利用帧同步码的卷积交织器快速盲识别方法
利用帧同步码的卷积交织器快速盲识别方法
1. 引言
盲识别是指在不知道发送信号的先验信息的情况下,对接收到的信号进行识别和解调的过程。它广泛应用于软件无线电、认知无线电和频谱监测等领域。传统的盲识别方法通常基于统计特征或循环特征,计算复杂度高、收敛慢。近年来,借助深度学习的强大能力,利用卷积神经网络(CNN)进行盲识别成为研究热点。
本文提出一种利用帧同步码的卷积交织器快速盲识别方法。该方法首先利用帧同步码对接收信号进行粗糙同步,然后提取同步后信号的振幅谱和相位谱作为CNN的输入,最后通过训练得到的CNN模型对调制方式进行识别。该方法不仅可以快速完成同步,而且能充分利用信号的振幅和相位信息,提高了识别精度。
2. 系统模型
考虑单载波线性调制的基带等效信号模型:
$$s(t) = \sum_{n} a_n g(t-nT) e^{j\theta_n}$$
其中$a_n$为调制符号序列,$g(t)$为脉冲成形滤波器impulse响应, $\theta_n$为相位,T为符号周期。发送信号经过增益为1、相位偏移为$\phi$、频率偏移为$f_d$的加性白高斯噪声(AWGN)信道后,接收信号可表示为:
$$r(t) = s(t-\tau)e^{j2\pi f_d t + \phi} + n(t)$$
其中$\tau$为时延,$n(t)$为AWGN。
3. 帧同步及CNN输入特征提取
3.1 帧同步
本文利用已知的帧同步码进行粗糙同步。设同步码长度为$N_s$,采用循环移位特性,构造同步码的循环自相关函数:
$$R_s[m] = \sum_{n=0}^{N_s-1}s[n]s^*[(n+m)\bmod N_s]$$
其中$s[n]$为同步码,*表示复数辗转。在无噪声时,当$m=0$时,$R_s[m]=N_s$,否则$R_s[m]=0$。通过计算接收信号与同步码的循环相关:
$$R[m] = \sum_{n=0}^{N_s-1}r[n]s^*[(n+m)\bmod N_s]$$
到$R[m]$的最大值对应的$m$即为粗糙同步位置估计值$\hat{m}$。
3.2 CNN输入特征提取
对于同步后的接收信号$r[n+\hat{m}]$,提取其振幅谱和相位谱作为CNN的输入特征:
1) 振幅谱:对$r[n+\hat{m}]$进行FFT变换得到频域信号$R[k]$,振幅谱为$|R[k]|$。
2) 相位谱:通过unwrap处理消除相位的跳变,得到unwrapped相位谱$\angle R[k]$。
将振幅谱$|R[k]|$和unwrapped相位谱$\angle R[k]$分别归一化到[0,1]后,拼接成一个二维特征图作为CNN的输入。
模拟人生3mod使用 4. CNN模型及训练
4.1 CNN模型结构
CNN模型采用类似AlexNet的结构,包括5个卷积层、3个池化层和2个全连接层。卷积核尺寸
分别为11×11、5×5、3×3、3×3、3×3,步长为4、1、1、1、1,输出特征图数量为96、256、384、384、256。全连接层的输出维度分别为4096和M(M为识别的调制方式数量)。
4.2 模型训练
训练过程中,使用随机梯度下降算法、交叉熵损失函数和Dropout正则化。对于每一种调制方式,产生不同的信噪比、相位偏移、频率偏移和时延的训练样本。经过足够迭代次数的训练,直至模型收敛。
5. 仿真结果
针对BPSK、QPSK、16QAM和64QAM四种典型调制方式,考虑不同的信噪比、频率偏移和相位偏移,进行了Monte Carlo仿真。结果表明,所提方法能在低信噪比、大频偏和大相偏的条件下,快速实现调制方式的盲识别,识别精度优于基于统计特征和循环特征的传统方法。
6. 结论
本文提出了一种利用帧同步码的卷积交织器快速盲识别新方法。该方法首先利用帧同步码实
现粗糙同步,然后提取同步后信号的振幅谱和相位谱作为CNN输入,最后通过训练的CNN模型对调制方式进行识别。仿真结果验证了所提方法的有效性。该方法不仅克服了传统方法的缺陷,而且具有同步快、识别精度高的优点,为实际应用提供了一种新的解决方案。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。