朱 力，韓會(huì)梅，彭 宏

(浙江工業(yè)大學(xué) 信息工程學(xué)院，杭州 310023)

0 引言

正交相移鍵控[1]技術(shù)(QPSK，quadrature phase shift keying)作為一種頻譜利用率高、抗干擾強(qiáng)、電路實(shí)現(xiàn)較為簡(jiǎn)單的數(shù)字調(diào)制方式，在無(wú)線(xiàn)通信領(lǐng)域中應(yīng)用廣泛。在通信傳輸過(guò)程中，QPSK已調(diào)信號(hào)受到信道噪聲等干擾后會(huì)出現(xiàn)失真。這種干擾失真信號(hào)到達(dá)接收機(jī)端時(shí)，必須經(jīng)過(guò)接收機(jī)的解調(diào)和譯碼等相關(guān)過(guò)程處理之后，才可能恢復(fù)出所需要的原始信息。因此，接收機(jī)在整個(gè)通信系統(tǒng)中發(fā)揮著極其重要的作用，它決定著能否正確恢復(fù)出所需要的原始信息，也就決定著通信質(zhì)量的好壞。

對(duì)于傳統(tǒng)的QPSK接收機(jī)而言，通常采用硬判決方法解調(diào)接收到的失真信號(hào)，解調(diào)后再經(jīng)過(guò)譯碼等過(guò)程才能恢復(fù)出原始信息。但采用這種方法時(shí)，接收機(jī)處理每個(gè)模塊時(shí)的算法通常是基于理論假設(shè)的，如假設(shè)不存在共信道干擾以及射頻器件是理想的，即不會(huì)發(fā)生射頻損傷等。但這些假設(shè)并不一定與接收機(jī)所經(jīng)歷的實(shí)際過(guò)程相符。因此，傳統(tǒng)的QPSK接收機(jī)優(yōu)化的是在理想假設(shè)情況下的最佳性能，但在實(shí)際通信時(shí)很難達(dá)到這種最佳性能。因此，傳統(tǒng)的QPSK接收機(jī)還存在較大的提升空間。

近些年來(lái)，隨著科學(xué)技術(shù)的發(fā)展，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、自動(dòng)控制技術(shù)、自然語(yǔ)言處理等眾多領(lǐng)域得到了廣泛應(yīng)用，并不斷取得新的突破：人臉識(shí)別、無(wú)人駕駛和ChatGPT等，這也引起了科研工作者的廣泛關(guān)注。在無(wú)線(xiàn)通信領(lǐng)域，使用深度學(xué)習(xí)對(duì)通信的研究也越來(lái)越多，例如信號(hào)檢測(cè)[2]、預(yù)編碼[3]以及信道狀態(tài)信息反饋[4-6]等。由此可以推測(cè)，傳統(tǒng)無(wú)線(xiàn)通信接收機(jī)存在的不足也很可能因?yàn)樯疃葘W(xué)習(xí)的應(yīng)用而得到一定程度上的改進(jìn)。

