亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        融合壓縮采樣與深度神經(jīng)網(wǎng)絡(luò)的直接序列擴頻參數(shù)估計*

        2022-09-28 07:08:20黃渝昂
        電訊技術(shù) 2022年9期
        關(guān)鍵詞:碼片碼元參數(shù)估計

        劉 鋒,張 爽,黃渝昂

        (南開大學(xué) a.電子信息與光學(xué)工程學(xué)院;b.天津市光電傳感器與傳感網(wǎng)絡(luò)技術(shù)實驗室,天津300350)

        0 引 言

        直接序列擴頻(Direct sequence spread spectrum,DSSS)已成為了現(xiàn)代無線通信領(lǐng)域中主要的擴頻技術(shù)之一。在DSSS中,基帶數(shù)字信號通過高速率的偽隨機序列,被調(diào)制到更寬的頻帶上。由于頻帶的展寬,DSSS信號一般具有較低的功率譜密度,并且其頻帶位置不易被感知。因此,DSSS信號被廣泛地應(yīng)用于軍事領(lǐng)域,例如軍用戰(zhàn)術(shù)移動通信電臺、導(dǎo)航以及航空測繪等。

        接收端對DSSS信號的處理主要包括信號檢測、參數(shù)估計、擴頻碼及基帶信號恢復(fù)等。其中,參數(shù)估計是后續(xù)信號信息恢復(fù)的前提條件[1]。針對DSSS信號的估計,研究者提出了很多種方法。然而,現(xiàn)有方法普遍是基于奈奎斯特采樣定理和信號的自相關(guān)性質(zhì),隨著擴頻信號的帶寬不斷增加,現(xiàn)有方法逐漸面臨采樣速率上的瓶頸。

        壓縮采樣理論[2-3]可以有效解決擴頻信號高寬帶特性帶來的高采樣率和海量數(shù)據(jù)處理問題[4-5]。壓縮采樣理論指出,如果信號是稀疏的或者在某個變換下是可以進行稀疏表示的,那么通過低于奈奎斯特定理要求的采樣速率所獲得的信號測量結(jié)果,依然可對信號信息進行重構(gòu)。針對DSSS信號的非合作接收,研究者基于壓縮采樣理論進行了一系列的研究。然而,現(xiàn)有方法大都需要對壓縮采樣數(shù)據(jù)進行信號的重構(gòu),而重構(gòu)算法計算復(fù)雜,很難對擴頻信號進行在線處理。

        隨著計算機技術(shù)的突飛猛進,深度學(xué)習(xí)[6]被廣泛應(yīng)用于計算機視覺、語音識別、自然語言處理等多種領(lǐng)域。深度學(xué)習(xí)是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu),對數(shù)據(jù)進行表征學(xué)習(xí)的算法[7]。經(jīng)過充分訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)具有很好的特征提取與分析能力,并且具有高效的在線處理能力。由于這一優(yōu)勢,越來越多的研究者將各種信號處理與深度學(xué)習(xí)相結(jié)合[8]。然而,現(xiàn)有的基于深度學(xué)習(xí)的信號特征與參數(shù)提取方法大多針對非下采樣信號,對于超寬帶不易采用奈奎斯特采樣的情況,此類方法還有待進一步研究。

        針對現(xiàn)有方法的不足,本文融合壓縮采樣和深度神經(jīng)網(wǎng)絡(luò)理論,以碼片周期與碼元周期參數(shù)估計為例,提出了DSSS信號參數(shù)估計的新方法:首先通過神經(jīng)網(wǎng)絡(luò)中首層卷積層的線性運算和下采樣對DSSS信號進行壓縮采樣設(shè)計,而后使用殘差模塊部分對壓縮采樣數(shù)據(jù)進行特征提取,最后神經(jīng)網(wǎng)絡(luò)中的全連接層對提取到的信息進行整合,得到參數(shù)估計結(jié)果。本文所提出方法具有以下的創(chuàng)新性:一方面,壓縮采樣能夠利用信號冗余性,降低DSSS信號的采樣成本;另一方面,深度神經(jīng)網(wǎng)絡(luò)能夠在線高效且準(zhǔn)確地提取壓縮采樣數(shù)據(jù)中信號的參數(shù)特征。本文將壓縮采樣機制與參數(shù)估計網(wǎng)絡(luò)的設(shè)計同時進行,兩者高度融合,進而保證了所提出方法在參數(shù)估計上的有效性。仿真實驗表明,本文所提方法在參數(shù)估計上具有很好的準(zhǔn)確性。

