基于前馈神经网络的MPPSK接收机位同步方法研究.pdf

2023 年第 8 期143信息技术与信息化电子与通信技术基于前馈神经网络的 MPPSK 接收机位同步方法研究马泓剑1 于向军2 吴乐南3MA Hongjian YU Xiangjun WU Lenan 摘要 目前，在通信领域，深度学习（deep learning，DL）被认为是处理无线通信物理层的有效工具之一，有诸如自动调制识别、信道估计等方面应用。针对 DL 接收机设计中的同步问题，提出了一种在多元位置相移键控(m-ary position phase shift keying,MPPSK)调制方式下的滑窗式位同步方法。首先，训练一个前馈神经网络，作为码元的分类器；然后，使用滑动窗口在信号的采样点上滑动，每个窗口中的信号作为输入送入神经网络，得到的输出作为码元的判决准确度；最后，在滑动过程中，取置信度最高的采样点为同步点。通过仿真实验证明了同步的可靠性和精确性。关键词 MPPSK 调制；深度学习；前馈神经网络；同步doi：10.3969/j.issn.1672-9528.2023.08.0311.东南大学-蒙纳士大学苏州联合研究生院 江苏苏州 2151232.东南大学苏州校区 江苏苏州 2151233.东南大学信息科学与工程学院 江苏南京 2100960 引言随着无线多媒体通信信息的多样化，对频谱资源的需求日益增大，但是频谱资源是有限的且不可再生，所以学者们在提高频谱利用率这一方面做了许多研究。美国的 H.R.Walker 等人首先研发了超窄带(ultra narrow band，UNB)调制技术，相继提出的可变相移键控(variable phase shifting keying，VPSK)、甚小移键控(very minimum shift keying，VMSK)及其类似技术1-2在当时具有前瞻性与指引性。东南大学吴乐南团队长期致力于高效调制技术的研究，并已取得大量突破性研究成果，如：提出扩展 的 二 元 相 移 键 控(extended binary phase shift keying，EBPSK)，使用不对称小角度调相方式进一步紧缩了频谱；为将非对称调制技术扩展至多进制，又将二元调制与位置调制相结合，提出了 MPPSK 调制方式3-5。与 EBPSK 相比，MPPSK 在频谱结构和发射功率几乎不变的条件下，可进一步提高频谱利用率。自深度学习火热以来，其在通信领域也大放异彩6-8。文献 9 提出了一种基于卷积神经网络（convolutional neural network，CNN）的自动调制识别技术；文献 10 提出了使用自编码器（auto-encoder，AE）解决信道均衡问题；在文献 11-13 中，OShea 等人将整个通信系统视为一个自编码器，提出一个端到端的重建任务，以整体联合优化发送端和接收端。文献 14-15 则展示了深度学习用于信道估计以及OFDM 接收机相关问题。这些都证明了深度学习运用于无线通信物理层的可行性与先进性，并展示了其在实现端到端性能最大化上的强大潜力。东南大学吴乐南团队也将 MPPSK 高效调制方式与深度学习结合了起来。MPPSK 接收机的经典设计是需要冲击滤波器、匹配滤波器、均衡器等器件的帮助16-21。文献 22 提出了一种基于 CNN 的双极性脉冲 MPPSK 判决器；文献 23提出了基于 CAE 和基于 CRNN 的 MPPSK 信号解调器，通过仿真实验证明了其在判决性能、抗单频干扰等方面优于经典设计。然而，深度学习接收机的设计中往往忽视了同步的重要性。在经典通信系统中，同步是指通信收、发双方在时间上步调的一致，是进行信息传输的必要和前提。同步性能的好坏直接影响着通信系统的性能。同步系统应具有比信息传输系统更高的可靠性和更好的质量指标，如同步误差小、相位抖动小以及同步建立时间短，保持时间长等，而在许多深度学习接收机的仿真实验中均默认同步。基于此，本文提出了一种基于深度学习的方法来实现同步机制，利用 MPPSK 载波易恢复的优势，采取滑动窗口的办法，在诸多采样点上滑动，利用大数据训练和深度网络的判别优势，找到最大置信度的采样点，此即为同步点。2023 年第 8 期144信息技术与信息化电子与通信技术1 MPPSK 接收机解调1.1 MPPSK 调制传统 BPSK 调制方式是将码元“0”和码元“1”以正弦载波反相 =180来携带信息，这种对称的调制方式能够完全抑制载波，得到了广泛应用，但是缺点是频谱利用率比较低。