申请/专利权人：浙江工业大学

申请日：2023-01-19

公开（公告）日：2024-06-28

公开（公告）号：CN116055273B

主分类号：H04L27/22

分类号：H04L27/22;G06N3/08;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2023.05.19#实质审查的生效;2023.05.02#公开

摘要：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。

主权项：1.一种神经网络级联的QPSK接收机辅助模型训练方法，其特征在于，具体包括如下步骤：S1、搭建QPSK系统模型，使用所述QPSK系统模型获取第一训练数据集；获取过程包括：使用所述QPSK系统模型对经过汉明编码得到的56位汉明码进行QPSK调制，使用根升余弦进行过采样，再加入高斯噪声作为干扰，经过匹配滤波和欠采样得到56位特征，并将经过所述汉明编码得到的56位汉明码作为标签，将生成的所有特征和对应的标签一起组成所述第一训练数据集；S2、搭建rethink神经网络模型，所述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；S3、使用所述第一训练数据集训练所述rethink神经网络模型，优化所述rethink神经网络模型的第一损失函数；S4、使用Nadam算法优化所述第一损失函数，更新所述rethink神经网络模型的参数，直至所述预测标签与真实标签对比的错误率最小，将更新后的rethink神经网络模型作为第一QPSK接收机辅助模型；S5、获取所述第一QPSK接收机辅助模型的输出数据作为第二训练数据集；S6、搭建LSTM_CNN神经网络模型，所述LSTM_CNN神经网络模型用于对所述第一QPSK接收机辅助模型输出的预测标签进行译码；S7、使用所述第二训练数据集训练所述LSTM_CNN神经网络模型，优化所述LSTM_CNN神经网络模型的第二损失函数；S8、使用adam算法优化所述第二损失函数，更新所述LSTM_CNN神经网络模型的参数，直至LSTM_CNN神经网络模型的输出与QPSK系统模型的原始比特流对比的误码率最小，将更新后的LSTM_CNN神经网络模型作为第二QPSK接收机辅助模型。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种神经网络级联的QPSK接收机及其辅助模型训练方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD