調(diào)制信號(hào)識(shí)別

1、調(diào)制信號(hào)識(shí)別內(nèi)容安排 定義及背景 識(shí)別過(guò)程介紹及方法分類(lèi) 一些已提出的方法介紹背景及定義 調(diào)制信號(hào)識(shí)別是信號(hào)檢測(cè)和信號(hào)解調(diào)之間的重要步驟，它的目的就是在沒(méi)有其他先驗(yàn)知識(shí)的情況下，通過(guò)對(duì)接收信號(hào)的處理，判斷出信號(hào)的調(diào)制方式，并估計(jì)出相應(yīng)的調(diào)制參數(shù)。其主要在兩方面得到了應(yīng)用：一方面是軟件無(wú)線電系統(tǒng)，保證不同體制通信系統(tǒng)之間實(shí)現(xiàn)互通互聯(lián)；二是電子戰(zhàn)系統(tǒng)，為截獲信息和選擇最佳干擾樣式提供依據(jù)。 調(diào)制方式是區(qū)別不同性質(zhì)通信信號(hào)的一個(gè)重要特征。對(duì)于接收信號(hào)，要想正確解調(diào)，分析接收信號(hào)或者進(jìn)行干擾，必須能夠正確識(shí)別信號(hào)的調(diào)制方式，然后采取相應(yīng)的解調(diào)方法或干擾方法。識(shí)別過(guò)程 調(diào)制識(shí)別問(wèn)題實(shí)質(zhì)上是一種典型的模式

2、識(shí)別問(wèn)題 信號(hào)預(yù)處理部分的主要功能是為后續(xù)處理提供合適的數(shù)據(jù)；特征提取部分是從輸入的信號(hào)序列中提取對(duì)調(diào)制識(shí)別有用的信息；分類(lèi)識(shí)別部分的主要功能是判斷信號(hào)調(diào)制類(lèi)型的從屬關(guān)系。 信號(hào)預(yù)處理 頻率下變頻 、載頻估計(jì)、同相正交分量分解等。 在多發(fā)射源環(huán)境中，隔離各個(gè)信號(hào)，保證一次只有一個(gè)信號(hào)進(jìn)入后續(xù)的調(diào)制識(shí)別環(huán)節(jié)。 特征提取 特征提取部分是從數(shù)據(jù)中提取信號(hào)的時(shí)域特征或變換域特征。時(shí)域特征包括信號(hào)的瞬時(shí)幅度、瞬時(shí)相位或瞬時(shí)頻率的特征參數(shù)或其它統(tǒng)計(jì)參數(shù)。變換域特征包括功率譜、譜相關(guān)函數(shù)、時(shí)頻分布及其它統(tǒng)計(jì)參數(shù)。 分類(lèi)識(shí)別 選擇和確定合適的判決規(guī)則和分類(lèi)器結(jié)構(gòu)，主要采用決策樹(shù)結(jié)構(gòu)的分類(lèi)器和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類(lèi)

3、器。 兩種分類(lèi)器 決策樹(shù)分類(lèi)器采用多級(jí)分類(lèi)結(jié)構(gòu)，每級(jí)結(jié)構(gòu)根據(jù)一個(gè)或多個(gè)特征參數(shù)分辨出某類(lèi)調(diào)制類(lèi)型，再下一級(jí)結(jié)構(gòu)又根據(jù)一個(gè)或多個(gè)特征參數(shù)，再分辨出某類(lèi)調(diào)制類(lèi)型，最終能對(duì)多種類(lèi)型進(jìn)行識(shí)別。這種分類(lèi)器結(jié)構(gòu)相對(duì)簡(jiǎn)單，實(shí)時(shí)性好，但需要事先確定判決門(mén)限，自適應(yīng)性差，適合分類(lèi)特征參數(shù)區(qū)分很好的信號(hào)識(shí)別。 神經(jīng)網(wǎng)絡(luò)分類(lèi)器具有強(qiáng)大的模式識(shí)別能力，能夠自動(dòng)適應(yīng)環(huán)境變化，較好處理復(fù)雜的非線性問(wèn)題，而且具有較好的穩(wěn)健性和潛在的容錯(cuò)性，可獲得較高的識(shí)別率。 識(shí)別方法分類(lèi) 基于基本時(shí)域、頻域和功率譜特征的方法 基于小波理論的方法 基于分形理論的方法 基于信號(hào)的星座圖的方法 基于混沌理論的方法 基于復(fù)雜度理論的方法 基于人

