基于神经网络数字调制信号自动识别.docVIP

基于神经网络数字调制信号自动识别 　　摘 要：该文在采用MATLAB生成FSK、PSK等常用数字调制信号的基础上，进一步详细分析了各种常用数字调制信号的基本瞬时特征，提取出了可用于区分各种常用数字调制信号的5个特征参数，并将特征参数映射为常用数字调制信号，依据特征参数将神经网络技术运用于常用数字调制信号的自动识别，实验证明此方法能较好识别常用数字调制信号，效果良好 关键词：神经网络 特征提取 模式识别 中图分类号：U495 文献标识码：A 文章编号：1674-098X（2017）01（a）-0115-05 随着通信技术的飞速发展，出现了适用于不同背景环境的通信标准，每种标准都有其特定的调制方式和工作频段，为了满足人们实现不同标准间互通的需求，软件无线电技术应运而生。它利用可升级、可替代的软件来完成尽可能多的通信功能硬件模块，将多种类型的信号处理基于一体。为了能够处理不同类型的调制信号，必须首先识别出信号的调制类型，然后才能进行下一步处理。因此，调制信号的自动识别技术，就成了软件无线电技术中的关键 神经网络具有的信息分布式存储、大规模自适应并行处理和高度的容错性等特点，是用于模式识别的基础。特别是其学习能力和容错性对不确定性模式?R别具有独到之处。其中BP网络长期以来一直是神经网络分类器的热点，由于它理论发展成熟，网络结构清晰，因此得到了广泛应用。基于A.K. Nandi和E.E. Azzouz从瞬时频率、瞬时幅度和瞬时相位中提取的特征参数，我们就可以用神经网络对常用的数字调制信号进行自动分类 1 神经网络 根据T. Koholen的定义：“人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体做出交互反应。”人工神经网络是在现代神经学研究成果的基础上发展起来的模仿人脑信息处理机制的网络系统，它由大量简单的人工神经元广泛连接而成，反映了人脑功能的若干特性，可以完成学习、记忆、识别和推理等功能 2 数字调制信号特征参数的提取 计算机处理的信号都是对调制信号采样后的采样信号序列，因此设采样序列为（n=0，1，2，…，Ns），采样频率为。对采样序列进行希尔伯特变换，得如下解析表达式： （1） 采样序列的瞬时幅度： （2） 瞬时相位： （3） 由于是按模计算相位序列，当相位的真值超过，按模计算相位序列就会造成相位卷叠。载波频率引起的线性相位分量，是造成相位卷叠的主要因素。因此，必须对进行去相位卷叠。去相位卷叠后的相位序列为，再对进行去线性相位运算，得到真正相位序列。瞬时频率为： （4） 在上述基础上，提取下面5个特征参数 （1）是被截取信号片段的零中心归一化瞬时幅度的谱密度的最大值，定义为： （5） 其中为零中心归一化瞬时幅度在t=i/fs（i=1，2，…，Ns）时刻的值；为采样速率；为每一个信号样本采样点的样本个数。定义如下： -1 （6） 其中： ， （7） （2）为非弱信号段中瞬时相位非线性分量的绝对值的标准偏差，定义如下： （8） 其中为经过零中心化处理后瞬时相位的非线性分量在时刻的值；为判断弱信号段的一个幅度判决门限电平，在门限以下信号对噪声非常敏感，这里取；C为全部取样数据中大于判决门限的样本数据的个数 （3）为非弱信号段中瞬时相位非线性分量的标准偏差，定义如下： （9） （4）为零中心归一化非弱信号段瞬时幅度绝对值的标准偏差，定义如下： （10） （5）为零中心归一化非弱信号段瞬时频率绝对值的标准偏差，定义如下： （11） 其中，，，，rs为数字序列的符号速率 3 基于BP网络的数字调制信号的自动识别 把BP网络应用于数字调制信号的自动识别，是应用了其简单的结构和非线性映射的本质。将特征参数映射成与其对应的调制信号，是此方法的基本思路 3.1 调制信号识别的基本原理 由上述得到的5个特征参数区分多种数字调制信号的原理，可用图1简单示意 用于区分是否包含幅度信息的信号；用于区分是否包含绝对相位信息的信号；用于区分是否包含直接相位信息的信号；用于区分是否包含绝对幅度信息的信号；用于区分是否包含绝对频率信息的信号 3.2 BP网络 BP网络结构上是一个多层感知器，其基本算法是反向传播算法，反向传播（BP）算法是一种有师学习算法，BP算法的学习过程由正向传播和反向传播两部分组成，在正向传播过程中，输入向量从输入层经过隐含层神经元的处理后，传向输出层，每一层神经元的状态只影响下一层神经元状态。如果在输出层得不到期望输出，则转入反向传播，此时误差信号从输出层向输入层传播并沿途