張仲楷，崔高峰，和夢敏，辛 星，王衛(wèi)東

(北京郵電大學(xué) 電子工程學(xué)院，北京 100876)

0 引 言

衛(wèi)星星間鏈路(Inter-Satellite-Link，ISL)是指在衛(wèi)星或者是航天器之間建立的無線鏈路，借助該鏈路便可以完成星間數(shù)據(jù)通信以及距離測量。根據(jù)使用頻段，星間鏈路主要分為微波/毫米波鏈路以及光學(xué)鏈路。光學(xué)鏈路有著通信帶寬大、傳輸速率快以及測距精度高等優(yōu)點(diǎn)，但其波束較窄，難以對準(zhǔn)、跟蹤、捕獲[1]。而相較于微波鏈路，毫米波星間鏈路具有傳輸速率高、頻譜資源豐富等特點(diǎn)。目前星間鏈路主流的頻段為Ka頻段[2]，而隨著通信技術(shù)的不斷發(fā)展，更多的目光投向了Q和V頻段。該頻段具有更加豐富的頻譜資源，具有良好的發(fā)展和應(yīng)用前景，是未來研究的重點(diǎn)。對于小衛(wèi)星編隊(duì)，使用毫米波星間鏈路可以提升傳輸效率同時(shí)擴(kuò)展頻譜資源，而星間鏈路中的傳播時(shí)延以及多普勒頻率偏移也對信號(hào)處理技術(shù)的性能提出了一定的要求。

在目前的毫米波星間鏈路中，星間通信和星間測距相對比較獨(dú)立，通常需要兩套系統(tǒng)分別實(shí)現(xiàn)。如果設(shè)計(jì)一種一體化波形，將通信和測距整合到一個(gè)系統(tǒng)，便可以實(shí)現(xiàn)星間通信測距一體化，有利于減小衛(wèi)星的負(fù)載以及系統(tǒng)開銷，符合衛(wèi)星小型化的發(fā)展趨勢。目前主要用到的一體化波形為“GMSK+PN”,即將數(shù)據(jù)進(jìn)行GMSK調(diào)制再疊加上負(fù)責(zé)測距的PN偽碼序列。文獻(xiàn)[3]使用了“GMSK+PN”技術(shù)用于X頻段星地鏈路的通信測距一體化，文獻(xiàn)[4]則用于星間鏈路的通信測距一體化，而文獻(xiàn)[5]則應(yīng)用于深空通信中的測量數(shù)據(jù)返回以及軌道距離的確定。將通信波形和測距波形相疊加勢必會(huì)對通信波形帶來一定的干擾，進(jìn)而影響系統(tǒng)的通信性能。所以如何利用一定的信號(hào)處理技術(shù)消除波形疊加對通信性能的影響，成為通信測距一體化的關(guān)鍵。此外，由于波形的疊加會(huì)導(dǎo)致信號(hào)擁有比較高的峰均功率比(Peak-to-Average Power Ratio,PAPR)，此時(shí)通過星載功率放大器會(huì)給信號(hào)帶來非線性失真。功率放大器具有一定的非線性特性，所以不可避免會(huì)給輸入信號(hào)帶來幅度和相位畸變，導(dǎo)致信號(hào)產(chǎn)生非線性失真，從而影響系統(tǒng)的性能。傳統(tǒng)的星載功率放大器的線性化技術(shù)包括功率回退法、前饋法、反饋法、包絡(luò)跟蹤技術(shù)以及預(yù)失真技術(shù)，這些技術(shù)都能在一定程度上消除非線性的影響。而針對于毫米波功率放大器的線性化器的研究起步較晚，目前還在發(fā)展階段。