4、工神經(jīng)網(wǎng)絡(luò)的方法 基于窗口平均頻率算法的調(diào)制信號(hào)識(shí)別系統(tǒng)組成：算法思想： 用一個(gè)寬度為N的矩形窗去截取采集到的已離散化處理的信號(hào)x(n)，得到N點(diǎn)數(shù)據(jù)，對(duì)這N點(diǎn)數(shù)據(jù)進(jìn)行離散傅里葉變換(DFT)得到這N點(diǎn)數(shù)據(jù)的頻譜。 計(jì)算窗口內(nèi)平均頻率。 獲得時(shí)頻分布曲線。 濾除算法產(chǎn)生的交叉干擾。 該算法通過(guò)移動(dòng)窗口來(lái)截取信號(hào)，并計(jì)算窗口內(nèi)信號(hào)平均頻率來(lái)獲得信號(hào)的時(shí)頻分布，具有算法簡(jiǎn)單、運(yùn)算速度快的特點(diǎn) 。 ASK、FSK、PSK等數(shù)字調(diào)制信號(hào)均為非平穩(wěn)的隨機(jī)信號(hào)，在時(shí)頻分布上存在著差異，若采用移動(dòng)窗口平均頻率算法對(duì)數(shù)字調(diào)制信號(hào)進(jìn)行時(shí)頻分析，再根據(jù)信號(hào)時(shí)頻分布的差異識(shí)別調(diào)制信號(hào)類(lèi)型一方面可以顯著提高系統(tǒng)的實(shí)時(shí)

5、性；另一方面，由于對(duì)時(shí)頻分布曲線進(jìn)行了濾波處理，能夠提高信號(hào)識(shí)別的抗干擾性能和識(shí)別精度。 優(yōu)點(diǎn)與不足 算法簡(jiǎn)單，速度快，宜運(yùn)用于實(shí)時(shí)性要求較高的場(chǎng)合。 窗口寬度N與抽樣頻率對(duì)移動(dòng)窗口平均頻率算法的性能有較大的影響，若選擇不合適，會(huì)產(chǎn)生一定的分析誤差。如何合理選擇N和抽樣頻率還有待進(jìn)一步研究。 其仿真驗(yàn)證是是在二進(jìn)制信號(hào)上進(jìn)行，識(shí)別類(lèi)型少，有很大局限性?；诙虝r(shí)分析的調(diào)制信號(hào)識(shí)別方法 該方法用短時(shí)分析提取數(shù)字調(diào)制信號(hào)在幅度、頻率和相位隨時(shí)間變化的特征，并利用這些特征對(duì)各種數(shù)字調(diào)制信號(hào)進(jìn)行識(shí)別。在加性高斯白噪聲條件下給出了相應(yīng)的最佳閾值，并通過(guò)仿真研究了該識(shí)別方法的性能。 仿真結(jié)果表明該方法對(duì)噪聲

6、不敏感，在SNR為0dB時(shí)仍能獲得90%以上的正確識(shí)別率。 文中提出的識(shí)別方法，能夠?qū)?ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、16QAM信號(hào)有效識(shí)別 。特征提取 譜寬因子 ：用來(lái)來(lái)區(qū)分ASK信號(hào)和FSK，PSK及QAM信號(hào)。 短時(shí)頻譜峰數(shù) ：可以區(qū)分2FSK信號(hào)、4FSK和PSK及16QAM信號(hào)，對(duì)2FSK為2，對(duì)4FSK為4，而對(duì)PSK和16QAM信號(hào)為1。 短時(shí)相位峰數(shù) ：反映了信號(hào)中的相位數(shù)?？蓞^(qū)分BPSK、QPSK、8PSK和16QAM信號(hào)。在0 2間，BPSK信號(hào)有2個(gè)峰，QPSK和16QAM有4個(gè)峰，而8PSK有8個(gè)峰。 BWPPFNPPN 零中心歸一

