSK信号解调方法。本发明是为了解决QPSK信号受同频干扰与噪声污染严重问题,首先对接收到的QPSK脉冲成型信号进行时频分析得到时频图,并对时频图进行预处理；然后输入预先训练好的卷积神经网络对接收信号时频图进行分类,并依据分类结果选择滤波通域,控制时变滤波器对接收信号进行滤波及解调,得到解调数据；最后依据分类结果可得到接收信号所属符号样本集,可通过符号样本集对解调数据进一步纠错。通过本方法可以有效抑制同频干扰,提升接收端的信干噪比性能,降低误比特率。本发明适用于QPSK信号的解调。(A QPSK signal demodulation method based on time-frequency analysis and a convolutional neural network specifically relates to a QPSK signal demodulation method. In order to solve the problem that a QPSK signal is seriously polluted by same frequency interference and noise, the method comprises the steps of firstly carrying out time-frequency analysis on a received QPSK pulse forming signal to obtain a time-frequency diagram and preprocessing the time-frequency diagram; then inputting a pre-trained convolutional neural network to classify the time-frequency graph of the received signal, selecting a filtering pass domain according to a classification result, and controlling a time-varying filter to filter and demodulate the received signal to obtain demodulation data; finally, a symbol sample set to which the received signal belongs can be obtained according to the classification result, and further error correction can be carried out on the demodulated data through the symbol sample set. The method can effectively inhibit same frequency interference, improve the signal-to-interference-and-noise ratio performance of a receiving end and reduce the bit error rate. The invention is suitable for demodulation of QPSK signals.)

基于时频分析和卷积神经网络的QPSK信号解调方法

技术领域

本发明涉及移动通信领域，具体涉及一种QPSK信号解调方法。

背景技术

在各种非正交资源共享方式中，不同用户的信号在时频平面上是重叠在一起的，接收端通过码域、空域、功率域的差异来区分不同用户的信号，实现有用信号恢复。但通过对信号的时频分析，我们发现不同用户信号在时频平面上的能量集中区域不同，可进一步结合时变滤波的方法，依据有用信号的时频分布对接收信号进行滤波，提升信号的信干噪比，进而提升误码率性能。但在通信系统中使用时变滤波时，无法从受干扰和噪声污染的信号中准确得到符合有用信号时频分布特性的滤波通域。本专利通过卷积神经网络选取与接收信号匹配的滤波通域，进而完成时变滤波，实现对干扰和噪声抑制。此外，匹配滤波通域所对应的符号样本集可进一步对QPSK解调数据进行纠错，提升误码率性能。

发明内容

本发明是为了解决QPSK信号受同频干扰与噪声污染严重问题。现提供一种基于时频分析和卷积神经网络的QPSK信号解调方法，包括以下步骤：

(1)在接收端接收信号，对接收到的信号进行截取；

(2)对截取后的信号做时频分析，产生时频分布图，对产生的时频分布图进行预处理；

(3)将预处理后的时频分布图输入训练好的卷积神经网络进行分类，并根据分类结果确定接收信号对应的滤波通域；

(4)依据相应类别的时频分布图，产生时变滤波模板，对接收信号进行时变滤波，最终得到解调符号；

(5)进一步计算解调符号和接收信号时频分布图对应的4个符号样本之间的汉明距离，并依据最小汉明距离对应的符号样本对解调符号进行纠错。

进一步地，步骤(1)中所述的信号截取长度为4个符号周期。

进一步地，步骤(2)所述的预处理过程，包括以下步骤：在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期。

进一步地，步骤(3)中所述的训练好的卷积神经网络，其训练方法包括如下步骤：

(3.1)依据QPSK信号的I、Q两路所有可能的发送数据产生n个时频分布图，将时频分布图相同的待发送数据归为一类，那么共产生n'类时频分布图；

(3.2)对归类后的QPSK信号的n'类时频分布图进行预处理；

(3.3)对神经网络进行训练，将预处理后的n'类时频分布图的每一类的m个样本作为卷积神经网络的输入，得到神经网络的最优权值。

优选地，步骤(3.1)所述的产生n个时频分布图，其中n取值为64。

优选地，步骤(3.1)所述的产生n'类时频分布图，其中n'取值为16。

进一步地，步骤(3.2)所述的预处理过程，包括以下步骤：在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期。

优选地，步骤(3.3)中的m取值满足m≥100。

进一步地，步骤(3.3)中所述的m个样本满足都是不含干扰和噪声的纯净时频分布图，通过将预处理后的每个时频分布图复制m遍得到。

本发明有益的效果为：

由于不同用户信号在时频平面上的能量集中区域不同，本发明通过提出一种基于时频分析和卷积神经网络的QPSK信号解调方法，从受干扰和噪声污染的信号中准确得到符合有用信号时频分布特性的滤波通域，实现一定程度的纠错码的功能，可以有效抑制同频干扰，提升接收端的信干噪比性能，降低误比特率。

