超奈奎斯特(FTN)速率傳輸的遞歸神經網絡解調方法.pdf

1、傳統(tǒng)通信理論認為當信號傳輸速率超過奈奎斯特速率時，引起的碼間干擾會導致通信性能下降，因此在現(xiàn)實中常常采用正交調制。Mazo在1975年發(fā)現(xiàn)當發(fā)送脈沖為理想sinc脈沖，在碼元速率不超過奈奎斯特速率25％的前提下，歸一化信號最小距離不變，因此在高信噪比下可以獲得相近的性能，并將此技術稱為FTN(Faster Than Nyquist)傳輸技術。當使用非sinc脈沖調制時，F(xiàn)TN傳輸可以比奈奎斯特速率傳輸提供更高的系統(tǒng)容量，并且可以根據實際

2、情況調整速率，表現(xiàn)出很大的潛力。
　　本文主要研究FTN傳輸理論，并重點研究了基于遞歸神經網絡的FTN解調技術。FTN傳輸人為引入了碼間干擾，需要使用MLSE解調才能獲得理論最優(yōu)的性能，但需要知道等效信道的精確信息且復雜度很高。而基于神經網絡的FTN解調可以直接根據訓練數據和接收信號進行訓練。傳統(tǒng)的解調需要進行匹配濾波、白化、均衡、判決等步驟，而神經網絡可以直接實現(xiàn)對輸入信號的判決，在實際系統(tǒng)中可以更加充分地利用真實環(huán)境的信息，具

3、有性能潛力。本文通過仿真驗證了遞歸神經網絡用于FTN解調的可行性，并且對不同參數下神經網絡的性能做了較為詳細的仿真研究。
　　首先，對FTN傳輸的原理做了詳細的分析研究。介紹了FTN傳輸的概念，分析了其Mazo限，介紹了其限制信道容量;建立了FTN傳輸的離散模型，分析了離散模型中觀測矩陣的性質;討論了FTN傳輸的MLSE檢測以及兩種簡單的線性均衡算法，并對不同的算法性能進行了仿真分析。
　　其次，對神經網絡模型進行了分析研究

4、。介紹了前向神經網絡與遞歸神經網絡的模型結構，分析推導了神經網絡BP算法的矩陣形式，詳細介紹了神經網絡訓練中常用的算法，并使用Softmax回歸對奈奎斯特速率下BPSK調制信號進行了訓練與解調。
　　最后，研究了利用前向神經網絡與遞歸神經網絡解調FTN傳輸信號。將Softmax回歸與線性均衡進行了對比，驗證了采用線性均衡對FTN傳輸引入的碼間干擾消除的局限性;用MLP模型和RNN模型對FTN的解調進行了詳細的仿真分析，發(fā)現(xiàn)在訓練數