7、化非弱信號(hào)段的標(biāo)準(zhǔn)偏差 可區(qū)分PSK和QAM信號(hào) ，設(shè)定適當(dāng)門(mén)限加以識(shí)別。 零中心歸一化瞬時(shí)幅度絕對(duì)值的標(biāo)準(zhǔn)偏差 用來(lái)區(qū)分2ASK信號(hào)和4ASK信號(hào) ，對(duì)2ASK，該值為0；對(duì)4ASK，該值不為0。 2211ntntacncnaiaaiaaiaiCC 221111cnNNaacniiaiaiNN識(shí)別流程方法總結(jié) 仿真結(jié)果中得出，在SNR從020dB整個(gè)范圍內(nèi)都有很高的識(shí)別率，也即本方法對(duì)噪聲不敏感。僅當(dāng)SNR=0dB時(shí)，由于瞬時(shí)幅度受噪聲影響大，造成對(duì)2ASK和4ASK的識(shí)別率降低，但仍達(dá)到90%以上。而對(duì)其它調(diào)制方式的信號(hào)識(shí)別率都在97%以上。 該方法有很高的識(shí)別率和抗干擾能力，有較好的工程

8、應(yīng)用價(jià)值。 基于決策理論的方法 文獻(xiàn)針對(duì)2ASK、2FSK、2PSK、4ASK、4FSK、4PSK 6種數(shù)字調(diào)制信號(hào)，提取了4個(gè)基于瞬時(shí)幅度、瞬時(shí)頻率、瞬時(shí)相位統(tǒng)計(jì)特性的參數(shù) ，采用決策樹(shù)判別方法對(duì)其進(jìn)行分類(lèi)識(shí)別。 特征參數(shù) 零中心非弱信號(hào)段瞬時(shí)相位非線性分量絕對(duì)值的標(biāo)準(zhǔn)偏差 ：主要用于區(qū)分二、四進(jìn)制的PSK信號(hào)(2PSK與4PSK)。 基于信號(hào)瞬時(shí)幅度的統(tǒng)計(jì)參數(shù) A 為取樣點(diǎn)數(shù)， 為瞬時(shí)幅度 。 ap 11sNiAa iNsN a i 參數(shù)A主要用來(lái)區(qū)分是MASK信號(hào)還是MFSK或MPSK信號(hào)。對(duì)MASK信號(hào)，A不為0；對(duì)MFSK，A為0；對(duì)MPSK，A接近0。 參數(shù)A還可以用來(lái)進(jìn)一步區(qū)分是

9、2ASK信號(hào)還是4ASK信號(hào)。 基于瞬時(shí)頻率的統(tǒng)計(jì)參數(shù) F 242FEfiEfi 是信號(hào)的瞬時(shí)頻率 。對(duì)FSK信號(hào)，F(xiàn)值較??；對(duì)PSK信號(hào)，F(xiàn)值較大。 瞬時(shí)頻率平方的均值 該值可以用來(lái)區(qū)分2FSK信號(hào)和4FSK信號(hào)。因?yàn)閷?duì)2FSK信號(hào)，它的瞬時(shí)頻率只有2個(gè)值，而對(duì)4FSK信號(hào)，其瞬時(shí)頻率有4個(gè)值 ，故4FSK的該特征值比2FSK的要大。 f i2f 221sNfsifiN分類(lèi)識(shí)別仿真驗(yàn)證結(jié)論 在 時(shí)，識(shí)別正確率可達(dá)到99%以上，且當(dāng) 時(shí)，識(shí)別正確率達(dá)到100%。本算法不但在低信噪比條件下識(shí)別正確率高，而且在進(jìn)行識(shí)別的過(guò)程中，用到的特征參數(shù)較少。 但是，文中的算法只適用于在基帶數(shù)字信號(hào)中。 5S

