专利交易市场

本发明涉及一种基于人工智能的QPSK接收机辅助模型训练方法，包括：搭建QPSK系统模型，使用QPSK系统模型获取训练数据集，搭建rethink神经网络模型，生成预测标签，使用训练数据集训练rethink神经网络模型，优化rethink神经网络模型的损失函数，使用Nadam算法优化损失函数，更新rethink神经网络模型的参数，直至预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为QPSK接收机辅助模型。本发明的方法所训练的模型采用基于反思结构的rethink神经网络，考虑到标签之间隐藏的相关性，能够在通信接收机的解调环节中进行解调，该模型的解调能够解决传统硬判决方法在低信噪比条件下，因噪声干扰而导致识別准确率不高的问题。

本发明涉及一种神经网络级联的QPSK接收机辅助模型训练方法，包括：搭建QPSK系统模型，使用QPSK系统模型获取训练数据集，搭建并训练rethink神经网络模型，rethink神经网络模型用于对经过编码和噪声影响的信号进行解调，生成预测标签；搭建并训练LSTM_CNN神经网络模型，LSTM_CNN神经网络模型用于对第一QPSK接收机辅助模型输出的预测标签进行译码。本发明的方法所训练的两个模型分别具有解调和信道译码两个小型神经网络，相比于Deepreceiver的深度神经网络，这两个小型神经网络显著减少了网络复杂度、能针对局部进行优化、应用更灵活，信息处理能力和信息恢复性能也在Deepreceiver的基础上得到了进一步提升。