        1 直接序列擴頻通信原理

        1.1 DSSS信號模型

        本文以DSSS信號的碼片周期以及碼元周期兩個參數(shù)的估計為例,進行參數(shù)估計方法的研究。本文將擴頻碼序列調(diào)制后的直接序列擴頻信號作為研究目標(biāo),其可表示為

        s(t)=Am(t)h(t) 。

        (1)

        式中:A表示信號的幅值;m(t)是信息序列波形,h(t)是擴頻碼序列波形,并且有

        (2)

        (3)

        式中:mi是信息碼并且有mi∈{-1,+1},Td是信號的碼元周期,p(t)是矩形脈沖,hj∈{-1,+1}是擴頻碼,Tc是信號的碼片周期。

        1.2 擴頻碼序列

        用于DSSS信號調(diào)制的擴頻碼序列通常是偽隨機碼,又稱為偽噪聲(Pseudo Noise,PN)碼。PN碼具有和白噪聲相似的特性,其功率譜在頻帶中均勻分布。常用的PN碼有m序列、Kasami序列、Gold序列等。在這些序列中,m序列也可以用來構(gòu)造其他的序列,因此使用最多。m序列發(fā)生器由r級移位寄存器組成,其原理如圖1所示。其中,ai(i=0,1,2,…,n)是每位寄存器的狀態(tài)(0或1),由隨機初始化決定;ci(i=0,1,2,…,n)是反饋系數(shù),由本原多項式的系數(shù)決定。圖中的加法均為二進制加法。本文以1~5階m序列為例進行DSSS信號數(shù)據(jù)集的構(gòu)建,其本原多項式如表1所示。

        圖1 m序列發(fā)生器的產(chǎn)生原理

        表1 1~5階m序列的本原多項式

        基于調(diào)制后的DSSS信號生成了用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集。

        2 DSSS信號參數(shù)估計算法結(jié)構(gòu)

        2.1 參數(shù)估計算法結(jié)構(gòu)

        針對DSSS信號碼片周期、碼元周期參數(shù)的估計,本文采用圖2所示的算法結(jié)構(gòu)。該算法首先利用輸入濾波器濾去輸入DSSS信號觀測頻帶以外的噪聲;其次,濾波器與采樣器協(xié)同工作,采樣器以較低的頻率工作,實現(xiàn)對DSSS信號的壓縮采樣;最后,參數(shù)估計網(wǎng)絡(luò)利用壓縮采樣數(shù)據(jù),實現(xiàn)對DSSS信號碼片周期、碼元周期參數(shù)的估計。

        圖2 DSSS信號參數(shù)估計的算法結(jié)構(gòu)

        2.2 參數(shù)估計的設(shè)計方法

        本文基于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,同時設(shè)計壓縮采樣與參數(shù)估計網(wǎng)絡(luò)。

        在深度學(xué)習(xí)中,存在著一種網(wǎng)絡(luò)退化現(xiàn)象,即隨著深度學(xué)習(xí)網(wǎng)絡(luò)深度的加深,模型的準(zhǔn)確度會逐漸趨于飽和甚至?xí)_始降低,更直觀的是層數(shù)越多的神經(jīng)網(wǎng)絡(luò),模型的訓(xùn)練難度會越來越高。殘差神經(jīng)網(wǎng)絡(luò)的提出可以有效地避免退化現(xiàn)象。受殘差模塊的啟發(fā),本文基于殘差模塊搭建用于DSSS信號參數(shù)估計的網(wǎng)絡(luò)結(jié)構(gòu),其中殘差模塊的基本結(jié)構(gòu)如圖3(a)所示。在圖3(a)中,1×3表示卷積核尺寸,N表示卷積核個數(shù)。

