Abstract For high-frequency digital signals to be transmitted over long distances, the basic digital signal needs to be modulated with a high-frequency carrier. In this case, the baseband digital signal is called the passband signal. In particular, in wireless communication systems or ultraviolet or infrared communications, transitional band digital modulations are used. The most commonly used transition band modulations are ASK (Amplitude Shift Keying), FSK (Frequency Shift Keying) and PSK (Phase Shift Keying) modulations. In this study, 8 bits of all digital baseband data were obtained from the transition band modulations in ASK, FSK and PSK modulations in MATLAB. Also, the noises ranging from 5 dB to 25 dB were added to these ASK, FSK, and PSK modulations. The originality of this paper is to a single deep learning model to demodulate the ASK, FSK, and PSK modulations by using a data-driven approach. The main aim is to demodulate the baseband numerical data from the transition band noised modulation signals instead of the hardware demodulator circuits. For this aim, the noised modulated signals were applied to deep LSTM (Long short-term memory) model without feature extraction. The performance measures to evaluate the proposed deep learning-based demodulator method have been used, and they are MAPE, MSE, R2, RMSE, and NRMSE. The obtained MAPE demodulation results for the worst case of ASK, FSK, and PSK (added 5 dB to these modulations) are 4.392, 5.60, and 3.166, respectively. The experimental results have demonstrated that the proposed LSTM demodulator model could be used safely in the demodulation of ASK, FSK, and PSK modulations in the real world.

中文翻译：

---

基于深长短期记忆模型的基带数字调制信号解调系统

摘要 对于长距离传输的高频数字信号，需要用高频载波对基本数字信号进行调制。在这种情况下，基带数字信号称为通带信号。特别是，在无线通信系统或紫外线或红外线通信中，使用了过渡带数字调制。最常用的过渡带调制是 ASK（幅移键控）、FSK（频移键控）和 PSK（相移键控）调制。在这项研究中，所有数字基带数据的 8 位是从 MATLAB 中的 ASK、FSK 和 PSK 调制中的过渡带调制中获得的。此外，从 5 dB 到 25 dB 的噪声被添加到这些 ASK、FSK 和 PSK 调制中。这篇论文的独创性是用单一的深度学习模型来解调ASK，FSK 和 PSK 调制使用数据驱动的方法。主要目的是从过渡带噪声调制信号而不是硬件解调器电路中解调基带数值数据。为此，将噪声调制信号应用于深度 LSTM（长短期记忆）模型而不进行特征提取。已经使用了评估所提出的基于深度学习的解调器方法的性能指标，它们是 MAPE、MSE、R2、RMSE 和 NRMSE。对于 ASK、FSK 和 PSK（向这些调制添加 5 dB）的最坏情况，获得的 MAPE 解调结果分别为 4.392、5.60 和 3.166。实验结果表明，所提出的 LSTM 解调器模型可以安全地用于现实世界中 ASK、FSK 和 PSK 调制的解调。和 PSK 调制使用数据驱动的方法。主要目的是从过渡带噪声调制信号而不是硬件解调器电路中解调基带数值数据。为此，将噪声调制信号应用于深度 LSTM（长短期记忆）模型，而无需提取特征。已经使用了评估所提出的基于深度学习的解调器方法的性能指标，它们是 MAPE、MSE、R2、RMSE 和 NRMSE。对于 ASK、FSK 和 PSK（向这些调制添加 5 dB）的最坏情况，获得的 MAPE 解调结果分别为 4.392、5.60 和 3.166。实验结果表明，所提出的 LSTM 解调器模型可以安全地用于现实世界中 ASK、FSK 和 PSK 调制的解调。和 PSK 调制使用数据驱动的方法。主要目的是从过渡带噪声调制信号而不是硬件解调器电路中解调基带数值数据。为此，将噪声调制信号应用于深度 LSTM（长短期记忆）模型而不进行特征提取。已经使用了评估所提出的基于深度学习的解调器方法的性能指标，它们是 MAPE、MSE、R2、RMSE 和 NRMSE。对于 ASK、FSK 和 PSK（向这些调制添加 5 dB）的最坏情况，获得的 MAPE 解调结果分别为 4.392、5.60 和 3.166。实验结果表明，所提出的 LSTM 解调器模型可以安全地用于现实世界中 ASK、FSK 和 PSK 调制的解调。主要目的是从过渡带噪声调制信号而不是硬件解调器电路中解调基带数值数据。为此，将噪声调制信号应用于深度 LSTM（长短期记忆）模型而不进行特征提取。已经使用了评估所提出的基于深度学习的解调器方法的性能指标，它们是 MAPE、MSE、R2、RMSE 和 NRMSE。对于 ASK、FSK 和 PSK（向这些调制添加 5 dB）的最坏情况，获得的 MAPE 解调结果分别为 4.392、5.60 和 3.166。实验结果表明，所提出的 LSTM 解调器模型可以安全地用于现实世界中 ASK、FSK 和 PSK 调制的解调。主要目的是从过渡带噪声调制信号而不是硬件解调器电路中解调基带数值数据。为此，将噪声调制信号应用于深度 LSTM（长短期记忆）模型而不进行特征提取。已经使用了评估所提出的基于深度学习的解调器方法的性能指标，它们是 MAPE、MSE、R2、RMSE 和 NRMSE。对于 ASK、FSK 和 PSK（向这些调制添加 5 dB）的最坏情况，获得的 MAPE 解调结果分别为 4.392、5.60 和 3.166。实验结果表明，所提出的 LSTM 解调器模型可以安全地用于现实世界中 ASK、FSK 和 PSK 调制的解调。