針對上述兩項(xiàng)影響因素，需要提出相應(yīng)的技術(shù)來提高一體化系統(tǒng)的通信性能。而近些年來，各種人工智能(Artificial Intelligence，AI)技術(shù)被運(yùn)用于多個(gè)領(lǐng)域，所以相關(guān)研究人員也逐步把包括深度學(xué)習(xí)(Deep Learning，DL)在內(nèi)的多種AI技術(shù)與通信系統(tǒng)相結(jié)合以達(dá)到更好的性能，例如將深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)用于物理層(Physical Layer，PHY)的信號(hào)處理。文獻(xiàn)[6]針對多徑信道下的正交頻分復(fù)用(Orthogonal Frequency-Division Multiplexing，OFDM)信號(hào)，使用DNN對無線信道特性進(jìn)行學(xué)習(xí)，從而恢復(fù)出正確的比特?cái)?shù)據(jù)。由于毫米波波段的信號(hào)具有高信號(hào)衰減這一缺點(diǎn)，需要使用波束賦形技術(shù)進(jìn)行彌補(bǔ)，這同時(shí)也對信道估計(jì)和追蹤技術(shù)提出了很高的要求。文獻(xiàn)[7]使用了DNN進(jìn)行信道估計(jì)，然后使用了長期依賴記憶網(wǎng)絡(luò)(Long Short Term Memory Network,LTSM)實(shí)現(xiàn)了對信道狀態(tài)的實(shí)時(shí)追蹤。對于上述文獻(xiàn)，深度學(xué)習(xí)均在一定程度上提升了通信系統(tǒng)的性能，證明了深度學(xué)習(xí)與通信物理層結(jié)合的研究價(jià)值。

本文針對衛(wèi)星毫米波星間鏈路，提出了一種一體化波形，將通信測距兩項(xiàng)功能整合到一套系統(tǒng)中去；并針對該波形提出了一系列信號(hào)處理算法，實(shí)現(xiàn)了通信數(shù)據(jù)的解調(diào)以及星間距離的解算。此外，提出了一種基于深度學(xué)習(xí)的信號(hào)檢測算法，消除了波形分離以及功率放大器非線性帶來的影響，減小了通信數(shù)據(jù)的誤比特率(Bit Error Rate,BER)，提高了系統(tǒng)的性能。

1 星間鏈路

構(gòu)建星間鏈路需要著重考慮載波頻段選擇問題。對于傳統(tǒng)的衛(wèi)星通信來說，云衰、雨衰、大氣吸收以及路徑損耗是影響使用頻段的主要因素。載波頻率越高，信號(hào)受到損耗、衰落越大，這就對星地毫米波通信帶來了一定的制約。而星間鏈路的場景不存在上述制約因素，可以采用Ka甚至更高的Q/V毫米波頻段。根據(jù)文獻(xiàn)[8]，本文采用了比較典型的異面同繞飛中心的衛(wèi)星構(gòu)型，即輔星圍繞主星的繞飛軌道不在一個(gè)平面，但是擁有同一個(gè)繞飛中心且具有相同的繞飛半徑，繞飛半徑為30 km，主星以及輔星的軌道六根數(shù)如表1所示；在載波頻段方面，本文采用了V頻段(約60 GHz)。利用STK(Satellite Tool Kit)仿真軟件，根據(jù)上述參數(shù)建立主星和輔星間的星間鏈路，且分析星間鏈路的各項(xiàng)參數(shù)，最大多普勒頻率偏移為2 kHz。為了保障通信測距一體化系統(tǒng)的性能，需要一定的信號(hào)處理技術(shù)實(shí)現(xiàn)精準(zhǔn)的時(shí)頻同步以及信道估計(jì)。

表1 衛(wèi)星軌道六根數(shù)

除此之外，功率放大器的非線性特性也是影響系統(tǒng)整體性能的因素。目前毫米波星載功率放大器通常采用行波管放大器(Traveling Wave Tube Amplifier,TWTA)，本文采用了Saleh提出的TWTA非線性模型[9]，式(1)和式(2)分別代表了該功放模型的幅度特性(AM/AM)以及相位特性(AM/PM)。

(1)

(2)

式中：r表示輸入信號(hào)幅度；αa、βa、αφ、βφ四個(gè)參數(shù)大小決定了模型幅度以及相位特性。參考文獻(xiàn)[9]，功放模型的參數(shù)設(shè)置為：αa=2.158 7，βa=1.151 7，αφ=4.003 3，βφ=9.104 0。

2 系統(tǒng)模型

2.1 波形結(jié)構(gòu)

通信測距一體化波形結(jié)構(gòu)如圖1所示，將等符號(hào)速率的通信波形和通信波形疊加，產(chǎn)生一體化波形，再進(jìn)行后續(xù)的過采樣以及成形濾波得到一幀數(shù)據(jù)。

圖1 波形結(jié)構(gòu)圖

測距波形由格雷互補(bǔ)序列對構(gòu)成。格雷序列是指一對具有一定長度且具有良好的自相關(guān)性的序列。若定義一個(gè)序列a(n)的周期自相關(guān)函數(shù)為

(3)

則一對二進(jìn)制格雷互補(bǔ)序列具有以下的性質(zhì)：

(4)

