數(shù)字信號處理

1、衛(wèi)星通訊中的調(diào)制識別算法研究 通信網(wǎng)絡 神經(jīng)網(wǎng)絡 高階累積量 實驗仿真與結(jié)果分析目錄 計算機網(wǎng)絡7層開放系統(tǒng)互聯(lián)(open systems interconnection, OSI)標準.其核心內(nèi)容包含高,中,低三大部分,高層是面向網(wǎng)絡應用,低層是面向網(wǎng)絡通信的各種功能劃分,而中間層是起信息轉(zhuǎn)換,信息交換(或轉(zhuǎn)接)和傳輸路徑選擇等作用,即路由選擇核心。通信網(wǎng)絡 自從20世紀60年代中期衛(wèi)星通信投人使用以來，已經(jīng)經(jīng)歷了近40年的發(fā)展。隨著信息化社會的到來，衛(wèi)星通信已成為信息化的主要支柱之一?，F(xiàn)如今，衛(wèi)星通信的發(fā)展已經(jīng)開辟了全球個人通信的新時代。由此可見，對于衛(wèi)星通信各組成部分及關(guān)鍵技術(shù)的研究，已

2、經(jīng)成為當今通信發(fā)展的一個主要方向。其中，調(diào)制信號自動識別技術(shù)備受關(guān)注，成為研究熱點。 如果我們在衛(wèi)星通訊中發(fā)射端能夠根據(jù)信道狀況選擇適宜的信號調(diào)制方式（這里必須應用高層復雜算法）發(fā)送信號，而在接收端能夠自動識別信號的調(diào)制方式，并加以解調(diào)，那么通信的效率將會提升很多。 RBF神經(jīng)網(wǎng)絡以其簡單的網(wǎng)絡結(jié)構(gòu)、快速的學習方法、較好的推廣能力，已經(jīng)廣泛地應用于許多領(lǐng)域，特別是模式識別和函數(shù)逼近等領(lǐng)域。在RBF神經(jīng)網(wǎng)絡中需要確定的參數(shù)包括隱含層節(jié)點數(shù)、隱含層基函數(shù)的中心值和寬度、隱含層到輸出層的連接權(quán)值。神經(jīng)網(wǎng)絡 圖中，左邊幾個灰底圓中所標字母w代表浮點數(shù)，稱為權(quán)重（weight，或權(quán)值，權(quán)數(shù)）。進入人工神

3、經(jīng)細胞的每一個input(輸入)都與一個權(quán)重w相聯(lián)系，正是這些權(quán)重將決定神經(jīng)網(wǎng)絡的整體活躍性。權(quán)重可正可負，故能對與它關(guān)聯(lián)的輸入施加不同的影響，如果權(quán)重為正，就會有激發(fā)（excitory）作用，權(quán)重為負，則會有抑制（inhibitory）作用。當輸入信號進入神經(jīng)細胞時，它們的值將與它們對應的權(quán)重相乘，作為圖中大圓的輸入。大圓的核是一個函數(shù)，叫激勵函數(shù)(activation function)，它把所有這些新的、經(jīng)過權(quán)重調(diào)整后的輸入全部加起來，形成單個的激勵值(activation value)。激勵值也是一浮點數(shù)，且同樣可正可負。這是人工神經(jīng)細胞激勵函數(shù)的一種最簡單的類型。 神經(jīng)網(wǎng)絡不需要預先

4、給出關(guān)于模式的先驗知識和判別模型，能夠通過自組織和自學習機制自動形成所要求的決策域，在應用中易于實現(xiàn)；同時，由于網(wǎng)絡內(nèi)部的非線性傳遞函數(shù)，使其對高維空間及非線性空間數(shù)據(jù)模式具有較強的分類能力。 神經(jīng)網(wǎng)絡的泛化能力(Generalization)是指學習后的神經(jīng)網(wǎng)絡對測試樣本或工作樣本作出正確反應的能力。對神經(jīng)網(wǎng)絡進行過多的訓練會增加網(wǎng)絡的訓練時間。所以在我們保證精度的情況下，神經(jīng)網(wǎng)絡會在訓練中，利用其泛化能力，不斷根據(jù)樣本值調(diào)整其權(quán)重和對應門限閾值，無限逼近所要求的精度值。累積量的物理意義累積量的物理意義 一一階累積量數(shù)學期望階累積量數(shù)學期望:描述了概率分布的中心描述了概率分布的中心 二階累積

