应用深度学习的信号解调.PDFVIP

第57卷 第7期 电讯技术 Vol.57,No.7 2017年7月 Telecommunication Engineering July,2017 doi:10.3969/ j.issn.1001-893x.2017.07.001 引用格式:黄媛媛,张剑,周兴建,等.应用深度学习的信号解调[J]. 电讯技术,2017,57(7):741-744. [HUANG Yuanyuan,ZHANG Jian,ZHOU Xingjian,et al.Demodulation with deep learning[J].Telecommunication Engineering,2017,57(7):741-744. ] 应用深度学习的信号解调* 1 2 2 2 ** 黄媛媛 ,张摇 剑 ,周兴建 ,卢建川 (1.中兴通讯股份有限公司,成都610041;2.中国西南电子技术研究所,成都610036) 摘摇 要:针对噪声干扰信道下的信号解调问题,提出了应用深度学习的信号识别方法,通过识别信号 完成信号解调。 深层置信网络使用受限波尔兹曼机为基本单元,设计针对通信信号识别的多层深层 置信网络。 通信信号首先变换为特定表征序列,并以此构建完备的训练集合对深度置信网络进行逐 层的无监督学习和全局有监督的微调反馈学习,在深层置信网络的权重参数优化过程中实现对通信 信号的特征提取与识别。 仿真实验表明,与传统调制信号解调方法相比,应用深度学习的信号解调 方法的检测性能有约0.4 dB的提升。 关键词:无线通信;信号解调;深度学习;深层置信网络;信号识别 中图分类号:TN911摇 摇 文献标志码:A摇 摇 文章编号:1001-893X(2017)07-0741-04 Demodulation with Deep Learning 1 2 2 2 HUANG Yuanyuan ,ZHANGJian ,ZHOU Xingjian ,LUJianchuan (1.ZTE Corporation,Chengdu610041,China; 2.Southwest China Institute of Electronic Technology,Chengdu610036,China) Abstract:This paper proposes a deep learning based demodulation method by identifying the modulated signal in radio channel. The proposed deep belief network is composed of multilayer restricted Boltzmann machines. The communicationsignalistransformedintoanewform,whichisusedastheinputofthedeep belief network and system training. The deep belief network extracts the characteristics of communication signals by top-down depth learning and bottom-upfeedbackfine tuning. The algorithm爷spracticability is verified by si