當(dāng)一對長度為N的二進(jìn)制序列滿足公式(4)所示的特性時(shí)，該序列對為長度為N的格雷互補(bǔ)序列。若將長度為N格雷互補(bǔ)序列對記為Gα,N、Gβ,N，而它們的二進(jìn)制反碼序列記為-Gα,N、-Gβ,N，把該序列對作為基序列對的話，則根據(jù)公式(5)可生成的長度為2N序列對依舊滿足公式(4)，具有良好的自相關(guān)性質(zhì)。

(5)

按照公式(5)依次類推，則長度為M(M=2KN)的格雷互補(bǔ)序列對可以由基序列推導(dǎo)K次得到。如圖1所示，本文測距波形采用的基序列為長度為64的格雷互補(bǔ)序列對,由此得到長度為128的Gα,128、Gβ,128，簡記為a128和b128。根據(jù)公式(5)，再由a128和b128可以推導(dǎo)出更長的格雷互補(bǔ)序列。而整個(gè)測距波形就是由一對長度為8 192的格雷互補(bǔ)序列構(gòu)成，表達(dá)式為

r(n)=[Gα,8192,Gβ,8192]=Gα,16384。

(6)

式中：r(n)為測距波形，規(guī)定測距波形頭部2 048位為通信前導(dǎo)(Comm Preamble，CP)。由于CP本身也是格雷序列構(gòu)成，擁有著良好的自相關(guān)性能，可以用于進(jìn)行時(shí)頻頭部以及信道估計(jì)，表達(dá)式如(7)所示：

p(n)=[Gα,1024,Gβ,1024]=Gα,2048。

(7)

通信波形由數(shù)據(jù)比特經(jīng)過正交相移鍵控(Quadrature Phase-shift Keying，QPSK)生成，然后和相同符號(hào)間隔的測距波形疊加生成一體化波形。由于測距波形比通信波形長了一個(gè)CP，所以在通信波形的頭部要補(bǔ)上2 048個(gè)0。

2.2 信號(hào)模型

通信測距一體化系統(tǒng)的框圖如圖2所示。

圖2 系統(tǒng)框圖

若一體化波形符號(hào)間隔為Ts，在經(jīng)過過采樣后采樣周期為Ts′=δTs，其中δ代表了過采樣倍數(shù)，則經(jīng)過成形濾波器后信號(hào)可表示為

g(t-nTs′)ej2πfct。

(8)

之后信號(hào)經(jīng)過功率放大器以及信道，會(huì)受到環(huán)境噪聲、傳播時(shí)延以及多普勒頻移的影響，接收信號(hào)Rc(t)可表示為

Rc(t)=S(t)ej2πfcτej2πfdopplert+n(t)。

(9)

式中：τ代表了系統(tǒng)的傳輸時(shí)延；fdoppler代表了相對運(yùn)動(dòng)帶來的多普勒頻率偏移；n(t)代表了加性高斯白噪聲。而接收信號(hào)在經(jīng)過降采樣以及匹配濾波之后得到離散信號(hào)R(n)為

(10)

2.3 時(shí)間同步

星間鏈路中的傳播時(shí)延以及衛(wèi)星間時(shí)鐘不同步都會(huì)影響正確接收信號(hào)，所以需要完成時(shí)間同步，尋找信號(hào)的最佳采樣時(shí)刻。由于CP序列由長度為2 048的格雷互補(bǔ)序列對構(gòu)成，所以對接收信號(hào)和本地CP序列進(jìn)行移位相關(guān)，相關(guān)值Rp(k)如公式(11)所示：

(11)

2.4 頻偏估計(jì)

(12)

(13)

利用頻偏估計(jì)得到的多普勒頻移對接收序列進(jìn)行頻偏補(bǔ)償，公式(14)中y(n)為經(jīng)過時(shí)頻同步處理后的信號(hào)，

(14)

(15)

式中：N為一個(gè)CP序列長度即2 048?？梢婎l偏估計(jì)的范圍和系統(tǒng)的基帶符號(hào)速率是呈正相關(guān)。

2.5 信道估計(jì)

(16)

(17)

2.6 波形分離

圖3 波形分離流程圖

(18)

range=?×c×Ts(0≤?<16384)。

(19)

