2009 年第 07 期，第 42 卷 通 信 技 术 Vol.42，No.07,2009 总第 211 期 Communications Technology No.211,Totally 基于神经网络的 ASK 解调器及性能研究 李 岷①②， 钟洪声② (①绵阳职业技术学院，四川 绵阳 621000；②电子科技大学，四川 成都 610054) 【摘 要】文中介绍了一种基于 ELMAN 型神经网络的振幅移位键控（ASK）信号解调器，并研究了该解调器的相关性能。 与传统解调器相比，它有一些很重要的特点：第一，神经网络算法用于解调处理，其抗干扰性能优于传统方法；第二，神经 网络解调器有和传统解调器相似的处理单元，但在神经网络中，这些功能被整合在多个神经元中，无需对每个处理单元和功 能进行单独设计，这些处理功能都是在其学习过程中自己获得的；第三，解调系统为并行结构，所以处理速度比传统速度更 快。由 MATLAB 的仿真结果可以看到，该解调器有效且性能优良。 【关键词】解调；ASK；神经网络；通信；信号处理 【中图分类号】TP389.1 【文献标识码】A 【文章编号】1002-0802(2009)07-0069-03 A Research on ASK Signal Demodulator Based on Artificial Neural Network LI Min①②， ZHONG Hong-sheng② (①Department of Information Engineering, Mianyang Vocational and Technical College, Mianyang Sichuan 621000, China； ②School of Electronic Engineering, University of Electronic Science and Technology, Chengdu Sichuan 610054, China) 【Abstract】 In this paper, a novel demodulator based on Elman artificial neural network(EANN) is proposed, and its performance studied. It has some important features as compared with conventional method. Firstly, the anti-interference ability of ANN demodulator is better than that of the traditional methods; secondly, the ANN demodulator has essential function modules for ASK demodulation, however these functions are not designed separately but acquired by in the learning process of ANN demodulator. Thirdly, its process of demodulating signal is in parallel mode, so the operating speed is faster than that in conventional mode. The simulation result by MATLAB has proved the effectiveness of the proposed demodulator. 【Key Words】demodulation; ASK; ANN; communication; signal processing 0 引言 数，以及它所具有的并行快速处理和自学习等能力，本文从 随着现代科学技术的不断发展，通信系统得到了非常广 ELMAN网络出发，提出了一种基于神经网络的解调新方法。 泛的应用。近年来，基于数字技术的现代通信系统不断地更 该方法通过神经网络及其算法，对ASK信号进行解调处理。 新和发展着。在数字通信系统中，调制与解调是其中的关键 经实际仿真证明，在信噪比极低的情况下，可以对ASK信号 技术之一。幅移键控（ASK）是一种基本的数字调制方式， 进行正确解调，且其解调性能明显优于传统解调方法[3]。 