        圖3 估計DSSS參數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)

        本文用一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),同時實現(xiàn)對DSSS信號壓縮采樣與參數(shù)估計兩部分的設(shè)計與訓(xùn)練優(yōu)化,進而使得這兩部分能夠高度融合,增加參數(shù)估計的準(zhǔn)確性。輸入的DSSS信號通過首層一維卷積層的線性運算與下采樣操作,即圖2中的線性濾波器與下采樣模塊,實現(xiàn)壓縮采樣:將首層一維卷積層的卷積核作為線性濾波器的沖激響應(yīng),同時通過調(diào)整該卷積層的移動步長,進而調(diào)整下采樣間隔與壓縮采樣的壓縮比,而神經(jīng)網(wǎng)絡(luò)的其余部分則被用于對壓縮后的數(shù)據(jù)進行參數(shù)估計。圖3(b)和圖3(c)分別是估計碼片周期和碼元周期的網(wǎng)絡(luò)結(jié)構(gòu),Conv1D表示首層一維卷積層,用來實現(xiàn)對輸入信號的壓縮采樣;基本模塊即圖3(a)所表示的殘差模塊基本結(jié)構(gòu),用于提取壓縮采樣數(shù)據(jù)的信號特征;五層全連接的節(jié)點數(shù)分別是125、512、125、62、1。利用全連接層進行數(shù)據(jù)特征的整合,輸出信號參數(shù)的估計結(jié)果。

        3 數(shù)據(jù)集的產(chǎn)生與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

        3.1 數(shù)據(jù)集的產(chǎn)生

        本文所提出的方法以人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練為基礎(chǔ),而人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要一個數(shù)據(jù)量比較大的數(shù)據(jù)集。本文樣本數(shù)據(jù)集的產(chǎn)生流程如圖4所示。

        圖4 樣本數(shù)據(jù)集生成流程圖

        如圖4所示,首先隨機產(chǎn)生(-1,+1)的基帶信號;接著,按照表1所給出的1~5階PN序列的本原多項式,依次生成234種PN序列;然后,針對生成的PN序列進行采樣,對每個碼片的采樣數(shù)目至少為兩次(PN序列每個碼片的采樣數(shù)即為碼片周期,在數(shù)據(jù)集的構(gòu)建中將這一數(shù)值作為真實標(biāo)簽并進一步保存;為方便數(shù)據(jù)集的構(gòu)造與神經(jīng)網(wǎng)絡(luò)的研究,本文中的采樣數(shù)設(shè)置為2、3、4,實際中的采樣數(shù)也可以為其他不同的數(shù)值);最后,利用采樣后的PN序列進行基帶信號的調(diào)制。由于不同階的PN序列長度以及每個碼片的采樣數(shù)目不同,最終產(chǎn)生的信號長度也不同。為了保證輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)尺寸相同,本文取每個調(diào)制信號的前N個樣本(N=600)生成數(shù)據(jù)集。在生成每一個樣本數(shù)據(jù)的同時,其碼片周期、碼元周期標(biāo)簽會被相應(yīng)地建立。

        3.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

        本文基于TensorFlow 2.0 (GPU)進行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,對應(yīng)的python版本是python3.7,實驗的電腦CPU為Intel Core i5-9400@2.90 GHz,RAM大小為32.0 GB。利用3.1所述方法,共產(chǎn)生了167 760個數(shù)據(jù),并使用train_test_split劃分數(shù)據(jù)集的方法,將其中的80%作為訓(xùn)練集,20%作為測試集。神經(jīng)網(wǎng)絡(luò)每一個訓(xùn)練批次的數(shù)據(jù)為256。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,往數(shù)據(jù)集中加入一定的噪聲,使得信號的帶內(nèi)信噪比(即圖2中經(jīng)過預(yù)濾波之后的信噪比)為0 dB。信號帶內(nèi)信噪比(Signal-to-Noise Ratio,SNR)的表達式為