10、NRdB20SNRdB基于信號(hào)時(shí)域瞬時(shí)統(tǒng)計(jì)特性的一種通用識(shí)別方法 基本思想：在AWGN信道下，通過(guò)分析信號(hào)時(shí)域特征和頻域功率譜特征，并結(jié)合前人的研究成果，給出一組性能穩(wěn)健的、具有高識(shí)別率的特征參數(shù)。利用這些參數(shù)先進(jìn)行調(diào)制信號(hào)四種基本調(diào)制類(lèi)型的分類(lèi)，再利用具體算法進(jìn)行調(diào)制階數(shù)的識(shí)別。 特征提取 歸一化瞬時(shí)幅度功率譜密度最大值 其中N為樣點(diǎn)數(shù)， 為中心歸一化瞬時(shí)幅 度 ， 。 max2m a xm a xa=c nF F TiN cnai 1cnaiaEai 該特征參數(shù)能夠充分反映調(diào)制信號(hào)的幅度變化，可以用該參數(shù)來(lái)區(qū)分開(kāi)ASK/QAM和FSK/PSK調(diào)制信號(hào)。判決門(mén)限： ，可區(qū)分ASK/QAM和F

11、SK/PSK調(diào)制信號(hào)。 歸一化中心瞬時(shí)頻率的四階矩緊致性 是歸一化中心瞬時(shí)頻率， 為信號(hào)的瞬時(shí)頻率，該參數(shù)反映瞬時(shí)頻率變化的特征量，可用來(lái)區(qū)分FSK和PSK調(diào)制信號(hào)并輔助進(jìn)行MFSK調(diào)制階數(shù)M的識(shí)別。 max5dB42f 44222nfnEftEft nft ft 歸一化中心信號(hào)的四階矩緊致性 其中 是歸一化中心信號(hào)， 該參數(shù)可將ASK、QAM和FSK/PSK三者分開(kāi)。 42s 44222nsnEstEst nst maxnsts ts t信號(hào)識(shí)別 MFSK識(shí)別 MFSK信號(hào)的功率譜必有M個(gè)譜峰，只要得到其功率譜在 上的譜峰個(gè)數(shù)n，就能實(shí)現(xiàn)MFSK信號(hào)調(diào)制階數(shù)的識(shí)別。 對(duì)頻率個(gè)數(shù)敏感，可用于調(diào)

12、制階數(shù)的識(shí)別。 MASK和MQAM識(shí)別 經(jīng)過(guò)大類(lèi)判別后，MASK和MQAM已經(jīng)被完全分開(kāi)，這兩種調(diào)制模式的時(shí)域特征比較明顯，即就L個(gè)碼元時(shí)隙而言，有M種振幅，故采用振幅種類(lèi)個(gè)數(shù)來(lái)區(qū)別各自的調(diào)制階數(shù)。 02sf，4 2f MPSK識(shí)別 對(duì)BPSK和QPSK來(lái)說(shuō)，選擇A. K. Nandi和E. E. Azzouz提出的特征參數(shù) 能將二者很好的分開(kāi)。 2211nanaapNLNLaitaitiiCC識(shí)別流程圖驗(yàn)證結(jié)論 文中提出的識(shí)別方案，利用提出的新參數(shù)和已知參數(shù) 、 對(duì)調(diào)制信號(hào)進(jìn)行調(diào)制大類(lèi)識(shí)別，在信噪比不低于5dB時(shí)，正確識(shí)別率達(dá)到96% 。 特點(diǎn)：流程簡(jiǎn)單，運(yùn)算量小42smax42f基于小波變