下面介紹目前與信號(hào)解調(diào)有關(guān)的一些研究結(jié)果。在文獻(xiàn)[7-8]中，LoRa 算法可應(yīng)用于物理層的解調(diào)，但是該算法僅能解調(diào)一個(gè)擴(kuò)頻信道的數(shù)據(jù)包。同時(shí)，對(duì)于相同的擴(kuò)頻信道而言，LoRa 基帶信號(hào)之間容易發(fā)生嚴(yán)重干擾。對(duì)于不同的擴(kuò)頻信道而言，它們之間并不能達(dá)到完全正交。同相正交(IQ，inphase and quadrature)調(diào)制器容易出現(xiàn)偏置不理想、光電探測(cè)器的響應(yīng)度失配以及混頻器不滿(mǎn)足共軛對(duì)稱(chēng)性等問(wèn)題[9]。因此，在接收機(jī)端也容易發(fā)生正交失衡，從而會(huì)對(duì)QPSK信號(hào)的正確解調(diào)造成影響，導(dǎo)致系統(tǒng)的性能下降。因此，為了消除其影響，需要采用特定的補(bǔ)償算法[10-11]。為了讓相干接收機(jī)輸出的兩路信號(hào)之間的相位相互正交，從而達(dá)到精確地解調(diào)出原始信號(hào)的目的，文獻(xiàn)[12]首先采用了施密特正交化算法對(duì)相干接收機(jī)輸出的兩路信號(hào)進(jìn)行了理論上的分析，再通過(guò)進(jìn)行具體實(shí)驗(yàn)加以驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，輸出的兩路信號(hào)經(jīng)過(guò)正交失衡算法補(bǔ)償后，所得到的星座圖的性能得到了較大的提高。文獻(xiàn)[13]中使用了深度信念網(wǎng)絡(luò)和堆疊的自動(dòng)編碼器來(lái)完成短距離多徑信道中的信號(hào)解調(diào)。除硬解調(diào)外，文獻(xiàn)[14]還采用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)軟解調(diào)，降低了計(jì)算復(fù)雜度，提高了解調(diào)性能。文獻(xiàn)[15]中使用了雙向遞歸神經(jīng)網(wǎng)絡(luò)(BRNN，bidirectional recurrent neural network)進(jìn)行數(shù)據(jù)序列檢測(cè)，但在BRNN中的解調(diào)之后沒(méi)有包含信道譯碼模塊。從現(xiàn)有的研究結(jié)果來(lái)看，目前研究的通信接收機(jī)幾乎沒(méi)有考慮通信系統(tǒng)在頻率偏差和IQ失衡等干擾因素下的性能，但這些干擾因素在實(shí)際條件下經(jīng)常存在，從而會(huì)干擾接收機(jī)的解調(diào)過(guò)程，最終對(duì)通信系統(tǒng)的性能造成較大影響。

為了解決現(xiàn)有QPSK通信接收機(jī)技術(shù)中存在的因信道噪聲、頻率偏差、IQ失衡等干擾導(dǎo)致現(xiàn)有QPSK通信接收機(jī)的解調(diào)性能較差的問(wèn)題，本文將目前廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域的深度學(xué)習(xí)(DL，deep learning)技術(shù)[16]引入到QPSK通信接收機(jī)模型的研究中。采用深度學(xué)習(xí)是因?yàn)樗且环N端到端的方法，與其他機(jī)器學(xué)習(xí)方法[17-19]相比，它可以從大量數(shù)據(jù)中學(xué)習(xí)到更深層次的特征。因此，本文研究了一種新的接收機(jī)模型，即基于深度學(xué)習(xí)的QPSK智能接收機(jī)模型，用來(lái)取代傳統(tǒng)的QPSK接收機(jī)的解調(diào)過(guò)程。仿真結(jié)果表明，當(dāng)已調(diào)信號(hào)受到加性高斯白噪聲、頻率偏差和IQ失衡干擾因素影響時(shí)，與使用傳統(tǒng)的硬判決方法進(jìn)行解調(diào)相比，使用本文所研究出的QPSK智能接收機(jī)模型能夠顯著提升解調(diào)性能。

1 系統(tǒng)模型

一個(gè)常見(jiàn)的QPSK通信系統(tǒng)如圖1所示，該系統(tǒng)包括發(fā)射機(jī)、信道和接收機(jī)。首先，在發(fā)射機(jī)端，原始發(fā)送信號(hào)經(jīng)過(guò)信源編碼、信道編碼和QPSK調(diào)制后成為已調(diào)信號(hào)。然后，已調(diào)信號(hào)在信道中傳輸。由于實(shí)際的通信信道中存在著信道噪聲等非理想因素的影響，QPSK已調(diào)信號(hào)經(jīng)過(guò)信道傳輸后，到達(dá)接收機(jī)端時(shí)會(huì)發(fā)生失真。接收機(jī)需要對(duì)受到干擾的已調(diào)信號(hào)進(jìn)行解調(diào)和譯碼等過(guò)程，以盡可能準(zhǔn)確地恢復(fù)出原始的發(fā)送信號(hào)。

圖1 QPSK通信系統(tǒng)和QPSK智能接收機(jī)概念模型

在本文中，我們考慮了影響接收機(jī)信號(hào)質(zhì)量的3種因素：

1)加性高斯白噪聲(AWGN，additive white gaussian noise)：由于大氣中存在熱噪聲，通信系統(tǒng)中的電子元器件在工作時(shí)也會(huì)產(chǎn)生噪聲。因此，接收機(jī)接收到的已調(diào)信號(hào)將包含一定量的噪聲。噪聲和信號(hào)混雜在一起，會(huì)對(duì)信號(hào)的正確恢復(fù)造成一定的影響。最常見(jiàn)的噪聲是加性高斯白噪聲，從統(tǒng)計(jì)上來(lái)說(shuō)它屬于隨機(jī)無(wú)線(xiàn)噪聲，特點(diǎn)是其通信信道上的信號(hào)分布在很寬的頻帶范圍內(nèi)。