        (4)

        本文中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程采用Adadelta優(yōu)化器,并且使用初始學(xué)習(xí)率為0.2的指數(shù)衰減形式的動態(tài)學(xué)習(xí)率。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,選取網(wǎng)絡(luò)的最終輸出結(jié)果與真實標(biāo)簽的均方誤差(Mean Square Error,MSE)作為網(wǎng)絡(luò)的訓(xùn)練損失函數(shù),表達式為

        (5)

        4 仿真與分析

        4.1 DSSS信號碼片周期的估計結(jié)果

        在估計碼片周期的神經(jīng)網(wǎng)絡(luò)中,輸入600長度的DSSS信號,首先經(jīng)過一維卷積層中的線性卷積與下采樣操作。該卷積層中卷積核個數(shù)設(shè)為1,卷積核大小設(shè)為3。在圖2的參數(shù)估計算法結(jié)構(gòu)中,通過線性濾波器與采樣器可以實現(xiàn)壓縮采樣:在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,本文將神經(jīng)網(wǎng)絡(luò)首層卷積核的訓(xùn)練結(jié)果作為線性濾波器的沖激響應(yīng);調(diào)整卷積層中的步長進而調(diào)整卷積層下采樣的結(jié)果,從而實現(xiàn)不同的壓縮比。本文中的步長設(shè)為2,使得信號被壓縮成300長度,即壓縮比為2;而后參數(shù)估計網(wǎng)絡(luò)基于壓縮后的數(shù)據(jù)進行碼片周期的估計。本文將網(wǎng)絡(luò)輸出結(jié)果和真實值之間的均方誤差作為損失函數(shù),輸出結(jié)果是否等于真實值作為準(zhǔn)確率指標(biāo),對網(wǎng)絡(luò)進行了100個epoch(一個epoch表示所有的訓(xùn)練數(shù)據(jù)訓(xùn)練一次)的訓(xùn)練后,訓(xùn)練集的損失曲線、測試集的準(zhǔn)確率曲線分別如圖5(a)和圖5(b)所示。圖中,Loss為網(wǎng)絡(luò)訓(xùn)練的損失函數(shù),ACC為網(wǎng)絡(luò)輸出結(jié)果與真實值之間的準(zhǔn)確率。從圖中可以看出,估計碼片周期的神經(jīng)網(wǎng)絡(luò)取得了很好的訓(xùn)練結(jié)果。最終,訓(xùn)練數(shù)據(jù)的損失達到了0.000 9,測試集的準(zhǔn)確率達到了99.68%。

        (a)訓(xùn)練集損失曲線

        (a)本文方法

        4.2 DSSS信號碼元周期的估計結(jié)果

        與估計碼片周期的原理相同,輸入600長度的信號首先經(jīng)過一維卷積進行下采樣操作,參數(shù)估計網(wǎng)絡(luò)基于壓縮采樣數(shù)據(jù)進行碼元周期參數(shù)的估計。本文對網(wǎng)絡(luò)進行了350個epoch的訓(xùn)練后,訓(xùn)練集的損失曲線、測試集的準(zhǔn)確率曲線分別如圖7(a)和圖7(b)所示。與4.1節(jié)中估計碼片周期的網(wǎng)絡(luò)結(jié)果相同,估計碼元周期的網(wǎng)絡(luò)也取得了很好的效果:訓(xùn)練數(shù)據(jù)的損失最終達到了0.04,測試集的準(zhǔn)確率達到了94.51%。

        (a)訓(xùn)練集損失曲線

        與碼片周期估計相同,也采用27 960個數(shù)據(jù)對估計碼元周期的網(wǎng)絡(luò)進行驗證,仿真曲線如圖8(a)所示。與碼片周期估計結(jié)果相同,碼元周期的估計結(jié)果與真實值之間的誤差隨著信噪比的增加而下降。

