王　孟，蔡明輝

（國(guó)家無(wú)線電監(jiān)測(cè)中心烏魯木齊監(jiān)測(cè)站，烏魯木齊　830054）

基于改進(jìn)遺傳算法下的數(shù)字信號(hào)特征值調(diào)制識(shí)別

王孟，蔡明輝

（國(guó)家無(wú)線電監(jiān)測(cè)中心烏魯木齊監(jiān)測(cè)站，烏魯木齊830054）

通信信號(hào)的調(diào)制識(shí)別及調(diào)制參數(shù)特征值的估計(jì)是信號(hào)處理領(lǐng)域的一個(gè)重要研究方向。本文在改進(jìn)遺傳算法的基礎(chǔ)上，首先確定最能表現(xiàn)信號(hào)調(diào)制差別的特征值集合，將該集合作為最優(yōu)秀基因庫(kù)，然后在遺傳的演化過(guò)程中通過(guò)選擇、交叉、淘汰引起的優(yōu)秀基因庫(kù)的變化，遺傳過(guò)程中引入競(jìng)爭(zhēng)懲罰策略引起基因庫(kù)的優(yōu)化，保證每代都是高質(zhì)量的基因。

遺傳算法；特征值提??；調(diào)制識(shí)別；懲罰競(jìng)爭(zhēng)

1　引言

在數(shù)字信號(hào)調(diào)制識(shí)別過(guò)程中，文獻(xiàn)［1］提出利用數(shù)字統(tǒng)計(jì)模式識(shí)別方法將各種不同的信號(hào)調(diào)制類型的區(qū)分。該方法主要從特征量的提取和特征集選擇、分類器對(duì)不同類型調(diào)制邊界劃分兩個(gè)方面講述不同信號(hào)的調(diào)制類型。但在對(duì)特征量提取方面人的主觀性對(duì)數(shù)據(jù)提取帶來(lái)影響。為了克服主觀性對(duì)信號(hào)特征量和特征集的選擇，文獻(xiàn)［2］提出用遺傳方法對(duì)特征量和特征集進(jìn)行篩選。但由于傳統(tǒng)的遺傳算法收斂速度慢，容易產(chǎn)生局部收斂，局部搜索能力差等缺陷，文獻(xiàn)［3］對(duì)遺傳算法進(jìn)行改進(jìn)，在傳統(tǒng)遺傳算法的基礎(chǔ)上，引入相關(guān)聯(lián)賽選擇和相關(guān)家庭競(jìng)爭(zhēng)兩個(gè)算子，采用自適應(yīng)策略懲罰進(jìn)化過(guò)程中的違約個(gè)體，解決遺傳算法和局部搜索能力弱的缺陷。但這些改進(jìn)后的算法設(shè)計(jì)復(fù)雜，遺傳多樣性，造成局部搜索過(guò)程中產(chǎn)生局部收斂。

本文針對(duì)數(shù)字信號(hào)特征集選擇問題，提出一種新的改進(jìn)的遺傳算法，該方法從每一代的物種中找出優(yōu)秀的基因，確?；驇?kù)基因的質(zhì)量。下一代的遺傳由該基因庫(kù)中的基因組成，通過(guò)選擇、剔除，從而改變基因庫(kù)的大小，然后引進(jìn)其他種群中的優(yōu)質(zhì)基因，是變異達(dá)到優(yōu)質(zhì)的多樣性。最后將該方法用在對(duì)數(shù)字信號(hào)調(diào)制的MFSK的識(shí)別。

2　遺傳算法

2.1遺傳算法的簡(jiǎn)介

簡(jiǎn)單遺傳算法（GA）已經(jīng)被用在通信信號(hào)特征值的選?。?］。但由于其內(nèi)部結(jié)構(gòu)和機(jī)制因素，造成簡(jiǎn)單遺傳算法存在局部搜索和收斂能力弱的缺陷，難以確保選擇出最優(yōu)子集。遺傳進(jìn)化選擇過(guò)程中，物種個(gè)體多樣性及個(gè)體選擇壓力是兩個(gè)相互制約的因素。因此采用合適的選擇壓力，保持物種個(gè)體的多樣性，是提高遺傳算法性能的關(guān)鍵。

