基于神經(jīng)網(wǎng)絡的數(shù)字調(diào)制信號的自動識別

周明江++王繼武

摘 要：該文在采用MATLAB生成FSK、PSK等常用數(shù)字調(diào)制信號的基礎上，進一步詳細分析了各種常用數(shù)字調(diào)制信號的基本瞬時特征，提取出了可用于區(qū)分各種常用數(shù)字調(diào)制信號的5個特征參數(shù)，并將特征參數(shù)映射為常用數(shù)字調(diào)制信號，依據(jù)特征參數(shù)將神經(jīng)網(wǎng)絡技術運用于常用數(shù)字調(diào)制信號的自動識別，實驗證明此方法能較好識別常用數(shù)字調(diào)制信號，效果良好。

關鍵詞：神經(jīng)網(wǎng)絡 特征提取 模式識別

中圖分類號：U495 文獻標識碼：A 文章編號：1674-098X（2017）01（a）-0115-05

隨著通信技術的飛速發(fā)展，出現(xiàn)了適用于不同背景環(huán)境的通信標準，每種標準都有其特定的調(diào)制方式和工作頻段，為了滿足人們實現(xiàn)不同標準間互通的需求，軟件無線電技術應運而生。它利用可升級、可替代的軟件來完成盡可能多的通信功能硬件模塊，將多種類型的信號處理基于一體。為了能夠處理不同類型的調(diào)制信號，必須首先識別出信號的調(diào)制類型，然后才能進行下一步處理。因此，調(diào)制信號的自動識別技術，就成了軟件無線電技術中的關鍵。

神經(jīng)網(wǎng)絡具有的信息分布式存儲、大規(guī)模自適應并行處理和高度的容錯性等特點，是用于模式識別的基礎。特別是其學習能力和容錯性對不確定性模式識別具有獨到之處。其中BP網(wǎng)絡長期以來一直是神經(jīng)網(wǎng)絡分類器的熱點，由于它理論發(fā)展成熟，網(wǎng)絡結構清晰，因此得到了廣泛應用?；贏.K. Nandi和E.E. Azzouz從瞬時頻率、瞬時幅度和瞬時相位中提取的特征參數(shù)，我們就可以用神經(jīng)網(wǎng)絡對常用的數(shù)字調(diào)制信號進行自動分類。

1 神經(jīng)網(wǎng)絡

根據(jù)T. Koholen的定義：“人工神經(jīng)網(wǎng)絡是由具有適應性的簡單單元組成的廣泛并行互連的網(wǎng)絡，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實世界物體做出交互反應?！比斯ど窠?jīng)網(wǎng)絡是在現(xiàn)代神經(jīng)學研究成果的基礎上發(fā)展起來的模仿人腦信息處理機制的網(wǎng)絡系統(tǒng)，它由大量簡單的人工神經(jīng)元廣泛連接而成，反映了人腦功能的若干特性，可以完成學習、記憶、識別和推理等功能。

2 數(shù)字調(diào)制信號特征參數(shù)的提取

計算機處理的信號都是對調(diào)制信號采樣后的采樣信號序列，因此設采樣序列為（n=0，1，2，…，Ns），采樣頻率為。對采樣序列進行希爾伯特變換，得如下解析表達式：

（1）

采樣序列的瞬時幅度：

（2）

瞬時相位：

（3）

由于是按模計算相位序列，當相位的真值超過，按模計算相位序列就會造成相位卷疊。載波頻率引起的線性相位分量，是造成相位卷疊的主要因素。因此，必須對進行去相位卷疊。去相位卷疊后的相位序列為，再對進行去線性相位運算，得到真正相位序列。瞬時頻率為：

（4）

在上述基礎上，提取下面5個特征參數(shù)。

（1）是被截取信號片段的零中心歸一化瞬時幅度的譜密度的最大值，定義為：

（5）

其中為零中心歸一化瞬時幅度在t=i/fs（i=1，2，…，Ns）時刻的值；為采樣速率；為每一個信號樣本采樣點的樣本個數(shù)。定義如下：

-1 （6）

其中：

， （7）

（2）為非弱信號段中瞬時相位非線性分量的絕對值的標準偏差，定義如下：

（8）

其中為經(jīng)過零中心化處理后瞬時相位的非線性分量在時刻的值；為判斷弱信號段的一個幅度判決門限電平，在門限以下信號對噪聲非常敏感，這里取；C為全部取樣數(shù)據(jù)中大于判決門限的樣本數(shù)據(jù)的個數(shù)。

