专利交易市场

本发明涉及一种基于深度学习的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，搭建深度学习神经网络模型，生成预测值，使用训练数据集训练深度学习神经网络模型，优化深度学习神经网络模型的损失函数，使用Nadam算法优化损失函数，更新深度学习神经网络模型的参数，直至预测值与真实值对比的错误率最小，将更新后的深度学习神经网络模型作为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深度学习神经网络，考虑到值之间隐藏的相关性，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。

本发明属于信息解调技术领域，具体涉及基于堆栈DSAE网络的改进MPPSK信号解调系统。包括：信号源，用于发送改进MPPSK调制信号；冲击滤波器，用于对改进MPPSK调制信号的相位跳变点进行幅度冲击；相干处理器，用于对冲击滤波后的改进MPPSK调制信号乘以相干载波；低通滤波器，用于输出相干处理后改进MPPSK调制信号的包络；堆栈DSAE网络，用于接收低通滤波后的改进MPPSK调制信号的特征信息，并在线测试提取特征信息。本发明具有结合SAE与DAE学习网络，得出堆栈稀疏自编码算法学习网络，并将机器学习算法引入高效调制信号检测中，通过学习接收的特征信息，进而提升高效调制信号的解调性能的特点。

本发明公开了一种无线突发通信PSK信号的符号同步方法，涉及移动通信领域。为了解决PSK信号符号同步算法收敛时间较长，无法直接应用于数据量较少的突发通信问题，本发明方案中包括：时钟初相捕获算法和时钟相位跟踪算法。该方法首先实现时钟初相的快速捕获，然后将捕获的初相注入时钟相位跟踪算法，实现时钟相位的高精度跟踪。其中，时钟初相的捕获算法，可根据设计要求，选择反馈式或前向式实现；时钟相位跟踪算法则统一采用反馈式实现。在无数据辅助的情况下，本发明快速、高精度的实现了PSK信号的符号同步。

本发明属于无线通信技术领域，具体为基于MPSK信号的正交空间调制系统检测方法；包括：采用二维矢量量化MPSK信号星座图，得到MPSK量化图；对接收信号执行一次迫零得到发送向量估计值，对发送向量估计值的列元素求和得到发送符号估计值；确定发送符号估计值落在MPSK量化图中的量化区域，判定发送端发送的调制符号为所述量化区域的星座点；根据检测出的发送端发送的调制符号，利用球形译码SD检测出具体的激活天线索引；本发明在检测调制符号时，发送符号估计值可直接判断出发送端发送的调制符号，调制符号的检测与调制阶数没有关系，减少了搜索空间，降低了复杂度；本发明采用的SD检测通过合理的选择搜索半径，有效减少了搜索点数，降低了接收机的复杂度。