2.2遺傳算法的性能估計(jì)

定義1：設(shè)Xc（s）為環(huán)境c下策略s的在線性能，fc（t）為第t代相應(yīng)于環(huán)境c的目標(biāo)函數(shù)或均方根適應(yīng)度函數(shù)，則Xc（s）可以表示為

該式表明，在線性能可以用于第一代到當(dāng)前代的優(yōu)化過(guò)程的均方根值來(lái)表示。

定義2：設(shè)X'c（s）為環(huán)境c下的策略s離線性能，則有

式中，f'c（t）為smart｛fc（1），fc（2），fc（3）…fc（t）｝。式（2）表示離線性能是特定時(shí)刻最佳適應(yīng)度的均方根值。

3　改進(jìn)遺傳算法

改進(jìn)遺傳算法是在分析簡(jiǎn)單遺傳算法的基礎(chǔ)上，引入相關(guān)競(jìng)賽選擇（CFS）和相關(guān)家族競(jìng)爭(zhēng)（CMS）兩個(gè)算子，利用選擇淘汰來(lái)引起優(yōu)秀種群大小變化，然后引入庫(kù)外基因，從而優(yōu)化交叉變異概率。此方法在滿足變異收斂性的同時(shí)，其多樣性化不至于收斂過(guò)快。

CFS和CMS的核心在一定范圍內(nèi)，以個(gè)體適應(yīng)度和個(gè)體漢明距離為依據(jù)，經(jīng)過(guò)選擇參與、相互交叉進(jìn)入下一代的個(gè)體。此方法適用于信號(hào)解調(diào)識(shí)別特征向量選取中，由于每個(gè)特征向量在被信號(hào)識(shí)別中都含了一定的信息量，因此，可將每個(gè)特征向量看成一個(gè)遺傳基因，將所有特征向量集合認(rèn)為成基因庫(kù)（G），每組特征的組合看成一條染色體，從而找出能表征識(shí)別出信號(hào)的染色體。

3.1相關(guān)競(jìng)賽交叉選擇

（1）在祖父輩中的個(gè)體任意選取一個(gè)單體S0，作為參與交叉選擇的一個(gè)祖父代個(gè)體。

（2）從種群S（n）中隨意取m個(gè)個(gè)體構(gòu)建競(jìng)爭(zhēng)群體，即

（3）評(píng)估S中所有個(gè)個(gè)體的相互關(guān)聯(lián)函數(shù)，即

式中，f（si）是第i個(gè)個(gè)體的適應(yīng)度值；h（si，s0）是競(jìng)爭(zhēng)團(tuán)體中的個(gè)體si與s0的漢明距離；c是相互關(guān)聯(lián)的權(quán)重。

（4）從s中選取對(duì)應(yīng)g（si）值最大的個(gè)體作為另一個(gè)交叉祖父代的個(gè)體。

3.2相關(guān)家競(jìng)爭(zhēng)（CMS）

（1）從參與競(jìng)爭(zhēng)的祖父代和產(chǎn)生的父代中選出適應(yīng)度最高的個(gè)體x。

（2）計(jì)算x與另外5個(gè)個(gè)體yi（i=1，2，3，4，5）的漢明距離di（i=1，2，3，4，5）。

（3）從di中選取最大的dj=max（di）。

（4）確定yj為優(yōu)勝個(gè)體，與個(gè)體xi一起進(jìn)入下一代。

3.3改進(jìn)遺傳因子懲罰約束法

遺傳算法在運(yùn)行過(guò)程中，遺傳因子的作用是能產(chǎn)生解也有可能不能產(chǎn)生解，因此需要對(duì)不能產(chǎn)生解的采取約束處理。改進(jìn)遺傳因子懲罰函數(shù)法的核心和難點(diǎn)是選取遺傳因子懲罰函數(shù)和系數(shù)以避免過(guò)懲罰和欠懲罰。本文遺傳算法可根據(jù)個(gè)體違約程度信息自動(dòng)調(diào)整遺傳因子懲罰函數(shù)。根據(jù)文獻(xiàn)［4］中基于遺傳因子約束法如下：