5、量方差：二階累積量方差： 描述了概率分布的離散程度描述了概率分布的離散程度 三階累積量三階矩：三階累積量三階矩： 描述了概率分布的不對稱程度描述了概率分布的不對稱程度累積量衡量任意隨機變量偏離正態(tài)累積量衡量任意隨機變量偏離正態(tài)(高斯高斯)分布的程度分布的程度物理意義物理意義 nynyEC20 204403,CnyEnynynynycumC 2122042422,CCnyEnynynynycumC 在許多實際應用(如地震勘探、水聲信號處理、遠程通信)中，往往不能滿足最小相位，高斯噪聲；甚至系統(tǒng)是非線性的。 對于非高斯信號的模型參數(shù)，如僅僅考慮與自相關(guān)函數(shù)匹配，就不可能充分獲取隱含在數(shù)據(jù)中的信息。

6、 若信號不僅是非高斯的，而且是非最小相位的，采用基于自相關(guān)函數(shù)的估計方法所得到的模型參數(shù)，就不能反映原信號的非最小相位特點。 針對衛(wèi)星通信中各種數(shù)字調(diào)制信號，將其高階累積量的理論值給出。這些理論值是在符號等概率發(fā)出、零噪聲、平均功率歸一化的條件下計算得出的如表1所示。 從表1中可看出，各調(diào)制方式的高階累積量不完全相同(除2FSK,4FSK和8PSK外)。因此，可通過支持向量機的方法來進行分類，但這需要訓練，存在時間損耗的問題。而且，各值相差不大，為了能更好地進行調(diào)制方式的識別，在這里進行特征參數(shù)的提取，其定義如下： 利用表1中的理論值，對各種調(diào)制方式的參數(shù)進行計算，得到特征參數(shù)的理論值(見表2

7、)。從表2中可看出，利用F，值就可以將調(diào)制方式分成2個集合 和 ，再利用F:值對前者進行分類。 利用matlab中的newrb函數(shù)自動生成神經(jīng)網(wǎng)絡，生成x序列，并對生成的序列經(jīng)行調(diào)制，這里我們選取6種調(diào)制方式，分別為BPSK調(diào)制，QPSK調(diào)制，8PSK調(diào)制,16QAM調(diào)制,32QAM調(diào)制,64QAM調(diào)制。每種調(diào)制方式訓練樣本數(shù)為500，并用100個加高斯白噪聲的測試序列，在信噪比為5dB的噪聲環(huán)境下，檢測神經(jīng)網(wǎng)絡訓練效果。 下圖為訓練中神經(jīng)網(wǎng)絡逼近進度曲線圖，這里選取精度為0.001。實驗仿真與結(jié)果分析 下圖為樣本訓練得出的特征參數(shù)。 下圖為檢測結(jié)果，各行代表各種調(diào)制方式中，檢測錯誤的調(diào)制個數(shù)。 從結(jié)果分析來看，由于測試樣本個數(shù)較少，并不能很好地說明利用神經(jīng)網(wǎng)絡進行信號調(diào)制識別的效果。在提高精度和訓練樣本數(shù)的情況下可以得到更好的檢測率，但是與此同時帶來的代價勢必會增高。從實驗仿真實際來看，在利用matlab仿真的過程中，選取檢測樣本數(shù)為500時，造成內(nèi)存溢出現(xiàn)象。和傳統(tǒng)的門限閾值檢測方案相比，利用神經(jīng)網(wǎng)絡進行調(diào)制方式采用動態(tài)樣本權(quán)重和偏值使得計算量大大增加，但能將信號的識別率從80%提升至95%以上，與此同時帶來的代價較高，在要求識別率較高的系統(tǒng)中仍有較好的應用。 實驗中采用未加噪聲的調(diào)制序列中