利用人工神经网络自动识别数字调制信号的内部和内部类别外文翻译资料

 2021-12-30 10:12

英语原文共 13 页,剩余内容已隐藏,支付完成后下载完整资料


利用人工神经网络自动识别数字调制信号的内部和内部类别

摘要

在无线电通信系统中,信号调制格式识别是用于无线电信号监视和识别的重要特征。在过去的几十年中,调制格式变得越来越复杂,这导致了如何准确和迅速地识别调制格式的问题。在应对这些挑战时,可以对无线电信号的调制格式进行分类的自动调制识别系统的开发已经引起了全世界的关注。决策理论方法和模式识别解决方案是两种典型的自动调制识别方法。虽然决策理论方法使用概率函数或似然函数,但模式识别使用基于特征的方法。本研究采用基于统计参数的模式识别方法,使用人工神经网络对五种不同的数字调制格式进行分类。本文讨论了数字调制信号的类间和类内的自动识别,与文献中处理类间或类内调制格式识别的大多数现有算法形成对比。这项研究的结果表明,准确和迅速的调制识别可能超出文献中普遍赞誉的5 dB的下限。本文的另一个重要贡献是使用Python编程语言,该语言降低了使用传统MATLAB神经网络工具箱开发的其他自动调制识别分类器的计算复杂性。

关键词:自动调制识别,内部和内部调制类,特征提取密钥,人工神经网络。

1.简介

在过去二十年中,开发能够自动识别无线电通信信号的算法或系统已引起国际关注。虽然该领域属于非合作通信理论,但它已在协同和非合作通信领域得到广泛应用,如软件定义无线电,认知无线电,无线电频谱管理,干扰识别,电子战,威胁分析和电子监视。在非合作环境中,识别发送信号是一项困难的任务,因为不存在关于信号特征的预知。这使得调制格式识别成为通信信号的最重要的分类参数,因为所有无线电系统都使用一种调制格式或另一种调制格式。因此,正确识别发送信号的调制格式的能力使得信号检测和跟踪变得容易。

在不预知信号调制特性的情况下确定无线电信号的调制格式的过程称为调制识别。无线电信号调制识别有两种方法:自动和非自动。在非自动方法中,调制识别取决于操作员对测量参数的解释。正如所观察到的,这种方法不受欢迎,因为它在恶劣环境中的响应速度慢,并且其成功取决于运营商的经验。对于不需要人为参与的快速响应,采用自动调制识别技术。通信信号的自动调制识别是信号拦截和信息恢复之间的中间步骤,它自动识别接收信号的调制类型,以便进一步解调和其他任务,如无线电频谱管理,无线电信号确认和无线电信号干扰鉴定。

数字调制信号的自动调制识别(AMR)通常可以分为两类:类间和类内。在类间AMR中,区分属于不同调制格式的信号,例如幅移键控(ASK),相移键控(PSK)和频移键控(FSK)。另一方面,类内AMR指的是区分单个类的调制,例如BPSK(二进制相移键控)和QPSK(正交相移键控)。对于这两类AMR,存在广泛和多样化的文献致力于该领域。用于识别或分类不同调制格式的不同方法,以及在不同条件下提取信号特征时不同特征的使用;几乎不可能比较不同方法的表现。然而,在AMR中使用两种主要方法:决策理论(DT)和模式识别(PR)。根据,DT方法采用概率或似然算法,该算法基于似然比与预定阈值的比较做出决定,以最小化错误决策概率。 DT方法的优点是其性能通常是最佳的。这种方法的缺点是它不稳健且计算复杂度高。

另一方面,PR方法采用基于特征的算法。在PR方法中,调制分类模块通常由两个子系统组成。第一个是特征提取子系统,它从输入信号中提取关键特征。根据的大多数采用的特征是高阶统计量,包括矩和累积量,以及高阶循环累积量。文献中使用的特征的其他示例是同相和正交信号分量之间的相关性,包含在输入信号的瞬时幅度,相位和频率中的归一化中心信息和方差。峰值去除后的信号小波变换幅度,仅举几例。 PR的第二子系统是模式识别器子系统,其处理这些特征以确定接收信号的调制格式。还有用于调制识别的各种分类器,例如支持向量机分类器,决策树分类器和神经网络分类器。

与DT方法相比,PR方法不是最优的,但它们更健壮且易于实现。大多数情况下,如果PR方法经过精心设计,它们可以达到近乎最佳的性能。因此,本文重点关注PR调制识别。本文的目的是证明在文献中通常考虑的信噪比(SNR)低于5 dB的情况下识别数字调制信号的可能性。

本文其余部分的组织如下:第2部分是下一部分,详细介绍了开展研究所用的研究材料和方法。该部分分为两个小节。第一子部分使用调制信号的瞬时幅度,瞬时相位和瞬时频率提供关于图1中的预处理块的方法的信息。第二部分的第二子部分提供了关于图1的第二和第三块的细节信息。所提出的AMR分类器的模拟结果和性能评估在本文的第3部分中给出。最后,论文结论在第4节中介绍。

