一種超奈奎斯特速率通信的dl-cnn解調(diào)器的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及通信領(lǐng)域，特別是通信的符號速率超過奈奎斯特速率時碼間干擾調(diào)制 信號的判決解調(diào)問題。
【背景技術(shù)】
[0002] 隨著信息技術(shù)、寬帶移動通信和智能手機(jī)的不斷發(fā)展，不僅導(dǎo)致無線電頻譜成為 稀缺資源，而且遍布全國的通信基站每年耗電也超過上百億度，因此，現(xiàn)代信息社會迫切需 求具有高頻譜利用率和高能量利用率的信息傳輸體制。
[0003] 1.超奈奎斯特速率
[0004] 在數(shù)字通信領(lǐng)域，波特率即調(diào)制速率，指的是有效數(shù)據(jù)信號調(diào)制載波的速率，可理 解為單位時間內(nèi)所傳輸符號（也稱碼元）的個數(shù)，單位為Symbol/s或波特炬aud或Bd)。 而奈奎斯特（Nyquist)定理指出，特定信道的碼元速率不可能超過低通信道帶寬的2倍，因 而2Bd/化就稱為奈奎斯特速率?，F(xiàn)有通信系統(tǒng)欲提高在單位頻帶內(nèi)的信息傳輸速率（即比 特率，單位為bit/s或bps)，只能增加每個通信碼元所取離散值的個數(shù)，即引入高階調(diào)制。 該是通信技術(shù)領(lǐng)域的公知常識和經(jīng)典技術(shù)，與之關(guān)聯(lián)又有下述兩個公知常識：
[0005] 1)奈奎斯特速率只是無干擾狀態(tài)下的理論最高傳輸速率，而實(shí)際物理信道難免有 各種干擾，故信道容量要受香農(nóng)（化annon)公式制約；
[0006] 2)碼元速率超過奈奎斯特速率并非不能通信，但符號間一定會產(chǎn)生碼間干擾 (ISI)，而現(xiàn)有的最佳接收機(jī)模型和相關(guān)解調(diào)理論，都是建立在沒有碼間干擾的前提下的。
[0007] 因此，基于本領(lǐng)域的公知常識，W下幾條結(jié)論也是顯然的：
[000引 1)奈奎斯特速率調(diào)制信號通過帶寬更窄信道進(jìn)行的通信，就是超奈奎斯特速率通 信（即通信碼元速率超過奈奎斯特速率）；
[0009] 2)超奈奎斯特速率通信可W直接提高頻譜利用率；
[0010] 3)對奈奎斯特速率調(diào)制信號施加帶寬更窄的帶通濾波（簡稱"超帶限濾波"），即 得超奈奎斯特速率信號；
[0011] 4)對于同樣的碼元速率，傳輸與接收超奈奎斯特速率信號可采用更窄的信道與接 收機(jī)帶寬，該有助于降低接收機(jī)噪聲系數(shù)，提高接收機(jī)靈敏度，并可望在同樣的發(fā)射功率下 得到更高的接收信噪比（SNR)，或更遠(yuǎn)的通信距離；
[0012] 5)實(shí)現(xiàn)超奈奎斯特速率通信的關(guān)鍵，在于能正確解調(diào)碼間干擾信號，而現(xiàn)有技術(shù) 通常分為兩步：首先通過信道均衡、逆濾波等技術(shù)手段消除碼間干擾，恢復(fù)正常調(diào)制信號； 再采用常規(guī)方法完成解調(diào)。
[0013] 總之，超奈奎斯特速率調(diào)制信號本質(zhì)上是因正常速率調(diào)制信號受到過窄的帶通 (載波調(diào)制信號）或低通（基帶信號）濾波限制而損失高頻分量的結(jié)果，而現(xiàn)有的接收處 理技術(shù)首先采用信道均衡或逆濾波消除碼間干擾，在頻域上看就是要采用一個等效的帶阻 (對于載波調(diào)制信號）或高通（對于基帶信號）濾波器來相對補(bǔ)償接收信號的高頻分量，該 不可避免地也會相應(yīng)地提升帶外噪聲，引起解調(diào)前接收信噪比的惡化。所W，能夠直接解調(diào) 超奈奎斯特速率調(diào)制信號的高性能解調(diào)器，是能夠同時提升通信系統(tǒng)頻譜利用率和能量利 用率的關(guān)鍵。
[0014] 2.深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)值kCNN)
[0015] 2006年，加拿大多倫多大學(xué)教授GeofTrey化nton在《科學(xué)》雜志上發(fā)表了一篇關(guān) 于多隱層深度神經(jīng)網(wǎng)絡(luò)的文章，開啟了深度學(xué)習(xí)值eeplearning,簡稱DL)在學(xué)術(shù)界和工 業(yè)界的研究浪潮。
[0016] 1)深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個分支，主要特點(diǎn)是通過多層次的學(xué)習(xí)而得到對于原 始數(shù)據(jù)不同抽象程度的表示，進(jìn)而提高分類和預(yù)測等任務(wù)的準(zhǔn)確性。例如有一堆輸入I(如 一堆不同環(huán)境下采集的信號），假設(shè)我們設(shè)計(jì)了一個n層的系統(tǒng)S，通過調(diào)整系統(tǒng)中的參數(shù)， 使得它的輸出仍然是輸入I，那么就可W自動得到輸入I的一系列層次特征，即S1，...，Sn。 因此，區(qū)別于傳統(tǒng)的支撐向量機(jī)（SVM)等淺層學(xué)習(xí)算法，化無需依靠人工經(jīng)驗(yàn)抽取樣本特 征，而是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)（即利用"大數(shù)據(jù)"），來 自動學(xué)習(xí)更有用的特征，從而最終提升分類或預(yù)測的準(zhǔn)確性。