（3）為非弱信號段中瞬時相位非線性分量的標準偏差，定義如下：

（9）

（4）為零中心歸一化非弱信號段瞬時幅度絕對值的標準偏差，定義如下：

（10）

（5）為零中心歸一化非弱信號段瞬時頻率絕對值的標準偏差，定義如下：

（11）

其中，，，，rs為數(shù)字序列的符號速率。

3 基于BP網(wǎng)絡的數(shù)字調(diào)制信號的自動識別

把BP網(wǎng)絡應用于數(shù)字調(diào)制信號的自動識別，是應用了其簡單的結構和非線性映射的本質(zhì)。將特征參數(shù)映射成與其對應的調(diào)制信號，是此方法的基本思路。

3.1 調(diào)制信號識別的基本原理

由上述得到的5個特征參數(shù)區(qū)分多種數(shù)字調(diào)制信號的原理，可用圖1簡單示意。

用于區(qū)分是否包含幅度信息的信號；用于區(qū)分是否包含絕對相位信息的信號；用于區(qū)分是否包含直接相位信息的信號；用于區(qū)分是否包含絕對幅度信息的信號；用于區(qū)分是否包含絕對頻率信息的信號。

3.2 BP網(wǎng)絡

BP網(wǎng)絡結構上是一個多層感知器，其基本算法是反向傳播算法，反向傳播（BP）算法是一種有師學習算法，BP算法的學習過程由正向傳播和反向傳播兩部分組成，在正向傳播過程中，輸入向量從輸入層經(jīng)過隱含層神經(jīng)元的處理后，傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果在輸出層得不到期望輸出，則轉入反向傳播，此時誤差信號從輸出層向輸入層傳播并沿途調(diào)整各層間連接權值和閾值，以使誤差不斷減小，直到達到精度要求。

標準的BP算法如下（以單隱層結構為例）。

W和b分別為輸入層與隱層神經(jīng)元之間的權值和閾值；x為輸入層的輸入；u和v分別為隱層的輸入和輸出；為輸出層的輸入；為隱層與輸出層之間的權值；y為網(wǎng)絡的實際輸出；d為網(wǎng)絡的期望輸出；e為誤差。

（1）正向傳播過程。

輸入層：特征參數(shù)向量組x為網(wǎng)絡的輸入。

隱含層：其輸入值u為輸入層的加權和（當網(wǎng)絡為單隱層時）。

（12）

輸出為：

（13）

式中為神經(jīng)元的激勵函數(shù)，通常為Sigmoid函數(shù)。

（14）

輸出層：輸出層神經(jīng)元的激勵函數(shù)通常為線性函數(shù)，所以輸出值為輸入值的加權和。

（15）

由y和d求出誤差e。若e滿足要求或達到最大訓練次數(shù)，則算法結束，網(wǎng)絡完成訓練，否則進入反向傳播過程。

（2）反向傳播過程。

首先定義誤差函數(shù)：

（16）

BP學習算法采用梯度下降法調(diào)整權值，每次調(diào)整量為：

（17）

式中，η為學習率，0<η<1。由此式可以得到權值修正量公式。

①對于輸出層與隱含層之間的權值修正量：

（18）

其中

②對于隱含層與輸入層之間的權值修正量：

（19）

式中，則下一次迭代時：

（20）

（21）

（3）BP網(wǎng)絡的設計。

由神經(jīng)網(wǎng)絡理論可知，具有至少一個帶偏差的S形隱含層和一個帶偏差的線性輸出層的網(wǎng)絡，能夠逼近任意的有理函數(shù)。因此該設計采用3層網(wǎng)絡結構。

①輸入層：輸入層神經(jīng)元的個數(shù)就是輸入向量的維數(shù)。

②隱含層：根據(jù)經(jīng)驗公式，隱含層神經(jīng)元個數(shù)M與輸入層神經(jīng)元個數(shù)N大致有如下關系：M=2N+1，又考慮到計算精度的問題，因此隱層設計為5。一般說來，隱節(jié)點越多，計算精度越高，但是計算時間也會越長。

③輸出層：一般說來輸出層神經(jīng)元的個數(shù)等于要識別的調(diào)制類型的個數(shù)，但是還要具體情況具體分析。

結合該次設計實際，網(wǎng)絡采用1-5-2結構。

（4）神經(jīng)網(wǎng)絡方法實現(xiàn)自動調(diào)制識別的步驟。

在此將該文方法實現(xiàn)的步驟歸納如下。

①由接收到的調(diào)制信號求其采樣序列，進而得到其復包絡。

②由信號的復包絡求其瞬時幅度，順勢相位和瞬時頻率。

③由信號的瞬時參量求其5個特征參數(shù)。

④用信號的特征參數(shù)向量組訓練網(wǎng)絡。

⑤用訓練好的網(wǎng)絡對調(diào)制信號進行自動識別。

（5）MATLAB仿真。

為對用神經(jīng)網(wǎng)絡進行調(diào)制信號自動識別的方法進行性能驗證，下面對2FSK和2PSK做MATLAB仿真試驗：基帶信號的碼元速率為50 kHz，載波頻率為150 kHz，采樣速率為1 200 kHz，對于2FSK信號，載波之差為50 kHz。將網(wǎng)絡調(diào)整到最佳狀況，對網(wǎng)絡進行了100次的仿真訓練，隨機抽取了一組數(shù)據(jù)的收斂均方誤差曲線如圖2所示。