如果码元“1”相对于码元“0”只在前几个周期内发生相位跳变，则频谱能量仍然高度集中在载频处，这就是不对称的 EBPSK 调制技术的核心思想。将以上思想扩展到 M 进制，采用 M 进制信息符号直接控制正弦载波的相位跳变时刻在每个码元周期中的位置，就得到了多元位置相移键控(MPPSK)调制。MPPSK 在一个码元周期 0,NT 内的数学表达式为：sin 0 0sin 0(1)()sin()(1)(),011sin ()cckcgcgAttNTkAttkKTf tBtkKTtkr KTkMAtkr KTtNT =+（1）其中，A 为码元“0”和非零码元非调相区间的载波幅度，B 为非零码元调相区间的载波幅度；k=0,1,2,M-1 为实际发送的符号，共有 M 种取值，当 M=2 时，MPPSK 退化为EBPSK；2/cT=为载波周期；N 为码元周期内的载波周期数；K为相位跳变所持续的载波周期数；为相位跳变的角度；0gr1 为符号保护间隔控制因子。为了满足不同应用的指标要求，可通过调整调制参数A、B、M、N、K、和 rg的取值，得到不同的调制信号带宽、传输速率和系统解调性能。为了简化调制参数选取以及调制解调器的实现，通常取 A=B=1、=、rg=0，而 M、N、K 由实际需求决定。当 M=4、K=2、N=8 时，各码元的波形图如图 1 所示：图 1 MPPSK(M=4 时)各个码元的波形图1.2 深度网络分类器的实现本实验采用 Matlab 软件产生 MPPSK 信号，其中 M 取值为 4，即共有四种不同的码元。载波频率选取 30 MHz，采样频率为 15 倍载频，码元周期为 N=8 个载波周期。仿真环境为 AWGN 信道，即在信号上叠加了加性高斯白噪声，以模拟实际信道中的已调信号，从而精确的模拟实际接收机的情形，信噪比 SNR取 0-20 dB（利用随机函数产生）。MPPSK信号的其他参数如表 1 所示。表 1 MPPSK 信号调制参数值MPPSK 调制参数参数值载频30 MHz幅度A、B均为 1采样速率15 倍载频跳变角 符号保护间隔控制因子0仿真信道AWGN信道编码无利用 Matlab 产生随机的 0、1 比特流，再将其转化为M=4 种码元符号，并给其编码，其值为 0、1、2、3。接着利用公式（1），将每个码元符号调制为 MPPSK 码元，并拼接成一段完整的信号。每段信号 500 个码元符号，利用 randi函数，随机产生 k 段不同的信号，其中 k 取 20。为了方便后续实验利用之前的实验结果，每次产生的过程中设置了随机种子。这样，共产生了 50020=10 000 个 MPPSK 码元符号，每个码元采样点数为 158=120 点，所以总体训练集数据规模为（10 000，121），其中最后一列为该码元的标签（属于 0，1，2，3 其中的一类）。如前所述，深度学习、机器学习运用于无线通信物理层这一方面，近几年通信领域有许多尝试，其中不乏一些具有开创性、引领性的工作24。但将深度学习、机器学习运用于同步上的工作，较为罕见。文献 25 提出利用支持向量机（support vector machine,SVM）实现 OFDM 信号的定时偏移情况下的符号检测。但考虑到 SVM 对噪声较为敏感，由于 SVM 的决策面仅由两类点的最近点决定，如果最近点出现了噪声的话，决策面受干扰较大，所以本文采用深度学习方法以充当 MPPSK 信号的分类器，具体地说，采用一个前馈神经网络，以期自动、高效地学习MPPSK 信号的特征。本实验环境使用 Tensorflow2.5，网络结构定义如图 2 所示。2023 年第 8 期145信息技术与信息化电子与通信技术图 2 神经网络各层结构图网络的输入层神经元个数为 120，后接第一层 Dense 层（全连接层），神经元个数为 60，然后接第二层 Dense 层，神经元个数为 20。前三层的激活函数均选取 relu 激活函数，之后过一个 4 分类的输出层，输出层激活函数为 softmax 函数，由此输出可以直接得到该码元被分类的各个类的概率分布大小。该模型总共待训练参数个数为 23 084 个，损失函数采用交叉熵损失函数，优化器选用Adam，训练过程很快收敛，且准确率非常高。