基于BP神经网络的数字调制信号样式自动识别
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Keywords: mo dulatio n t ype; auto matic identifica tio n; BP neur al netw o rk; SN R
1 引 言
随着通信技术的发展, 通信信号在很宽的频带上采用 各种调制样式, 为了更加有效地对信号进行确认、识别和 监督, 对信号调制样式的自动识别研究成为重要的研究课 题。快速识别通信信号的调制样式需要一个自动调制识别 算法。目前, 调制信号的识别方法可分为 2 大类: 决策论 法和基于神经网络 ( AN N ) 的模式识别法。A . K . Nandi 和 E. E. Azz ou z 在文献 [ 1, 2] 提出了一种简单易行的决策论 算法, 在对模拟与数字信号的调制样式识别中最低能达到 SN R 为 10 dB 的准确识别, 但该类方法也存在一些问题, 如相同的信噪比条件下识别的正确率完全不同, 识别的成 功率完全取决于每个特征参数的单次正确判决概率, 特征 参数的判决门限难于确定等。A NN 方法在每个节点处的 特征判决门限是自动选取的, 对门限的选取具有自学习自 适应能力, 识别成功率与特征参数选用次序无关, 主要与 整体性能有关, 使其识别性能优于基于决策论的方法。
关键词: 调制方式; 自动识别; BP 神经网 络; 信噪 比 中图分类号: T N 911. 7 文献标识码: B 文章编号: 1004 373X ( 2005) 12 060 03
Automatic Identification of the Digital Signals Modulation Based on the BP Neural Network
最后, 采用分别在 S NR 值为 8 dB, 10 dB, 15 dB 和 20 dB下进行采样所得到 的 100 个测 试样本集对所设计 的 神经网络识别系统进行仿真, 根据仿真结果计算正确识别 率, 从而检验识别网络系统的性能。
61
计算机应用
张兵强等: 基于 BP 神经网络的数字调制信号样式自动识别
Abstract : Based o n six kinds o f digit al sig nals, including 2A SK , 4A SK , 2F SK , 4F SK , 2P SK and 4PSK , the paper pr esents t he fiv e char acter istic paramet ers w hich can identify different dig ital sig nals modulat ion and addr esses a metho d w hich can use few er sample dat a to a chiev e the auto matic ident ification o f t he dig ital sig nals modulat ion ba sed o n the BP neur al netwo r k thr ough three steps o f tr ain. In conclusio n, the paper o bt ains higher right identificatio n r ate w hen SN R is above 8 dB or equal to 8 dB.
( 2) 零中心归一化瞬时幅度绝对值的标准偏差 aa:
aa =
∑ 1
Ns
Ns
a2 cn
(
i
)
-
i= 1
∑ 1 Ns
N s i= 1
acn( i )
2
( 3) 零中心非弱信号 段瞬时相位非线 性分量绝对 值
的标准偏差 ap:
ap =
∑ 1
c
2 NL
(
i)
an ( i ) > at
-
1c ∑ an( i)> at
为了提高神经网络抑制噪声的能力, 仿真中采用理想 样 本数据和含 有不同 程度噪声 的样本 数据同时 对网络 进 行训练。训练过程分以下 3 步进行:
( 1) 用理想样本数据训练神经网络; 在没有噪声的情况 下对 6 种数字调制信号在统一的载频和采样频率下进行采 样得到 30 个理想训练样本集首先对网络进行训练;
零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差ap六种常用数字调制信号采用神经网络的方法对其进行了深入仿真实现为了提高神经网络抑制噪声的能力提出了采用理想样本数据和含有不同程度噪声的样本数据同时对网络进行训练的方法得到了最低8db是判断弱信号段的一个幅度判决门限电平在仿真中属于非弱信号值的个数零中心非弱信号段瞬时相位非线性分量的标准偏差每列分别对应着2ask4ask2fsk4fsksk调制信号的识别结果
ZHA N G Bingqiang1 , L IU Futai2, T IA N Wei1, Z HA N G F ang1
( 1. Graduate St udents′B rig ade, N avy Aviat io n Engineering Inst itute, Yantai, 264001, China ; 2. Department of Elect ro nic E ng ineering , Navy Av ia tion Eng ineering Institute, Yant ai, 264001, C hina)
式中, N s 为取样点数, acn( i ) 为零中心归一化瞬时幅度, 由 下式计算:
acn( i) = an( i) - 1
∑ 其中, an( i ) =
a( i ) ma
,
而
ma
=
1 Ns
Ns
a(i)
i= 1
为瞬时幅度 a( i)
的
平均值。用平均值来对瞬时 幅度进行归一化的目的是 为了
消除信道增益的影响。
本文针对 2AS K, 4A SK , 2FSK , 4F SK , BPSK 和 QPS K 六种常用数字调制信号, 采用 BP 神经网络的方法对其进 行了深入仿真实现, 为了提高 神经网络抑制噪声的能力, 提出了 采用理 想样本数 据和含 有不同程 度噪声 的样本数 据同时对网络进行训练的方法, 得到了最低8 dB的大 S NR 变化范围的准确识别。
( 2) 用含有不同程度噪 声的样本数 据训练神经网 络; 用上面分别在 S NR 值为 8 dB 和 15 dB 下进行采样得到的 50 个训练样本集对网络进行训练;
( 3) 再 次 用 理 想 的 样 本 数 据 训 练 神 经 网 络 同 步 骤 ( 1) 。
在网络训练完成之后, 由于受噪声的影响, 网络输出 模 式矢量 中的元 素可能不 是单纯 的取 0 或 1 两个 值, 因 此, 仿真中将网络的输 出通过竞争传递函数 compet 进行 运算, 从而能够得出最接近网络输出的标准模式矢量。
4 仿真结果分析
根据以上训练步骤对网络进行训练, 第 ( 2) 步训练的 过程曲 线如图 2 所示。可见, 当网络训练迭代到第 40 步 时, 均方误差基本达到 10- 4, 所以, 训练的速度是比较快 的, 训练误差结果也是比较满意的。
NL ( i) = !( i) - !0
∑ 其中: !0 =
1 c
![ 4 ] i
,
!(
i
)
an ( i) > at
为瞬时相位。
( 4) 零中心 非弱 信号段 瞬时相 位非 线性分 量的 标准
偏差 dp:
dp =
∑ 1 2
( i) - NL c an( i ) > at
∑ 1 ( i) NL
c an( i) > at
计算机应用
张兵强等: 基于 BP 神经网络的数字调制信号样式自动识别
基于 BP 神经网络的数字调制信号样式自动识别
张兵强1, 刘福太2, 田 伟1, 张 芳1
( 1. 海军航空工程学院 研究生管理大队 山东 烟台 264001; 2. 海军航空工程学院 电子工程系 山东 烟台 264001)
摘 要: 针对 2A SK , 4ASK , 2F SK , 4FSK , BPSK 和 Q PSK 六种 数字调制信号, 给出了对他们进行识别的 5 种特征 参 数的定义, 提出了基于 BP 神经网络利用较少样本分 3 步进行训练, 来实现对数字信 号调制样式自动识别的方法, 最 后得 到了在信噪比≥8 dB 时较高的正确识别率。