由于其高效便捷，易于实现的特点，故常应用于实际通信工 程中。但ASK调制方式的抗噪声能力较差，因而一般只适宜 1 ELMAN神经网络简介 在恒参信道下采用[1]。 人工神经网络是由大量神经元互连组成的非线性系统， 由于神经网络（ANN）所具有的并行分布式处理、非线 它具有以下一些典型的特点,如非线性映射能力，并行分布 性映射、自学习和自适应等能力，近年来吸引了不少人的关 处理方式，自学习和自适应能力，数据融合的能力等。 注[2]。考虑到神经网络能以任意精度逼近任何非线性连续函 在神经网络的众多模型中，有一种网络被称为 ELMAN 神 收稿日期：2008-09-18。 作者简介：李 岷（1976–），男，硕士研究生，主要研究方向为微电子技术，神经网络在通信中的应用，神经网络的电路实现；钟洪声（1961-）， 男，教授，硕士生导师，主要研究方向为电源技术、雷达技术、神经网络在通信中的应用。 69 

经网络，它是一种带有反馈结构的动态回归神经网络。由于 利用该算法，可以对带有明显跟随性干扰杂波的神经网 其独特的反馈结构，使得它能够生动，直接地反映系统动态 络单元输出信号进行处理，由图 2(b)可以看到该单元处理以 特性，它代表了神经网络建模系统辨识和控制的发展方向[4]。 后的仿真输出结果。 具有独特反馈连接结构的 ELMAN 网络可以把当前的输入 信号结合前一时刻系统的状态进行处理，利用 BP 算法对它 进行训练后，可以对真实世界中的各种基于时间序列的应用 进行建模和仿真。在本文中，我们用来对 2ASK 信号进行解 调处理。其基本结构为四层，即输入层、关联层、 隐藏层 及输出层。 3 1 下列各式为描述 ELMAN 网络的基本公式： y k ( ) = x k ( ) = cx k ( ) = g w x k ， (1) ( )) ( f w x k ( ) ( 1))) − ， (2) + c x k − ， (3) ( 1) n ∑ 。 (4) y w )] 2 k E w ) ( = y w ) k ( 2 w u k ( ( − ( [ k 1 − (a) 神经网络处理单元输出信号 (b) 电平判决处理单元输出信号 其中，u(k)和 y(k)分别是网络在离散时间上的输入和输 出向量。x(k)是隐层的输出向量。 ( ) cx k 是关联层的输出 向量。 (c) 干扰脉冲去除单元输出信号 图 2 电平判决处理单元示意 2.3 干扰脉冲去除单元 w1 是隐层、关联层间的权值矩阵，w2 是输入层和隐层之 间的权值矩阵，w3 是隐层和输出层之间的权值矩阵, ky 是神 经网络的输出期望值[5]。 由图 2(b)可以看到在上一单元的输出信号中，除基带信 号外，仍有明显的脉冲状干扰信号。这些干扰信号会影响到 原始码元的正确识别，因此需要对该输出信号进行干扰脉冲 2 神经网络解调器的设计与训练 神经网络解调器的结构如图 1 所示。 待解调信号 神经网络处理 信号的去除处理。其基本算法如下： f output n ( ) 1, ⎧⎪= ⎨ 0, ⎪⎩ a 1 a 当 1 当 ≥ < 0 a a 0 , ( a 1 + a M 2 = （6） ) 。 在式（6）中，a1 为 T 时间内采样值为 1 的个数，a0 为时 间内采样值为 0 的个数。M 为 T 时间内对信号的采样总次数， T 代表单个数字脉冲信号持续的时间。式（6）对每个码元所 干扰脉冲去除 已解调信号 电平判决 代表的电平信号的处理，都须在 T 时间内完成。图 2(c)显示 了该单元处理以后的仿真输出结果，可以看到，按该算法设 计的单元能很好地去除干扰脉冲。 2.4 神经网络的训练 图 1 神经网络解调器的基本结构 2.1 神经网络处理单元 神经网络处理单元由以下四层组成：第一层为输入层， 用于输入 2ASK 信号；第二层是隐层；第三层是关联层，它 输入的数据是由隐层提供，关联层完成数据处理后，又将数 据重新输入回隐层，它的作用相当于数据存贮和延迟；最后 一层是输出层，用于输出解调后的基带信号。 利用 MATLAB 的 SIMULINK 工具来产生对应的神经网络处 理单元模型，其中，隐层的激活函数为 tansig，输出层的激 活函数为 purelin。 2.2 电平判决处理单元 当数据经过神经网络处理单元之后，其信号的波形已经 很接近原始信号波形，但波形中会带有明显的干扰状杂波， 如图 2 (a) 所示，从而会影响数据信号的正确恢复。