2)頻率偏差：發(fā)射機(jī)和接收機(jī)本地振蕩器之間的差異將導(dǎo)致接收信號(hào)產(chǎn)生頻率偏差，簡(jiǎn)稱(chēng)頻偏。頻率是無(wú)線(xiàn)通信中比較重要的一個(gè)性能指標(biāo)，存在頻率偏差的信號(hào)會(huì)影響到接收機(jī)的正確解調(diào)，這很可能會(huì)導(dǎo)致信息恢復(fù)的準(zhǔn)確程度降低。一般而言，頻偏越大，通信系統(tǒng)在傳輸信號(hào)時(shí)的通信質(zhì)量就越差。

3)IQ失衡：由于溫度依賴(lài)性、生產(chǎn)缺陷和老化，I路徑和Q路徑中的模擬分量無(wú)法完美匹配。IQ失衡包括幅度和相位上的失衡。IQ失衡是一個(gè)很?chē)?yán)重的問(wèn)題，它會(huì)導(dǎo)致產(chǎn)生鏡像產(chǎn)物，從而影響接收機(jī)的吞吐率、解調(diào)性能等。另外，在實(shí)際的硬件電路中，設(shè)備本身的物理限制和電路設(shè)計(jì)出錯(cuò)均可能會(huì)導(dǎo)致I信號(hào)和Q信號(hào)的相位和振幅不一致，從而產(chǎn)生IQ失衡。

2 QPSK智能接收機(jī)模型研究

本文所研究的QPSK智能接收機(jī)模型由長(zhǎng)短期記憶(LSTM，long short-term memory)神經(jīng)網(wǎng)絡(luò)和全連接層這兩種模塊組成，如圖2所示。

圖2 QPSK智能接收機(jī)模型

圖2中的LSTM神經(jīng)網(wǎng)絡(luò)是在遞歸神經(jīng)網(wǎng)絡(luò)(RNN，recurrent neural network)拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)上加以改進(jìn)得來(lái)的[20]。作為一種性能優(yōu)越的循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM不僅具有長(zhǎng)時(shí)記憶功能、實(shí)現(xiàn)起來(lái)容易，還可以有效防止長(zhǎng)序列訓(xùn)練過(guò)程中存在的梯度爆炸和梯度消失問(wèn)題。因此，LSTM在執(zhí)行預(yù)測(cè)任務(wù)的時(shí)候具有獨(dú)特的優(yōu)勢(shì)。圖2中的全連接層則用于增強(qiáng)模型的非線(xiàn)性表達(dá)能力，從而進(jìn)一步提升整個(gè)網(wǎng)絡(luò)模型的性能。模型中的LSTM神經(jīng)網(wǎng)絡(luò)我們最終只采用了一層，是因?yàn)槲覀冊(cè)谶M(jìn)行實(shí)驗(yàn)研究的過(guò)程中發(fā)現(xiàn)：隨著LSTM層數(shù)的增加，模型總參數(shù)會(huì)顯著增加，模型復(fù)雜度會(huì)大大增加，訓(xùn)練用時(shí)也會(huì)變得漫長(zhǎng)，且容易發(fā)生過(guò)擬合，導(dǎo)致最終的模型訓(xùn)練效果不理想。但是，當(dāng)全連接層采用兩層時(shí)，模型的復(fù)雜度不會(huì)有很大的增加，但是整個(gè)網(wǎng)絡(luò)模型的性能相比于只采用一層全連接層會(huì)有較大的提高。我們綜合考慮了QPSK智能接收機(jī)模型的復(fù)雜度以及模型的最終性能，研究出了圖2中的QPSK智能接收機(jī)模型。

在本文中，我們將原始信息經(jīng)過(guò)QPSK調(diào)制以及引入AWGN等干擾因素處理后的信號(hào)簡(jiǎn)記為QPSK調(diào)制信號(hào)Xt=[X1，X2，...，Xn]。將Xt=[X1，X2，...，Xn]作為QPSK智能接收機(jī)模型的輸入。輸入該模型的信號(hào)經(jīng)過(guò)模型處理后，輸出的即為解調(diào)后的信息比特流，取值為0或1。該模型用到的LSTM和全連接層模塊的具體介紹如下。