BP 算法是目前应用最为广泛的神经网络学习算法。BP 神
经网络 的权值 和阀值的 调节规 则采用的 是误差 反向传播
算法即 BP 算法, 网络的权值和阀值是沿着网络误差变化
的负梯度方向进行调节的, 最终使网络的误差达到极小值
或最小值, 即在这一点误差梯度为零。
3. 1 识别网络输入和输出
仿真实 验对 6 种数字 调制信号 采用统一 的载频 Fc= 40 k Hz, 取采样频率 Fs = 400 k Hz , 分别在 SN R 值为 8 dB 和 15 dB 下进行采样得到 50 个训练样 本集, 每个样本的
用一个 6×6 维的单位矩阵表示如下:
嵌入式与单片机
100000 010000 T= 0 0 1 0 0 0 000100 000010 000001 每列分别对应着 2A SK , 4A SK , 2FS K, 4FSK , BP SK 和 Q PSK 调制信号的识别结果。所有调制样式的特征矢量 P 和目标矩阵 T 即构成了神经网络的训练样本集。 3. 2 识别网络的设计与训练 仿真采用基于 BP 算法的三层前向神经网络, 在设计 过程中, 本文采用如图 1 所示的前向网络结构。其中, 网 络输入的个数即为调制信号特征参数的个数 5, 输出神经 元的个数即为目标矩阵的维数 6, 隐层神经元的个数是基 于网络输出最小均方误差、较低误识率及最快训练速度的 原则, 经过优化选择采用隐层神经元个数为 10。
( i) ,
f
( i)
为信号的瞬时频率。
3 BP 神经网络结构和仿真
人工 神经网 络的方法 在每个 神经元节 点处的 特征判
决门限是自动选取的, 而且对门限的选取具有自学习和自
适应能力, 所以可对调制信号样式实现智能化识别, 而且
识别速度快, 正确识别率高。
本文仿 真中采用基 于 BP 算法的 三层前向 神经网络,
NL ( i)
2
式中 at 是判断弱信号段的一个幅度判决门限电平, 在仿真
中取 at = 1[3] , c 是在全部取样数据 N s 中属于非弱信号 值
的个 数, NL ( i ) 是经零 中心化处理后瞬时相 位的非线性 分
量, 在载波完全同步时有:
《现代电子技术》2005 年第 12 期总第 203 期
收稿日期: 2005 01 25
60
2 调 制信号 特征 参数 的提 取
实 现调制 样式识 别的第一 步, 也是最 关键的 一个 环 节, 是从接收的信号中提取用于信号调制样式识别的特征
参 数。对所仿真 6 种数字信号的识别可以采用以下 5 种特
征参数[ 3] :
( 1) 零中心归一化瞬时幅度谱密度的最大值 : max = max max FFT [ acn ( i ) ] 2 / N s
采 样点数 N s 为 3 000 个; 测试 样本 集分 别在 SN R 值为 8 dB, 10 dB, 15 dB 和 20 dB 下进行采样, 各得到 100 个样:
P=
[
]T
ma x
aa
ap
dp
af
以此特征列矢量 P 作为神经网络的识别输入。为了提高神
图 1 前向网络结构
隐层 和输出层神经元的传递函 数均取为 logsig 函数, 这样可以保证网络输出 0～1 范围内的数。网络的训练函数 取为自适应学习速率动量梯度下降反向传播算法 t raingdx 对网络进行训练, t raingdx 函数结合了动量梯度下降算法 t raingdm 和自适应学习速率梯度下降算法 t raingda, 从而 使网络的训练速度和稳定性有了进一步的提高。
经网络的训练效率, 通常要对 样本数据做适当的预处理。
在 M at lab 6. 5 中, 可以 利用 prestd 函数对样 本数据做归
一化处理, 使得归一化后的输入数据服从正态分布。
神经网络的识别结果 ( 目标输出) 即为 6 种调制样式
的模式矢量, 为了易与所需识别的调制样式相对应, 也为
了易于统计识别的正确概率, 对神经网络的目标输出可以
2
( 5) 零中心归一化非弱信号 段瞬时频率 绝对值的标
准偏差 af :
af =
∑ 1
c
f
2 N
(
i)
an ( i ) > at
-
∑ 1
c an ( i) > at
f N ( i)
