论文研究-基于神经网络和高阶累积量的数字信号调制识别方法研究 .pdf

所需积分/C币:26 2019-08-17 07:39:08 309KB .PDF
35
收藏 收藏
举报

基于神经网络和高阶累积量的数字信号调制识别方法研究,王华奎,吴爱民,数字信号自动调制识别(AMR)有基于决策论和统计模式两种方法,针对这两种方法给出两类特征参数:一类是从信号幅度、相位、频率及功�
国科技论文在线 ()式中,为取样点数,()为信号归一化中心的瞬时幅度,由式()=() 计算;其中 而 为瞬时幅度的平均值 ∑( )瞬时相位非线性分量绝对值标准偏差 ∑(|--∑0( ( 式中是判断弱信号段的一个幅度判决门限电平,在仿真中取 是在全 部取样数据中属于非信号值的个数,φ(是瞬时相位的非线性分量,在 载波完全同步时有:p()=0()-g。其中 ()为瞬时相位。 )瞬时相位非线性分量标准偏差: ∑φ ∑9( )归一化中心瞬时幅度绝对值标准偏差: ∑(-∑|( )归一化中心瞬时频率绝对值标准偏差: 式中()=(∥y,()=() ∑( 其中表示比特速率,()为瞬时频率:是判断弱信号段的幅度门限电平:表 示每个信号段的长度;表示信号段中非弱样本点的个数。 国科技论文在线 0.14 2FSK 0244斗也平出在 图 的 -4ASK SNR 图 的 4AS 5 SNR 图 的 国科技论文在线 0.08 .06 n.04 图 的 264 乐图 ++++++4+4一 图 的o 从图可以看出特征参数可以将上述六种信号分为信号 与信号 两大类:从图可以看出特征参数G可以将信号 分为信号 与信号 两大类;从图可 以看出特征参数σ可以将信号 分为信号 与信号 两大类;从图可以看出特征参数σ可以区分信号与;从图可以看出特 征参数可以区分信号与 高阶累积量特征参数 在定义高阶累积量前,首先给岀高阶矩的定义,对于一个具冇零均值的复随机过程 其阶混合矩可表示为 其中表示信号的共轭,然后定义高阶累积量如下 国科技论文在线 根据式()()高阶累积量的定义,给出下面 特征参数「1的定义 神经网络分类器设计 算法 针对算法收敛速度慢、局部易收敛到极小值的缺点,我准备采用 优化算法口进行训练 算法的权值调整率为 ()式中为误差对权值微分的 矩阵,为误差向量,l一个标量,当很 大时,上式就接近于梯度法;当很小时,上式就变成了 法,在这种方法 中,也是自适应调整的。 隐含层的神经元个数的设计 神经网终的输入和输出层的神经元数目,是由输入和输出向量的维数决定的,神经元隐 含层节点个数由下述公式计算: ()中为急含层节点数:为输入层节点数:为输出层节点数;c为 之间 的任意值。 特征参数输入层共有种特征参数,则输入层的神经元个数为;待识别的信号 有种,本文采用输出节点数即为行分类种数,则输出层神经元个数为则隐含层节点数范 围为 通过实验让明,选取隐含层节点数为。 特征参数输入层共有和特征参数,则输入层的神经元个数为;待识别的信号 有种,本文采用输出节点数即为待分类种数,则输出层神经元个数为,神经元隐含层节 点个数同样由上述公式计算,隐含层节点数范围仍为通过实验证明,选取隐含层节 点数为 国科技论文在线 Performance s 0.00C091010, Goal is oc01 Performance s 0. 000858318 Gaal is 0.001 10 51 Epochs Stop Tralle 待征参数收敛曲线 图 特征参数收敛曲线 结果 本文主要识别 六种信号 实验条件:载波频率定为 解调后数字信号速率为 ,信号采样速率设定为 。文中对每类信号抽取段样本,每段样本个数为个,样本总数为 个。最 大训练步数为,期望误差为 起始学习率为.,每次显示一次结果 参数识别率 信 比 国科技论文在线 №and特征参数识別率 2ASK 4ASK -2PSK 4FSH 88 12 1618 信噪比 图 特征参数在不同信噪比下的识别率 表 特征参数识别率 信 比 国科技论文在线 HOC特征参数识別率 95 4PSK -V 2FKS 4FSK 75 8 1012141618 信噪比/ 图 特征参数在不同信噪比下的识别率 2ASK、AASK识别率 2PsK、PSK识别率 85 图信号 识别率的比较 图信号 识别率的比较 识别率 -V- 2FSK-HOC 4FSK→H+OC 2 信噪比 图信号 识别率的比较 国科技论文在线 讨论 传统的自动调制识别一般都基于决策理论,该方法在使用过程中存在三个问题: 对不同的识别算法采用了相同的特性参数;只是这些特性参数所处的判决位置不同而 这就导致相同的信噪比条件下识别的正确率完全不同。 在每个判决节点处同时只使用个特征量来判决,这就导致识别的成功率不仅与特征 量使用的先后次序有关,而且完全取决于每个特征的单次上确判决概凇 每个特征都需要对应设置一个判决门限,而判决门限的选取对识别的正确率影响很 大 采用神经网络分类器.每次判决使用全部特征量,而不仅仅是其中的一个特征量,这就 使得系统的识别成功率主要与参数整体性能有关。而且,神经网络对判决门限是自动选取的, 对门限的选取还具有自学习自适应能力,所以可以获取很高的识别率。 本文在不同信噪比下对种数字调制信号的识别进行了严格的仿真,给出了信噪比在 下的仿真结果。从上图可以看出, 参数有两大优点:其一是它的识别率高于 参数的识别率,其二是参数不能分开与信号,因为当信号变换到基 带后, 信号与信号是等价的。 参考文献 通信信号调制的自动识别中国人氏解放车 部队出版社 吕新政;魏屮;肖先赐利用高阶素积量实现数字调制信号的自动识别电子对抗技术, 李迟生;吴建华;邹宝娟基于人工神经冈络的数字调制方式识别的研究南昌大学, 陈美;朱琦基于改进神经网络的自动调制识別硏究重庆邮电大学学报自然科学版,

...展开详情
试读 10P 论文研究-基于神经网络和高阶累积量的数字信号调制识别方法研究 .pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于神经网络和高阶累积量的数字信号调制识别方法研究 .pdf 26积分/C币 立即下载
1/10
论文研究-基于神经网络和高阶累积量的数字信号调制识别方法研究 .pdf第1页
论文研究-基于神经网络和高阶累积量的数字信号调制识别方法研究 .pdf第2页

试读结束, 可继续读1页

26积分/C币 立即下载