本文致力于基于神經(jīng)網(wǎng)絡(luò)的通信信號(hào)調(diào)制類(lèi)型識(shí)別器設(shè)計(jì)研究。論文提出了一種改進(jìn)的
BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器，它采用7個(gè)特征參數(shù)，可以對(duì)CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK共11種調(diào)制類(lèi)型實(shí)現(xiàn)正確分類(lèi)識(shí)別。論文討論了方案設(shè)計(jì)，給出了仿真試驗(yàn)結(jié)果，并將其與其他神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行了性能比較。
[關(guān)鍵詞] 調(diào)制類(lèi)型識(shí)別，特征參數(shù)，分層結(jié)構(gòu)組合分類(lèi)器，神經(jīng)網(wǎng)絡(luò)
式是區(qū)分不同性質(zhì)通信信號(hào)的一個(gè)重要特征，而且調(diào)制信號(hào)識(shí)別廣泛應(yīng)用于信號(hào)確認(rèn)、干擾辨識(shí)、無(wú)線電偵聽(tīng)、信號(hào)檢測(cè)和威脅分析等領(lǐng)域。隨著通信信號(hào)的密度越來(lái)越高，調(diào)制方式越來(lái)越多樣化，在沒(méi)有任何先驗(yàn)知識(shí)的情況下，信號(hào)的分類(lèi)識(shí)別變得非常困難，因此對(duì)調(diào)制方式的分類(lèi)識(shí)別成為人們研究的焦點(diǎn)。
調(diào)制方式自動(dòng)識(shí)別的關(guān)鍵是特征參數(shù)提取和識(shí)別算法。特征提取部分是調(diào)制識(shí)別的首要和基本的問(wèn)題，此問(wèn)題的很好解決將對(duì)分類(lèi)識(shí)別器的要求降低。從識(shí)別算法來(lái)看，主要分為決策論法和神經(jīng)網(wǎng)絡(luò)(ANN)模式識(shí)別法。決策論法是采用假設(shè)檢驗(yàn)理論去解決信號(hào)分類(lèi)問(wèn)題，該類(lèi)方法適用于具體某類(lèi)調(diào)制信號(hào)識(shí)別，識(shí)別范圍窄。神經(jīng)網(wǎng)絡(luò)模式識(shí)別法是由經(jīng)典模式識(shí)別理論的特征抽取概念而來(lái)，具有自組織和自學(xué)習(xí)能力、推廣能力、智能性、識(shí)別速度快等特點(diǎn)有其優(yōu)越性，能提高正確識(shí)別率。若能利用神經(jīng)網(wǎng)絡(luò)的并行運(yùn)算特點(diǎn)，可實(shí)現(xiàn)信號(hào)識(shí)別的實(shí)時(shí)處理[1]。一般而言，ANN法所得到的結(jié)果要優(yōu)于決策論法得到的結(jié)果。本文針對(duì)CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK多種常用模擬數(shù)字調(diào)制信號(hào)，提出采用自適應(yīng)學(xué)習(xí)速率動(dòng)量梯度下降反向傳播算法的神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行調(diào)制識(shí)別，并和Levenberg-Marquardt優(yōu)化算法的BP分類(lèi)器和概率神經(jīng)網(wǎng)絡(luò)分類(lèi)器（PNN）進(jìn)行性能比較。