公开(公告)号：CN116132235B

公开(公告)日：2024-07-05

申请号：CN202310114350.X

申请日：2023-01-29

Applicant: 北京林业大学

Inventor： 段瑞枫 ,  杨嘉晨 ,  李诚驹

IPC: H04L27/22 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的连续相位调制信号解调方法，属于通信领域；首先，收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；然后，搭建神经网络模型，输入训练样本进行模型训练；所述神经网络模型包括依次串连的三层卷积层和全连接层；每层卷积层包含多条并行的卷积分支；对于每个样本，依次利用各卷积层中的八条卷积分支进行并行特征提取和融合，得到特征图输入给全连接层；多次迭代并调整学习率直至模型参数达到最优；最后，将待解调的调制信号输入训练好的神经网络模型中进行自动解调；本发明在GMSK下的解调性能与传统MLSD方法的理论性能接近，在FSK下的解调性能超越了传统MLSD方法的解调性能，模型泛化能力与鲁棒性更强。

公开(公告)号：CN116132235A

公开(公告)日：2023-05-16

申请号：CN202310114350.X

申请日：2023-01-29

Applicant: 北京林业大学

Inventor： 段瑞枫 ,  杨嘉晨 ,  李诚驹

IPC: H04L27/22 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的连续相位调制信号解调方法，属于通信领域；首先，收集不同调制类型的连续相位的调制信号，划分为训练样本或测试样本；然后，搭建神经网络模型，输入训练样本进行模型训练；所述神经网络模型包括依次串连的三层卷积层和全连接层；每层卷积层包含多条并行的卷积分支；对于每个样本，依次利用各卷积层中的八条卷积分支进行并行特征提取和融合，得到特征图输入给全连接层；多次迭代并调整学习率直至模型参数达到最优；最后，将待解调的调制信号输入训练好的神经网络模型中进行自动解调；本发明在GMSK下的解调性能与传统MLSD方法的理论性能接近，在FSK下的解调性能超越了传统MLSD方法的解调性能，模型泛化能力与鲁棒性更强。