13、換的數(shù)字信號(hào)調(diào)制識(shí)別方法 該文介紹了一種基于小波分類(lèi)特征的數(shù)字調(diào)制信號(hào)的識(shí)別方法，創(chuàng)新之處在于同時(shí)應(yīng)用了連續(xù)小波變換和多層小波分解兩種方法提取信號(hào)的特征，并且對(duì)于不同調(diào)制信號(hào)采用了不同的分類(lèi)特征。算法實(shí)現(xiàn)時(shí)不需要進(jìn)行碼元周期估計(jì)以及同步時(shí)間估計(jì)，從而使分類(lèi)器的設(shè)計(jì)變得簡(jiǎn)單，判決準(zhǔn)則簡(jiǎn)化，提高了運(yùn)算速度和識(shí)別率。 小波變換是一種時(shí)間尺度分析方法，具有多分辨分析的特點(diǎn)，并且在時(shí)頻域都具有表征信號(hào)局部特征的能力。 小波變換主要用于信號(hào)特征的提取，然后結(jié)合神經(jīng)網(wǎng)絡(luò)或分形作為分類(lèi)器，實(shí)現(xiàn)信號(hào)的調(diào)制識(shí)別。 特征提取 小波變換主要采取兩種方法提取信號(hào)的特征：一是采用多分辨分析，對(duì)調(diào)制信號(hào)進(jìn)行多層小波分解，提

14、取信號(hào)在各個(gè)頻率段的特征向量；另一種方法是利用連續(xù)小波變換的模極大值(|CWT|)，提取信號(hào)的奇異點(diǎn)特征。本文中同時(shí)應(yīng)用了這兩種特征的提取方法，MFSK信號(hào)包含多種頻率分量，因此應(yīng)用多層小波分解提取特征向量；MPSK信號(hào)的信息包含在相位里，由于相位的突變?cè)斐闪诵盘?hào)的奇異性，因此利用信號(hào)連續(xù)小波變換的模極大值提取特征。 多層小波分解提取分類(lèi)特征 對(duì)信號(hào)的低頻部分做進(jìn)一步分解，而高頻部分則不予以考慮 。如下是一個(gè)3層分解圖： 多層分解只對(duì)低頻空間做進(jìn)一步的分解，隨著分解層數(shù)的增加，頻率的分辨率變得越來(lái)越高，因此當(dāng)信號(hào)具有不同的頻率成分時(shí)，可以通過(guò)多層小波分解提取信號(hào)的分類(lèi)特征。 小波分析用于信號(hào)奇

15、異性檢測(cè) 信號(hào)的突變點(diǎn)意味著信號(hào)的不連續(xù)性，可能是調(diào)幅信號(hào)的幅度突變引起的，也可能是調(diào)相信號(hào)的相位突變引起的，因此信號(hào)中的奇異點(diǎn)及不規(guī)則的突變部分通常攜帶重要的信息。識(shí)別算法 通過(guò)對(duì)一定樣本的調(diào)制信號(hào)做小波多層分解，提取信號(hào)的小波分解特征向量并進(jìn)行統(tǒng)計(jì)分析，建立各調(diào)制信號(hào)的閾值列表，判斷信號(hào)是否屬于MFSK信號(hào)，并且應(yīng)用該特征向量對(duì)MFSK信號(hào)進(jìn)行類(lèi)內(nèi)識(shí)別；當(dāng)信號(hào)的特征向量超出設(shè)定的范圍時(shí)，應(yīng)用信號(hào)的幅度方差判斷信號(hào)為MQAM或MPSK，并應(yīng)用對(duì)數(shù)似然函數(shù)準(zhǔn)則對(duì)MQAM進(jìn)行類(lèi)內(nèi)識(shí)別；應(yīng)用小波變換的模極大提取MPSK信號(hào)的相位突變點(diǎn)，對(duì)MPSK信號(hào)進(jìn)行類(lèi)內(nèi)識(shí)別，從而實(shí)現(xiàn)信號(hào)的調(diào)制識(shí)別。 基于高階

16、累積量的調(diào)制信號(hào)識(shí)別 文中利用接收信號(hào)的高階累積量為特征參數(shù)，實(shí)現(xiàn)了對(duì)多種常用數(shù)字調(diào)制信號(hào)(2ASK/BPSK，4ASK，QPSK，8PSK，2FSK，4FSK)的分類(lèi)識(shí)別。 由于高斯噪聲大于二階的累量值恒為零，把接收的含有高斯噪聲的非高斯信號(hào)變換到累量或累量譜域處理，就可以剔除噪聲的影響，因此高階累積量具有良好的抗噪聲性能。 k階平穩(wěn)隨機(jī)過(guò)程x(t)的k階累積量定義為 高階累積量為 12111,kxkkCCum x tx tx t 220202*21212422404020*4141202122*42422021,33,3,2CCum X XMEX tCCum X XMEX tCCum X