1)LSTM：

it=δ(Wi·[ht-1，Xt]+bi)

(1)

ft=δ(Wf·[ht-1，Xt]+bf)

(2)

ot=δ(Wo·[ht-1，Xt]+bo)

(3)

(4)

(5)

ht=ot*tanh(Ct)

(6)

式(1)～(4)中，Wi、Wf、Wo、Wc和bi、bf、bo、bc分別為對(duì)應(yīng)結(jié)構(gòu)的權(quán)重系數(shù)和偏置項(xiàng)，δ為sigmoid激活函數(shù)。激活函數(shù)δ(x)和tanh(x)可分別表示為：

(7)

(8)

QPSK智能接收機(jī)神經(jīng)網(wǎng)絡(luò)模型中用到了一層LSTM，該層的激活函數(shù)為非線(xiàn)性激活函數(shù)Relu。

2)全連接層：

全連接層在本文中作為輸入層以及最后的輸出層。作為輸入層時(shí)，經(jīng)過(guò)QPSK調(diào)制后的已調(diào)信號(hào)會(huì)進(jìn)入到該全連接層作為輸入，全連接層對(duì)已調(diào)信號(hào)進(jìn)行處理后再輸入到LSTM層。全連接層作為輸出層時(shí)，用于綜合所有信息，采用了sigmoid激活函數(shù)，以實(shí)現(xiàn)分類(lèi)的功能。sigmoid函數(shù)可以將輸入向量中的每一個(gè)實(shí)數(shù)映射為0～1之間的實(shí)數(shù)輸出。因此，輸出向量中的所有值都在0～1之間。由于網(wǎng)絡(luò)輸出的是解調(diào)后的比特流，取值為0或1，因此，我們需要對(duì)全連接層的輸出結(jié)果進(jìn)行四舍五入。四舍五入后得到的數(shù)據(jù)再進(jìn)行信道譯碼即可恢復(fù)出所需要的原始信息。

損失函數(shù)在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中起著重要的作用。當(dāng)執(zhí)行分類(lèi)任務(wù)時(shí)，通常采用的損失函數(shù)為交叉熵。在本文中，我們采用的訓(xùn)練損失函數(shù)為二元交叉熵(Binary cross entropy)。定義為：

(9)

其中：批大小為N，y為二元標(biāo)簽 0 或 1，p(yi)為輸出是yi標(biāo)簽的概率。下面給出QPSK智能接收機(jī)模型訓(xùn)練的具體過(guò)程。

QPSK智能接收機(jī)模型訓(xùn)練過(guò)程：

輸入：訓(xùn)練集T，批大小為n，最大迭代次數(shù)設(shè)置為tmax，初始學(xué)習(xí)率為lr。

輸出:QPSK智能接收機(jī)神經(jīng)網(wǎng)絡(luò)模型M。

a) 隨機(jī)初始化所搭建的網(wǎng)絡(luò)模型的參數(shù)。

b) fort=1,2,3,…,tmax:

c)從T中隨機(jī)選擇n個(gè)樣本,輸入到該網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。

d)根據(jù)式(9)中二元交叉熵?fù)p失函數(shù)的定義計(jì)算出損失。

e) 用Nadam算法對(duì)損失函數(shù)進(jìn)行優(yōu)化,對(duì)搭建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練,并更新網(wǎng)絡(luò)參數(shù)。

