[发明专利]一种应用于反向散射系统的自适应解码方法及解码系统

说明书

本发明公开了一种应用于反向散射系统的自适应解码方法及解码系统，首先根据已知的信号码元训练解码器；下变频射频信号到基带；将基带信号进行数字化，并且消除数字信号中的载波分量；检测反向散射信号是否存在，若存在，搜索并定位反向散射信号的起始位置；解调反向散射信号波形，获得信号码元；将信号码元输入解码器，由解码器对其进行解码，以获得反向散射数据。本发明利用反向散射信号相邻码元具有记忆性的特点，将机器学习技术应用到反向散射信号的解码算法中，完成反向散射信号基带码元的解码，该解码器不仅性能不低于传统的Viterbi算法，而且可对不同的编码器进行学习，具有很好的自适应能力。

技术领域

本发明涉及信号处理技术领域，尤其是涉及一种应用于反向散射系统的自适应解码方法及解码系统。

背景技术

近年来，反向散射通信技术已成功应用于许多不同领域，如常见的射频识别(RFID)系统。该系统被广泛应用于库房盘存、资产跟踪和个人身份识别。为了降低反向散射通信中的误码率，在大多数反向散射通信系统基带部分，都采用了前向纠错码。如在EPCGlobal Class-1 Generation-2 UHF RFID标准中，射频标签的波形采用了基于FM0的编码方法。FM0编码是一种双相间空号编码，图1所示为FM0编码的4种基本波形，代表FM0编码的4个编码状态，记为S1～S4。图2所示为状态S1～S4的状态转移图。根据状态转移图，标签信号中任意两个相邻数据通过FM0编码后在码元交界处必须进行一次相位翻转，从而每一个数据编码后的码元波形由前一个码元以及当前的数据决定,即FM0编码具有记忆性。

在通信系统中，传统的解码器都是基于编码理论，通过最优化某种编码属性，如汉明距离等，来完成解码器的设计。如广泛用于卷积码解码的维特比(Viterbi)算法，其利用卷积码编码时的码间约束,以多个码元波形对某一码元进行最大似然译码。由于前述RFID系统采用了FM0编码，其具有同卷积码类似的记忆性，因而Viterbi算法可以对该反向散射信号进行解码。虽然传统的解码器在某些条件下式最优的，如Viterbi算法在白噪声情况下，是卷积码的最优的解码方法，但传统的解码器必须针对特定的编码过程进行单独设计，在某些领域的应用中，如认知无线电，仍缺乏足够的灵活性。

近年来，机器学习成为了近年来学术界、工业界所关注的焦点，在高性能GPU、模型训练方法和学习网络架构发展的推动下，机器学习在图像处理、机器翻译以及语音识别等领域中取得极为重大的进展。同时，它在现代通信系统中的应用也越来越广泛，但在反向散射通信系统这个领域，基于机器学习的反向散射系统尚未有人考虑过。

发明内容

有鉴于此，本发明的目的在于提供一种基于机器学习的应用于反向散射系统的自适应解码方法及解码系统。

为解决上述技术问题，本发明的实施例提供一种应用于反向散射系统的自适应解码方法，包括以下步骤：

步骤A、将已知反向散射信号x(n)对应的接收码元数据块y(n)输入解码器，并将解码器输出的解码结果z(n)与x(n)进行比对，利用x(n)与z(n)之间的差值对解码器进行训练，直至x(n)与z(n)之间的误差小于指定要求，此时即完成解码器的训练；

步骤B、解码器将接收到的射频信号首先下变频到基带，并进入下一步骤；

步骤C、将基带信号进行数字化，并且消除数字信号中的载波分量，并进入下一步骤；

步骤D、检测反向散射信号是否存在，若不存在，则返回步骤B，若存在，搜索并定位反向散射信号的起始位置，并进入下一步骤；

步骤E、解调反向散射信号波形，获得信号码元，并进入下一步骤；

步骤F、将信号码元输入解码器，由解码器对其进行解码，以获得反向散射数据。