17、X X XMMEX tEX tCCum X X X XMM MCCum X X XXMMM參數(shù)及算法描述 設(shè) ，利用參數(shù) 和 可將信號(hào)分為(2ASK，4ASK)、4PSK與(8PSK，2FSK，4FSK)三類(lèi)；參數(shù) 用來(lái)識(shí)別信號(hào)2ASK與4ASK；將8PSK與MFSK信號(hào)微分再通過(guò)中值濾波器后，利用參數(shù) 來(lái)識(shí)別8PSK與MFSK；參數(shù) 還可用來(lái)實(shí)現(xiàn)2FSK與4FSK信號(hào)的識(shí)別。 4240411234422424221CCCTTTTCCCC，1T2T3T4T3T仿真結(jié)論 對(duì)高階累積量方法來(lái)說(shuō)計(jì)算復(fù)雜是其最主要的缺點(diǎn)，文中僅利用二階和四階累積量來(lái)識(shí)別信號(hào)2ASK、 4ASK、QPSK、8PSK、2

18、FSK、4FSK，相對(duì)來(lái)說(shuō)計(jì)算的復(fù)雜度不算很高。由于8PSK與MFSK信號(hào)的二、四、六階累積量的值相同，直接計(jì)算無(wú)法區(qū)分，針對(duì)這一問(wèn)題，本文首先對(duì)8PSK和MFSK信號(hào)求微分再利用四階累積量來(lái)進(jìn)行識(shí)別。當(dāng)信噪比高于8dB時(shí)，識(shí)別率基本達(dá)到100%。 該算法的識(shí)別率較高，并且復(fù)雜度較低，便于工程實(shí)現(xiàn)?；诙鄬痈兄鞯恼{(diào)制信號(hào)識(shí)別 目前研究的自動(dòng)調(diào)制識(shí)別方法，大體可以分為兩類(lèi)，即基于特征提取的模式識(shí)別方法和最大似然假設(shè)檢驗(yàn)方法。 最大似然假設(shè)檢驗(yàn)方法是采用概率論和假設(shè)檢驗(yàn)的方法來(lái)解決信號(hào)分類(lèi)問(wèn)題。判決規(guī)則簡(jiǎn)單，但不易得出正確假設(shè)，檢驗(yàn)統(tǒng)計(jì)量計(jì)算復(fù)雜，而且需要一些先驗(yàn)信息。 基于特征提取的模式識(shí)別方

19、法不需要先驗(yàn)知識(shí)，但如何正確地選擇特征集是一個(gè)難題。人工神經(jīng)網(wǎng)絡(luò)方法是該方法的分類(lèi)識(shí)別部分，由于智能化水平高、識(shí)別速度快、正確識(shí)別率高等優(yōu)點(diǎn)獲得了充分重視，是分類(lèi)器設(shè)計(jì)的發(fā)展新方向。 目前應(yīng)用較多的是前饋神經(jīng)網(wǎng)絡(luò)，包括多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)。 神經(jīng)網(wǎng)絡(luò)模式識(shí)別的基本原理 ANN是由大量簡(jiǎn)單處理單元(人工神經(jīng)元)廣泛互連而成的一個(gè)具有自學(xué)習(xí)、自適應(yīng)和自組織的并行分布式動(dòng)態(tài)處理器，也可以認(rèn)為神經(jīng)網(wǎng)絡(luò)是可以從大量的信息中自動(dòng)抽取特征，進(jìn)而形成某種分類(lèi)模式的信息處理系統(tǒng)。 神經(jīng)網(wǎng)絡(luò)模式識(shí)別的核心為訓(xùn)練過(guò)程和分類(lèi)過(guò)程，通過(guò)大量的訓(xùn)練樣本，根據(jù)某種規(guī)則不斷對(duì)連接權(quán)值進(jìn)行