由于采样倍数选取较大，导致输入数据的特征变多，且训练集、验证集上准确率很高（100%）。为验证模型是否产生过拟合问题，仍取相同采样倍数，但信噪比分别改为010 dB，-100 dB，更改随机种子，其他参数保持不变，以相同的方式产生两组测试数据，并利用该已训练模型进行预测，500 个码元中分类正确的个数分别为 500、461，即准确率分别为100%、92.2%。此数据充分说明，即使在信噪比很低、信道条件极端恶劣的情形下，该模型仍然具有较高的准确度，为后续实现同步奠定了基础，保证了同步精度。当然，该方法的不足之处在于，采样倍数选取较高，增加了训练以及后续实现同步时的计算复杂度。2 滑窗式位同步模型 通信系统中的同步可分为载波同步、码元同步、群同步和网同步。在接收机同步设计中主要考虑前两种同步。由于MPPSK 信号中残留了载波信息，所以在接收端可轻易恢复载波。不同于 OFDM 等其他调制方式，MPPSK 调制将码元在时间上展宽，即一个码元占多个载波周期，靠相位跳变位置的不同区分不同码元，加上实际操作中往往采用过采样，则一个码元会有较多的采样点，那么整体上码元同步的绝对误差最多就只有一个码元周期内的采样点数，所以对同步精度的要求没有 OFDM 等调制方式苛刻26-27，这也是 MPPSK高效调制的一个优势。在 MPPSK 接收机实际设计中，载波同步是由平方环或科斯塔斯环等锁相环来实现的，因为 MPPSK 是保留载波的调制方式，所以无需额外发导频、消耗额外频带和功率即可提取载波，本文在此不做过多赘述。经典的 MPPSK 接收机位同步方法是采用基于冲击滤波器的方法17，将相位跳变转化为幅度冲击，以此作为判决依据。但当信道条件恶劣以及使用较高阶数的调制时，滤波器结构较难设计，经典的同步方法精度大大降低。基于此，本文创造性地提出一种滑动窗口式的位同步方法：选取一个码元宽度大小的窗口，内含一个码元宽度的码元的所有采样点（并不一定是整个码元，可能含有相邻码元成分），与前文所述的深度网络模型的输入结构相对应。将此窗口在无穷长的信号序列上滑动，每次滑动的距离为 1 个采样点。因为可轻易恢复载波，采样频率又为载频的倍数，所以窗口大小、窗口移动幅度均可确定。利用已训练好的深度学习模型，对每次滑动中该窗口内码元采样点进行判决、预测，因为输出层采用的是 softmax 函数，所以输出可以直接得到该窗口被归为 M 个类的概率，从而判决该窗口是否被正确分类，即正确解调。图 3 为原理简图。图 3 滑窗原理简图为实现码元同步，光靠一个码元（滑动窗口）是远远不够的。为此，提出多码元联合判决方法，利用相邻码元间的信息，即利用多码元的整体判决精度来决定一个窗口的判决精度，是一种条件概率的思想。比如：如图所示，利用滑窗 1、滑窗2、滑窗n的整体平均精度来判决窗口1的同步精度，其中参数 n 可经过实验或设计特殊算法得出。其基本思想为：如果当前码元以及后续码元（足够长序列）均正确解调时，则可认为当前码元处于最佳同步点，则可利用此采样点进行抽样判决。3 仿真实验与分析 3.1 实验参数与仿真分析采用前述实验方法，更改随机种子，其他参数保持不变，重新生成新的测试信号用于同步实验，信噪比范围选取2023 年第 8 期146信息技术与信息化电子与通信技术010 dB。得到测试数据后，还需要添加一项操作平铺，即将矩阵变换为行向量，将每行数据顺序拼接起来，用于模拟整段信号，便于在采样点上滑动，500 个码元共计采样点数为 60 000 点，行向量结构为（1，60 000）。下面是实验的一些参数设置：设置起始采样点 n0 0,59 999,滑窗经过的采样点数n_pass（为 120 的整数倍），总共的窗口数 n_window（在实验过程中改变）。由于模型解调判决的精度为 100%，且在实验初期过程中，发现 n 个滑窗经过的采样点中，解调精度存在 0.999 以上的采样点，但并不是 1，因此本实验认为，n 个码元解调完全正确，亦即完全同步的阈值应当设为 1。下面展示起始采样点 n0=20，n_pass=360，n_window分别为 4 和 10 时同步点的找寻情况，如图 4 和图 5 所示。图 4 窗口个数为 4 个时的同步点情况图图 5 窗口个数为 10 个时的同步点情况图由图中可以发现，当 n_window=4 时，存在“误判”的同步点，即模型认为从该采样点开始后的 3 个码元均能被“正确”解调出来，且概率为 100%。