對訓練好的網(wǎng)絡進行性能測試。仿真識別實驗分別對2FSK和2PSK信號采用SNR=10 dB，15 dB，20 dB和∞ 4組數(shù)據(jù)進行。在對網(wǎng)絡進行了100次仿真識別的基礎上得到以下數(shù)據(jù)，見表1。

由表1可以看出，用標準BP算法訓練出來的神經(jīng)網(wǎng)絡，對2PSK信號有著較理想的識別成功率，在信噪比等于10 dB的情況下，依然可以達到99.5%以上的識別成功率。而對2FSK信號的識別成功率就不盡如人意，雖然在信噪比等于20 dB的情況下可以完全識別信號，但在信噪比等于10 dB的情況下，識別率較低。

4 結語

基于神經(jīng)網(wǎng)絡的數(shù)字調(diào)制信號自動識別的研究雖然初見成果，但是整體上看，它未對更多的調(diào)制類型進行測試，而且對某些類型的調(diào)制信號識別的效果還不甚理想。在仿真試驗中，不可避免地出現(xiàn)了收斂速度慢、存在局部極小值和概率極小的不收斂現(xiàn)象這3個BP網(wǎng)絡本質(zhì)上的缺陷。采用改進的BP算法或者其他神經(jīng)網(wǎng)絡可以改善網(wǎng)絡性能和提高識別成功率。

神經(jīng)網(wǎng)絡用于調(diào)制識別方法的可行性已初見端倪，與其他方法相比，神經(jīng)網(wǎng)絡具有的信息分布式存儲、大規(guī)模自適應并行處理和高度的容錯性等特點，使其非常適合于調(diào)制識別，而且它簡單有效，極易用軟件或硬件實現(xiàn)，相信神經(jīng)網(wǎng)絡技術能夠在軟件無線電領域發(fā)揮它獨特而重要的作用。

參考文獻

[1] 黃春琳，邱玲，沈振康.數(shù)字調(diào)制信號的神經(jīng)網(wǎng)絡識別方法[J].國防科技大學學報，1999（2）：58-61.

[2] 吳惠.數(shù)字信號調(diào)制方式識別技術研究[D].蘭州交通大學，2014.

[3] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡理論與MATLAB7實現(xiàn)[M].電子工業(yè)出版社，2005：44-58.

[4] 蘭雪梅，朱健，董德存.BP網(wǎng)絡的MATLAB實現(xiàn)[J].微型電腦應用，2003（1）：6-8.

[5] 姚亞峰，黃載祿.通信信號調(diào)制識別技術[J].通信技術，2003（6）：43-45，52.

[6] 姜莉.利用神經(jīng)網(wǎng)絡實現(xiàn)調(diào)制信號的自動識別[J].電子測試，2014（7）：71-73.

[7] 從爽.神經(jīng)網(wǎng)絡、模糊系統(tǒng)及其在運動控制中的應用[M].中國科學技術大學出版社，2002：17-31.

[8] 高雋.人工神經(jīng)網(wǎng)絡原理及其仿真實例[M].機械工業(yè)出版社，2003：44-53.

[9] 飛思科技產(chǎn)品研發(fā)中心.MATLAB 6.5輔助神經(jīng)網(wǎng)絡分析與設計[M].電子工業(yè)出版社，2003：64-69.

[10] 李峻.基于決策理論的軟件無線電信號調(diào)制樣式自動識別[J].大連鐵道學院學報，2002（4）：50-54.

[11] 趙知勁，莊嬋飛，干立.調(diào)制樣式BP神經(jīng)網(wǎng)絡分類器[J].現(xiàn)代雷達，2003（10）：22-24.

[12] 林華東，龐偉正.軟件無線電中數(shù)字調(diào)制信號的自動識別[J].應用科技，2004（6）：25-27.

[13] 王康利，謝建菲，趙蘭華.基于神經(jīng)網(wǎng)絡的軟件無線電信號的調(diào)制識別[J].計算機測量與控制，2004，12（9）：877-878.

[14] 姜立芳，劉泊，施蓮輝.一種改進的BP算法及其在模式識別中的應用[J].哈爾濱理工大學學報，2003（3）：90-92.

[15] 呂杰，張勝付，谷明，等.基于軟件無線電架構的通信信號自動調(diào)制識別[J].無線電工程，2000（2）：28-30.

[16] 薛年喜，賈永樂.用自調(diào)整S函數(shù)提高神經(jīng)網(wǎng)絡BP算法[J].計算機測量與控制，2003，11（2）：153-155.