20、調(diào)節(jié)，使網(wǎng)絡(luò)具有某種期望的輸出，可以使訓(xùn)練樣本正確歸類(lèi)到所屬類(lèi)別中 。當(dāng)神經(jīng)網(wǎng)絡(luò)用作分類(lèi)器時(shí)，輸出是相應(yīng)類(lèi)別的后驗(yàn)概率 ，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程就是完成待分類(lèi)模式特征的后驗(yàn)概率密度的逼近過(guò)程。 多層感知器神經(jīng)網(wǎng)絡(luò)的基本原理 MLP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)、原理簡(jiǎn)單，硬件使用效率高而被廣泛使用。 MLP是前饋網(wǎng)絡(luò)的一種，每個(gè)神經(jīng)元為單個(gè)非線性并聯(lián)計(jì)算單元，其輸入通過(guò)網(wǎng)絡(luò)一層層傳播，提供了輸入層與輸出層的非線性映射關(guān)系 ： 通常輸入層神經(jīng)元個(gè)數(shù)為所選特征參數(shù)個(gè)數(shù)，輸出層神經(jīng)元個(gè)數(shù)為可能的調(diào)制模式個(gè)數(shù)。 11KIjjkkiikiynwwn MLP的訓(xùn)練算法是著名的反向傳播(BP)算法 ，其基本思想是把一組樣本的

21、輸入輸出問(wèn)題轉(zhuǎn)化為一個(gè)非線性優(yōu)化問(wèn)題，在優(yōu)化中普遍使用的梯度下降法來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的均方差(MSE)最小，完成MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練任務(wù)。結(jié)論 在判決門(mén)限的智能化方面，人工神經(jīng)網(wǎng)絡(luò)能夠在調(diào)制信號(hào)模式的自動(dòng)識(shí)別中進(jìn)行成功的應(yīng)用，可以實(shí)現(xiàn)判決門(mén)限的自動(dòng)化，實(shí)現(xiàn)調(diào)制模式的自動(dòng)識(shí)別。在少量的試驗(yàn)數(shù)據(jù)和簡(jiǎn)明的判決門(mén)限下，神經(jīng)網(wǎng)絡(luò)可能不及利用人工進(jìn)行判決，但在大量的試驗(yàn)數(shù)據(jù)和比較模糊的判決門(mén)限下，神經(jīng)網(wǎng)絡(luò)比用人工進(jìn)行判決簡(jiǎn)單、準(zhǔn)確，才能體現(xiàn)出神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。 基于譜相關(guān)特性和組合神經(jīng)網(wǎng)絡(luò)的調(diào)制信號(hào)識(shí)別 文獻(xiàn)針對(duì)通信信號(hào)非穩(wěn)定、信噪比(SNR)變化范圍大的特性，利用調(diào)制信號(hào)的循環(huán)平穩(wěn)特性，

22、提取出五種對(duì)SNR和信號(hào)調(diào)制參數(shù)不敏感但對(duì)調(diào)制類(lèi)型敏感的特征參量。為提高分類(lèi)性能，設(shè)計(jì)了一種采用多個(gè)不同神經(jīng)網(wǎng)絡(luò)的組合分類(lèi)器結(jié)構(gòu)，比單個(gè)神經(jīng)網(wǎng)絡(luò)分類(lèi)器有更高的識(shí)別率 。 特征提取 譜相關(guān)函數(shù)的定義 信號(hào)的循環(huán)譜密度函數(shù)(也稱為譜相關(guān)函數(shù))定義為： 函數(shù) 的譜相干系數(shù)是指在 與 處的頻譜分量的相關(guān)程度，定義如下： 2*211,2,2TtxTTttSftT Xt fXt fdtVVVV x t2f2f1 2*22XXXXCSfSfSf 應(yīng)用譜相關(guān)特性分析是出于以下兩點(diǎn)考慮的： a)功率譜密度函數(shù)相同的不同類(lèi)型的調(diào)制信號(hào)(如2PSK、QPSK)可能具有容易區(qū)分的譜相關(guān)函數(shù)； b)靜態(tài)噪聲不具備譜相關(guān)