        (a)本文方法

        5 結(jié)束語

        本文主要基于壓縮采樣和人工神經(jīng)網(wǎng)絡(luò)對直接序列擴頻信號中的參數(shù)進行估計,基于殘差模塊搭建了用于DSSS信號碼片周期與碼元周期參數(shù)估計的神經(jīng)網(wǎng)絡(luò)。利用神經(jīng)網(wǎng)絡(luò)的首層卷積線性運算與下采樣操作,實現(xiàn)壓縮采樣模塊的設(shè)計,同時利用網(wǎng)絡(luò)其余的部分,實現(xiàn)基于壓縮采樣數(shù)據(jù)的信號參數(shù)估計。經(jīng)過實驗仿真驗證,神經(jīng)網(wǎng)絡(luò)的訓(xùn)練損失曲線以及準(zhǔn)確率曲線均取得了很好的效果。相對于傳統(tǒng)方法在低信噪比情況下不具備估計能力的狀況,本文方法具有一定的提升。

        隨著神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓(xùn)練,本文信號參數(shù)估計的效果得到了顯著提升。但從實時性角度出發(fā),基于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的訓(xùn)練數(shù)據(jù)作為支撐,因此對其時效性的相關(guān)改進是今后研究的重要方向。

        猜你喜歡
        碼片碼元參數(shù)估計
        基于新型DFrFT的LFM信號參數(shù)估計算法
        LFM-BPSK復(fù)合調(diào)制參數(shù)快速估計及碼元恢復(fù)
        雷達與對抗(2020年2期)2020-12-25 02:09:26
        Logistic回歸模型的幾乎無偏兩參數(shù)估計
        基于極大似然準(zhǔn)則的短猝發(fā)信號盲解調(diào)
        衛(wèi)星導(dǎo)航長碼信號波形監(jiān)測方法
        無線電工程(2016年5期)2016-10-13 12:12:52
        基于向前方程的平穩(wěn)分布參數(shù)估計
        基于競爭失效數(shù)據(jù)的Lindley分布參數(shù)估計
        再生偽碼測距中的碼跟蹤環(huán)實現(xiàn)
        一種碼元同步時鐘信號的提取方法及單片機實現(xiàn)
        GPS P碼信號反推產(chǎn)生算法的研究與仿真
        国产爆乳无码一区二区麻豆| av天堂吧手机版在线观看| 99视频偷拍视频一区二区三区| 亚洲高清三区二区一区 | 欲香欲色天天综合和网| 波多野结衣乳巨码无在线| 2021精品国产综合久久| 亚洲精品女优中文字幕| 亚洲中文字幕人妻久久| 性色av浪潮av色欲av| 国产亚洲欧美日韩综合综合二区 | 亚洲成av人片在线天堂无| 中美日韩在线一区黄色大片| 熟女少妇内射日韩亚洲| 国产精品-区区久久久狼| 亚洲一区丝袜美腿在线观看| 精品一区二区av在线| 美女网站免费福利视频| 国产成人无码一二三区视频| 日本女优在线观看一区二区三区| 久草视频这里只有精品| 国产精品人妻一码二码| 无码不卡高清毛片免费| 亚洲一区二区精品在线看| 日本av亚洲中文字幕| 亚洲中文字幕在线观看| 白浆出来无码视频在线| 国产又色又爽的视频在线观看91| 中文字幕免费在线观看动作大片| www国产亚洲精品久久网站| 91青草久久久久久清纯| 在线观看一区二区蜜桃| 又色又爽又黄高潮的免费视频| 欧美午夜精品久久久久免费视| 亚洲av影片一区二区三区| 伊人久久大香线蕉av五月| 色多多a级毛片免费看| 欧美色资源| 白白色视频这里只有精品| 国产在线精品一区二区三区直播| chinesefreexxxx国产麻豆|