[发明专利]一种基于紧凑自编码器的符号检测和调制识别方法

说明书

本发明是一种基于紧凑自编码器的符号检测和调制识别方法，包括如下步骤：步骤1，在信号接收端对不同调制方式的到达信号进行采样得到原始混合采样数据；步骤2，利用累积量和矩运算对原始混合采样数据预处理，提取信号特征并得到混合信号数据集；步骤3，采用CAE‑SDMC检测器对混合信号数据集进行符号检测和调制识别，即分别找到CAE‑SDMC检测器的符号检测和调制识别最优判别函数；步骤4：根据步骤3中的符号检测和调制识别最优判别函数确定CAE‑SDMC检测器的最优参数，进而实现恢复原始混合采样数据中的符号信息，同时输出原始混合采样数据对应的调制方式。

技术领域

本发明涉及一种符号检测和调制识别方法，特别是一种基于紧凑自编码器的符号检测和调制识别方法。

背景技术

符号检测和调制识别是智能通信系统的基本任务。符号检测是指接收机端的检测器对受噪声干扰和信道损伤的发送信号进行重建，从而恢复发送的信息。调制识别是通过决策理论或模式识别的方法对收到的信号进行调制方式的分类。传统的符号检测和调制识别算法完全依赖于已知的信道模型和参数，然而，实际通信系统中信道模型的建立和参数的估计面临较大的挑战。

近年来，基于深度神经网络(Deep Neural Network，DNN)的信号检测在物理层信号处理中得到了快速的发展，基于深度神经网络的智能信号检测方法为解决上述挑战提供了一种可能的途径。深度神经网络在物理层信号检测中的应用包括，基于卷积神经网络(Convolutional Neural Network，CNN)的二进制相移键控(Binary Phase Shift Keying，BPSK)解调器，该方案可以实现在高斯白噪声信道(Additive White Gaussian Noise,AWGN)和瑞利衰落(Rayleigh)信道下对二进制相移键控调制符号检测；利用全连接结构的深度神经网络实现端到端的通信系统，该系统中考虑了利用深度神经网络结构对符号间干扰和符号同步的处理；此外，基于卷积神经网络的调制识别分类器也得到了广泛的研究。

然而，传统的智能信号检测中需要先进行调制识别判定，然后根据调制方式选择解调器实现符号检测；同时，已知的工作中，基于深度神经网络的检测器仅能实现对单一信号的符号恢复，无法处理混合信号的检测；此外，大多数检测是在理想条件下进行的，忽略了信道损伤等因素对检测性能的影响。

因此，需要一种不依赖于信道模型和噪声假设，且可以同时完成混合信号符号检测和调制识别的智能检测器。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于紧凑自编码器的符号检测和调制识别方法。

为了解决上述技术问题，本发明公开了一种基于紧凑自编码器的符号检测和调制识别方法，包括紧凑自编码器-符号检测和调制识别CAE-SDMC(Compact AutoEncoder-Symbol Detection and Modulation Classification)检测器，CAE-SDMC检测器在检测过程中，具体步骤如下：

步骤1，在接收端对不同调制方式的到达信号分别进行采样；

步骤2，利用累积量和矩运算对步骤1中的原始混合采样数据进行处理，用于提取不同调制方式的信号特征；

步骤3，采用CAE-SDMC检测器对混合信号数据集进行符号检测和调制识别，即分别找到CAE-SDMC检测器的符号检测和调制识别最优判别函数。设计的CAE-SDMC检测器包含对混合信号进行符号检测的紧凑自编码器符号检测器(Compact AutoEncoder-SymbolDetection，CAE-SD)和对混合信号进行调制识别的紧凑自编码器调制识别(CompactAutoEncoder-Modulation Classification，CAE-MC)检测器；