式中：L表示疊加波形同時(shí)也是測距波形的長度；τ表示滑動(dòng)相關(guān)器的時(shí)延；Ts代表測距波形周期；c是光速。當(dāng)?取得最大值16 384時(shí)，測距結(jié)果為最大無模糊距離，所以測距范圍和測距波形周期呈正相關(guān)，而測距波形一個(gè)采樣點(diǎn)對應(yīng)電磁波的傳播距離cTs′為測距的最小誤差值，則測距精度和測距波形周期呈負(fù)相關(guān)。

2.7 基于深度學(xué)習(xí)的信號(hào)檢測

本系統(tǒng)采用的深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network)模型如圖4所示，由輸入層、隱藏層和輸出層總共5層神經(jīng)網(wǎng)絡(luò)組成。

圖4 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

每層神經(jīng)網(wǎng)絡(luò)均包含多個(gè)神經(jīng)元，采用全連接層進(jìn)行連接，且對每層輸出做批標(biāo)準(zhǔn)化(Batch Normalization，BN)。若輸入層數(shù)據(jù)為α1,α2,…,αn，則對于隱藏層第L+1層的第n個(gè)神經(jīng)元，輸出βn可表示為

(20)

式中：wi代表神經(jīng)元的權(quán)重；bi代表偏置；f(L)表示了第L層的激活函數(shù)。激活函數(shù)為非線性函數(shù)，能夠增加網(wǎng)絡(luò)的表達(dá)能力，而本網(wǎng)絡(luò)用到的激活函數(shù)公式如下：

fRelu=max(0,x)，

(21)

(22)

神經(jīng)網(wǎng)絡(luò)前四層采用了Relu激活函數(shù)，輸出層采用Tanh函數(shù)，優(yōu)化器選用了Adam優(yōu)化算法，目的是為了在提高神經(jīng)網(wǎng)絡(luò)的表達(dá)能力的基礎(chǔ)上減少網(wǎng)絡(luò)收斂所需要的時(shí)間，以達(dá)到最佳的網(wǎng)絡(luò)性能。

對于存在的基于深度神經(jīng)網(wǎng)絡(luò)的信號(hào)檢測算法訓(xùn)練流程如圖5所示。數(shù)據(jù)比特產(chǎn)生發(fā)送信號(hào)，再經(jīng)過信道以及接收端的信號(hào)處理后進(jìn)行波形分離，此時(shí)分離后的信號(hào)包含著殘存的測距波形以及功率放大器帶來的非線性失真。將數(shù)據(jù)投喂給網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，從而讓網(wǎng)絡(luò)學(xué)習(xí)到分離波形殘余干擾以及功放非線性特性，恢復(fù)出正確數(shù)據(jù)比特。

圖5 信號(hào)檢測算法框圖

本文使用了離線訓(xùn)練、在線優(yōu)化的策略，預(yù)先使用一定信噪比下的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。針對于不同場景，需要將預(yù)先訓(xùn)練的網(wǎng)絡(luò)進(jìn)行再優(yōu)化，以達(dá)到適應(yīng)不同環(huán)境條件的目的，體現(xiàn)出深度神經(jīng)網(wǎng)絡(luò)的泛用性。此外，為了確保網(wǎng)絡(luò)模型預(yù)測的準(zhǔn)確度，在線部署時(shí)采用網(wǎng)絡(luò)并行的方式，每個(gè)網(wǎng)絡(luò)的輸入和結(jié)構(gòu)都一模一樣，每次輸入64個(gè)符號(hào)的實(shí)部和虛部，即128個(gè)輸入數(shù)據(jù)，而網(wǎng)絡(luò)每次的輸出為32個(gè)比特。采用的網(wǎng)絡(luò)參數(shù)如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)參數(shù)

為了方便算法的描述，首先定義以下變量：Sm為每個(gè)樣本中的第m個(gè)復(fù)值符號(hào)；Im為第m個(gè)復(fù)值符號(hào)的同相分量；Qm為第m個(gè)復(fù)值符號(hào)的正交分量；batch為神經(jīng)網(wǎng)絡(luò)的超參數(shù)，表示從數(shù)據(jù)集上劃分的一批數(shù)據(jù)樣本；epoch為神經(jīng)網(wǎng)絡(luò)的超參數(shù)，表示網(wǎng)絡(luò)在數(shù)據(jù)集上循環(huán)的次數(shù)；L為損失函數(shù)，采用均方誤差函數(shù)；li為樣本標(biāo)簽里的第i個(gè)目標(biāo)變量；pi為第i個(gè)預(yù)測值。算法流程如下：

