畢業(yè)論文——通信信號調(diào)制識別中的分類器設(shè)計

1、<p>　　畢 業(yè) 論 文（設(shè) 計）</p><p>　　題 目： 通信信號調(diào)制識別中的分類器設(shè)計 </p><p>　　英文題目：Classifier Design Recognition of Modulation </p><p>　　of Communication Signals</p><p>　　院 系：

2、 電子工程學(xué)院 </p><p>　　專 業(yè)： 通信工程 </p><p>　　姓 名： </p><p>　　年 級： </p><p>　　指導(dǎo)教師：

3、 </p><p><b>　　年 月</b></p><p><b>　　摘要</b></p><p>　　通信信號調(diào)制方式的識別是通信偵察的關(guān)鍵技術(shù)之一，是目前電子戰(zhàn)的重要研究課題。本文針對通信信號的調(diào)制識別問題，深入研究了信號的特征提取方法，在此基礎(chǔ)上探討了分類器的設(shè)計方法。 </p>

4、<p>　　調(diào)制信號識別普遍應(yīng)用于信號區(qū)分、干擾識別等多種領(lǐng)域。其目的是在復(fù)雜環(huán)境和有噪聲干擾的條件下以及沒有先驗知識的情況下，通過對信號的接收進行處理，從而判斷出信號的調(diào)制方式。</p><p>　　神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)工作的方法，功能與人腦有某些相似之處，具有自學(xué)習(xí)和存儲功能，算法具有智能性，對于處理非線性問題很有用處，并且廣泛用于現(xiàn)在各個領(lǐng)域，例如做銷售量的非線性預(yù)測，計算機智能控制，圖

5、像的處理，優(yōu)化算法方面等等。在先輩們的基礎(chǔ)之下，本文更深層次的研究信號識別問題。具體工作內(nèi)容如下：</p><p>　　概述了一些常見的調(diào)制信號，給出一些經(jīng)常使用調(diào)制信號的數(shù)學(xué)原型，考察了常見數(shù)字調(diào)制信號的一些基本特性，如時域波形和頻譜圖。</p><p>　　對神經(jīng)網(wǎng)絡(luò)分類器作整體的介紹。</p><p>　　研究了分類器的訓(xùn)練算法，并對傳統(tǒng)的BP網(wǎng)絡(luò)的不足提出改

6、進的算法。</p><p>　　仿真實驗表明，將提取的時頻分析特征,通過改進的 BP 算法設(shè)計的神經(jīng)網(wǎng)絡(luò)分類器對信號進行分類，實現(xiàn)了不單一的信號在較大信噪比變化范圍內(nèi)的自動識別，其收斂速度計誤差識別都明顯改善，通過實驗取得期望的結(jié)果。</p><p>　　關(guān)鍵詞： 調(diào)制識別；時頻特征；神經(jīng)網(wǎng)絡(luò) </p><p>　　Classifier Design Recogni

7、tion of Modulation of Communication Signals</p><p><b>　　Abstract</b></p><p>　　Modulation recognition of communication signals is one of the key technologies in communication reconnai

8、ssance, is an important task in the field of electronic warfare. In this paper, aiming at the problem of communication signalmodulation recognition, in-depth study of the signal feature extraction method,on the basis of

9、the design method of classifier.</p><p>　　Modulation recognition is widely usedin signal distinction, interference identification and other fields. Its purpose is in a complex environment with noise conditio

10、ns, in the absence of a priori knowledge, are processed by the reception of the signals, then judge the modulation signal.</p><p>　　Neural network is a method of simulation of biological neural work, has som

11、e similarities with the human brain function, self learning and memory function,algorithm is intelligent, very useful for dealing with nonlinear problems, and fornow in various fields, such as nonlinear do sales forecast

12、ing, computer intelligent control, image processing, optimization algorithm and so on. Based on the predecessors, the research of signal recognition deeper problems. The specific work is as follows:</p><p>　

13、　1, an overview ofsome common signal modulation. Some frequently usedmodulation signal mathematical prototype, investigate some basic properties ofcommon digital modulation signals, such as time domain waveform and spect

14、rum.</p><p>　　2, the neural network classifier for the whole introduction.</p><p>　　3, the training algorithm classifier, and puts forward the improved algorithm of BP network to the. Simulation

15、 results show that the improved BP network, isfeasible in theory.</p><p>　　Keywords： Modulation recognition; frequency characteristic; neural network</p><p><b>　　目 錄</b>&

16、lt;/p><p>　　AbstractIII</p><p>　　第 1 章 緒 論1</p><p>　　1.1本文研究的背景及意義1</p><p>　　1.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展和現(xiàn)狀1</p><p>　　1.3 本文研究的主要內(nèi)容2</p><p>　　第2 章 數(shù)字調(diào)制信號5

17、</p><p>　　2.1 調(diào)制的概念5</p><p>　　2.2信號的基本特征參數(shù)5</p><p>　　2.3 信號的調(diào)制模式6</p><p>　　2.3.1、振幅鍵控調(diào)制6</p><p>　　2.3.2、頻移鍵控調(diào)制7</p><p>　　2.3.3、相移鍵控調(diào)制8&l

18、t;/p><p>　　第三章 神經(jīng)網(wǎng)絡(luò)分類器簡介10</p><p>　　3.1分類器設(shè)計概述10</p><p>　　3.2 MLP神經(jīng)網(wǎng)絡(luò)分類器11</p><p>　　3.2.1 BP算法12</p><p>　　3.2.2改進型BP算法13</p><p>　　3.3神經(jīng)網(wǎng)絡(luò)分類器

19、設(shè)計18</p><p>　　第四章 實驗的仿真21</p><p>　　4.1零中心瞬時特征提取21</p><p>　　4.2小波分析的特征提取26</p><p>　　4.3分形等特征的特征提取27</p><p>　　4.4 神經(jīng)網(wǎng)絡(luò)分類器的仿真實驗28</p><p>&l

20、t;b>　　結(jié) 論33</b></p><p><b>　　參考文獻34</b></p><p><b>　　致謝35</b></p><p>　　第 1 章 緒 論</p><p>　　1.1本文研究的背景及意義</p><p>　　自從人類進入2

21、1世紀以來，科技的發(fā)展幾乎在以光速在前行。信息時代的到來，我們生活中漸漸地出現(xiàn)了各種網(wǎng)絡(luò)信號。當然，這也正在戰(zhàn)爭中適應(yīng)的淋漓盡致。然而，在戰(zhàn)爭中戰(zhàn)場信息的傳遞主要依靠的是無線電通信，所以對無線電的研究成為現(xiàn)代科學(xué)研究的一個重點內(nèi)容之一。電子戰(zhàn)是軍事戰(zhàn)爭中一個相當重要的方面，信號偵察就包含在它研究的內(nèi)容之內(nèi)。然而，信號調(diào)制類型的識別又是其中的一個關(guān)鍵環(huán)節(jié)，因此可以說如果知道了某個信號的調(diào)制基本類型，就可以估計出大概的調(diào)制參數(shù)。這就可以根據(jù)

22、實際情況制定出相應(yīng)的偵察和反偵察策略。這樣就可以更有效的，更少的耗費資源對重要的信號參數(shù)進行干擾研究，甚至截獲，以達到目的為止。事實上，情況并不如理論上那么簡單。通信信號調(diào)制方式，因為環(huán)境的變化，各種噪聲孕育而生。在現(xiàn)實情況中，信號的調(diào)制變得向多樣化和復(fù)雜化的方向發(fā)展。盡管如此，為了區(qū)分不同性質(zhì)的信號，我們還是要區(qū)別開其調(diào)制方式，這是由信號的特點決定的。調(diào)制信號識別已普遍的應(yīng)用于許多方面，所以通信信號密度在不斷變高，調(diào)制方式也不斷多樣化

