基于深度學(xué)習(xí)的QPSK智能接收機(jī)模型研究

朱 力，韓會梅，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)較為簡單的數(shù)字調(diào)制方式，在無線通信領(lǐng)域中應(yīng)用廣泛。在通信傳輸過程中，QPSK已調(diào)信號受到信道噪聲等干擾后會出現(xiàn)失真。這種干擾失真信號到達(dá)接收機(jī)端時，必須經(jīng)過接收機(jī)的解調(diào)和譯碼等相關(guān)過程處理之后，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，解調(diào)后再經(jīng)過譯碼等過程才能恢復(fù)出原始信息。但采用這種方法時，接收機(jī)處理每個模塊時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，隨著科學(xué)技術(shù)的發(fā)展，深度學(xué)習(xí)在計算機(jī)視覺、自動控制技術(shù)、自然語言處理等眾多領(lǐng)域得到了廣泛應(yīng)用，并不斷取得新的突破：人臉識別、無人駕駛和ChatGPT等，這也引起了科研工作者的廣泛關(guān)注。在無線通信領(lǐng)域，使用深度學(xué)習(xí)對通信的研究也越來越多，例如信號檢測[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，傳統(tǒng)無線通信接收機(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)一個擴(kuò)頻信道的數(shù)據(jù)包。同時，對于相同的擴(kuò)頻信道而言，LoRa 基帶信號之間容易發(fā)生嚴(yán)重干擾。對于不同的擴(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、光電探測器的響應(yīng)度失配以及混頻器不滿足共軛對稱性等問題[9]。因此，在接收機(jī)端也容易發(fā)生正交失衡，從而會對QPSK信號的正確解調(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)出原始信號的目的，文獻(xiàn)[12]首先采用了施密特正交化算法對相干接收機(jī)輸出的兩路信號進(jìn)行了理論上的分析，再通過進(jìn)行具體實(shí)驗(yàn)加以驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，輸出的兩路信號經(jīng)過正交失衡算法補(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)和堆疊的自動編碼器來完成短距離多徑信道中的信號解調(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，但在BRNN中的解調(diào)之后沒有包含信道譯碼模塊。從現(xiàn)有的研究結(jié)果來看，目前研究的通信接收機(jī)幾乎沒有考慮通信系統(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，從而會干擾接收機(jī)的解調(diào)過程，最終對通信系統(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)性能較差的問題，本文將目前廣泛應(yīng)用于計算機(jī)視覺、自然語言處理等領(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，用來取代傳統(tǒng)的QPSK接收機(jī)的解調(diào)過程。仿真結(jié)果表明，當(dāng)已調(diào)信號受到加性高斯白噪聲、頻率偏差和IQ失衡干擾因素影響時，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

一個常見的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)送信號經(jīng)過信源編碼、信道編碼和QPSK調(diào)制后成為已調(diào)信號。然后，已調(diào)信號在信道中傳輸。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)信號經(jīng)過信道傳輸后，到達(dá)接收機(jī)端時會發(fā)生失真。接收機(jī)需要對受到干擾的已調(diào)信號進(jìn)行解調(diào)和譯碼等過程，以盡可能準(zhǔn)確地恢復(fù)出原始的發(fā)送信號。

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也會產(chǎn)生噪聲。因此，接收機(jī)接收到的已調(diào)信號將包含一定量的噪聲。噪聲和信號混雜在一起，會對信號的正確恢復(fù)造成一定的影響。最常見的噪聲是加性高斯白噪聲，從統(tǒng)計上來說它屬于隨機(jī)無線噪聲，特點(diǎn)是其通信信道上的信號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)致接收信號產(chǎn)生頻率偏差，簡稱頻偏。頻率是無線通信中比較重要的一個性能指標(biāo)，存在頻率偏差的信號會影響到接收機(jī)的正確解調(diào)，這很可能會導(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)在傳輸信號時的通信質(zhì)量就越差。

3)IQ失衡：由于溫度依賴性、生產(chǎn)缺陷和老化，I路徑和Q路徑中的模擬分量無法完美匹配。IQ失衡包括幅度和相位上的失衡。IQ失衡是一個很嚴(yán)重的問題，它會導(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)計出錯均可能會導(dǎo)致I信號和Q信號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不僅具有長時記憶功能、實(shí)現(xiàn)起來容易，還可以有效防止長序列訓(xùn)練過程中存在的梯度爆炸和梯度消失問題。因此，LSTM在執(zhí)行預(yù)測任務(wù)的時候具有獨(dú)特的優(yōu)勢。圖2中的全連接層則用于增強(qiáng)模型的非線性表達(dá)能力，從而進(jìn)一步提升整個網(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)槲覀冊谶M(jìn)行實(shí)驗(yàn)研究的過程中發(fā)現(xiàn)：隨著LSTM層數(shù)的增加，模型總參數(shù)會顯著增加，模型復(fù)雜度會大大增加，訓(xùn)練用時也會變得漫長，且容易發(fā)生過擬合，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，模型的復(fù)雜度不會有很大的增加，但是整個網(wǎng)絡(luò)模型的性能相比于只采用一層全連接層會有較大的提高。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QPSK調(diào)制以及引入AWGN等干擾因素處理后的信號簡記為QPSK調(diào)制信號Xt=[X1，X2，...，Xn]。將Xt=[X1，X2，...，Xn]作為QPSK智能接收機(jī)模型的輸入。輸入該模型的信號經(jīng)過模型處理后，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，經(jīng)過QPSK調(diào)制后的已調(diào)信號會進(jìn)入到該全連接層作為輸入，全連接層對已調(diào)信號進(jìn)行處理后再輸入到LSTM層。全連接層作為輸出層時，用于綜合所有信息，采用了sigmoid激活函數(shù)，以實(shí)現(xiàn)分類的功能。sigmoid函數(shù)可以將輸入向量中的每一個實(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)練過程中起著重要的作用。當(dāng)執(zhí)行分類任務(wù)時，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)練的具體過程。