f) end for。

3 模型參數(shù)設(shè)置及復(fù)雜度分析

3.1 參數(shù)設(shè)置

在本文的參數(shù)設(shè)置中，對(duì)于信道編碼環(huán)節(jié)，本文采用了(7，4)漢明碼編碼。因?yàn)闈h明碼是一種高效的線(xiàn)性分組碼，在實(shí)際生活中的應(yīng)用也比較廣泛。仿真實(shí)驗(yàn)中所需用到的數(shù)據(jù)集均通過(guò)仿真軟件Matlab 2022b生成，包含訓(xùn)練集和測(cè)試集。數(shù)據(jù)集中的每個(gè)樣本的產(chǎn)生過(guò)程為：首先，將32位原始信息比特流進(jìn)行(7，4)漢明編碼得到56位的漢明碼比特流；然后，將得到的56位漢明碼比特流經(jīng)過(guò)QPSK調(diào)制，即可得到已調(diào)信號(hào)；之后，對(duì)已調(diào)信號(hào)先進(jìn)行根升余弦升濾波并采樣，采樣率設(shè)置為8；然后，對(duì)采樣后的信號(hào)引入加性高斯白噪聲、頻率偏差、IQ失衡作為干擾，即可得到干擾失真信號(hào)；最后，將得到的干擾失真信號(hào)進(jìn)行采樣率為8的降采樣，即可得到56位特征向量。56位漢明碼比特流則作為特征向量所對(duì)應(yīng)的標(biāo)簽。此外，生成數(shù)據(jù)集中用到的根升余弦濾波器的滾降系數(shù)設(shè)置為0.5。在生成好的數(shù)據(jù)集中，對(duì)于每個(gè)訓(xùn)練集，信號(hào)的信噪比(SNR，signal to noise ratio)范圍為0～7 dB，間隔為1 dB。每個(gè)SNR的樣本量為20萬(wàn)，因此訓(xùn)練集總樣本量為160萬(wàn)(即20萬(wàn)×8)。對(duì)于每個(gè)測(cè)試集，信號(hào)SNR的范圍為0～7 dB，間隔為0.5 dB。每個(gè)SNR的樣本量為10萬(wàn)，因此測(cè)試集的總樣本量為150萬(wàn)(即10萬(wàn)×15)。

仿真實(shí)驗(yàn)時(shí)，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練在tensorflow2.4.0(CPU)框架上完成。訓(xùn)練時(shí)采用Nadam優(yōu)化方法。迭代次數(shù)設(shè)置為100次，批大小設(shè)置為256，初始學(xué)習(xí)率設(shè)置為0.001。為了防止模型出現(xiàn)過(guò)擬合，算法還引入了Keras中的回調(diào)函數(shù)ReduceLROnPlateau，它可以讓學(xué)習(xí)率在訓(xùn)練過(guò)程中實(shí)現(xiàn)自適應(yīng)調(diào)整。本文設(shè)置為當(dāng)?shù)螖?shù)過(guò)去兩次而模型的訓(xùn)練損失函數(shù)不下降時(shí)，下一次迭代時(shí)的學(xué)習(xí)率就會(huì)調(diào)整為上次學(xué)習(xí)率的一半。

3.2 網(wǎng)絡(luò)復(fù)雜度分析

QPSK智能接收機(jī)模型一共有3層網(wǎng)絡(luò)。其中，第1層是全連接層，作為輸入層；第2層為L(zhǎng)STM層，作為中間層；第3層也是全連接層，作為輸出層。各層網(wǎng)絡(luò)的具體參數(shù)設(shè)置以及網(wǎng)絡(luò)復(fù)雜度分析如下：

1)第1層是全連接層，它作為輸入層，共有128個(gè)神經(jīng)元，采用sigmoid激活函數(shù)，輸入信息長(zhǎng)度為56位。

在本文中，全連接層參數(shù)計(jì)算公式可簡(jiǎn)化為：

N=Input_size×Cell_size+Cell_size

(10)

其中：Input_size為輸入本層的數(shù)據(jù)尺寸大小。由于輸入的數(shù)據(jù)序列為一維，因此Input_size即為輸入信息長(zhǎng)度56，以下類(lèi)似。Cell_size為本層中的神經(jīng)元數(shù)目，為128。因此本層參數(shù)總數(shù)為：

56×128+128=7296；

2)第2層采用的是LSTM，共有128個(gè)神經(jīng)元。

在本文中，LSTM層參數(shù)計(jì)算公式可簡(jiǎn)化為：

N= 4×((Input_size+Cell_size)×

Cell_size+Cell_size)

(11)

其中：Input_size指的是輸入數(shù)據(jù)尺寸大小，即為第1層的輸出尺寸大小128。Cell_size指的是當(dāng)前LSTM層中設(shè)置的神經(jīng)元的數(shù)目，為128。因此第2層參數(shù)總數(shù)為：

4×((128+128)×128+128)=131584；

3)第3層是全連接層，它作為輸出層，采用sigmoid激活函數(shù)。本層參數(shù)的計(jì)算公式見(jiàn)式(8)。其中，輸入本層的數(shù)據(jù)尺寸大小為128。本層中設(shè)置的神經(jīng)元的數(shù)目為56。因此本層參數(shù)總數(shù)為：