23、起來。如果不知道任何的先驗知識的話，對于我們來說，信號的分類識別是非常難解決的。正因為此，這項研究必定將成</p><p>　　目前通信信號從識別算法來看，主要分為1、決策論方法；2、統(tǒng)計模式識別方法。如何有效的監(jiān)視識別甚至提取目標的通信信號，是我們一直研究的重點內(nèi)容。這不僅是在軍事方面，在民用領(lǐng)域也是十分重要的研宄課題。對信號的研究，調(diào)制識別在信號研究中是一個相當主要的內(nèi)容。因為只要知道信號的類型，就可以初步的

24、估算出目標信號的基本類型，在沒有任何先驗知識的情況下，對信號的識別提取就顯得相當重要了。這也就是現(xiàn)在研究的重點，也是難點。</p><p>　　1.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展和現(xiàn)狀 </p><p>　　最早的神經(jīng)網(wǎng)絡(luò)是傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它主要依靠人工來進行識別調(diào)制的。人工參與的調(diào)制技術(shù)，或多或少都會參雜工作人員自己的主觀意識，對結(jié)果的觀察誤差大，精準度低，所以才會出現(xiàn)對人工神經(jīng)網(wǎng)絡(luò)的改進動力！

25、</p><p>　　人工神經(jīng)網(wǎng)絡(luò)的研究開始于上世紀中期，和一般的歷史事物發(fā)展規(guī)律一樣，都經(jīng)歷了起始、蕭條和興盛。神經(jīng)網(wǎng)絡(luò)是在數(shù)學(xué)生物物理學(xué)會期刊中發(fā)表的，這表明，神經(jīng)網(wǎng)絡(luò)的發(fā)現(xiàn)的靈感起源于對人類大腦的研究。因此，它們的特點是非常相似的，如：1，根據(jù)模型的神經(jīng)元興奮，信息是分散在網(wǎng)絡(luò)中的秩序，和存儲。2、利用神經(jīng)元之間的相互作用來完成的信息處理。人工神經(jīng)網(wǎng)絡(luò)在80年代中期得到了飛速的發(fā)展。1982年美國加州州立理

26、工學(xué)院物理學(xué)家Hopfield教授提出了Hopfield人工神經(jīng)網(wǎng)絡(luò)模型，他將能量函數(shù)的概念引入人工神經(jīng)網(wǎng)絡(luò)，并給出了穩(wěn)定性的判據(jù)，開拓了人工神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計算的新途徑。 人工神經(jīng)網(wǎng)絡(luò)模擬人類部分形象思維的能力，是模擬人工智能的一條途徑。特別是可以利用人工神經(jīng)網(wǎng)絡(luò)解決人工智能研究中所遇到的一些難題。人工神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到多個領(lǐng)域，在計算機視覺、模式識別、智能控制、非線性優(yōu)化、自適應(yīng)濾波信息處理、機器人等方

27、面取得了可喜的進展。</p><p>　　近幾年來 ，人們又將神經(jīng)網(wǎng)絡(luò)技術(shù)與其他網(wǎng)絡(luò)技術(shù)相結(jié)合，比如小波變換技術(shù)等，并因此提出了很多新型的識別方法，使得神經(jīng)網(wǎng)絡(luò)在技術(shù)上更進一步，更加的完善。盡管通信信號調(diào)制識別方法有各種各樣，但在現(xiàn)實工作中依然會出現(xiàn)各類問題。處理好神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題之一便是模式處理。下面簡單介紹一下什么是信號的調(diào)制識別。</p><p>　　雖然神經(jīng)網(wǎng)絡(luò)的發(fā)展非常艱難，但

28、是也有著非常大的進展。就現(xiàn)在的研究結(jié)果而言，神經(jīng)網(wǎng)絡(luò)方法具有良好的容錯能力、自學(xué)習(xí)能力及分類能力等。</p><p>　　神經(jīng)網(wǎng)絡(luò)有多種分類方式，例如，按網(wǎng)絡(luò)性能可分為連續(xù)型與離散型網(wǎng)絡(luò)，確定型與隨機型網(wǎng)絡(luò):按網(wǎng)絡(luò)拓撲結(jié)構(gòu)可分為前向神經(jīng)網(wǎng)絡(luò)與反饋神經(jīng)網(wǎng)絡(luò)。本章主要簡介前向神經(jīng)網(wǎng)絡(luò)。</p><p>　　前向神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)挖掘中廣為應(yīng)用的一種網(wǎng)絡(luò)，其原理或算法也是很多神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)。BP

29、神經(jīng)網(wǎng)絡(luò)是實現(xiàn)從輸入到輸出的任意的非線性映射，是一種按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。</p><p>　　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)也是一種兩層前向型神經(jīng)網(wǎng)絡(luò)。它包含一個具有徑向基函數(shù)神經(jīng)元的隱層和一個具有線性神經(jīng)元的輸出層。</p><p>　　Hopfield神經(jīng)網(wǎng)絡(luò)是反饋網(wǎng)絡(luò)的代表Hopfield網(wǎng)絡(luò)的原型是一個非線性動力學(xué)系統(tǒng)，其穩(wěn)定狀態(tài)的分析比起前向神經(jīng)網(wǎng)絡(luò)要復(fù)雜得多。目前，已經(jīng)在

30、聯(lián)想記憶和優(yōu)化計算中得到成功應(yīng)用。</p><p>　　模擬退火算法是為解決優(yōu)化計算中局部極小問題提出的。Baltzmann機是具有隨機輸出值單元的隨機神經(jīng)網(wǎng)絡(luò)，串行的Baltzmann機可以看作是對二次組合優(yōu)化問題的模擬退火算法的具體實現(xiàn)，同時它還可以模擬外界的概率分布，實現(xiàn)概率意義上的聯(lián)想記憶。</p><p>　　自組織競爭型神經(jīng)網(wǎng)絡(luò)的特點是能識別環(huán)境的特征并自動聚類。自組織竟爭型神

31、經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于特征抽取和大規(guī)模數(shù)據(jù)處理。</p><p>　　當然還有其他類型的神經(jīng)網(wǎng)絡(luò)，這里就不再一一贅述。 </p><p>　　1.3 本文研究的主要內(nèi)容 </p><p>　　本文在前人的研究基礎(chǔ)上深入研究了通信信號識別調(diào)制問題。</p><p>　　首先介紹了一下2ASK、2PSK、2FSK、4ASK、4PSK、4FSK共6種數(shù)

32、字信號的一些基本特征，給出了他們基本的波形圖，如時域和頻域等。給出了他們的數(shù)學(xué)模型，及時域表達式等。然后根據(jù)這些特征對比，使得分類后抽取的特征是否與這相符合，然后結(jié)合改進的BP網(wǎng)絡(luò)，對其信號的提取和分類器的設(shè)計的仿真結(jié)果進行驗證。但是問題就在于，在較復(fù)雜環(huán)境下，要提取通信信號更為有用的特征，就需要使用其它的方法對不同信號進行分類。這就是特征提取過程。特征提取部分主要有了時頻特征、小波分析特征以及分形等組成的特征集，本文主要研究時頻特征的

