人工神经网络在数字信号调制识别中的应用.pdfVIP

李霞等人工神经网络在数字信号调制识别中的应用 人工神经网络在数字信号调制识别中的应用 李霞， 吴楚 (信息工程大学，信息工程学院，河南郑州450002) 摘要：人工神经网络(ANN)用于模式识别，是神经网络理论研究的重要课题之一。数字信号调制识别(DKSIi)是典型的模 式识别问题，因而ANN也被用于嗍sR中。本文采用了学习向量量化LVO网络和径向基函数RBF网络两种分类器分别用于数 字信号进行的仿真结果表明，两种神经网络分类器分类性能较好，在信噪比为5dB的条件下仍然能够获得高于90％的识别 正确率。 中图分类号：TN91l 文献标识码：A 到人们的重视。在军事和民用领域均具有重要的理 1．引言 论意义和广泛的应用前景。 20世纪70年代后期开始，人工神经网络作为 应用ANN的数字调制模式自动识别作为调制 一门交叉学科被应用于模式识别领域。基于神经网 分类的一个重要的方法，逐渐受到了人们的重视。 络的模式识别算法具有较强的容错性和很强的自 应用ANN的数字信号调制模式识别系统分为预处 适应学习能力，采用并行分布式信息存储与处理， 理、特征提取和选择、分类决策三大模块，系统框 识别速度快：能把识别处理和若干预处理融为一体 图如图1所示。首先要对原始接收信号进行预处 进行等显著的优点。考虑到通信信号调制模式识别 理，目的是要去除噪声，加强有用的信息：再对信 的特殊性和人工神经元网络用于模式识别的诸多 号进行特征的提取与选择：然后将选择的特征矢量 特点，本文将人工神经网络作为分类器用于数字信 作为ANN的输入按需送入各个不同的ANN分类器； 号调制模式的自动识别。 最后将所有ANN的输出经过综合判决后自动得出 调制识别是对所接收的信号进行处理过程中 数字调制模式的类型。预处理与特征提取和选择部 的关键环节。随着现代通信、数字信号处理等技术 分不在本文叙述。 的迅速发展，数字信号调制模式的自动识别日益受 图l基于A州的数字调制模式识别框图 本文将对ANN分类器在数字信号调制模式自应该在满足分类需要的前提下降低特征矢量的维 动识别中的应用进行介绍，主要介绍LVQ神经网络数。 和RBF神经网络两种分类器的应用。 本文选取了数字调制信号提取的特征矢量空 2． 用于神经网络分类器的信号特征 间【lJ中的九。例、％、^、五、五、五、厶、 在实际的识别工作中，用于识别的特征个数 五、G，置^置、q’，J’，、G，置川)十一个特征，通 (即分类器的输入维数)并非越多越好，而是希望 过将这些特征根据具体的识别需要组合成不同的 用最少最简单的特征实现最有效最可靠的分类，即 特征矢量输入到各个LVQ网络和RBF网络中，完成 武汉(南方九省)电工理论学会第十七届年会论文集 特定的识另JJ-r-作。 类。网络将子类组合成为类的过程使得LVQ网络产 生了复杂的类边界，创造凹的分类边界的特点对于 3．LVQ网络分类器 数字调制模式识别工作有重要的应用价值。因此本 LVQ网络由三层组成，第一层为输入层，第二文采用LVQ网络分类器用于四种数字调制信号的 层为竞争层(即隐含层)，第三层为线性层。通常 大类识别。 将竞争层学习得到的类称为子类，本系统的LVQ 本文选用了带一个隐含层的LVQ神经网络对 网络的输入节点数依据前面对特征的选取定为5， Cg、五、五、q皿皿．置和c，J’，，五种特征进行处 隐含层节点数为10，输出层节点数为4。 理，用以实现数字信号调制模式的大类识别，即 LVQ网络由三层组成，第一层为输入层，第二 层为竞争层，第三层为线性层。竞争层能够学习对 如图2所示。网络的输入节点数即是用于数字信号 输入向量的分类。线性层将竞争层传