基于小波神经网络电视信号调制研究.docVIP

基于小波神经网络电视信号调制研究 　　[摘 要] 本文首先对小波神经网络进行了阐述,通过小波变换将电视图像信号分解为若干不同空间分辨率、频率特性和方向特性的子图像信号,然后利用三层前向神经网络构造的非线性预测方法,进行压缩编码传输,即采用具有紧支撑和正交特性的Daubechies小波对信号进行9层离散小波变换,得到了满意的效果。 　　[关键词] 小波神经网络 数字电视 信号 调制识别 　　 　　1.小波神经网络概述 　　小波分析(wavelet Analysis)是20世纪80年代中期发展起来的一门数学理论和方法,由法国科学家Grossman和Morlet在进行地震信号分析时提出的,随后迅速发展。1985年Meyer在一维情形下证明了小波函数的存在性,并在理论上作了深入研究。Mallat基于多分辨分析思想,提出了对小波应用起重要作用的Mallat算法,它在小波分析中的地位相当子FFT在经典Fourier分析中的地位。小波分析理论的重要性及应用的广泛性引起了科技界的高度重视。小波分析的出现被认为是傅立叶分析的突破性进展,在逼近论、微分方程、模识识别、计算机视觉、图像处理、非线性科学等方面使用小波分析取得于许多突破性进展。 　　小波变换的基本思想类似于Fourier变换,就是用信号在一簇基函数张成的空间上的投影表征该信号。经典的Fourier变换把信号按三角正、余弦基展开,将任意函数表示为具有不同频率的谐波函数的线性迭加,能较好地刻划信号的频率特性,但它在时域或空域上无任何分辨,不能作局部分析。这在理论和应用上都带来了许多不足。为了克服这一缺陷,提出了加窗Fourier变换。通过引人一个时间局部化“窗函数”改进了Fourier变换的不足,但其窗口大小和形状都是固定的,没有从根本上弥补Fourier变换的缺陷。而小波变换在时域和频域同时具有良好的局部化性能,有一个灵活可变的时间-频率窗,这在理论和实际应用都有重要意义。 　　小波变换具有时频局部特性和军焦特性,而神经网络具有自学习、自适应、鲁棒性、容错性和推广能力。如何把两者的优势结合起来,一直是人们关注的问题。一种方法是用小波分析对信号进行预处理,即以小波空间作为模式识别的特征空间,通过小波分析来实现信号的特征提取,然后将提取的特征向量送入神经网络处理;另一种即所谓的小波神经网络 (Wavelet Neural Network,WNN)或小波网络(Wavelet Network WN)。小波神经网络最早是由法国著名的信息科学研究机构IRLSA的Zhang Qinghu等人1992年提出来的。小波神经用络是基于小波变换而构成的神经网络模型,即用非线性小波基取代通常的神经元非线性激励函数(如Sigmoid函数),把小波变换与神经网络有机地结合起来,充分继承了两者的优点。近几年来,国内外有关小波网络的研究报告层出不穷。小波与前馈神经网络是小波网络的主要研究方向。小波还可以与其他类型的神经网络结合,例如Kohonen网络对信号做自适应小波分解。 　　2.电视数字信号的产生 　　用matlab工具箱分别产生200个抽样个数Ns=1500,整数值[0-(M-1)](M=2,4,8)的随机 　　信号,分别对这些电视信号进行9种不同类型的调制,抽样频率fs=120Khz,载波频率fc=40Khz。最后将这些电视调制信号分别加入不同信噪比(0-80db)的高斯白噪声。 　　图1 M=4消息信号的抽样图 　　3.小波神经网络及算法推导 　　小波神经网络就是用小波基函数代替神经网络的激励函数,用小波的尺度和平移代替神经网络的权值和阈值进行训练,它的函数表达式可以定义为: 　　4.特征提取 　　特征提取就是从接收的电视信号中提取用于信号样式识别的信号特征参数,这些参数就是代表性的模式信息,即表征显著类别差异的特征来缩小数据集,能够减少运算量,提高识别效率。 　　本文采用离散小波变换-范数熵来提取信号的特征,即采用具有紧支撑和正交特性的Daubechies小波对电视信号进行9层离散小波变换,然后通过下面的公式计算各重构系数的熵值作为特征值: 　　Si为离散小波变换的各重构系数。通过计算共产生9×200个特征值,其中900个用于训练小波神经网络,其余的用于测试。 　　5.仿真结果分析 　　本文采用没有正交特性的morlet小波作为神经网络的激励函数,经多次训练,网络各参数设置如下:网络分为3层,输入10个,隐层40个,输出4个;自适应学习率0.7;动量常数0.98。网络训练1370次,均方误差就达到9.99187e-6。误差曲线图如下: 　　6.结论 　　本文提出了基于融合型小波神经网络的电视信号调制识别技术,并且采用小波变换-熵作为特征值,计算量小。仿真结果表明该