33、提取，通過繪制特征仿真圖，一目了然的考察了時頻特征的類內(nèi)聚集程度和類間分離程度。仿真實驗應(yīng)用兩種算法對不同調(diào)制類型的通信信號進行特征提取。</p><p>　　近幾年來 ，人們又將神經(jīng)網(wǎng)絡(luò)技術(shù)、小波變換技術(shù) 、高階譜分析技術(shù)、信息論技術(shù)與調(diào)制識別技術(shù)相結(jié)合，提出了很多新型調(diào)制識別方法。通信信號調(diào)制識別方法雖 然多種多樣，但調(diào)制識別問題其實是一種典型的模式識別問題，一般過程如圖 1-1 所示： </p>

34、<p>　　圖 1-1 一般調(diào)制識別方法的框架結(jié)構(gòu)</p><p>　　調(diào)制識別方法的基本框架包括三部分： 信號預(yù)處理部分 、特征提取部分和分類器設(shè)計部分。信號預(yù)處理部分為后續(xù)處理提供合適的數(shù)據(jù)。下面分別介紹三部分的額作用。</p><p>　　1.信號預(yù)處理部分：它的任務(wù)一般包括頻率下變頻、同相和正交分量分解、載頻估計和載頻分量的消除等。在多信道多發(fā)射源的環(huán)境中，信號預(yù)處

35、理部分應(yīng)能有效地隔離各個信號。</p><p>　　2.特征提取部分：從數(shù)據(jù)中提取信號的時域特征或變換域特征。 時域特征包括信號的瞬時幅度、瞬時相位或瞬時頻率的直方圖或其它統(tǒng)計參數(shù)。變換域特征包括功率譜、譜相關(guān)函數(shù)、時頻分布及其它統(tǒng)計參數(shù)。對于變換域特征，采用 FFT 方法就能很好獲取，而幅度、相位和頻率等時域特征主要由 Hilbert 變換法，同相正交(I-Q)分量法和過零檢測法等獲得。</p>

36、<p>　　3.分類識別部分：即選擇和確定合適的判決規(guī)則和分類器結(jié)構(gòu)方面，主要采用梯形結(jié)構(gòu)的分類器和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類器。梯形分類器結(jié)構(gòu)相對簡單，但需要事先確定判決門限，自適應(yīng)性差，識別效率也相對不高。神經(jīng)網(wǎng)絡(luò)方法具有良好的容錯能力、自學(xué)習(xí)能力及分類能力，但其是基于經(jīng)驗風(fēng)險最小化準則的，存在容易陷入局部極小點、過擬合現(xiàn)象及災(zāi)難維數(shù)的問題。 </p><p>　　分類器設(shè)計部分我們重點研究的部分。我們對自

37、適應(yīng)能力很強的神經(jīng)網(wǎng)絡(luò)分類器 的設(shè)計方法，從時頻特征提取的方面下手，對于算法的選取和應(yīng)用采用最合適折中的原則進行。然后從理論上驗證一下關(guān)于神經(jīng)網(wǎng)絡(luò)分類器的優(yōu)越性。在進行仿真實驗時，就要先對信號的時頻特征進行分析。在大樣本情況下，采用改進的BP 網(wǎng)絡(luò)分類器進行研究，進行對神經(jīng)網(wǎng)絡(luò)分類器的性能的測試和觀察。仿真研究了在不同信噪比情況下神經(jīng)網(wǎng)絡(luò)分類器的性能。</p><p>　　第2 章 數(shù)字調(diào)制信號</p>

38、;<p>　　2.1 調(diào)制的概念 </p><p>　　調(diào)制是用音頻信號將高頻載波用調(diào)幅或調(diào)頻的方式進行調(diào)制，變?yōu)槟苓h距離發(fā)射傳播的被調(diào)制高頻無線電波。無線電接收機經(jīng)選頻收到已調(diào)制載波信號后多級放大后再進行解調(diào)。解調(diào)分為檢波(調(diào)幅)和鑒相(調(diào)頻)將音頻信號從載波中取出，再濾除高頻載波，經(jīng)音頻放大后得到原音頻信號推動揚聲器前面的過程是調(diào)制。后面的過程是去調(diào)制，也稱解調(diào)。調(diào)制其實就是對信號源發(fā)出的信息進

39、行一系列方式的處理，使它能夠在所要求的信道上傳輸?shù)倪^程。</p><p>　　一般來說，我們在通信當中，傳輸?shù)男盘?，比如語音，頻率都是幾百Hz到幾百kHz的，這種信號的頻率較低。如果單純把這種信號，使用手機或者廣播電臺發(fā)送出去，那么需要的天線就長達一百多公里。</p><p>　　另外不同人的通話信號也無法互相區(qū)分。為了避免這種情況，在溝通中，有用信號的頻率，加載到高頻載波，然后送出。這樣

40、，經(jīng)過手機天線，或者無線電廣播站發(fā)出去的信號，就是900MHz（手機GSM）的高頻，或者100MHz左右（FM調(diào)頻廣播）了。前面幾行說的是調(diào)制是干啥的呢，顧名思義，去調(diào)制就是剛才那一系列的逆過程。也就是說，高頻率的信號，提取有用的成分。從高頻信號里進行檢波，提取出我們有用的低頻信號（如語音等），這個過程就叫做解調(diào)，或者去調(diào)制。</p><p>　　數(shù)字信號調(diào)制原理大致相同。</p><p>

41、;　　2.2信號的基本特征參數(shù) </p><p>　　調(diào)制信號可以表示為s(t)：</p><p><b>　?。?- 1）</b></p><p>　　其中，為載波頻率，g(t)為已調(diào)信號的復(fù)包絡(luò)。它是已調(diào)信號所承載的，也就是調(diào)制信號m(t)的函數(shù)，即</p><p><b>　　(2-2)</b>

42、;</p><p>　　我們定義信號的瞬時幅度為 A(t)，即 </p><p><b>　　(2-3)</b></p><p>　　非線性相位?(t) ： </p><p><b>　　(2-4) </b></p><p>　　瞬時相位導(dǎo)數(shù)可以計算瞬時頻率：</p&

43、gt;<p><b>　　(2-5) </b></p><p>　　2.3 信號的調(diào)制模式 </p><p>　　2.3.1、振幅鍵控調(diào)制</p><p>　　1）二進制振幅鍵控（2ASK）</p><p>　　一個二進制的振幅鍵控信號能夠用一 個單極性脈沖與一個正弦波相乘來表示。即： </p>

44、;<p><b>　　(2-6) </b></p><p>　　2ASK 信號的時域波形及其頻譜如圖 2-5 所示，圖中，載波頻率為 10kHz, 采樣頻率為80kHz，采樣點數(shù)為400，調(diào)制信號的符號率2kbps。</p><p>　　圖 2-1 2ASK 信號的時域波形</p><p>　　2）四進制振幅鍵控（4ASK）<

45、;/p><p>　　4ASK信號比2ASK信號的信息傳輸速率更高。在相同的碼 元傳輸速率下，4ASK信號和2ASK的帶寬相同，4ASK的信道利用率比2ASK 高得多。</p><p>　　在二進制數(shù)字調(diào)制中，每個符號只能表示“0”或者“1”，但在許多實際的數(shù)字傳輸中，系統(tǒng)往往采用更多的是多進制的調(diào)制方式。</p><p>　　4電平調(diào)制信號可表示為： </p>