QPSK智能接收機(jī)模型訓(xùn)練過程：

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)的定義計算出損失。

e) 用Nadam算法對損失函數(shù)進(jìn)行優(yōu)化,對搭建的神經(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)集均通過仿真軟件Matlab 2022b生成，包含訓(xùn)練集和測試集。數(shù)據(jù)集中的每個樣本的產(chǎn)生過程為：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QPSK調(diào)制，即可得到已調(diào)信號；之后，對已調(diào)信號先進(jìn)行根升余弦升濾波并采樣，采樣率設(shè)置為8；然后，對采樣后的信號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；最后，將得到的干擾失真信號進(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，對于每個訓(xùn)練集，信號的信噪比(SNR，signal to noise ratio)范圍為0～7 dB，間隔為1 dB。每個SNR的樣本量為20萬，因此訓(xùn)練集總樣本量為160萬(即20萬×8)。對于每個測試集，信號SNR的范圍為0～7 dB，間隔為0.5 dB。每個SNR的樣本量為10萬，因此測試集的總樣本量為150萬(即10萬×15)。

仿真實(shí)驗(yàn)時，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)過去兩次而模型的訓(xùn)練損失函數(shù)不下降時，下一次迭代時的學(xué)習(xí)率就會調(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LSTM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個神經(jīng)元，采用sigmoid激活函數(shù)，輸入信息長度為56位。

在本文中，全連接層參數(shù)計算公式可簡化為：

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即為輸入信息長度56，以下類似。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個神經(jīng)元。

在本文中，LSTM層參數(shù)計算公式可簡化為：

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)的計算公式見式(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)接收到的信號質(zhì)量的3個因素：加性高斯白噪聲、頻率偏差、IQ失衡。以下為與之對應(yīng)的3個仿真實(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。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，且沒有其他的影響因素干擾時，我們在搭建好的深度學(xué)習(xí)環(huán)境中對QPSK智能接收機(jī)模型進(jìn)行了訓(xùn)練。訓(xùn)練好后，我們對它進(jìn)行了測試，測試結(jié)果如圖3所示。為了進(jìn)行比較，本實(shí)驗(yàn)也測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SNR具有良好的泛化能力。

圖3 AWGN條件下，不同方案的性能對比

2)頻率偏差：在無線通信系統(tǒng)中，在發(fā)射機(jī)和接收機(jī)上分別使用兩個獨(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)之間存在相對運(yùn)動時，會導(dǎo)致多普勒頻移。在這些因素的影響下，接收信號與發(fā)射信號之間會有一定的頻率偏差。在這一個實(shí)驗(yàn)中，我們分析了信號在存在頻率偏差時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(相對于符號率)分別設(shè)置為0.001、0.002和0.004，其他設(shè)置與之前仿真時的設(shè)置相同。與第一個實(shí)驗(yàn)類似，我們先訓(xùn)練QPSK智能接收機(jī)模型，訓(xùn)練好后再對它進(jìn)行測試，圖4為QPSK智能接收機(jī)模型的測試結(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，SNR在0～7 dB范圍內(nèi)時，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)際的通信過程中難以被接受。對比而言，QPSK智能接收機(jī)模型在7 dB時的誤碼率低至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，不同方案的性能對比

3)IQ失衡：由于射頻設(shè)備的非理想性，接收到的IQ信號可能存在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)信號在信道中傳輸?shù)倪^程中會發(fā)生失真，從而導(dǎo)致接收機(jī)接收到的信號的質(zhì)量變差，進(jìn)而導(dǎo)致誤碼率升高。在這一個實(shí)驗(yàn)中，我們分析了信號存在IQ失衡時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)置與第一個仿真實(shí)驗(yàn)時的設(shè)置相同。與上兩個實(shí)驗(yàn)類似，我們先訓(xùn)練QPSK智能接收機(jī)模型，訓(xùn)練好后再對它進(jìn)行測試，圖5為QPSK智能接收機(jī)模型的測試結(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

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能提取接收信號的時間相關(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)用價值，很有可能在未來的通信領(lǐng)域得到一定程度上的應(yīng)用。