式中，f（x）表示個(gè)體適應(yīng)度函數(shù)；P（x）表示遺傳因子懲罰函數(shù)；G表示可行域；g是懲罰系數(shù)；r1表示種群不可行率；r2表示種群中最大違約值的比值；I表示種群中不可行解的個(gè)數(shù)；P表示種群大??；ti表示種群中第i個(gè)不可行解的違約值；tmax表示種最大不可行違約值。

3.3改進(jìn)遺傳算法的流程

（1）確定編碼策略，用編碼位串法表示需求解參數(shù)。

（2）設(shè)定種群規(guī)模大小，最大遺傳代數(shù)，交叉概率和變異幾率，并用隨機(jī)法生成初始種群。

（3）計(jì)算每個(gè)種群的個(gè)體的適應(yīng)度，并根據(jù)該值的大小選擇操作，適應(yīng)度比較大的個(gè)體可能被選中，而適應(yīng)度小的個(gè)體可能經(jīng)過(guò)限制約束被淘汰。

（4）用交叉、變異和遺傳因子約束法作用于被選中的個(gè)體，生成新一代的個(gè)體。

（5）將重復(fù)運(yùn)行（2）、（3）和（4）直到滿足終止條件。

（6）輸出最優(yōu)解。

4　算法的實(shí)現(xiàn)與測(cè)試

4.1特征值選擇與描述

對(duì)于數(shù)字信號(hào)解調(diào)過(guò)程中特征值的選擇就是對(duì)0-1的規(guī)劃，目標(biāo)函數(shù)為：

懲罰約束條件為

式中，p≤1；α＞0；K表示需要識(shí)別的數(shù)字信號(hào)；mt，ms分別為類型σt，σs均方根特征向量；kt，ks分別為σt，σs的絕對(duì)值方差向量；N表示初始特征向量的維數(shù)；G表示子集特征向量的維數(shù)。

4.2信號(hào)特征值的初始化

本文根據(jù)已調(diào)制信號(hào)的特征類型組成的集合PSK，2PSK，MSK，4ASK，4FSK，16QAM，DQPSK，DPSK信號(hào)類型。

在適應(yīng)度的選擇和計(jì)算上，選取RBF神經(jīng)網(wǎng)作為識(shí)別率計(jì)算器，計(jì)算遺傳因子中染色體的識(shí)別率。采用碼元速率分別為2k，2.5k，3k和3.5k，單位為band，載頻為2500Hz，2650Hz，2800Hz，3000Hz共四組，采樣頻率為24kH，4FSK最大頻率偏移為800Hz，切為連續(xù)相位調(diào)制，幅度調(diào)制信號(hào)基帶成余弦滾降系數(shù)α=0.5，信噪比為15dB。

表1　初始特征值

4.3改進(jìn)遺傳算法結(jié)果分析

最優(yōu)秀的特征子集大小定位8，從24個(gè)特征值中選出8個(gè)特征。在設(shè)定數(shù)據(jù)大小相同的狀況下，算法30次重復(fù)運(yùn)行。

遺傳代數(shù)80代，種群大小N=80，初始化概率p=0.3參數(shù)設(shè)置：16進(jìn)制編碼，加入聯(lián)賽競(jìng)爭(zhēng)的參數(shù)T=3，相關(guān)距離權(quán)重C=3。

