【文献学习】Demodulation of Faded Wireless Signals using Deep Convolutional Neural Networks

1 参数介绍

最佳信噪比10dB 信噪比范围10-20dB 瑞利衰落+高斯噪声 调制方式BFSK 比较的分类器：SVM、MLP、LDA(线性判别分析，误码率是0.021-0.02)、QDA(二次判别分析，误码率是0.027-0.03) 传统解调的误码率是0.0025-0.025之间 把调制和解调分为基于学习的和不急于学习的两种方式

2 综述 2.1 基于学习的解调方法

【1】128bit的DCNN作为端到端的调制和解调 【2】提出一个通用的框架，使用最大似然方法解调 【3】提出了使用深度神经网络进行调制识别，结果表明，神经网络的深度对调制识别并不影响，应该关注同步和均衡。 【4】提出了LSTM的DNN作为FM的解调，使用了记忆机制 【5】提出了ANN解调不同的信号如FSK、PSK 【6】提出了神经网络的解调方式去解调未知信道的信号 【7】提出了基于SDR的神经网络考虑了多径衰落 【8】提出了概率神经网络作为统一的解调器 【9】提出了可适应的径向基函数神经网络解调直接序列扩频多路访问的多用户的交流

2.2 基于非学习的解调方法

【10】提出了一个OFDM可扩展到技术，提高了调制和解调的速度为40Gb/s 【11】提出了一种解调技术针对直流偏移在直接转换系统中 【12】提出了一种在频带是75-110HZ下解调的新技术，把一个QPSK信号转换成一个毫米波无线信号。

3 作者研究思路

实验分为两个部分，第一个部分产生数据，通过FSK调制后，经过瑞利衰落信道。得到训练的数据集。第二部分是利用以下六种方式解调，作为对比实验。 （1）传统的匹配滤波器CORR （2）支持向量机SVM （3）多层感知MLP （4）二次判别分析QDA （5）线性判别分析LDA （6）深度卷积网络DCNN（把数据拉平为一维）

4 实验模型 4.1 信号的产生

随便产生一个文本文件，一个字符8比特，然后再转成比特的二进制编码，总共有5045个字符，那有60360比特 采样率是100/bit，采样频率为1MHZ，符号之间的分离频率75KHZ 调制方式BFSK 5条多径瑞利衰落+高斯噪声 增益范围5-30dB 最大多普勒频移范围1-100HZ 信噪比范围10-20dB,训练和验证集的信噪比步长是1dB，测试集的信噪比步长是2dB

4.2 信号的计算

（1）DCNN深度卷积网络 Dropout率0.25。卷积神经网络，前两个隐藏层，后三个全连接层，最后MLP输出层实现0-1分类

（2）对比实验的网络

• MLP网络：用工具箱生成的，2个隐藏层，一个MLP输出层，Tan sigmoid激活函数。MSE作为损失函数，Adam优化器

• SVM网络：使用了不同的内核来让数据映射到高维空间，使得问题数据能够线性划分，内核有多项式，径向基和sigmoid

• LDA网络：使用了三种不同的内核，线性核、对角线性，伪线性

• QDA网络：有两个内核，分别是对角二次函数，伪二次方

• 传统的匹配滤波器CORR

4.3 结果分析

相比较其他分类器，DCNN有巨大的优势。而且其他分类器还不如传统的效果好。

4.4 训练要求

分为两种训练方式 （1）训练信噪比范围是10-20db，且步长为1的数据集，训练20个模型出来 （2）取信噪比的平均值，只训练一个平均信噪比的模型 在信噪比大于19db下，第二种方式更好。