Step1 初始化神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)。

Step2 數(shù)據(jù)預(yù)處理：

Step2.1 將接收信號(hào)進(jìn)行時(shí)頻同步、信道估計(jì)、波形分離等信號(hào)處理得到通信波形的IQ數(shù)據(jù)；

Step2.2 每64個(gè)復(fù)值符號(hào)組成一個(gè)樣本，分別取出符號(hào)的同相以及正交分量Im和Qm；

Step2.3 按照同相分量在前，正交分量在后的順序排列輸入數(shù)據(jù)，得到一個(gè)樣本(Sample)數(shù)據(jù)[I1,I2,…,I64,Q1,Q2,…,Q64]。標(biāo)簽(label)為對應(yīng)的32 b數(shù)據(jù)；

Step2.4 采集并處理樣本和標(biāo)簽，并劃分為訓(xùn)練集(Training set)、驗(yàn)證集(Validation set)以及測試集(Test set)。訓(xùn)練集以及驗(yàn)證集數(shù)據(jù)為信噪比。

Step3 利用數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練：

Step3.1 將訓(xùn)練集數(shù)據(jù)樣本通過輸入層輸入到神經(jīng)網(wǎng)絡(luò)當(dāng)中；

Step3.2 根據(jù)當(dāng)前隱藏層網(wǎng)絡(luò)參數(shù)以及激活函數(shù)計(jì)算逐層輸出，并且每個(gè)隱藏層在輸出之前做批標(biāo)準(zhǔn)化處理；

Step3.4 重復(fù)Step 3.3直到遍歷完整個(gè)數(shù)據(jù)集，即運(yùn)行了一個(gè)epoch，將驗(yàn)證集的數(shù)據(jù)輸入進(jìn)行模型精度的驗(yàn)證；

Step3.5 重復(fù)Step 3.3及Step 3.4直到在數(shù)據(jù)集上完成epochs次迭代。

Step4 在測試集上進(jìn)行測試。對于采用不同σ的測試集進(jìn)行微調(diào)(fine-tuning),再對不同信噪比下的測試集進(jìn)行測試。

3 仿真結(jié)果及分析

為了驗(yàn)證本文提出的一體化波形以及信號(hào)處理算法的性能，將利用Matlab2020a以及Python3.6進(jìn)行仿真分析。分別對理想功率放大器以及TWTA的Saleh模型下的系統(tǒng)進(jìn)行仿真，系統(tǒng)參數(shù)配置如表3所示。根據(jù)2.6節(jié)可以得到系統(tǒng)的最大無模糊測距范圍約為240 km，測距精度達(dá)到分米級(jí)，同時(shí)提供了40 MHz的通信速率。同時(shí)根據(jù)式(15)，通過CP進(jìn)行頻偏估計(jì)，估計(jì)上限約為9.765 kHz，滿足前文中星間鏈路的參數(shù)，同時(shí)測距范圍也滿足一般小衛(wèi)星編隊(duì)相對距離的范圍。

表3 系統(tǒng)仿真參數(shù)

對于基于DNN的信號(hào)檢測算法部分，分別對不同功率占比的一體化波形信號(hào)進(jìn)行仿真。首先分別采集了各100 000組SNR=16 dB時(shí)的數(shù)據(jù)作為訓(xùn)練集，其中又劃分出15 000組數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練的驗(yàn)證集。訓(xùn)練時(shí)優(yōu)化算法為Adam算法，學(xué)習(xí)率設(shè)為0.001。神經(jīng)網(wǎng)絡(luò)的前2 000次損失函數(shù)值如圖6所示，損失函數(shù)隨著訓(xùn)練的進(jìn)程不斷處于下降趨勢。在2 000個(gè)epoch的時(shí)候，網(wǎng)絡(luò)對驗(yàn)證集數(shù)據(jù)的預(yù)測性能基本趨于收斂。利用預(yù)訓(xùn)練好的網(wǎng)絡(luò)可以對不同信噪比下的數(shù)據(jù)進(jìn)行測試，從而分析網(wǎng)絡(luò)的性能。在線部署階段，為了保證網(wǎng)絡(luò)的預(yù)測性能，可以進(jìn)行在線微調(diào)，根據(jù)應(yīng)用場景實(shí)時(shí)更新網(wǎng)絡(luò)參數(shù)。