2.研究材料和方法

在进行该研究时,所提出的AMR分类器采用从模拟信号的瞬时幅度,瞬时相位和瞬时频率中提取的关键特征作为自动调制识别的主要特征。这些特征被归一化,然后用作训练使用Python编程语言开发的多层感知器(MLP)的输入,而不是通常在类似分类器中使用的传统MATLAB神经网络工具箱。 Python编程语言用于开发本研究的AMR分类器有两个原因:(i)与MATLAB神经网络工具箱相比,其使用的计算复杂度较低,(ii)开发的分类器是专门为与开发的GNU无线电耦合而设计的。 Python编程语言,用于进一步研究认知无线电技术。

开发的AMR分类器用于分类包括调制格式的类间和类内的五种数字调制格式(2ASK,4ASK,2FSK,BPSK和QPSK)。这种选择是因为很少有AMR分类器能够分析文献中数字调制信号的类内和类内。

研究AMR分类器的示意性框图如图所示。该框图由三个块组成:(i)预处理块,其中从所考虑的所有五个信号中提取输入特征密钥; (ii)人工神经网络(ANN)训练块,其中执行训练和学习阶段以调整分类器参数; (iii)人工神经测试阶段,以决定分类器的性能。

2.1 预处理块方法

选择用于在PR方法中自动识别调制格式的特征键。 选择过程涉及具有对调制类型敏感的稳健特性并且对信号的SNR的变化不敏感的特征。 由于无线电信号信息特征驻留在信号的幅度,频率或相位中,因此提取这些特征的最佳方式是使用包含在输入无线电信号瞬时幅度,相位和频率中的信息。 在研究中采用了四个具有用于可靠识别所考虑的五种调制格式的特征的这些特征密钥。 这些特征的选择是在最小化特征数量以减小ANN尺寸以及计算复杂性之间的权衡。

研究中使用的四个特征键早先已在中使用。 它们是使用方程式获得的。这四个特征定义如下:

gamma;max用于区分具有幅度信息(2ASK,4ASK,BPSK和QPSK)作为一个子集的信号和不具有幅度信息(2FSK)作为第二子集的信号。 BPSK和QPSK具有幅度信息,因为频带限制对它们施加幅度信息,尤其是在连续符号之间的过渡处。 对于具有幅度信息的信号,其最大gamma;值将大于阈值,而没有幅度信息的2FSK的gamma;max值小于所选择的阈值。 该特征gamma;max明确区分2FSK与其他信号的其余部分。

其中是时刻瞬时相位的中心非线性分量的值,t,C是(){}iNLphi;中的样本数,ta是(){} ia的阈值,低于该阈值时,瞬时估计 相变得对噪声敏感。 此特征密钥用于区分2ASK,4ASK和BPSK作为子集,QPSK作为另一个子集。 而2ASK和4ASK调制信号。

本质上没有绝对相位信息,BPSK的绝对相位信息是恒定的,因此使得它们的apsigma;值小于阈值。 另一方面,QPSK本质上具有绝对和直接相位信息,这使得其apsigma;值总是大于阈值。 因此,apsigma;用于区分作为子集的QPSK和作为第二子集的(2ASK,4ASK和BPSK)。

用于区分2ASK和4ASK信号作为一个子集和BPSK作为另一个信号。 鉴别是可能的,因为2ASK和4ASK信号没有直接相位信息; 因此它们的dpsigma;值小于阈值。 另一方面,BPSK具有直接相位信息,这使得其dpsigma;值大于阈值。 因此,dpsigma;用于区分2ASK和4ASK作为一个子集,BPSK作为第二子集。

此功能键用于区分2ASK和4ASK。 鉴别是可能的,因为2ASK没有绝对振幅信息,这使得其aasigma;值小于阈值。 另一方面,4ASK信号具有绝对振幅值,使得其aasigma;值大于阈值。提取的特征键(最大gamma;,apsigma;,dpsigma;和aasigma;)针对SNR绘制,在图2中示出了所研究的五种数字调制格式。 使用四个特征提取密钥的决策功能流程图如图3所示。这些特征提取密钥的归一化值被用作为对信号进行分类而开发的ANN分类器的输入。 使用ANN是因为其根据[1]的广泛分类能力及其自动和自适应地选择特征键阈值的最佳值的能力在每个神经元。 有关该研究的ANN发展的详细信息将在下一小节中介绍。

2.2 开发提出的AMR分类器

所提出的AMR分类器是使用人工神经网络(ANN)开发的。 ANN是一种人工智能系统,试图模仿大脑处理和存储信息的方式。 它的工作原理是在数学处理元素之间创建连接,称为神经元。 有不同形式的ANN架构。

多层前馈神经网络(MLFFNN)是最广泛使用的神经网络架构之一。 MLFFNN能够模拟各种复杂系统的未知输入 - 输出关系。 本研究中使用的MLFFNN分类器的体系结构如图4所示,由三层组成:源神经元的输入层,计算神经元的一个中间或隐藏层和输出层。 输入和输出层中的节点或神经元的数量分别为4和5,分别对应于分类器中的独立变量和因变量。 使用具有20个处理元件的一个隐藏层。