46、;<p><b>　　(2-9) </b></p><p>　　式中， g(t) 是持續(xù)時間為Ts 的矩形脈沖，an為信源給出的4進制符號0,1,..., 。4ASK信號的時域波形及其頻譜如圖2-3所示，圖中，載波頻率為 10kHz,取樣頻率為 80kHz，取樣點數(shù)為 400，調(diào)制信號碼元速率為 2kbps。 </p><p>　　圖 2-2 4ASK

47、信號的時域波形及其頻譜圖</p><p>　　2.3.2、頻移鍵控調(diào)制 </p><p>　　1）二進制移頻鍵控(2FSK)</p><p>　　在二進制頻移鍵控中，載波頻率隨著調(diào)制信號1或0的變化而變。由于這樣，規(guī)定:載波頻率 f1 通常用1來表示，載波頻率 f2 用0來表示。</p><p>　　二進制頻移鍵控已調(diào)信號的時域表達式為：&l

48、t;/p><p><b>　　(2-7) </b></p><p>　　這里? 1??2??f1, ?2 ??2??f2 ,an 是反碼， Ts 為碼元周期。式中， g(t) 脈寬為 Ts ，屬于單個矩形脈沖。</p><p>　　2FSK 信號的基本特征如圖 2-6所示，圖中，載波頻率為 10kHz,取樣</p><p>

49、;　　頻率為80kHz，采樣點數(shù)為400，調(diào)制信號的符號率2kbps，2FSK信號的頻率偏移。</p><p>　　圖 2-3 2FSK 信號的基本特征</p><p>　　2）四進制移頻鍵控(4FSK)</p><p>　　MFSK 信號的數(shù)學(xué)表達式一般可以寫成： </p><p><b>　　(2-10) </b>&

50、lt;/p><p>　　式 中， (m??0,1,...,M -1) 是與對應(yīng)的載波角頻率偏移。</p><p>　　在實際使用中，通常有： = = …= = 。這樣，上式可以重寫為：</p><p><b>　　(2-11)</b></p><p>　　式 中， g(t) 是 持 續(xù) 時 間 為 Ts 的矩 形 脈 沖

51、， an 為 信 源 給出 的 M 進 制 符 號0,1,..., M ?1。 </p><p>　　因此，只要把、看成調(diào)制頻率，就可以利用調(diào)頻的方法實現(xiàn) MFSK 調(diào)制了。 </p><p>　　4FSK 信號的時域波形及其頻譜如圖2-5 所示，圖中，載波頻率為 10kHz,取樣頻率為80kHz，取樣點數(shù)為400，調(diào)制信號碼元速率為2kbps，4FSK信號的頻偏為7.5kHz。 &

52、lt;/p><p>　　圖 2-4 4FSK 信號的時域波形及其頻譜圖 </p><p>　　2.3.3、相移鍵控調(diào)制 </p><p>　　1）二進制相移鍵控(2PSK)</p><p>　　已調(diào)信號的時域表達式為： </p><p><b>　　(2-8) </b></p><

53、p>　　波形和2PSK信號的頻譜如圖2-7，如圖所示，10kHz的載波頻率，該采樣頻率為80kHz，采樣點數(shù)為400，調(diào)制信號的符號率2kbps。</p><p>　　圖 2-5 2PSK 信號的基本特征</p><p>　　2）四進制相移鍵控(4PSK)</p><p>　　MPSK 信號由 于其較強 的抗干擾能力是實際通信 (尤其是軍事通信)中用的較多的一

54、類信號，例如擴頻通信信號、GPS信號常采用MPSK 調(diào)制。它的時域表達式如下：</p><p><b>　　(2-12)</b></p><p><b>　　其中?定義如下： </b></p><p>　　， (2-13)</p><p><b>

55、　　式中，</b></p><p>　　4PSK 信號的時域波形及其頻譜如圖 2-6 所示，圖中，載波頻率為 10kHz,取</p><p>　　樣頻率為 80kHz，取樣點數(shù)為 400，調(diào)制信號碼元速率為 2kbps。 </p><p>　　圖 2-6 4PSK 信號的時域波形及其頻譜圖 </p><p>　　第三章 神經(jīng)網(wǎng)

56、絡(luò)分類器簡介</p><p>　　3.1分類器設(shè)計概述</p><p>　　分類器設(shè)計是繼特征提取后的又一個關(guān)鍵步驟。在實踐中，根據(jù)特定的標準，具體的工作信號分類器是一種特定的轉(zhuǎn)換模式，如一個給定的，表示的特征向量作為輸入模式的一個適當?shù)哪Ｐ皖?。因此，分類器的模式分類能力是決定一個具體模式識別方法性能的又一個重要因素。也因此研究高性能的分類算法就成了信號識別研究的一個主要內(nèi)容。目前，通信信

57、號識別，參數(shù)統(tǒng)計決策理論和基于常用的非參數(shù)的分類算法仍然是。伴隨著好多年的分析研究，一步步的發(fā)展過程中，以統(tǒng)計決策理論為基礎(chǔ)的傳統(tǒng)分類算法在理論得到了廣泛的應(yīng)用。其中最顯著的應(yīng)用就是包含信號識別的工程中。但現(xiàn)代通信的環(huán)境日益復(fù)雜多變，傳統(tǒng)分類器在應(yīng)用過程中存在一下幾個問題：</p><p>　　第一步，需要我們解決的問題是，在不同的識別算法中使用一樣的特征參數(shù)后，導(dǎo)致的結(jié)果卻是在相同的信噪比下識別的正確率幾乎全然

58、不相同。</p><p>　　第二步，在進行節(jié)點判決時，應(yīng)在每個判決節(jié)點處同時采用相同的特征參數(shù)，這樣產(chǎn)生的結(jié)果，得出的結(jié)論是，識別的成功率不只與特征量使用的先后順序有關(guān)，而且很大程度上取決于每個特征參數(shù)的單次正確判決概率。</p><p>　　最后，有一個閾值相應(yīng)的設(shè)置在所需要的每個特性。正確識別的選擇在很大程度上取決于閾值。這樣導(dǎo)致的結(jié)果就是傳統(tǒng)分類器很難獲得優(yōu)質(zhì)的識別性能，主要反映在

59、識別率低、穩(wěn)健性差等方面。相比之下，神經(jīng)網(wǎng)絡(luò)分類器比傳統(tǒng)的基于決策理論的分類器具有很大的優(yōu)勢，因為其是作為一種先進的自適應(yīng)性、非參數(shù)與非線性分類器而經(jīng)常出現(xiàn)的。由于神經(jīng)網(wǎng)絡(luò)分類器每次都使用全部特征量，這樣得到的結(jié)論：特征整體性能嚴重影響系統(tǒng)的識別成功率。神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，閾值自動選取，可以獲得較高的識別率。</p><p>　　神經(jīng)網(wǎng)絡(luò)分類器作為一種自適應(yīng)性很強的分類器與傳統(tǒng)的基于決策理論的分類器相比具有明顯

60、的優(yōu)勢。但是神經(jīng)網(wǎng)絡(luò)分類器需要不可避免地存在過學(xué)習(xí)、容易陷入局部極小點和維數(shù)災(zāi)難等問題。神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)的設(shè)計、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及性能測試，是神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計過程的三個步驟。設(shè)計過程包含的整體內(nèi)容：首先選擇神經(jīng)網(wǎng)絡(luò)模型，表示分類器的輸入和輸出，進行神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)和訓(xùn)練算法的設(shè)計，之后就開始實行訓(xùn)練，最后一步對其性能進行測試。在通信信號調(diào)制類型識別中的應(yīng)用，提供了一個先驗信息，這些信息都是一些檢測到的信號類型，如已知的數(shù)據(jù)類型。正因