然而实际情况并非如此。当 n_window=10 时，3 个码元的同步点均被正确找出。因为解调正确的点应为码元的边界点，即 120 的整数倍，又起始点n0=20，所以正确的同步点应为 100、220、340，与图中一致。3.2 后续思考与进一步提升空间经多次实验，已初步验证了本文提出的方法的可行性与正确性。如：多次更改起始点，增加经过的采样点数，即理应被判决同步的码元个数等参数，均与人工计算一致。且实验进一步发现，n_window的参数设置实则与信号本身和噪声即信道环境有关：局部信号重复性小且噪声小的话，n_window设置 68 个已足以判决同步，反之，n_window根据经验可设置912 个。这样同步点的选取更加准确，但是计算量也变得较大。上述实验是建立在模型解调判决精度非常高的情况，虽然前已验证本文设计的前馈神经网络在信噪比极低的情况下仍有很高准确率，但是此种情况可能改变的参数是同步判决精度的阈值，即如果仍将阈值设为 1，可能会出现长时间都得不到同步点的情况。而且，想让模型计算量减小，势必要减小采样倍数，那样模型精度可能无法得到保证，从而也影响了后续同步的判决问题。最后，此滑窗方法在无穷长信号上滑动过程中，滑动时如何自适应的调整窗口个数，以及在长时间得不到同步点的情况下如何解决，都将是后续实验的重点工作方向，本方法仍有很大完善空间。4 结束语本文基于 MPPSK 这一高效调制方式，重点解决 MPPSK接收机的位同步问题，不同于经典设计中的冲击滤波器，而采用深度学习方法，设计了一个前馈神经网络用于码元的解调判决，又创造性地提出滑窗式的位同步方法，将码元窗口作为模型输入，在采样点上滑动，并利用多码元联合判决的方法，来判定码元同步的精确位置。实验证明了该方法的可行性与正确性，并提出了一些可改进与完善的地方，为后续工作指明了方向。参考文献：1 吴乐南.超窄带高速通信进展 J.自然科学进展,2007（11）:1467-14732HINTON G E,SALAKHUTDINOV R R.Reducing 2023 年第 8 期147信息技术与信息化电子与通信技术the dimensionality of data with neural networksJ.Science,2006,313:504-507.3 张士凯,吴乐南.EBPSK 调制的波形优化 J.东南大学学报（自然科学版）,2008,38(4):564-568.4 宋文慧.EBPSK 调制信号短波传输的信道均衡 D.南京：东南大学,2013.5 薛敏迪.短波 EBPSK 调制解调器的研究与实现 D.南京：东南大学,2013.6 张静,金石,温朝凯,等.基于人工智能的无线传输技术最新研究进展 J.电信科学，2018，34(8):46-55.7 王莹,任军,史可,等.基于深度学习的广义频分复用系统时频双选择信道估计 J.通信学报,2021,42(10):233-242.8EMIL BJORNSON,PONTUS GISELSSON.Two applications of deep learning in the physical layer of communication systems Lecture NotesJ.IEEE signal processing magazine,2020,37(5):134-140.9 孟帆.基于深度学习的无线通信物理层关键技术研究 D.南京：东南大学，2020.10AVI C,DAVID B.Blind channel equalization using variational autoencodersC/2018 IEEE International Conference on Communications Workshops(ICC Workshops),2018：1-6.11TIMOTHY O,JAKOB H.An introduction to deep learning for the physical layerJ.IEEE Transactions on cognitive communications and networking,2017（4）：563-575.12TIMOTHY O,KIRAN K,CHARLES C.Learning to communicate:channel