圖1為本文所實(shí)現(xiàn)的遺傳算法和改進(jìn)遺傳算法的比較。圖1a可以看出本文所實(shí)現(xiàn)的遺傳算法隨著遺傳代數(shù)的增加，收斂性越好，遺傳基因的多樣性也越來(lái)越好。圖1b為最有適應(yīng)度的仿真曲線，從圖中可以看到本文實(shí)現(xiàn)的算法和改進(jìn)遺傳算法具有好的收斂速度，并且收斂到合適的值。

圖1　適應(yīng)度曲線比較

5　結(jié)束語(yǔ)

相關(guān)競(jìng)爭(zhēng)懲罰和相關(guān)聯(lián)賽選擇兩個(gè)算子合理的分配和協(xié)調(diào)種群個(gè)體的多樣性和選擇壓力，解決了改進(jìn)遺傳算法中對(duì)特征向量的隨機(jī)選擇。此方法在與改進(jìn)遺傳算法中增加競(jìng)爭(zhēng)懲處參數(shù)的限制，對(duì)全局有更好收斂性和更快的收斂速度，對(duì)數(shù)字信號(hào)調(diào)制的識(shí)別和解調(diào)是很有效的。

［1］呂鐵軍，王珂，肖先賜.新特征選擇方法下的信號(hào)調(diào)制識(shí)別［J］.電子與信息學(xué)報(bào)，2006，2（5）:661-666

［2］Du Zhuoming， Feng ing.Support vector machine feature selection algorithm based on modified genetic algorithm［J］.Computer En-gineering and Applications， 2009， 45（ 29） : 28-30

［3］Wang Keqi，Yang Shaochun，Dai Taihong，etal，Method of optimizing parameter of least squarers support vector machines by genetic alogorithm ［J］Computer Applications and software 2009，7（26）:109-111

［4］趙麗娜，劉培玉，朱振方.自適應(yīng)遺傳算法在特征選擇中的改進(jìn)及應(yīng)用［J］.計(jì)算機(jī)工程與應(yīng)用，2009， 45（7）:39-64

［5］Yang Hong，Lu Jingu.Reactive power optimization of power system based on genetic algorithm and particle swarm optimization algorithm［J］.Journal of Nanjing University of technology 2007，5（29）；58-61

［6］Mashhadi H R， Shanechi H M， Lucas C. A New Genetic Algorithmwith Lamarckian Individual Learning for Generation Scheduling［J］.IEEE Trans. on Power System，2003，8（3）: 1181-1186

［7］周明，孫樹棟.遺傳算法及應(yīng)用［M］.北京：國(guó)防工業(yè)出版社，1999

［8］孫鹽豐.基于遺傳算法的約束話方法評(píng)選［J］.北京交通大學(xué)學(xué)報(bào)，2008， 24（6）:14-19

Modulation Recognition of Diginal's Feature based Improved Genertic Lgorithm

Wang Meng， Cai Minghui
（State Radio Monitoring Center Urumqi Station， Urumqi， 830054）

To estimate the characteristics of modulation identification and modulation parameters values is an important research direction in the feld of signal processing. Based on the improved genetic algorithm，the chapter frst determine the characteristics value assemble of the best performance of signal modulation diffenenrce，take it as the best gene pool，In the genetic process，the steps of selection，cross and elimination cause size change ofexcellent gene pool， cross， eliminated caused by the elite gene pools in the evolution of genetic， in the genetic process，adapt ing the strategy of competition and punishment to optimize the gene pool and ensure each generation are of high quality gene.

genetic algorithm； modulation recognition； feature value extraction； Punish competition

10.3969/j.issn.1672-7274.2015.02.012

TN92文獻(xiàn)標(biāo)示碼：A

11672-7274（2015）02-0065-04

王孟，男，1982年生，碩士研究生，助理工程師，現(xiàn)任職于國(guó)家無(wú)線電監(jiān)測(cè)中心烏魯木齊監(jiān)測(cè)站。

蔡明輝，男，1985年生，碩士研究生，助理工程師，現(xiàn)任職于國(guó)家無(wú)線電監(jiān)測(cè)中心烏魯木齊監(jiān)測(cè)站。