61、為如此，一般選取的分類器都是具有監(jiān)督訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，其中最具典型的兩種模型是多層感知器網(wǎng)絡(luò)與 RBF 網(wǎng)絡(luò)。由于這兩種網(wǎng)絡(luò)的理論和算法都相當?shù)南冗M，因此它在很多領(lǐng)域都被廣泛的應(yīng)用，而且得到了很好的驗證。</p><p>　　如何更好地學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)？這是一個很嚴肅的問題。人們常常在環(huán)境中學(xué)習(xí)，在學(xué)習(xí)中提高自身性能，要適應(yīng)這個社會，就必須時時刻刻都學(xué)習(xí)，這不只是人類應(yīng)學(xué)會具備的特征，而且是神經(jīng)網(wǎng)絡(luò)最具有意義的特性

62、。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法主要是以下三種。</p><p>　　監(jiān)督學(xué)習(xí)方法，先找一些正確的輸入和輸出數(shù)據(jù)，輸入的數(shù)據(jù)加載到輸入端，然后將實際輸出和網(wǎng)絡(luò)的預(yù)期結(jié)果，其誤差。然而如何使得誤差盡可能變得最小，就需要依據(jù)誤差修改連接權(quán)值，使其變化的方向變得正確。無監(jiān)督學(xué)習(xí)就是在初始狀態(tài)下，輸入數(shù)據(jù)，將連接權(quán)值都設(shè)置為一個小正數(shù)，接著進行反復(fù)加載，并刺激網(wǎng)絡(luò)，最后按權(quán)值矩陣產(chǎn)生出相應(yīng)的輸出。強化學(xué)習(xí)函數(shù)之間的監(jiān)督和無監(jiān)督學(xué)習(xí)，

63、責任的外部環(huán)境進行評價的體系，通過加強這些獎勵措施，改善了系統(tǒng)的性能。</p><p>　　神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則有：</p><p>　　1、最先Hebb學(xué)習(xí)規(guī)則。</p><p>　　2、用于模式分類的記憶學(xué)習(xí)法。</p><p>　　3、糾錯的學(xué)習(xí)目的是通過突觸權(quán)重的反復(fù)調(diào)整，使成本函數(shù)最小的火，然后得到最穩(wěn)定的系統(tǒng)。</p>

64、<p>　　4、競爭學(xué)習(xí)包含一個神經(jīng)集合和一個機制，這其中限制了每個神經(jīng)元的能量。 5、隨機學(xué)習(xí)。由統(tǒng)計力學(xué)思想而來。</p><p>　　神經(jīng)網(wǎng)絡(luò)應(yīng)用前景。神經(jīng)網(wǎng)絡(luò)所適用的應(yīng)用領(lǐng)域與網(wǎng)絡(luò)本身結(jié)構(gòu)和功能有關(guān)，特別是與其具有的計算能力有關(guān)，神經(jīng)網(wǎng)絡(luò)至少有以下的計算能力：</p><p>　　1)數(shù)學(xué)的近似映射。</p><p>　

65、　2)概率密度函數(shù)的估計。</p><p>　　3)從二進制數(shù)據(jù)基中提取相關(guān)的知識。</p><p>　　4)形成拓撲連續(xù)及統(tǒng)計意義上的同構(gòu)映射。</p><p>　　5)最近相鄰模式分類。</p><p><b>　　6)數(shù)據(jù)聚集。</b></p><p>　　7)最優(yōu)化問題的計算。</p

66、><p>　　不同的神經(jīng)網(wǎng)絡(luò)模型的計算能力是不同的, 它們各具有上述能力的一種或幾種。上面講述的網(wǎng)絡(luò)的能力只是一個抽象的結(jié)論。神經(jīng)網(wǎng)絡(luò)的應(yīng)用就是把上述的能力應(yīng)用到解決實際的工程領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)模擬了人類神經(jīng)元活動原理, 具有自學(xué)習(xí)、聯(lián)想、對比、推理和概括能力, 并且, 具有能夠逼近任意的非線性函數(shù)、并行化處理信息、容錯能力強等諸多優(yōu)點。</p><p>　　3.2 MLP神經(jīng)網(wǎng)絡(luò)分類器<

67、;/p><p>　　MLP是最主要的神經(jīng)網(wǎng)絡(luò)模型之一。要進行MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，就必須要用到反向傳播的學(xué)習(xí)算法，因而也被稱為BP網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，實現(xiàn)從輸入到輸出的任意的非線性映射，S變換函數(shù)必須使用的神經(jīng)元，輸出是連續(xù)的0至1。樣本的輸入到輸出的非線性優(yōu)化問題的算法的本質(zhì)，用優(yōu)化的方法，并利用梯度下降算法，使網(wǎng)絡(luò)的實際輸出與預(yù)計輸出之間的MSE達到最小，或者達到實現(xiàn)預(yù)定的，上面的一系列工作

68、就是MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練任務(wù)。</p><p>　　MLP網(wǎng)絡(luò)的主要應(yīng)用有：</p><p>　　函數(shù)逼近：輸入和相應(yīng)的輸出向量來訓(xùn)練網(wǎng)絡(luò)，使一個函數(shù)的逼近。</p><p>　　模式識別：用特定的的輸出矢量聯(lián)系輸入矢量。</p><p>　　分類：用適合的方式，合理分類輸入矢量。</p><p>　　數(shù)據(jù)壓縮：減少輸

69、出維數(shù)，便于傳輸或存儲。</p><p>　　圖3.1典型MLP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)</p><p>　　節(jié)點方程的無記憶性是靜態(tài)網(wǎng)絡(luò)MLP最為鮮明的特征，網(wǎng)絡(luò)的輸出跟過去、將來與輸出自身沒關(guān)系，僅僅是當前輸入輸出的函數(shù)。MLP網(wǎng)絡(luò)可以完成從m維樣 本空間到n維樣本空間 的映射。在分類問題中，lippmin證明一二層MLP網(wǎng)絡(luò)可以形成任意邊界的決定。 隨后又有人證明 兩層MLP網(wǎng)絡(luò)可以形成任

70、意非線 性決策邊界。同樣 可以證明MLP網(wǎng)可以完成對任 意非線性映射的近似。</p><p>　　3.2.1 BP算法</p><p>　　20世紀80年代， Rumelhart和麥克利蘭科學(xué)家提出的BP（Back Propagation）網(wǎng)絡(luò)，這是一個多層前饋神經(jīng)網(wǎng)絡(luò)，并按誤差逆?zhèn)鞑ニ惴ㄟM行訓(xùn)練，在當代得到了廣泛的應(yīng)用。BP網(wǎng)絡(luò)是一種數(shù)學(xué)方程，沒有事先的描述這種映射關(guān)系的需要，可以學(xué)習(xí)和

71、存儲大量的輸入-輸出模型映射。它使用最速下降規(guī)則的學(xué)習(xí)方法，使網(wǎng)絡(luò)和最小二乘誤差反向傳播，需要，不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。輸入層，隱層（輸入）（隱藏層）和輸出層（輸出層）屬于BP神經(jīng)網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)。</p><p>　　BP算法的步驟可歸納如下：</p><p><b>　　1)初始化。</b></p><p>　　2)每個輸入樣本應(yīng)該這樣