23、性。 特征提取 頻譜在 時(shí) 軸上呈現(xiàn)的 脈沖的數(shù)量 ； 在 時(shí) 軸上的周期譜線分布數(shù)量k； 調(diào)制信號(hào)的譜相干系數(shù) 的最大值c； 在 處的最大歸一化下降值v (所謂最大歸一化下降值，指 在 處的躍變值)； 的最大值與 在 處的最大歸一化下降值的比值r。 0fl xSf0f xCf xSf02f 02 fxSf02ffV xCf xSf02f組合分類(lèi)器設(shè)計(jì) 組合神經(jīng)網(wǎng)絡(luò)分類(lèi)器結(jié)構(gòu) 為實(shí)現(xiàn)各分類(lèi)器的優(yōu)劣互補(bǔ)，選擇的單分類(lèi)器應(yīng)盡量差異化。 BP算法是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法； RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，能夠自適應(yīng)確定徑向基函數(shù)神經(jīng)元，收斂速度快。本文選用了具有不同結(jié)構(gòu)的BP網(wǎng)絡(luò)和RB

24、F網(wǎng)絡(luò)構(gòu)成的組合神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器，單分類(lèi)器的輸入層與輸出層神經(jīng)元個(gè)數(shù)由待識(shí)別特征參數(shù)與待識(shí)別的種類(lèi)決定。 仿真結(jié)論 不同調(diào)制信號(hào)的循環(huán)譜特性具有明顯的區(qū)別，驗(yàn)證了利用譜相關(guān)特征識(shí)別信號(hào)調(diào)制類(lèi)型的可行性。另外，進(jìn)行譜相關(guān)分析時(shí)，采樣點(diǎn)數(shù)的選擇對(duì)譜相關(guān)特征的提取有很大影響。 應(yīng)用單個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)制識(shí)別時(shí)，只有當(dāng) 時(shí)，各類(lèi)數(shù)字調(diào)制信號(hào)的正確識(shí)別率才高于90%，而組合神經(jīng)網(wǎng)絡(luò)在 時(shí)就能達(dá)到90%以上的正確識(shí)別率。 10SNRdB5SNRdB不足 利用譜相關(guān)特性識(shí)別的方法計(jì)算量大，運(yùn)算時(shí)間長(zhǎng)?；诠β首V和瞬時(shí)統(tǒng)計(jì)特性的神經(jīng)網(wǎng)絡(luò)識(shí)別方法 本文在對(duì)信號(hào)功率譜和高次方譜(信號(hào)非線性變換后的功率譜)研究的基

25、礎(chǔ)上，提出了兩個(gè)新的譜特征參數(shù)，改進(jìn)了兩個(gè)相關(guān)特征的描述。這些參數(shù)具有運(yùn)算復(fù)雜度低、抗噪聲能力強(qiáng)、對(duì)調(diào)制參數(shù)穩(wěn)健性好的特點(diǎn)。 特征參數(shù)集構(gòu)造 調(diào)制信號(hào)的功率譜及其高次方譜可以較好地反映多種調(diào)制方式的特性，有效地提取這些特性可以作為調(diào)制識(shí)別的特征參數(shù)。 文中歸一化峰間距離PD、離散譜線檢測(cè)值LV為文中提出的新參數(shù)，峰谷幅值比PV、和離散譜線數(shù)目LN為對(duì)譜平坦度和譜峰數(shù)目的改進(jìn)描述。 功率譜形狀特征 MFSK信號(hào)在各調(diào)制頻率上會(huì)出現(xiàn)明顯的譜線或存在多個(gè)譜峰，這與MSK以及PSK/QAM信號(hào)無(wú)離散譜線的單峰有著明顯的區(qū)別。因此，以信號(hào)功率譜形狀為特征可以識(shí)別出FSK調(diào)制及其調(diào)制階數(shù)。 功率譜及高次方譜的離散譜線特征 通過(guò)高次方譜分析可知，非連續(xù)相位