2
式中, f N ( i) =
f
m( i) mf
[5]
,f
m( i)
=
f (i) -
mf ,
∑ mf =
Ns
N1 f s i= 1
1 引 言
随着通信技术的发展, 通信信号在很宽的频带上采用 各种调制样式, 为了更加有效地对信号进行确认、识别和 监督, 对信号调制样式的自动识别研究成为重要的研究课 题。快速识别通信信号的调制样式需要一个自动调制识别 算法。目前, 调制信号的识别方法可分为 2 大类: 决策论 法和基于神经网络 ( AN N ) 的模式识别法。A . K . Nandi 和 E. E. Azz ou z 在文献 [ 1, 2] 提出了一种简单易行的决策论 算法, 在对模拟与数字信号的调制样式识别中最低能达到 SN R 为 10 dB 的准确识别, 但该类方法也存在一些问题, 如相同的信噪比条件下识别的正确率完全不同, 识别的成 功率完全取决于每个特征参数的单次正确判决概率, 特征 参数的判决门限难于确定等。A NN 方法在每个节点处的 特征判决门限是自动选取的, 对门限的选取具有自学习自 适应能力, 识别成功率与特征参数选用次序无关, 主要与 整体性能有关, 使其识别性能优于基于决策论的方法。
关键词: 调制方式; 自动识别; BP 神经网 络; 信噪 比 中图分类号: T N 911. 7 文献标识码: B 文章编号: 1004 373X ( 2005) 12 060 03
Automatic Identification of the Digital Signals Modulation Based on the BP Neural Network
最后, 采用分别在 S NR 值为 8 dB, 10 dB, 15 dB 和 20 dB下进行采样所得到 的 100 个测 试样本集对所设计 的 神经网络识别系统进行仿真, 根据仿真结果计算正确识别 率, 从而检验识别网络系统的性能。
61
计算机应用
张兵强等: 基于 BP 神经网络的数字调制信号样式自动识别
Abstract : Based o n six kinds o f digit al sig nals, including 2A SK , 4A SK , 2F SK , 4F SK , 2P SK and 4PSK , the paper pr esents t he fiv e char acter istic paramet ers w hich can identify different dig ital sig nals modulat ion and addr esses a metho d w hich can use few er sample dat a to a chiev e the auto matic ident ification o f t he dig ital sig nals modulat ion ba sed o n the BP neur al netwo r k thr ough three steps o f tr ain. In conclusio n, the paper o bt ains higher right identificatio n r ate w hen SN R is above 8 dB or equal to 8 dB.
( 2) 零中心归一化瞬时幅度绝对值的标准偏差 aa:
aa =
∑ 1
Ns
Ns
a2 cn
(
i
)
-
i= 1
∑ 1 Ns
N s i= 1
acn( i )
2
( 3) 零中心非弱信号 段瞬时相位非线 性分量绝对 值
的标准偏差 ap:
ap =
∑ 1
c
2 NL
(
i)
an ( i ) > at
-
1c ∑ an( i)> at
为了提高神经网络抑制噪声的能力, 仿真中采用理想 样 本数据和含 有不同 程度噪声 的样本 数据同时 对网络 进 行训练。训练过程分以下 3 步进行:
( 1) 用理想样本数据训练神经网络; 在没有噪声的情况 下对 6 种数字调制信号在统一的载频和采样频率下进行采 样得到 30 个理想训练样本集首先对网络进行训练;