圖6 神經(jīng)網(wǎng)絡(luò)損失函數(shù)圖

對于通信解調(diào)，由于當(dāng)通信波形與測距波形按相同功率進(jìn)行疊加即σ=1時(shí)，理想功放和Saleh模型下的仿真結(jié)果如圖7所示。經(jīng)過信號(hào)處理，當(dāng)SNR>16 dB時(shí)，誤比特率達(dá)到了10-6；使用了基于DNN的信號(hào)檢測算法之后，性能能夠提升大約2 dB，且當(dāng)SNR>12時(shí)，誤比特率達(dá)到0，可見本文提出的算法可以消除分離波形帶來的影響，明顯提升了系統(tǒng)的性能。當(dāng)使用Saleh模型之后，系統(tǒng)的誤比特率急劇降低，當(dāng)SNR>16 dB時(shí)誤比特率只達(dá)到了10-4，而在使用了基于DNN的信號(hào)檢測算法之后能達(dá)到10-5，說明了本文提出的算法在Saleh模型下可以有效抵抗功放非線性失真，提高系統(tǒng)的性能。

圖7 σ=1下理想條件與Saleh模型的對比

對于理想功放條件下，疊加功率比即σ的取值對通信解調(diào)的BER有著比較大的影響。圖8為理想功放條件下三種σ取值的一體化波形在不同信噪比下的誤比特率圖，可見不使用DNN信號(hào)檢測算法的情況下，隨著σ的增大，測距波形在一體化波形中的占比降低，對通信波形的干擾也減小，所以BER會(huì)有著明顯的降低。σ=1時(shí)，當(dāng)SNR>16 dB，誤比特率可以達(dá)到10-6；而σ=2和σ=3時(shí)，誤比特率可以降到0，SNR>14 dB時(shí)，BER也分別達(dá)到了10-6和10-7。而使用了基于DNN的信號(hào)檢測算法之后，性能明顯得到一定的提升，當(dāng)σ=1以及σ=2時(shí)，SNR>14 dB誤比特率就降到0；σ=3時(shí)，SNR>10 dB誤比特率就可以降到0。

圖8 理想功放條件下不同σ的對比

圖9為Saleh模型下三種σ取值的一體化波形在不同信噪比下的誤比特率圖，可見在采用TWTA的Saleh模型后，隨著σ的增大，BER在逐步降低。測距波形占比降低不但會(huì)減小對通信波形的干擾，還會(huì)降低一體化波形的PAPR，非線性失真程度也會(huì)降低，而使用基于DNN的信號(hào)檢測算法明顯提升了系統(tǒng)的性能。σ=1以及σ=2時(shí)，使用DNN信號(hào)檢測算法使誤比特率性能提升了大約2 dB，當(dāng)SNR>16 dB，誤比特率均達(dá)到了10-5；σ=3時(shí)，當(dāng)SNR>14 dB，誤比特率就達(dá)到了10-5，而當(dāng)SNR>16 dB時(shí)，誤比特率降到了0?？梢娫赥WTA的Saleh模型下，DNN可以充分學(xué)習(xí)到功率放大器的非線性特性，恢復(fù)出正確的信號(hào)，從而提升系統(tǒng)的性能。

圖9 Saleh模型下不同σ的對比

σ的取值不同對于系統(tǒng)的仿真性能有著較大的影響：在噪聲以及多普勒頻移的干擾下，分離測距波形會(huì)對通信的解調(diào)性能帶來一定影響，測距波形功率占比越小，則系統(tǒng)的通信性能將越好，而對于星間測距，測距波形占比越大，則對距離精確測量所需要的信噪比越小。所以當(dāng)信噪比較高時(shí)，可以提高σ即通信波形在疊加波形中的功率占比，以提升系統(tǒng)的通信性能。

4 結(jié) 論

本文針對衛(wèi)星移動(dòng)通信星間鏈路設(shè)計(jì)了一體化波形，并研究了對應(yīng)的信號(hào)處理技術(shù)搭建了星間通信測距一體化系統(tǒng)；同時(shí)針對分離波形對通信波形的干擾以及功率放大器非線性特性給信號(hào)帶來的失真，提出了基于深度學(xué)習(xí)的信號(hào)檢測算法，并對理想條件和Saleh模型下的一體化系統(tǒng)進(jìn)行仿真。仿真結(jié)果表明，在理想功放模型下，本文提出的算法能夠消除一部分分離波形帶來的干擾，降低通信解調(diào)的誤比特率；在使用TWTA的Saleh模型下，本文提出的算法能夠?qū)W習(xí)到功率放大器的非線性特性，降低非線性失真帶來的影響，提升系統(tǒng)的性能。