买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学;北京机电工程总体设计部

摘要：本发明提供一种基于LSTM的QDPSK差分解调方法，本发明涉及电子和通信技术领域，本发明利用LSTM网络具有记忆功能的特性，解决DNN网络无法进行差分译码的问题。采用QDPSK差分调制解调方式能有效解决基于DNN的QPSK解调器在载波提取时存在的反向工作问题。同时，本发明不仅在基带下进行仿真，还在带通下存在干扰时进行设计，测试了神经网络的抗干扰情况。

主权项：1.一种基于LSTM的QDPSK差分解调方法，其特征在于，包括以下步骤：步骤一：构建基于深度学习的QDPSK调制器，将QDPSK的调制器设计为差分编码器与基于DNN的QPSK调制器相结合的方式，其中DNN的QPSK调制器采用端到端自编码器形式，将两个DNN神经网络通过AWGN信道连接后进行端到端训练，将得到的DNN调制器与差分编码器连接后构成QDPSK调制器；所述步骤一具体为：原始信息序列s经过差分编码器编码后转换成相对码序列t，序列t经过DNN网络调制后映射为发送序列x，而DNN网络则转化为一个未知的映射函数则：x＝ht1接受序列y为：y＝x+n2 其中，n为高斯白噪声，服从均值为0，方差为σ2的复高斯分布；而LSTM差分解调器网络转换为一个未知的映射函数g，包括了解调和差分译码过程: 训练过程重构为一个最小化损失函数的过程： 其中，L为损失函数，选择光滑可导，有利于梯度下降的均方误差函数MSE作为损失函数；步骤二：构建基于LSTM的QDPSK差分解调器，选择双向LSTM作为差分解调器的主体结构，QDPSK差分解调器包括双向LSTM层、全连接Dense层和批量标准化BN层；双向LSTM层用来学习差分编码前后码元之间的相关性，进行差分译码；Dense层用来计算和判决输出，完成解调工作；BN层在不改变数据分布的前提下，将数据集中在指定范围之内，用来防止过拟合，加快训练速度；所述步骤二具体为：具有L层的全连接神经网络可以描述为一个输入为x0的张量到输出为xL的张量的映射fx0,θ，每一层的迭代过程为：xl＝flxl-1,θl，l＝1,...,L6flxl-1,θl＝σWlxl-1+bl7其中flxl-1,θl是第l层的映射，映射的结果取决于前一层的输入和这一层的网络参数θl，θ＝{θ1,θ2,...,θL}为模型通过训练得到的所有网络参数集，Wl和bl均为参数θl＝{Wl,bl}的元素，σ·称为激活函数，为网络引入非线性；在训练过程中，输入和输出的向量来建立一个损失最小化的优化问题，通过调整参数θ来最小化损失函数lu,v: 其中，表示期望的输出值，而调制解调器期望解调后的信息与输入信息一致，最小化误符号率因此期望输出值等于输入值，即xL.i表示实际的输出值；步骤三：构建训练和测试所用的数据集；步骤四：设置仿真参数进行训练；选择合适的信噪比，将数据集处理成不同的信噪比，分别输入到网络中进行训练，并进行超参优化，得到不同信噪比条件下的差分解调器模型；所述合适的信噪比为2dB、4dB、6dB、8dB或10dB；步骤五：测试差分解调器性能，利用测试集测试不同信噪比下不同模型的误符号率性能。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 北京机电工程总体设计部 一种基于LSTM的QDPSK差分解调方法