零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差ap六种常用数字调制信号采用神经网络的方法对其进行了深入仿真实现为了提高神经网络抑制噪声的能力提出了采用理想样本数据和含有不同程度噪声的样本数据同时对网络进行训练的方法得到了最低8db是判断弱信号段的一个幅度判决门限电平在仿真中属于非弱信号值的个数零中心非弱信号段瞬时相位非线性分量的标准偏差每列分别对应着2ask4ask2fsk4fsksk调制信号的识别结果
ZHA N G Bingqiang1 , L IU Futai2, T IA N Wei1, Z HA N G F ang1
( 1. Graduate St udents′B rig ade, N avy Aviat io n Engineering Inst itute, Yantai, 264001, China ; 2. Department of Elect ro nic E ng ineering , Navy Av ia tion Eng ineering Institute, Yant ai, 264001, C hina)
式中, N s 为取样点数, acn( i ) 为零中心归一化瞬时幅度, 由 下式计算:
acn( i) = an( i) - 1
∑ 其中, an( i ) =
a( i ) ma
,
而
ma
=
1 Ns
Ns
a(i)
i= 1
为瞬时幅度 a( i)
的
平均值。用平均值来对瞬时 幅度进行归一化的目的是 为了
消除信道增益的影响。
本文针对 2AS K, 4A SK , 2FSK , 4F SK , BPSK 和 QPS K 六种常用数字调制信号, 采用 BP 神经网络的方法对其进 行了深入仿真实现, 为了提高 神经网络抑制噪声的能力, 提出了 采用理 想样本数 据和含 有不同程 度噪声 的样本数 据同时对网络进行训练的方法, 得到了最低8 dB的大 S NR 变化范围的准确识别。
( 2) 用含有不同程度噪 声的样本数 据训练神经网 络; 用上面分别在 S NR 值为 8 dB 和 15 dB 下进行采样得到的 50 个训练样本集对网络进行训练;
( 3) 再 次 用 理 想 的 样 本 数 据 训 练 神 经 网 络 同 步 骤 ( 1) 。
在网络训练完成之后, 由于受噪声的影响, 网络输出 模 式矢量 中的元 素可能不 是单纯 的取 0 或 1 两个 值, 因 此, 仿真中将网络的输 出通过竞争传递函数 compet 进行 运算, 从而能够得出最接近网络输出的标准模式矢量。
4 仿真结果分析
根据以上训练步骤对网络进行训练, 第 ( 2) 步训练的 过程曲 线如图 2 所示。可见, 当网络训练迭代到第 40 步 时, 均方误差基本达到 10- 4, 所以, 训练的速度是比较快 的, 训练误差结果也是比较满意的。
NL ( i) = !( i) - !0
∑ 其中: !0 =
1 c
![ 4 ] i
,
!(
i
)
an ( i) > at
为瞬时相位。
( 4) 零中心 非弱 信号段 瞬时相 位非 线性分 量的 标准
偏差 dp:
dp =
∑ 1 2
( i) - NL c an( i ) > at
∑ 1 ( i) NL
c an( i) > at
计算机应用
张兵强等: 基于 BP 神经网络的数字调制信号样式自动识别
基于 BP 神经网络的数字调制信号样式自动识别
张兵强1, 刘福太2, 田 伟1, 张 芳1
( 1. 海军航空工程学院 研究生管理大队 山东 烟台 264001; 2. 海军航空工程学院 电子工程系 山东 烟台 264001)
摘 要: 针对 2A SK , 4ASK , 2F SK , 4FSK , BPSK 和 Q PSK 六种 数字调制信号, 给出了对他们进行识别的 5 种特征 参 数的定义, 提出了基于 BP 神经网络利用较少样本分 3 步进行训练, 来实现对数字信 号调制样式自动识别的方法, 最 后得 到了在信噪比≥8 dB 时较高的正确识别率。
BP 算法是目前应用最为广泛的神经网络学习算法。BP 神
经网络 的权值 和阀值的 调节规 则采用的 是误差 反向传播