在开发用于研究的分类器时,信号数据集被分成三组:训练,验证和测试。 训练集用作应用于神经网络以进行学习和适应的主要信号数据集。 验证集用于进一步完善神经网络开发。 测试集最终用于确定神经网络的性能。

在数字调制信号的第二部分的第一子部分中提取的四个特征密钥用作分类器的输入。 它们首先被标准化。 归一化有两个原因:(i)使得网络的训练更有效,因为输入在幅度上有很大的差异;(ii)因为已经通过实验证明输入归一化显着改善了ANN调制分类器。

产生了总共20,000个数字调制信号。信号分为三个不同的集合,称为训练,测试和验证集。 50%的信号集用作分类器的训练集,以学习信号中存在的模式。 4个输入神经元或节点接收ANN输入并将它们馈送到隐藏层的神经元,然后输入到输出层神经元。分类器中的每个神经元由圆圈表示并执行输入的加权求和,然后传递给非线性激活函数。本研究采用了通过反向传播算法训练的多层网络中常用的对数S型激活函数。在网络训练期间,前馈输入传播和反向传播误差的流动在图中的相反方向上发生。分类器中的每个互连具有由权重表示的强度。通过根据学习算法调整互连权重来完成分类器的训练。该研究中使用的学习算法是监督学习,其包含外部教师,以便告知每个输出单元对输入信号的期望响应应该是什么。这使得分类器能够将权重改变与期望输出和实际输出之间的差成比例的量。分类器参数的调整逐渐地继续,直到训练数据满足期望的输出,即,均方误差被最小化。

百分之三十(30%)的数据集用作测试集来评估受过训练的网络的广义能力。 使用剩余的20%的数据集作为验证集,对受过训练的网络的性能进行最终检查。 验证信号集用于最小化过度拟合。 开发的分类器使用以前从未见过的信号数据进行测试。它根据训练期间产生的重量预测信号的分类。

3 结果和讨论

3.1研究成果

所提出的分类器开发包括使用MATLAB的测试信号生成和特征密钥提取仿真,而调制分类器是使用Python编程语言开发的。 所开发的算法用于识别2ASK,4ASK,2FSk,BPSK和QPSK,它们使用MATLAB模拟,加模型高斯噪声(AWGN)作为信道噪声添加到模拟信号中。 表1中列出了从-5 dB到15 dB的SNR值变化的算法输出。当SNR大于或等于5 dB时,识别百分比高于99.0%,分类器识别正确的调制 当SNR甚至低至-5 dB时,格式成功率超过98.0%。

3.2与以往的研究比较

为了评估所开发的分类器的性能,将获得的结果与在相同条件下开发和操作的其他分类器进行比较。 具体地,使用的分类器的特征在于(i)SNR的相等值; (ii)相同的AWGN信道条件; (iii)识别几乎相同的一组调制格式的能力,以及(iv)对信号的信号特征没有任何预知假设。 表2显示了使用中开发的分类器和分类器获得的结果。 本研究中使用的4个特征键用于。 目前的工作和之间的唯一区别是使用的两个隐藏层,而本研究中只使用了一个隐藏层。 排除[18]中100%认可的BPSK和本研究中认可的99.8%,所考虑的所有其他调制形式(2ASK,4ASK,2FSK和QPSK)与报道的结果相比具有高成功率。表2中使用小波特征和支持向量机分类器在[3]中提出的分类器和分类器之间进行了进一步的比较。虽然满足了上述所有条件,但目前的工作与之间的差异是所使用的特征密钥和所考虑的调制格式的数量。尽管本文中提出的分类器适用于较少范围的调制格式,但它实现的结果与文献中提出的其他分类器类似。在表3中报告的中提出的分类器和分类器之间的进一步比较表明,本研究分别以超过3.7%,4.05%和15.45%的成功率对4ASK,2FSK和QPSK进行了更好的分类,而分别以0.1%和0.2%的成功率分别对2ASK和BPSK进行分类。这些结果表明,目前的工作可以与文献中的先前工作相媲美。

4 结论

本文介绍了利用人工神经网络方法自动识别5个数字调制信号的分类器,该方法没有任何关于信号性质的预知信息。对5个数字调制信号进行了广泛的模拟,以测量所提出的分类器的性能。在-5,0,5,10和15 dB处引入样本结果,用于识别所考虑的数字调制信号而无需任何先验信息。结果发现,使用Python编程语言开发的ANN分类器,而不是文献中常见的传统MATLAB神经网络工具箱,已成功识别出所有感兴趣的调制格式,SNR低于0 dB时成功率大于98.0%,成功率SNR大于99.0%大于或等于5 dB。这些成功率是工作准确性和使用的统计特征密钥的指示。该研究的结果还证明了正确识别文献中通常考虑的低于5dB的数字调制信号的可能性。

感谢

工作小组希望感

全文共5884字,剩余内容已隐藏,支付完成后下载完整资料


资料编号:[2799]

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。