72、處理：</p><p>　　前向計算時：第L層的j單元處理如下：</p><p><b>　　(3-1)</b></p><p><b>　　(3-2)</b></p><p><b>　　(3-3)</b></p><p>　　若神 經(jīng) 元j屬于輸入層

73、（即 L=1），則有：</p><p><b>　　(3-4)</b></p><p>　　若j屬 于輸 出 層神 經(jīng) 元（即L＝L），有：</p><p>　　且 (3-5) </p><p><b>　　反向計算： </b><

74、;/p><p><b>　　對輸出單元：</b></p><p><b>　　(3-6)</b></p><p><b>　　對隱層單元：</b></p><p><b>　　(3-7)</b></p><p><b>　　修

75、正權(quán)值： </b></p><p><b>　　(3-8)</b></p><p>　　3）進入新的樣品，跳到2步，循環(huán)往復(fù)，直到達到最小均方誤差。</p><p>　　事實上，MLP網(wǎng)絡(luò)可以完成分類任務(wù)很好，但由于網(wǎng)絡(luò)（BP）學(xué)習(xí)算法具有一定的局限性， BP網(wǎng)絡(luò)存在以下問題：</p><p>　　(1)從數(shù)

76、學(xué)上看，由于是非線性優(yōu)化問題，從而無法預(yù)測的存在局部極小值問題。</p><p>　　(2)學(xué)習(xí)速率固定，網(wǎng)絡(luò)收斂速率慢，需要訓(xùn)練時間長。</p><p>　　(3)網(wǎng)絡(luò)的隱含層節(jié)點個數(shù)選取沒有成熟理論指導(dǎo)，一般根據(jù)經(jīng)驗和反復(fù)試驗確定。</p><p>　　(4)網(wǎng)絡(luò)存在不穩(wěn)定的學(xué)習(xí)和記憶。</p><p>　　(5)學(xué)習(xí)因子和記憶因子沒有一

77、種選擇規(guī)則，過大過小都會對其訓(xùn)練的過程產(chǎn)生影響。</p><p>　　3.2.2改進型BP算法</p><p>　　為了克服傳統(tǒng)BP算法的問題，科學(xué)家們研究出幾種改進型的BP算法。他們對其進行的改進工作有：</p><p>　　提高學(xué)習(xí)速率的方法研究。</p><p>　　如何提高網(wǎng)絡(luò)訓(xùn)練精度，需要兩階導(dǎo)數(shù)信息的目標函數(shù)的方法。</p&

78、gt;<p>　　下面介紹一下具體的算法。</p><p>　?。?）強適應(yīng)行BP算法</p><p>　　強適應(yīng)性BP算法的目的就是為了解決的問題很簡單。事實上，在訓(xùn)練中，多層BP網(wǎng)絡(luò)的神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練價值，消除梯度模式的影響。</p><p>　　因為多層的BP神經(jīng)網(wǎng)絡(luò)，我們一般都會使用S傳遞 函數(shù)，這一比較成熟的理論。輸入輸出映射無限到有限的功能

79、的主要特性，當輸入是非常大或非常小，功能接近0。的權(quán)值和閾值的影響的梯度變化的方向，這是該算法的最鮮明的特征，但梯度幅值，但對他們沒有影響。這里是僅僅是通過單獨的參數(shù)設(shè)置來更新網(wǎng)絡(luò)的權(quán)值和閾值。所以—般情況下經(jīng)常使用它的缺省參數(shù)值。較強的適應(yīng)負梯度算法的訓(xùn)練速度比BP算法和標準”，前者是更快，而不存儲網(wǎng)絡(luò)的權(quán)值和閾值的變化，使得存儲器要求是非常小的。本文就是采取這種方法進行本實驗研究。</p><p><b

80、>　　具體流程圖如下： </b></p><p>　　圖3.2 改進型BP網(wǎng)絡(luò)訓(xùn)練流程圖</p><p><b>　　(2)L-M算法</b></p><p>　　最小平方誤差總和的一個特殊算法L-M方法。誤差平 方和 為：</p><p><b>　　(3-9)</b></

81、p><p>　　其中，P是第一P樣品；S以作為載體的元素。假設(shè)當前為0，和新的</p><p>　　位置移動，如果移動量很小，則可將展成一階泰勒級數(shù)</p><p><b>　?。?-10）</b></p><p>　　于是誤差 函數(shù)式 可以改寫成</p><p><b>　　（3-11）&

82、lt;/b></p><p>　　求導(dǎo)以 使Ｅ最小，可得： </p><p><b>　?。?-12）</b></p><p>　?。?）可變學(xué)習(xí)速度的BP算法</p><p>　　它試圖在較平坦的曲面提高學(xué)習(xí)速度，而在斜率增大時減小學(xué)習(xí)速度。它的規(guī)則如下：</p><p>　　1)如果誤差

83、平方(在整個訓(xùn)練集上)在權(quán)值更新后增加了百分數(shù)z (典型值為1%至5%)，則取消權(quán)值更新，學(xué)習(xí)速度乘上一個因子 (1 > r > 0)，并且動量系數(shù) g 置為 0。</p><p>　　2)如果誤差平方在權(quán)值更新后減少，則接受權(quán)值更新，并且學(xué)習(xí)速度乘上一個因子 h>1，如果動量系數(shù) g 先前被置為0，則恢復(fù)到先前的值。</p><p>　　3)如果誤差平方的增加少于z，則

84、接受權(quán)值更新，但是學(xué)習(xí)速度和動量系數(shù)不變。</p><p>　　改進的BP算法也有些缺點：需要設(shè)置一些額外的參數(shù)，并且算法性能對參數(shù)變化很敏感，參數(shù)的選擇還和問題有關(guān)。容易使一些能收斂的數(shù)據(jù)變得不可收斂。但是在實際情況中我們通常是折中的方法選取，任何方法都有兩面性，這也是事物發(fā)展的規(guī)律。 </p><p>　　目前還有許多的改進算法，遺傳算法（GA）和模擬退火算法等多種優(yōu)化方法

85、用于BP算法的改進(這些方法從原理上講可通過調(diào)整某些參數(shù)求得全局極小點)，但在應(yīng)用中，這些參數(shù)的調(diào)整往往因問題不同而異，較難求得全局極小點。這些方法中應(yīng)用最廣的是增加了沖量（動量）項的改進BP算法。</p><p><b>　　BP網(wǎng)絡(luò)性能：</b></p><p>　　1)非線性映射能力 </p><p>　　能學(xué)習(xí)和存貯大量輸入-輸出模式映

86、射關(guān)系，而無需事先了解描述這種映射關(guān)系的數(shù)學(xué)方程。只要能提供足夠多的樣本模式對供網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練，它便能完成由n維輸入空間到m維輸出空間的非線性映射。</p><p><b>　　2)泛化能力</b></p><p>　　當向網(wǎng)絡(luò)輸入訓(xùn)練時未曾見過的非樣本數(shù)據(jù)時，網(wǎng)絡(luò)也能完成由輸入空間向輸出空間的正確映射。這種能力稱為泛化能力。</p><p>