auto-encoders,domain specific regularizers,and attentionC/2016 IEEE International symposium on signal processing and information technology(ISSPIT),2016：223-228.13TIMOTHY O,LATHA P,DHRUV B,CHARLES C.Radio transformer networks:attention models for learning to synchronize in wireless systemsC/2016 50th Asilomar Conference on Signals,Systems and Computers,2016:662-666.14HAO Y,LI G Y,JUANG B H.Power of deep learning for channel estimation and signal detection in OFDM systemsJ.IEEE Wireless communications letters,2018，7(1):14-117.15GAO X X,JIN S,WEN C K.ComNet:combination of deep learning and expert knowledge in OFDM receiversJ.IEEE Communications letters,2018，22（12）:2627-2630.16 姜泽成.关于 60 GHz 毫米波 MPPSK 调制方式研究 D.南京：东南大学，2014.17 张小龙.MPPSK 调制解调器的改进与实现 D.南京：东南大学,2015.18 陈静.超长波 MPPSK 通信系统研究 D.南京：东南大学,2015.19 胡一苗.长波 MPPSK 通信系统研究 D.南京：东南大学,2015.20 张陈梅.高效调制无线通信系统传输研究 D.南京：东南大学,2016.21 吴兆青.基于 MPPSK 高效调制的中长波通信系统 D.南京：东南大学,2016.22 欧阳星辰.基于卷积神经网络的 MPPSK 信号解调器 D.南京：东南大学，2016.23 潘倩倩.短波信道 MPPSK 信号的神经网络解调器 D.南京：东南大学,2018.24ZHANG C Y,PAUL P,HAMED H.Deep learning in mobile and wireless networking:A surveyJ.Communications surveys&tutorials,2019,21(3):2224-2287.25SATHWIC S,SARADEEP M,ARPITHA T.Symbol detection in presence of symbol timing offset using machine learning techniqueC/2020 5th IEEE International Conference on Recent Advances and Innovations in Engineering(ICRAIE).IEEE,2020:1-6.26MARTIN S,MEIK D,GERHARD P.Bounds on channel parameter estimation with 1-Bit quantization and oversamplingC/2018 IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications(SPAWC),2018:1-5.27RYAN M D,ROBERT W H,MANDAR N K,et al.Deep learning-based carrier frequency offset estimation with one-Bit ADCsC/2020 IEEE 21st International Workshop on Signal Processing Advances in Wireless Communications(SPAWC),2020:1-5.（收稿日期：2023-02-26 修回日期：2023-05-07）