128×56+56=7224；

4)網(wǎng)絡(luò)參數(shù)總數(shù)：

7296+131584+7224=146104；

因此QPSK智能接收機(jī)模型的網(wǎng)絡(luò)復(fù)雜度為O(146104)。

4 仿真實(shí)驗(yàn)與結(jié)果分析

在本文的仿真實(shí)驗(yàn)中，我們考慮了影響接收機(jī)接收到的信號(hào)質(zhì)量的3個(gè)因素：加性高斯白噪聲、頻率偏差、IQ失衡。以下為與之對(duì)應(yīng)的3個(gè)仿真實(shí)驗(yàn)的仿真結(jié)果，以展示QPSK智能接收機(jī)模型的性能，具體分析如下。

1)加性高斯白噪聲(AWGN)：AWGN作為最基本的信道噪聲干擾模型，在通信信道中十分常見(jiàn)。我們首先考慮QPSK智能接收機(jī)模型在AWGN下的性能。在SNR為0～7 dB，且沒(méi)有其他的影響因素干擾時(shí)，我們?cè)诖罱ê玫纳疃葘W(xué)習(xí)環(huán)境中對(duì)QPSK智能接收機(jī)模型進(jìn)行了訓(xùn)練。訓(xùn)練好后，我們對(duì)它進(jìn)行了測(cè)試，測(cè)試結(jié)果如圖3所示。為了進(jìn)行比較，本實(shí)驗(yàn)也測(cè)試了在相同條件下使用理想硬判決和理想最大似然決策時(shí)接收機(jī)的性能。其中，理想硬判決是指在理想假設(shè)條件下解調(diào)，然后將解調(diào)輸出的比特流輸入到漢明譯碼器中，不受除AWGN以外的其它任何因素影響的硬判決方法。理想最大似然決策是指具有理想假設(shè)的最大似然譯碼方法，即在除AWGN之外沒(méi)有其它任何非理想因素的干擾。由于模擬的信息比特流遵循相等的概率分布，理想最大似然決策即為理想條件下的QPSK接收機(jī)所能達(dá)到的最佳性能。圖3中，QPSK智能接收機(jī)模型在7 dB時(shí)的誤碼率低至0.010 9%，而傳統(tǒng)硬判決方法誤碼率約為0.077 2%。因此，QPSK智能接收機(jī)模型在7 dB時(shí)的誤碼率大約只有傳統(tǒng)硬判決方法誤碼率的1/7。從圖3中可以看出，QPSK智能接收機(jī)模型的整體性能非常接近理想最大似然決策的性能，明顯優(yōu)于傳統(tǒng)的硬判決方法，這反映出本文研究的智能接收機(jī)模型具有接近通信接收機(jī)性能極限的潛力。在未經(jīng)訓(xùn)練的SNR上，智能接收機(jī)模型也達(dá)到了接近理想最大似然決策的性能，表明它對(duì)SNR具有良好的泛化能力。

圖3 AWGN條件下，不同方案的性能對(duì)比

2)頻率偏差：在無(wú)線(xiàn)通信系統(tǒng)中，在發(fā)射機(jī)和接收機(jī)上分別使用兩個(gè)獨(dú)立的本地振蕩器。它們的頻率可能有一定的偏差。此外，當(dāng)發(fā)射機(jī)和接收機(jī)之間存在相對(duì)運(yùn)動(dòng)時(shí)，會(huì)導(dǎo)致多普勒頻移。在這些因素的影響下，接收信號(hào)與發(fā)射信號(hào)之間會(huì)有一定的頻率偏差。在這一個(gè)實(shí)驗(yàn)中，我們分析了信號(hào)在存在頻率偏差時(shí)3種解調(diào)方法的性能。在仿真中，歸一化載波頻率偏移量δf(相對(duì)于符號(hào)率)分別設(shè)置為0.001、0.002和0.004，其他設(shè)置與之前仿真時(shí)的設(shè)置相同。與第一個(gè)實(shí)驗(yàn)類(lèi)似，我們先訓(xùn)練QPSK智能接收機(jī)模型，訓(xùn)練好后再對(duì)它進(jìn)行測(cè)試，圖4為QPSK智能接收機(jī)模型的測(cè)試結(jié)果。與采用傳統(tǒng)的硬判決方法進(jìn)行解調(diào)相比較，可以看出，傳統(tǒng)的硬判決方法受頻偏的影響很大。隨著頻偏的增加，采用傳統(tǒng)硬判決方法進(jìn)行解調(diào)的QPSK接收機(jī)的性能顯著下降。由圖4可知，當(dāng)δf=0.004時(shí)，SNR在0～7 dB范圍內(nèi)時(shí)，采用傳統(tǒng)硬判決方法進(jìn)行解調(diào)的QPSK接收機(jī)的誤碼率高于1%。這在實(shí)際的通信過(guò)程中難以被接受。對(duì)比而言，QPSK智能接收機(jī)模型在7 dB時(shí)的誤碼率低至0.014 8%，而且受載波頻率偏差的影響則很小，隨著載波頻率偏差的增加，它的性能只是略有下降，誤碼率依然處于很低的水平，且十分接近理想最大似然決策的性能，反映出QPSK智能接收機(jī)模型具有很強(qiáng)的抗頻偏能力。