87、;<b>　　3)容錯能力</b></p><p>　　輸入樣本中帶有較大的誤差甚至個別錯誤對網(wǎng)絡(luò)的輸入輸出規(guī)律影響很小。</p><p>　　除了MLP神經(jīng)網(wǎng)絡(luò)分類器外，還有另一個經(jīng)常用到的分類器--徑向基神經(jīng)網(wǎng)絡(luò)分類器。這采用的是一種兩層前向型神經(jīng)網(wǎng)絡(luò)，包含隱含層和線性神經(jīng)元的輸出層。</p><p>　　此網(wǎng)絡(luò)最常用的高斯基函數(shù)為：<

88、;/p><p>　　，j=1，2，……，L （3-13）</p><p>　　式中，第j個隱層節(jié)點的輸出用表示，輸入樣本，分別用Cj，，L來表示高斯函數(shù)參數(shù)。</p><p>　　RBF網(wǎng)絡(luò)的輸出為：</p><p><b>　?。?-14）</b></p><p>　　隱層

89、節(jié)點與輸出節(jié)點的權(quán)值在式中用來表示。</p><p>　　圖3.3 RBF的拓撲結(jié)構(gòu)</p><p>　　由上圖可以看出，徑向基網(wǎng)絡(luò)函數(shù)可以這樣理解：</p><p>　　根據(jù)函數(shù)逼近特點，所有函數(shù)都能用一組基函數(shù)的加權(quán)和來表示。</p><p>　　根據(jù)模式識別特點，將低維空間映射到高維，使得它能夠在高維空間可分。</p>&

90、lt;p>　　RBF網(wǎng)絡(luò)的訓(xùn)練過程分為如下階段：</p><p>　　首先，確定Cj值和歸一化常數(shù)的隱層節(jié)點科斯基中心功能，它必須建立在所有的輸入樣本。</p><p>　　第二，要求出連接隱含層與輸出層的權(quán)值，就需要先確定隱含層參數(shù)，然后根據(jù)樣本，使用最小二乘法。特殊情況下，還可以在完成后面的學(xué)習(xí)后，依據(jù)樣本信息，一起進行隱含層與輸出層參數(shù)的改正，使網(wǎng)絡(luò)的準確度及推廣能力得到深層提

91、高。作為分類器使用時，從這個意義上講 ，與MLP網(wǎng)絡(luò)分類器一樣，RBF網(wǎng)絡(luò)分類器 是經(jīng)典的貝葉斯分 類器的又一種具體 實現(xiàn)形式。</p><p>　　RBF網(wǎng)絡(luò)的學(xué)習(xí)算法</p><p>　　RBF具有許多學(xué)習(xí)算法。其學(xué)習(xí)算法包含很多主要參數(shù)，據(jù)此可以把RBF網(wǎng)絡(luò)選取算法可以是：</p><p>　　1、自組織選取中心法。</p><p>&

92、lt;b>　　2、梯度訓(xùn)練法。</b></p><p><b>　　3、OLS。</b></p><p>　　在算法的選取中，大多數(shù)都是將問題分為兩部分：隱含層的學(xué)習(xí)和輸出層的學(xué)習(xí)。隱含層的學(xué)習(xí)通常由無導(dǎo)師式學(xué)習(xí)來完成，比如：聚類的方法。而輸出層的學(xué)習(xí)則需要在導(dǎo)師的指導(dǎo)下才能完成。</p><p><b>　?。?）

93、隱含層學(xué)習(xí)。</b></p><p>　　隱含層的學(xué)習(xí)一般情況下，大都采用的是聚類的方法。聚類的概念是在模式識別中提出的，所以說，它也是—種基本的信號分類方法。對不同的圖像分類之間的差異分析，基于距離函數(shù)的聚類分析。然而，這種方法是否有效，取決于特征向量的分布格局。聚類分析發(fā)現(xiàn)極值的成功準則函數(shù)優(yōu)化問題。</p><p>　　K次均值算法是一種簡單、運用較多的聚類方法。它可以使

94、聚類畝指數(shù)最小，這里利用簇，每個樣本點對之間距離的平方的中心，和最小化算法，如下：</p><p>　　1)初始化聚類中心,設(shè)為第一次輸入的樣本。</p><p><b>　　2)循環(huán)開始。</b></p><p>　　3) 所有的樣品按照最小距離聚類，根據(jù)這些原則，我是0，0為群集組為J集群。</p><p>　　4)

95、計算各類聚類中心的樣本平均</p><p><b>　?。?-15）</b></p><p>　　式中M．為該樣本集的個數(shù)。</p><p>　　5)比較各聚類中心是否有變化，若有變化，轉(zhuǎn)到2)；若沒變化，結(jié)束。</p><p>　　在完成對樣本各聚類后，大體上就可以計算高 斯核的規(guī)一化參數(shù)，高斯半徑是</p>

96、;<p>　　，該參數(shù)表示對每個節(jié)點輸入數(shù)據(jù)的度量，即</p><p><b>　?。?-16）</b></p><p>　　(2)輸出層的學(xué)習(xí) </p><p>　　LMS算法通常能夠完成對RBF網(wǎng)絡(luò)輸出層的訓(xùn)練，這種算法用矩陣記號可表示為：</p><p><b>　?。?-17）</b

97、></p><p><b>　　（3-18）</b></p><p>　　其中e是誤差向量，b是偏置值向量，p是輸入向量，是學(xué)習(xí)速率。</p><p>　　終止條件可以選擇使，最小：</p><p><b>　?。?-19）</b></p><p>　　通常A=0.99

98、， 這樣就完成了RBF 網(wǎng)絡(luò)的訓(xùn)練。</p><p>　　RBF網(wǎng) 絡(luò)和BP網(wǎng)絡(luò)就理論而言，他們都可以做到以近似 任何的連續(xù)非線性 函數(shù)。但是，他們的主要區(qū)別是各自使用不同的作用函數(shù)。實際情況下，Sigmoid函數(shù)通常被使用在BP網(wǎng)絡(luò)中的隱層中，而在RBF網(wǎng)絡(luò)中，基函數(shù)的輸入只局限在一局部范圍內(nèi)。</p><p>　　此網(wǎng)絡(luò)在實現(xiàn)過程中也有著自己的缺點：：</p><p

99、>　　1、在分析并解釋自己的推理過程與依據(jù)的過程中能力不足。</p><p>　　2、不能向用戶提出必要的詢問，數(shù)據(jù)不充分時，神經(jīng)網(wǎng)絡(luò)無法進行工作。</p><p>　　3、把一切問題特征都看成數(shù)字。</p><p>　　4、理論和學(xué)習(xí)算法還不是很完善。</p><p>　　5、在進行非線性系統(tǒng)建模時，需要處理的主要問題是樣本數(shù)據(jù)的選擇

100、，然而實際上，要得到系統(tǒng)信息，就只能通過分析系統(tǒng)運行中的操作數(shù)據(jù)等。</p><p>　　RBP網(wǎng)絡(luò)在本文不涉及，在此僅做簡單介紹。當然，除此之外還有其他類型的網(wǎng)絡(luò)分類器，如反饋神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、模糊圣經(jīng)網(wǎng)絡(luò)等等。</p><p>　　3.3神經(jīng)網(wǎng)絡(luò)分類器設(shè)計</p><p>　　本文介紹的神經(jīng)網(wǎng)絡(luò)，基于零中心瞬時特征的MLP神經(jīng)網(wǎng)絡(luò)調(diào)制識別分類器設(shè)計是本文