算法即 BP 算法, 网络的权值和阀值是沿着网络误差变化
的负梯度方向进行调节的, 最终使网络的误差达到极小值
或最小值, 即在这一点误差梯度为零。
3. 1 识别网络输入和输出
仿真实 验对 6 种数字 调制信号 采用统一 的载频 Fc= 40 k Hz, 取采样频率 Fs = 400 k Hz , 分别在 SN R 值为 8 dB 和 15 dB 下进行采样得到 50 个训练样 本集, 每个样本的
用一个 6×6 维的单位矩阵表示如下:
嵌入式与单片机
100000 010000 T= 0 0 1 0 0 0 000100 000010 000001 每列分别对应着 2A SK , 4A SK , 2FS K, 4FSK , BP SK 和 Q PSK 调制信号的识别结果。所有调制样式的特征矢量 P 和目标矩阵 T 即构成了神经网络的训练样本集。 3. 2 识别网络的设计与训练 仿真采用基于 BP 算法的三层前向神经网络, 在设计 过程中, 本文采用如图 1 所示的前向网络结构。其中, 网 络输入的个数即为调制信号特征参数的个数 5, 输出神经 元的个数即为目标矩阵的维数 6, 隐层神经元的个数是基 于网络输出最小均方误差、较低误识率及最快训练速度的 原则, 经过优化选择采用隐层神经元个数为 10。
( i) ,
f
( i)
为信号的瞬时频率。
3 BP 神经网络结构和仿真
人工 神经网 络的方法 在每个 神经元节 点处的 特征判
决门限是自动选取的, 而且对门限的选取具有自学习和自
适应能力, 所以可对调制信号样式实现智能化识别, 而且
识别速度快, 正确识别率高。
本文仿 真中采用基 于 BP 算法的 三层前向 神经网络,
NL ( i)
2
式中 at 是判断弱信号段的一个幅度判决门限电平, 在仿真
中取 at = 1[3] , c 是在全部取样数据 N s 中属于非弱信号 值
的个 数, NL ( i ) 是经零 中心化处理后瞬时相 位的非线性 分
量, 在载波完全同步时有:
《现代电子技术》2005 年第 12 期总第 203 期
收稿日期: 2005 01 25
60
2 调 制信号 特征 参数 的提 取
实 现调制 样式识 别的第一 步, 也是最 关键的 一个 环 节, 是从接收的信号中提取用于信号调制样式识别的特征
参 数。对所仿真 6 种数字信号的识别可以采用以下 5 种特
征参数[ 3] :
( 1) 零中心归一化瞬时幅度谱密度的最大值 : max = max max FFT [ acn ( i ) ] 2 / N s
采 样点数 N s 为 3 000 个; 测试 样本 集分 别在 SN R 值为 8 dB, 10 dB, 15 dB 和 20 dB 下进行采样, 各得到 100 个样:
P=
[
]T
ma x
aa
ap
dp
af
以此特征列矢量 P 作为神经网络的识别输入。为了提高神
图 1 前向网络结构
隐层 和输出层神经元的传递函 数均取为 logsig 函数, 这样可以保证网络输出 0～1 范围内的数。网络的训练函数 取为自适应学习速率动量梯度下降反向传播算法 t raingdx 对网络进行训练, t raingdx 函数结合了动量梯度下降算法 t raingdm 和自适应学习速率梯度下降算法 t raingda, 从而 使网络的训练速度和稳定性有了进一步的提高。
经网络的训练效率, 通常要对 样本数据做适当的预处理。
在 M at lab 6. 5 中, 可以 利用 prestd 函数对样 本数据做归
一化处理, 使得归一化后的输入数据服从正态分布。
神经网络的识别结果 ( 目标输出) 即为 6 种调制样式
的模式矢量, 为了易与所需识别的调制样式相对应, 也为
了易于统计识别的正确概率, 对神经网络的目标输出可以
2
( 5) 零中心归一化非弱信号 段瞬时频率 绝对值的标
准偏差 af :
af =
∑ 1
c
f
2 N
(
i)
an ( i ) > at
-
∑ 1
c an ( i) > at
f N ( i)
2
式中, f N ( i) =
f
m( i) mf
[5]
,f
m( i)
=
f (i) -
mf ,
∑ mf =
Ns
N1 f s i= 1