圖4 出現(xiàn)頻偏時(shí)，不同方案的性能對(duì)比

3)IQ失衡：由于射頻設(shè)備的非理想性，接收到的IQ信號(hào)可能存在IQ失衡，即I信道和Q信道的振幅和/或相位不平衡。IQ失衡可以用一組參數(shù)(α，β)來(lái)描述，其中α代表振幅失衡，β代表相位失衡。存在IQ失衡的已調(diào)信號(hào)在信道中傳輸?shù)倪^(guò)程中會(huì)發(fā)生失真，從而導(dǎo)致接收機(jī)接收到的信號(hào)的質(zhì)量變差，進(jìn)而導(dǎo)致誤碼率升高。在這一個(gè)實(shí)驗(yàn)中，我們分析了信號(hào)存在IQ失衡時(shí)3種解調(diào)方法的性能。本實(shí)驗(yàn)一共考慮了3種I失衡配置：(5、-6)、(-3、10)和(-3、-2)。其他設(shè)置與第一個(gè)仿真實(shí)驗(yàn)時(shí)的設(shè)置相同。與上兩個(gè)實(shí)驗(yàn)類(lèi)似，我們先訓(xùn)練QPSK智能接收機(jī)模型，訓(xùn)練好后再對(duì)它進(jìn)行測(cè)試，圖5為QPSK智能接收機(jī)模型的測(cè)試結(jié)果。從圖5中可以看出，采用硬判決方法進(jìn)行解調(diào)的接收機(jī)性能受IQ失衡影響較大，誤碼率也有較大的升高，整體性能不佳。而QPSK智能接收機(jī)模型的誤碼率依然處于很低的水平，在7 dB時(shí)的誤碼率低至0.019 8%。在不同IQ失衡配置的情況下，QPSK智能接收機(jī)模型的性能幾乎穩(wěn)定不變，且十分接近理想最大似然決策的性能。從該實(shí)驗(yàn)的結(jié)果中可以得出QPSK智能接收機(jī)模型具有優(yōu)良的抗IQ失衡的能力。

5 結(jié)束語(yǔ)

為了解決因信道噪聲、頻率偏差、IQ失衡等干擾導(dǎo)致的現(xiàn)有QPSK通信接收機(jī)的解調(diào)性能較差的問(wèn)題，本文研究了一種基于深度學(xué)習(xí)的QPSK智能接收機(jī)模型，用于替換傳統(tǒng)通信接收機(jī)的解調(diào)環(huán)節(jié)。該神經(jīng)網(wǎng)絡(luò)模型主要由LSTM和全連接層構(gòu)成，借助了遞歸神經(jīng)網(wǎng)絡(luò)中的內(nèi)存結(jié)構(gòu)，也利用了LSTM能提取接收信號(hào)的時(shí)間相關(guān)性這一特點(diǎn)，從而提高接收機(jī)的性能。本文在加性高斯白噪聲、頻率偏差、IQ失衡3種干擾條件下進(jìn)行了仿真實(shí)驗(yàn)。仿真結(jié)果表明，與使用傳統(tǒng)的硬判決方法進(jìn)行解調(diào)相比，QPSK智能接收機(jī)模型的性能有很大提高。因此，本文研究出的QPSK智能接收機(jī)模型具有一定的實(shí)用價(jià)值，很有可能在未來(lái)的通信領(lǐng)域得到一定程度上的應(yīng)用。