101、的重點研究內(nèi)容。</p><p>　　基于零中心瞬時特征的MLP神經(jīng)網(wǎng)絡(luò)調(diào)制結(jié)構(gòu)如圖 3.4所示。該神經(jīng)網(wǎng)絡(luò)分為輸入層 、輸出層和中間層三層結(jié)構(gòu)。對信號的特征參數(shù)的識別號碼和識別的信號空間的維數(shù)常常影響到輸入節(jié)點和輸出層數(shù)。</p><p>　　圖3.4 基于零中心瞬時特征的MLP網(wǎng)絡(luò)調(diào)制識別原理結(jié)構(gòu)</p><p>　　對于這特征提取以及結(jié)構(gòu)確定下來后，神經(jīng)網(wǎng)絡(luò)分

102、類器基本成型。接下來的工作就是算法設(shè)計。神經(jīng)網(wǎng)絡(luò)算法分三個階段來實現(xiàn)：</p><p>　　1、預(yù)處理階段：預(yù)處理的主要工作是從信號中提取特征，各種特征的算法前面章節(jié)中已做詳細闡述。對不同調(diào)制了人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)信號為基礎(chǔ)的培訓(xùn)和學(xué)習(xí)階段的關(guān)鍵任務(wù)，從而得到計算節(jié)點的加權(quán)向量。</p><p>　　2、訓(xùn)練和學(xué)習(xí)階段，</p><p><b>　　3

103、、測試階段。</b></p><p>　　加權(quán)矢量W1，W2及其偏移量B1，B2可以通過求解使下列誤差和函數(shù)最小的優(yōu)化問題而得到：</p><p><b>　?。?-20）</b></p><p><b>　　式中：</b></p><p><b>　?。?-21）</b

104、></p><p>　?。?-22） </p><p><b>　?。?-23）</b></p><p><b>　　（3-50）</b></p>

105、<p>　　I為待識別信號空間的維數(shù)（輸出層節(jié)點數(shù)）：</p><p>　　J為用于訓(xùn)練的信號樣本數(shù)：</p><p>　　T為實際的目標矢量 矩陣（Ｉ×Ｊ階）：</p><p>　　Pin為輸入的信號樣本矩陣（M×N階）；</p><p>　　M為輸入的特征參數(shù)個數(shù)（輸入層節(jié)點數(shù)）；</p>&

106、lt;p>　　Wt為輸入層到中間層的 加權(quán)矩陣（N ×M階）；</p><p>　　W2為中間層到輸出層的加權(quán)矩陣（I×N階）；</p><p>　　B1,B2為加權(quán)偏移量；</p><p><b>　　N為中間層節(jié)點數(shù)。</b></p><p>　　通過權(quán)值訓(xùn)練和學(xué)習(xí)（優(yōu)化），不斷地調(diào)整權(quán)值W

107、1,W2及B1，B2，使得目標矩陣丁與神經(jīng)網(wǎng)絡(luò)輸出矩陣以的空 間距離最小。通過反向傳播學(xué)習(xí)算法（ＢＰ算法），其學(xué)習(xí)過程如下：</p><p>　　1） 隨意選取初始權(quán)值矩陣為W1（0）,W2（0），選取初始偏移矩陣為B1（0），B2（0）；</p><p>　　2）報據(jù)輸入的訓(xùn)練樣本圪計算Ａ1，Ａ2；</p><p>　　3）根據(jù)目標矩陣T和誤差和函數(shù)公式計算誤差函

108、數(shù)E；</p><p>　　4）當給定誤 差容限低于Ｅ時， 就依據(jù)下式進行權(quán)值的調(diào)整</p><p><b>　?。?-24）</b></p><p><b>　?。?-25）</b></p><p>　　并返凹步驟２）繼續(xù)學(xué)習(xí)訓(xùn)練。如果，則退出學(xué)習(xí)，這時的權(quán)值W1,W2及其偏移量B1，B2就為所求

109、神經(jīng)網(wǎng)絡(luò)的最佳權(quán)值和最佳偏移量。式中的權(quán)值修正量, 可根據(jù)所需的精度、收斂速度來適當選取，式中的正負號則根據(jù)是否能夠使Ｅ向變小的方向移動的準則通過試探法來選擇。</p><p>　　通過訓(xùn)練和學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)就獲得 了用于信號調(diào)制樣式識別的所謂的 “知識”：即加權(quán)矩陣W，下面的工作就是對訓(xùn)練和學(xué)習(xí)進行考核也就是進入測試階段，檢驗神經(jīng)網(wǎng)絡(luò)的性能。</p><p><b>　　第四章

110、實驗的仿真</b></p><p>　　4.1零中心瞬時特征提取</p><p>　　如果要對調(diào)制信號進行識別，那么進行特征提取和對它識別的算法選擇是至關(guān)重要的一步。然而最重要、最基本的問題的就是特征提取，如果這部分處理好了，就能降低對分類器的要求。利用目標信號的時間和頻率的聯(lián)合分布來描述的散射特性,也就能夠提供更多的反映目標信號特征的信息。調(diào)制方式通常用于通信信號的空間傳播是

111、各不相同的。尤其是軍事方面，通信系統(tǒng)作為信息戰(zhàn)的手段，我們都想知道信號的活動情況，幫助選擇電子干擾直到截獲敵方的軍事情報。如果要準確的分類識別目標信號，變換處理原始信號的輸入相關(guān)數(shù)據(jù)是非常有必要的。這樣一些能夠反映通信信號分類差別的特征就很容易得到。特征的提取和選擇是非常重要的識別信號的分類。原因是，該分類器的性能直接影響下的設(shè)計。正因為此，信號調(diào)制識別系統(tǒng)與分類器設(shè)計中研究的主要內(nèi)容就是特征提取和選擇。從接收的信號中提取信號的特征參數(shù)

112、是分類器設(shè)計的第一步，同時也是最為重要的一步。這其實就是怎樣實現(xiàn)信號調(diào)制識別的一種關(guān)鍵所在。 </p><p>　　就目前而言，常用的時頻分析方法有1、短時傅里葉變換，2、Wigner2Ville分布，3、小波變換等。本文介紹一下關(guān)于S變換的一些知識。S變換是R.G.Stockwell等提出的。這種分析方法是近年來人們研究非平穩(wěn)、大噪聲信號的時頻分布的一個重要手段。S變換，它是結(jié)合并發(fā)展了FFT以及連續(xù)小波變換。

113、這是變量的高斯函數(shù)的使用，該函數(shù)是頻率相關(guān)的，且具有多種分辨率，解決了短傅立業(yè)的問題，這些問題的一些變換可以率太低，由于固定分辨率的問題。相位因子包含在S變換是小波變換特性不能觸摸。由于S變換是一種線性時頻，這樣的交叉干擾項的科恩類分布不存在。</p><p>　　S變換是一種時頻變換方法，該方法具有短的傅立葉變換。隨著它的寬度特征的變化，一個反向變化的頻率，但它的高度特性與頻率成線性關(guān)系。</p>

114、<p>　　一個信號x（t）的S變換為：</p><p><b>　　(4-1)</b></p><p>　　其中窗函數(shù)為高斯函數(shù)：</p><p><b>　　(4-2)</b></p><p><b>　　另一種頻譜表達式：</b></p><

115、;p><b>　　(4-3)</b></p><p>　　S轉(zhuǎn)換能以頻域X(f)表示：</p><p><b>　　(4-4)</b></p><p>　　將以及分別去傅里葉變換可得：</p><p><b>　　(4-5)</b></p><p>