为了将 杂波去除，需要经过相应地处理，其处理函数如下如示： x < 当 0.5, x 当0.5 ≤ (5) 。 1.5 < g x ( ) v 0 , ⎧ = ⎨ v 1 , ⎩ 70 利用 BP 算法来对神经网络解调器进行训练，具体参数 如下所示： 训练信号类型-2ASK；取样频率-20 000 Hz；载波频率 -3 000 Hz；波特率-400 b/s；训练用随机码元数-400 个； 传送时间-1 s；训练次数-10 000 次。将训练好的参数值进 行保存，供系统仿真时使用。 3 仿真结果 将 2.4 节训练所得到的参数应用于 ASK 信号的仿真中， 为了测试该系统的抗干扰能力，我们在待解调信号中加入高 斯白噪声进行干扰，其信噪比变化范围为-10～5 dB，其它 条件同 2.4 节。 仿真结果如图 3 所示，图中包括神经网络解调器在不同 信噪比下的误码率曲线以及传统解调方法的误码率曲线图， 当信噪比超过 0 dB 后，神经网络解调器的误码率比传统解 调方式低 4～5 个数量级，其解调性能远优于传统解调方法。 

本文中介绍的神经网络解调器是用于 2ASK 信号的解调， 但实际上该结构的解调器是一种通用型解调器，它也可用于 FSK 及 PSK 信号的解调处理。在不改变其系统结构的情况下， 只需在解调对象切换时，改变解调器网络的权值和阈值即 可。如果用数字逻辑电路来实现该解调器，解调不同信号的 区别仅仅在于从存贮器中调用对应的不同参数组而已。这种 特性为该神经网络解调器的应用提供了无限的可能。 参考文献 [1] 高光勇,吴维勇,邓安远. 基于小波分析和神经网络的网络流量预 测[J].通信技术，2008，41（04）:33-35. [2] Lerkvaranyu S, Dejhan K, Miyanaga Y. M-QAM demodulation in an OFDM system with RBF neural network[J]. Circuits and R SN/dB 图 3 误码率曲线 4 结语 本文介绍了一种用于 2ASK 信号解调的神经网络解调器。 Systems. 2004, 21:25-28. 由仿真结果可以看到，该解调器可以正确地实现 2ASK 信号 [3] 曾志高,易胜秋. 基于神经网络的数据安全专家系统的实现[J]. 解调，且其抗干扰能力远优于传统的解调方法。 通信技术,2009,42(02):12-14. 需要特别指出的是，本文介绍的解调器在解调时，调制 信号没有经过前端滤波器就直接送入神经网络单元进行处 理，即输入信号是真正的原始信号。这表明神经网络解调器 在解调时所受的干扰实际上大于传统的解调方式。这一特点 也进一步说明了神经网络解调器优异的抗干扰性能。 [4] Weng J F, Leung S H, Lau W H, et al. A new neural network based multiuser detector in impulse noise[J]. Communications, 1996(01): 541-545. [5] Hakim N Z, Kaufman J J, Cerf G, et al. A discrete-time neural network model for systems identification[J]. Neural Networks, 1990(03):593-598. （上接第 54 页） 图 3 dB＝0 时的收敛情况 图 4 λ=0.1 时的情况 图 6 λ=4 时情况 3 结语 本文详细分析了 RLS 算法中的初始化系数δ和遗忘因子 λ对 RLS 算法收敛性能的影响。通过仿真可以看出在相同的 信噪比下，不同的δ对应不同的收敛性能。而不同的λ对收 敛性能也有较大的影响，不合适的 λ会引起收敛性能的恶 化，甚至是不收敛。RLS 有很多改进的算法，进一步的工作 是继续分析这些好的算法,并且不断完善系统模型。 参考文献 [1] 张贤达. 现代信号处理[M].北京：清华大学出版社，2002：206-210. [2] 何振亚.自适应信号处理[M]. 北京:科学出版社, 2002: 1-6. [3] 刘彦萍，杨铁军.自适应均衡算法在信道均衡技术中的应用研究[J]. 通信技术，2008,41(12)：95-97. [4] 龙九清.OFDM 系统中信道估计算法研究与仿真[J]. 通信技术， 图 5 λ=0.995 时的情况 2008,41(10)：7-8. 71