[0017] 2)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks,簡稱CNN)是人工神經(jīng)網(wǎng)絡(luò) 的一種，它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減 少了權(quán)值個數(shù)。是第一個真正成功訓(xùn)練多層網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)算法，它利用空間關(guān)系減少 需要學(xué)習(xí)的參數(shù)，W提高一般前向BP(反向傳播）算法的訓(xùn)練性能。在中，一小部分?jǐn)?shù) 據(jù)（局部感受野）作為層級結(jié)構(gòu)的最低層輸入，信息再依次傳輸?shù)讲煌膶樱繉油ㄟ^一個 數(shù)字濾波器獲得觀測數(shù)據(jù)的最顯著特征，據(jù)此能獲取對平移、縮放和旋轉(zhuǎn)不變的觀測數(shù)據(jù) 的顯著特征，因?yàn)閿?shù)據(jù)的局部感受野允許神經(jīng)元或處理單元可訪問到最基礎(chǔ)的特征。因此， 的主要特點(diǎn)是：卷積（通過局部感受野對層與層之間的節(jié)點(diǎn)進(jìn)行局部連接）、權(quán)值共享 和池化（下采樣）。而傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)中，每一層節(jié)點(diǎn)是一個線性的一維排列狀態(tài)，層與 層的網(wǎng)絡(luò)節(jié)點(diǎn)之間是全連接的。
[001引近年來，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)值kCNN)已經(jīng)在模式分類與識別特別是 語音識別和圖像識別等領(lǐng)域獲得了巨大成功。具有自學(xué)習(xí)和自適應(yīng)的能力，可W通過對 預(yù)先提供的一批相互對應(yīng)的輸入、輸出數(shù)據(jù)進(jìn)行特征抽取，分析掌握兩者之間潛在的規(guī)律， 該種過程稱為網(wǎng)絡(luò)的"訓(xùn)練"。對于新的數(shù)據(jù)，根據(jù)之前訓(xùn)練出來的規(guī)律可W直接進(jìn)行檢測 判決。因此，在語音或圖像識別中，語音樣本或圖像像素可W直接作為網(wǎng)絡(luò)的輸入，避免了 傳統(tǒng)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。
[0019] 圖1中，上面一層為第m層，下面一層為第m-1層?？蒞看出，第m層上的每個節(jié)點(diǎn) 都只與第m-1層對應(yīng)區(qū)域的3個節(jié)點(diǎn)相連接，該個局部范圍也叫做感受野，通過局部連接， 大大減少了權(quán)值連接個數(shù)，對于第m層上最左邊一個節(jié)點(diǎn)的凈輸入，就等于所有與該一節(jié) 點(diǎn)相連接的上一層神經(jīng)元節(jié)點(diǎn)值與對應(yīng)的權(quán)值之積的累加，該樣的計(jì)算過程稱為卷積。權(quán) 值共享則是指在一張?zhí)卣鲌D上的所有神經(jīng)元節(jié)點(diǎn)都與同一個卷積核相卷積，提取出了一種 特征，如果需要提取多種特征，那么每層就有了多張?zhí)卣鲌D。W圖像識別為例，理論上將圖 像利用不同的卷積核通過卷積之后得到了多個圖像，然后直接利用該些圖像進(jìn)行分類，但 是該樣計(jì)算量太大，利用池化（下采樣）操作可W將數(shù)據(jù)量減小，同時在一定程度上保留原 有的圖像特征。該里，池化的區(qū)域是不重疊的，而卷積的感受野是重疊的。
[0020] W美國紐約大學(xué)YannLe化n教授提出的基于的一個文字識別系統(tǒng)LeNet-5 為例，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2,包括輸入層和輸出層在內(nèi)總共有8層。在卷積和子采樣過程中， 卷積過程包括：用一個可訓(xùn)練的濾波器fy去卷積一個輸入的圖像（第一階段是原始的輸入 圖像，后面的階段就是卷積特征圖），然后加一個偏置by,得到卷積層Cy;子采樣過程包括： 每鄰域4個像素求和變?yōu)?個像素，然后通過標(biāo)量Ww加權(quán)，再增加偏置b,4,然后通過一 個Sigmoid激活函數(shù)，產(chǎn)生一個約縮小4倍的特征映射圖Sw。中每一個特征提取層（C 層）都緊跟著一個用來求局部平均與二次提取的計(jì)算層（S層），該種特有的兩次特征提取 結(jié)構(gòu)使網(wǎng)絡(luò)在識別時對輸入樣本有較高的崎變?nèi)萑棠芰Α?br>
【發(fā)明內(nèi)容】

[0021] 發(fā)明目的；為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種能夠直接解調(diào)超奈 奎斯特速率調(diào)制信號的高性能解調(diào)器，用于克服現(xiàn)有的通信系統(tǒng)頻譜利用率和能量利用率 低的技術(shù)問題。
[0022] 我們注意到：
[0023] 1)M進(jìn)制碼元通信信號的解調(diào)通常只是最多M個碼元的分類，因而理論上比圖像 識別等情形要簡單得多；
[0024] 2)超奈奎斯特速率通信或帶限信道對于傳輸信號的作用過程就是卷積，因而CNN 應(yīng)該也適合于該種情形；
[0025] 3)信道帶寬的限制和碼間干擾的影響，使得超奈