论文部分内容阅读
信号调制模式识别是非合作通信中重要的研究内容,是民用无线电管理部门进行频谱管理和军用电子对抗的必备技术。软件无线电和认知无线电概念的提出和微电子技术的发展,使多体制通信系统能够在同一接收机中实现成为可能,对信号的调制模式识别提出了新要求。本文是在前人研究的基础上,将CCGA优化的神经网络应用到基于统计模式信号调制识别。第一,阐述信号调制模式识别的两种途径,即决策理论和统计模式。瞬时参数的提取是统计模式识别的基础,针对解析信号法提取瞬时参数的不足与限制条件,给出希尔伯特—黄变换(Hilbert-Haung Transform,HHT)提取瞬时参数的方法。试验仿真结果表明,HHT方法能克服部分噪声的影响。第二,依据提取出的特征参数作为特征向量,研究人工神经元网络(Artificial Neural Network,ANN)单信号调制模式识别问题。在简要介绍ANN基本原理和用于模式识别的方法与特点的基础上,把BP神经网络引入到信号调制模式识别。针对BP算法收敛慢,易陷入局部极小点等缺陷,引入遗传算法(genetic algorithm,GA)优化神经网络,提高全局搜索能力。试验仿真结果表明,本文运用GA优化神经网络的结构和权值,网络分类时间比BP网络缩短约60%,比L-M网络缩短近40%,识别率也有提升。由于GA过分强调“生存竞争”,忽略了个体之间的合作关系,文中接着研究CCGA优化神经网络的实现方案。针对CCGA的特点,文中详细论述子种群分割、代表个体选择、子个体编码方案、子个体交叉和变异的方法。试验仿真结果表明,相同条件下,CCGA比GA优化的神经网络在识别率提高的同时,运行时间缩短40%。第三,针对多信号调制模式识别问题,依据处理多信号的接收数据模型,对多信号进行分离识别。因受噪声和滤波器性能的影响,对分离后的单信号计算时域特征参数,用CCGA优化后的神经网络判定其调制模式,识别率较低。采用AR模型提取信号的短时平均中心频率和短时平均带宽,并用直方图压缩其维数后作为待识别信号的特征向量,判定其调制类型,识别率可提高约12%。