一种基于DVB-S与DVB-S2信号的级联码参数识别方法 |
|||||||
| 申请号 | CN202011171114.4 | 申请日 | 2020-10-28 | 公开(公告)号 | CN112332866B | 公开(公告)日 | 2024-04-30 |
| 申请人 | 成都海擎科技有限公司; | 发明人 | 李建清; 王姣; 王宏; | ||||
| 摘要 | 本 发明 公开了一种基于DVB‑S与DVB‑S2 信号 的级联码参数识别方法，包括以下步骤：S1、生成固定长度的DVB‑S和DVB‑S2信号的待识别级联码数据，并分为训练集和测试集；S2、构建残差Inception 卷积神经网络 ；S3、设置网络超参数，采用训练集训练残差Inception卷积神经网络，得到用于级联码识别的残差Inception模型；S4、采用训练完成的用于级联码识别的残差Inception模型识别测试集中的级联码数据，完成级联码的识别。本发明可以同时对不同的级联码结构和参数同时进行识别，而不需要采用新的识别 算法 且不会增加额外的计算量。对高误码率的数据也可以达到很好的识别效果。 | ||||||
| 权利要求 | 1.一种基于DVB‑S与DVB‑S2信号的级联码参数识别方法，其特征在于，包括以下步骤： |
||||||
| 说明书全文 | 一种基于DVB‑S与DVB‑S2信号的级联码参数识别方法技术领域[0001] 本发明属于数字通信领域，具体涉及无线通信技术领域中的一种基于残差Inception的数字电视信号的级联码识别方法。本发明可用于在接收端接收到无线信号并解调的情况下，直接实现解调序列的级联码识别。 背景技术[0002] 在无线通信系统中，由于传输过程受到衰落、噪声和干扰等因素的影响，导致接收端的信号产生严重的畸变。因此采用信道编码技术来提高信道的可靠性。级联码对随机错误和突发错误都具有很强的纠错能力，因此被广泛应用于各种通信系统中。级联码是存在多次编码的系统，对各级纠错码，交织和加扰看作一个整体的编码结构。目前，现有的级联码识别方法大多采用分级识别的级联码识别算法。在识别的过程中，首先估计出内码编码参数之后进行译码，再对译码后的数据进一步识别外码编码参数。基于分级识别的级联码识别算法需要对接收的编码序列进行译码，算法复杂度很大且不适用于复杂电磁环境下的通信系统。此外，该方法仅能识别单一的级联码结构，如RS码和卷积码的级联，并不能适用于多种纠错码级联的级联码结构及参数，并且不能区分出编码结构中的交织参数和是否存在加扰。 [0003] 申请号为201410747946.4，名称为“一种RS码与删余卷积码级联码参数盲识别方法”的专利申请中提出了一种RS码与删余卷积码级联码参数盲识别方法。该方法首先采用基于Walsh‑Hadamard算法的删余卷积码参数盲识别方法识别删余卷积码的码长、起点、删余模式以及生成矩阵，然后使用维特比译码算法进行译码；再根据译码后的序列采用矩阵分析法识别交织宽度和交织长度，并根据交织参数进行解交织；最后根据解交织后的序列采用遍历法和伽罗华域的快速傅里叶变换方法识别RS码的参数。该方法的不足之处是，由于这种方法是通过对级联码的分级识别实现，在识别的过程中需要对每种编码方式进行译码，并且不同的级联码方式需要采用不同的识别算法进行参数识别，因此该方法的算法复杂度较大，且局限性较大，仅能适用于单一的级联码结构识别。 [0004] 申请号为201811264785.8，名称为“一种RS码与卷积码的级联码参数识别方法”的专利申请提出了一种RS码与卷积码的级联码的参数识别方法。该方法首先获取待识别的编码数据，并获取RS码与卷积码的所有级联校验矩阵，然后获取待识别编码数据与每个级联校验矩阵的正交概率值，最后将正交概率值最大的级联校验矩阵所对应的级联码参数作为待识别编码数据的级联码参数。这种级联码识别方法存在的不足之处在于：该方法使用级联码的分级编码原理计算级联校验矩阵，需要对每一种级联码组合生成一个级联码校验矩阵并且求逆矩阵，因此计算量大且实现复杂。且在误码率较高的数据中识别效果不好。 发明内容[0005] 本发明的目的在于克服现有技术的不足，提供一种可以同时对不同的级联码结构和参数同时进行识别，而不需要采用新的识别算法且不会增加额外的计算量，对高误码率的数据也可以达到很好的识别效果的基于DVB‑S与DVB‑S2信号的级联码参数识别方法。 [0006] 本发明的目的是通过以下技术方案来实现的：一种基于DVB‑S与DVB‑S2信号的级联码参数识别方法，包括以下步骤： [0007] S1、生成固定长度的DVB‑S和DVB‑S2信号的待识别级联码数据，并将生成的待识别级联码数据划分为训练集和测试集； [0009] S3、设置网络超参数，采用训练集训练残差Inception卷积神经网络，得到用于级联码识别的残差Inception模型； [0010] S4、采用训练完成的用于级联码识别的残差Inception模型识别测试集中的级联码数据，完成级联码的识别。 [0011] 进一步地，所述步骤S1具体包括以下子步骤： [0012] S11、根据不同的级联码结构和参数组成级联码候选集C＝{c1,c2,…,cn}，其中，n为候选级联码的个数，ci表示第i种级联码，i＝1,…,n； [0013] S12、对于候选集的每一种级联码，根据DVB‑S和DVB‑S2通信系统的一般结构和参数生成不同的编码数据集；每种级联码在[5dB,20dB]的信噪比范围内，每隔1dB生成1000样本，单个样本的长度为64800； [0014] S13、将生产的级联码数据集按9:1的比例划分为训练集和测试集。 [0015] 进一步地，所述步骤S1具体包括以下子步骤： [0016] S11、根据不同的级联码结构和参数组成级联码候选集C＝{c1,c2,…,cn}，其中，n为候选级联码的个数； [0017] S12、对于候选集的每一种级联码，根据DVB‑S和DVB‑S2通信系统的一般结构和参数生成不同的编码数据集；每种级联码在[5dB,20dB]的信噪比范围内，每隔1dB生成1000样本，单个样本的长度为64800； [0018] S13、将生产的级联码数据集按9:1的比例划分为训练集和测试集。 [0019] 进一步地，所述步骤S2具体包括以下子步骤： [0020] S21、搭建主干卷积神经网络，该网络由输入层、卷积层、最大池化层组成；定义输入层输入长度为62800*1，输入层之后接3个卷积核大小为3*1，个数分别为32、32、64的卷积层，然后通过一个2倍下采样的最大池化层，最后再连接3个卷积核大小为3*1，个数分别为128、128、256的卷积层； [0021] S22、搭建3个不同尺度的一维残差Inception结构：残差Inception_1、残差Inception_2和残差Inception_3； [0022] 3种残差Inception结构都包含4个支路： [0023] 残差Inception_1结构的第一个支路直接连接输出，即残差连接；第二个支路包含一个卷积核大小为1*1，个数为96的卷积层；第三个支路包含一个卷积核大小为1*1，个数为64的卷积层和一个卷积核大小为1*3，个数为96的卷积层，第四个支路包含三个卷积层，分别是一个卷积核大小为1*1，个数为64卷积层和两个卷积核大小为1*3，个数为96的卷积层； [0024] 残差Inception_2结构的第一个支路直接连接输出，即残差连接；第二个支路包含一个卷积核大小为1*1，个数为384的卷积层；第三个支路包含一个卷积核大小为1*1，个数为192的卷积层和一个卷积核大小为1*7，个数为224的卷积层；第四个支路包含三个卷积层，分别是一个卷积核大小为1*1，个数为192卷积层和两个卷积核大小为1*7，个数为224的卷积层； [0025] 残差Inception_3结构的第一个支路直接连接输出，即残差连接；第二个支路包含一个卷积核大小为1*1，个数为256的卷积层；第三个支路包含一个卷积核大小为1*1，个数为384的卷积层和一个卷积核大小为1*3，个数为256的卷积层；第四个支路包含三个卷积层，分别是一个卷积核大小为1*1，个数为384卷积层和两个卷积核大小为1*3，个数为256的卷积层； [0026] S23、融合主干网络和残差Inception结构得到级联码识别网络结构，将主干网络作为先导网络，然后在之后连接4个残差Inception_1，5个残差Inception_2，3个残差Inception_3，最后再添加全局平均池化层和分类层；其中，分类层采用Softmax作为激活函数，实现级联码的识别。 [0027] 进一步地，所述步骤S3具体包括以下子步骤： [0028] S31、设置网络训练超参数，设置批处理样本个数为32，训练周期为100，每个周期训练3000批样本；采用Adam作为网络的训练的优化函数，并设置初始学习率为0.002；在训练过程中，若Loss在8个周期内都不下降，则将学习率降低5倍； [0029] S32、采用编码数据训练残差Inception卷积神经网络，将编码数据按照批处理的大小输入进网络进行训练，在每个训练周期之后比较Loss值的大小，若Loss值降低，则存储当前的模型；在训练过程中，若Loss值在8个周期内都不下降，则将学习率降低5倍；到100个周期的时候停止训练； [0030] S33、保存Loss值最小的残差Inception模型用于级联码的识别。 [0031] 进一步地，所述步骤S4具体包括以下子步骤： [0032] S41、读入测试集中的级联码数据集，输入训练完成的级联码识别模型； [0033] S42、模型输出不同级联码类型的识别概率； [0034] S43、选取概率最大值作为级联码识别的结果，完成级联码的识别。 [0035] 本发明的有益效果是：本发明的基于残差Inception网络提出一种基于DVB‑S与DVB‑S2信号的级联码识别方法，将深度学习思想引入级联码识别任务中，利用残差Inception网络强大的特征提取能力，自动的从编码数据中提取特征，避免了人工提取特征的复杂性，并在一定程度上减小了计算复杂度。本发明提出的级联码识别方法可以同时对不同的级联码结构和参数同时进行识别，而不需要采用新的识别算法且不会增加额外的计算量。如DVB‑S(RS码和卷积码的级联码)和DVB‑S2(BCH码和LDPC的级联码)不同结构级联码的识别。对高误码率的数据也可以达到很好的识别效果，可以有效的识别级联码中各级纠错码的类型及参数，交织参数与是否加扰。该方法解决了现有级联码识别算法局限于单一级联码结构识别，算法复杂度大及鲁棒性差等缺点。对DVB‑S和DVB‑S2的级联码在误码率大‑3于10 时，可以达到95％的识别准确率。 附图说明 [0036] 图1为本发明基于DVB‑S与DVB‑S2信号的级联码参数识别方法的流程图； [0037] 图2为本发明实施例训练的准确率和Loss曲线； [0038] 图3为本发明实施例测试准确率图。 具体实施方式[0039] 下面结合附图进一步说明本发明的技术方案。 [0040] 如图1所示，本发明的一种基于DVB‑S与DVB‑S2信号的级联码参数识别方法，包括以下步骤： [0041] S1、生成固定长度的DVB‑S和DVB‑S2信号的待识别级联码数据，并将生成的待识别级联码数据划分为训练集和测试集； [0042] 具体包括以下子步骤： [0043] S11、根据不同的级联码结构和参数组成级联码候选集C＝{c1,c2,…,cn}，其中，n为候选级联码的个数，ci表示第i种级联码，i＝1,…,n；其中，加扰的有无，级联码的结构以及交织参数的变化都为一种级联码类型； [0044] S12、对于候选集的每一种级联码，根据DVB‑S和DVB‑S2通信系统的一般结构和参数生成不同的编码数据集；每种级联码在[5dB,20dB]的信噪比范围内，每隔1dB生成1000样本，单个样本的长度为64800； [0045] S13、将生产的级联码数据集按9:1的比例划分为训练集和测试集。 [0046] 本实施方式中，以DVB‑S和DVB‑S2中的级联码类型为例，DVB‑S的级联码结构是首先对信息序列加扰，然后采用前向纠错编码(FEC)进行编码，主要由里德‑索罗门编码(RS编码)和卷积码组成。其中RS编码为外码，卷积编码为内码。外码格式为RS(204，188)，它只能纠正与本组相关的误码，对纠正突发性误码效果明显。内码的码率有1/2，2/3，3/4，5/6和7/8。在RS码与卷积码之间有一个卷积交织器。DVB‑S2的编码模块由BCH编码模块、低密度奇偶校验(Low Density Parity Check，LDPC)编码模块和比特交织模块联合组成。在DVB‑S2中，针对四种不同的调制方式：QPSK，8PSK，16APSK和32APSK，分别定义了十一种编码速率：1/4， 1/3，2/5，1/2，3/5，2/3，3/4，4/5，5/6，8/9和9/10。当采用8PSK，16APSK和32APSK调制时需要额外对编码后的数据进行比特交织处理。 [0047] DVB‑S协议的主要流程为加扰，RS编码，卷积交织，卷积编码。其中，RS编码，卷积交织的参数固定，只有卷积编码存在不同的码率(1/2、2/3、3/4，5/6，7/8)。因此，将每一种卷积码的码率作为一类，总共5类生成数据集。DVB‑S2协议的生成流程为BCH编码，LDPC编码，分组交织(若为QPSK调制，则没有交织，若8PSK调制，16APSK和32APSK调制，则采用不同参数的分组交织)。分组交织方式为列入行出，若为8PSK调制，则将编码序列排成3列，然后按行读出。16APSK和32APSK则为4列和5列。生成DVB‑S2协议29类的编码交织类型，QPSK有11类，8PSK有7类，16APSK有6类，32APSK有5类。 [0048] S2、构建主干卷积神经网络和一维残差Inception结构，并融合主干网络和残差Inception结构得到残差Inception卷积神经网络； [0049] 具体包括以下子步骤： [0050] S21、搭建主干卷积神经网络，该网络由输入层、卷积层、最大池化层组成；定义输入层输入长度为62800*1，输入层之后接3个卷积核大小为3*1，个数分别为32、32、64的卷积层，然后通过一个2倍下采样的最大池化层，最后再连接3个卷积核大小为3*1，个数分别为128、128、256的卷积层； [0051] S22、搭建3个不同尺度的一维残差Inception结构：残差Inception_1、残差Inception_2和残差Inception_3； [0052] 3种残差Inception结构都包含4个支路，但是不同给的Inception结构中各个支路的卷积核参数不同： [0053] 残差Inception_1结构的第一个支路直接连接输出，即残差连接；第二个支路包含一个卷积核大小为1*1，个数为96的卷积层；第三个支路包含一个卷积核大小为1*1，个数为64的卷积层和一个卷积核大小为1*3，个数为96的卷积层，第四个支路包含三个卷积层，分别是一个卷积核大小为1*1，个数为64卷积层和两个卷积核大小为1*3，个数为96的卷积层； [0054] 残差Inception_2结构的第一个支路直接连接输出，即残差连接；第二个支路包含一个卷积核大小为1*1，个数为384的卷积层；第三个支路包含一个卷积核大小为1*1，个数为192的卷积层和一个卷积核大小为1*7，个数为224的卷积层；第四个支路包含三个卷积层，分别是一个卷积核大小为1*1，个数为192卷积层和两个卷积核大小为1*7，个数为224的卷积层； [0055] 残差Inception_3结构的第一个支路直接连接输出，即残差连接；第二个支路包含一个卷积核大小为1*1，个数为256的卷积层；第三个支路包含一个卷积核大小为1*1，个数为384的卷积层和一个卷积核大小为1*3，个数为256的卷积层；第四个支路包含三个卷积层，分别是一个卷积核大小为1*1，个数为384卷积层和两个卷积核大小为1*3，个数为256的卷积层； [0056] S23、融合主干网络和残差Inception结构得到级联码识别网络结构，将主干网络作为先导网络，然后在之后连接4个残差Inception_1，5个残差Inception_2，3个残差Inception_3，最后再添加全局平均池化层和分类层；其中，分类层采用Softmax作为激活函数，实现级联码的识别。 [0057] S3、设置网络超参数，采用训练集训练残差Inception卷积神经网络，得到用于级联码识别的残差Inception模型； [0058] 具体包括以下子步骤： [0059] S31、设置网络训练超参数，设置批处理样本个数为32，训练周期为100，每个周期训练3000批样本；采用Adam作为网络的训练的优化函数，并设置初始学习率为0.002；在训练过程中，若Loss在8个周期内都不下降，则将学习率降低5倍； [0060] S32、采用编码数据训练残差Inception卷积神经网络，将编码数据按照批处理的大小输入进网络进行训练，在每个训练周期之后比较Loss值的大小，若Loss值降低，则存储当前的模型；在训练过程中，若Loss值在8个周期内都不下降，则将学习率降低5倍；到100个周期的时候停止训练；绘制训练曲线如图2所示，图中横坐标Epoch代表模型训练的周期，左纵坐标Accuracy代表识别准确率，右纵坐标Loss代表模型训练的优化值。图中总共包含4条曲线，train acc和test acc分别代表模型训练集和验证集的准确率，而train loss和test loss分别代表训练集和验证集的loss值大小； [0061] S33、保存最优(即Loss值最小)的残差Inception模型用于级联码的识别。 [0062] S4、采用训练完成的用于级联码识别的残差Inception模型识别测试集中的级联码数据，完成级联码的识别； [0063] 具体包括以下子步骤： [0064] S41、读入测试集中的级联码数据集，输入训练完成的级联码识别模型； [0065] S42、模型输出不同级联码类型的识别概率； [0066] S43、选取概率最大值作为级联码识别的结果，完成级联码的识别。 [0067] 本实施例得到的不同级联码的识别结果如图3所示，本发明的识别结果可得到99％左右的识别准确率。 [0068] 本发明提出的级联码识别方法可以同时对不同的级联码结构和参数同时进行识别，而不需要采用新的识别算法且不会增加额外的计算量。如DVB‑S(RS码和卷积码的级联码)和DVB‑S2(BCH码和LDPC的级联码)不同结构级联码的识别。对高误码率的数据也可以达‑3到很好的识别效果，对DVB‑S和DVB‑S2的级联码在误码率大于10 时，可以达到95％的识别准确率。 [0069] 本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。 |
||||||