附图说明

图1是本发明流程图。

图2是QPSK信号的16类时频分布图；其中图2a表示信号000001,001111,110000,111110；图2b表示信号000010,010111,101000,111101；图2c表示信号000011,011111,100000,111100；图2d表示信号000100,011000,100111,111011；图2e表示信号000101,010000,101111,111010；图2f表示信号000110,001000,110111,111001；图2g表示信号000111,111000,111111,000000；图2h表示信号001101,010001,101110,110010；图2i表示信号001001,001110,110001,110110；图2j表示信号001001,001110,110001,110110；图2k表示信号001011,011110,100001,110100；图2l表示信号001100,011001,100110,110011；图2m表示信号010010,010101,101010,101101；图2n表示信号010011,011101,100010,101100；图2o表示信号010100,011010,100101,101011；图2p表示信号011011,011100,100011,100100；

图3是对未进行预处理的时频分布图的CNN分类结果；

图4是三类错分样本预处理之后的时频分布图；其中图4a表示信号000011,011111,100000,111100；图4b表示信号000110,001000,110111,111001；图4c表示信号001001,001110,110001,110110；

图5是对预处理后的时频分布图进行CNN分类的结果。

具体实施方式

具体实施方式一，结合图1说明本实施方式，本实施方式所述的基于时频分析和卷积神经网络的QPSK信号解调方法，具体包括如下步骤：

(1)依据QPSK信号的I、Q两路所有可能的发送数据产生64个时频分布图，将时频分布图相同的待发送数据归为一类，那么共产生16类时频分布图，如图2a-图2p所示。其中时频分析工具选用时频分辨率高、聚集度好的时频变换即可，如短时傅里叶变换STFT或抑制交叉项的Choi-Williams分布；

(2)对归类后的QPSK信号的16类时频分布图进行预处理。在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期，如图3所示，图示中的6位比特流表示进行QPSK信号调制的6比特数据。这样处理的原因是有3个时频分布图刚好是另外3个时频分布图的是水平翻转映像，即000011是000001所对应时频分布图的翻转映像，000110是000100所对应时频分布图的翻转映像，001001是011011所对应时频分布图的翻转映像。卷积神经网络对这3个时频分布图提取特征时，所提取的特征和其映像时频分布图是一样的，所以分类时有三对时频分布图完全分不开，如图4a-图4c所示。为了解决这个问题，对时频分布图进行如上预处理，使任何两个时频分布图不再是翻转映像关系；

(3)将预处理后的16类时频分布图作为卷积神经网络的输入，对神经网络进行训练，得到神经网络的最优权值。神经网络的结构根据网络设计方法自行设计，输入卷积神经网络进行训练的16类时频分布图的每一类有m个样本；根据神经网络的特点，其中m需满足训练要求，不能太小，满足m≥100；这m个样本都是不含干扰和噪声的纯净时频分布图，通过将预处理后的每个时频分布图复制m遍得到，按照这种方法训练之后的分类结果如图5所示；

(4)在通信终端，从天线接收到的受干扰和噪声污染的信号通过下变频和A/D变换单元，获得信号y(n)，并送入缓存器缓存；

(5)对缓存器中缓存的接收信号y(n)进行截取，用滑动窗口截取窗口长度为4个符号周期。对截取后的信号做时频分析，产生时频分布图。对产生的时频分布图进行预处理，在时间维度上复制每个时频分布图的前半段时长内的图像到该时频分布图的尾部，使每个图像的时间维度从4个符号周期延拓至6个符号周期，产生预处理后的时频分布图；

(6)将得到的接收信号的时频分布图输入训练好的卷积神经网络进行分类，并根据分类结果确定接收信号对应的滤波通域；

(7)依据相应类别的时频分布图，产生时变滤波模板，对接收信号进行时变滤波，最终得到解调符号。其中时变滤波方法采用隐式滤波或显式滤波方法均可，但时变滤波产生的时延要满足系统设计要求。

(8)将时变滤波后的接收信号送入QPSK解调单元进行数据解调，得到恢复之后的数据。

(9)将解调之后的数据送入符号样本纠错单元，与本接收信号时频分布图所对应的4个符号样本进行比对，计算解调符号和各样本之间的汉明距离，并依据最小汉明距离对应的符号样本对解调符号进行纠错，实现一定程度上的纠错码的功能。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。