英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料
训练算法对基于人工神经网络的模拟与数字自动调制识别性能影响的研究与比较
摘要
本文提出了两种新的分类器，它们可以自动识别十二种组合的模拟和数字调制信号，而无需预先了解调制方案和调制参数。这两种新分类器是利用模式识别方法开发的。从仿真信号的瞬时振幅、瞬时相位和频谱对称性中提取特征参数来作为开发分类器时所采用的人工神经网络的输入。利用量化共轭梯度（SCG）和共轭梯度（CONJGRAD）训练算法对两种分类器进行训练后两个分类器的样本结果显示出良好的成功识别性能，在信噪比（SNR）值为0 dB及以上时，采用两种训练算法的总体识别率均在99.50%以上，在信噪比为-5 dB时，SCG和CONJGRAD训练算法的总体识别率分别略高于99.00%和96.40%。利用这两种训练算法对两种改进的分类器进行了性能比较评估，结果表明，这两种训练算法对两种开发的人工神经网络分类器的响应速度和效率均有不同的影响。此外，本研究中以使用两种训练算法的模式识别方法以及一个在调查文献中的使用决策理论方法的分类器对两个开发的新分类器之间的总体成功识别率进行的性能评估，结果表明，本研究中开发的分类器与以前研究中提出的分类器相比，在精确度和性能概率方面表现更良好。
关键词：自动调制识别（AMR），调制识别系列，AMR开发方法，人工神经网络分类。
- 介绍
近几年来，几乎所有操作的手段都从手动操作系统十分迅速地转变为自动操作系统。这是由于自动操作系统比手动操作系统具有一些优势。例如，以前无线通信中调制方案的识别基本上是人工操作的。然而，近年来，人工方法已被自动系统所取代。这是因为在人工调制识别系统中存在的一些缺点，如在恶劣信号环境中的响应速度慢、识别成功很大程度上取决于操作者的经验[1]等，在快速响应和无需人工参与[2]的自动调制识别中已被克服。最近开发的用于自动监测或识别无线调制信号的工具称为自动调制识别系统。
自动调制识别（AMR），也被称为自动调制分类（AMC），如[3]所述，其被定义为一种用于识别产生接收到的调制信号的调制方案类型，而且不需要知道调制信号的任何先验知识的工具。同样地，它在[4]中也被定义为信号检测和数据解调之间的中间操作，在电子战、监视、威胁分析、信号确认、信号干扰识别和频谱管理等军事和民用应用中发挥着重要作用。
基本上，由于缺乏关于调制信号的先验知识，执行AMR是一项有挑战性的任务。而这种对于调制信号的先验知识的缺乏是十分重要的，因为AMR的算法在实际中就被期望是盲识别的。因此，为了达到这一期望而进行的针对不同的调制方案开发各种算法使得AMR算法发展成为近年来的一个有趣的研究领域。
自大约三十年前开始研究AMR以来，已经发展出三个不同的AMR系列。开发的AMR分类器的第一个系列是那些仅用于识别模拟调制信号的分类器[2,5-9]。第二个系列中的分类器是开发仅用于识别数字调制信号的分类器，而AMR分类器的第三个系列是设计用于识别或分类某些联合模拟和数字调制信号的分类器[16-18]。对于AMR第一、第二和第三系列的[2,5-9]、[10-15]和[16-18]所选算法，会在第2节进行简要回顾。
一般而言，无论AMR属于哪个系列，调查文献都表明，AMR算法开发通常采用两种方式或方法。通常采用的两种方法是决策理论（DT）方法和模式识别（PR）方法[4，14]。在决策理论（DT）方法中，使用概率和假设检验论据来描述识别问题。在使用这种方法时，假设每个可能的调制方案发生的概率相同。因此，采用最大似然（ML）准则，将ML准则直接应用于接收信号或应用于接收信号的某个特定变换，产生似然比或似然函数集合。在这种方法中，是通过似然比或似然函数与阈值进行比较来决定识别决策的。基于决策理论（DT）的算法提供的解决方案是最优的，因为该方法将错误识别或分类的概率降至最低[19]。然而，最优解决方案通常具有很高的计算复杂度[19]。该方法的另外两个缺点是，在为该方法建立正确的假设时所涉及困难以及如何仔细地为所使用的每个特征键设置正确的阈值。由于这些缺点，基于决策理论（DT）的AMR往往会成为次优分类器。
另一方面，模式识别（PR）方法不需要任何仔细的处理。根据[14]，这种方法的唯一难点是如何选择正确的特征提取参数集，因为该方法使用来自接收信号的一个或多个特征参数来做出决策。为了克服这一难点，模式识别（PR）调制识别模块分为两个子系统，即特征提取子系统和模式识别器子系统[17,19,20]。在该方法的第一个子系统中，从无线电信号中提取特征提取参数。一些常用的特征提取参数是高阶统计量（HOS），包括信号的矩量、累积量和循环累积量（CC）[4,19,20]、模糊逻辑[21,22]、星座形状恢复方法[23]和输入信号中包含的信息的使用[2,17,24-26]。 模式识别（PR）方法的第二个子系统是模式识别器，其处理这些特征参数并根据预先设计的决策规则确定接收信号的调制类型。多层感知器神经网络是调制识别系统中使用的分类器之一。已经证明，这种类型的分类器优于其他分类器，例如K-最近邻域算法[17]。
与决策理论（DT）方法相比，模式识别（PR）方法不是最优的，但它们更稳定且易于实现。大多数情况下，根据[4]，如果模式识别（PR）方法经过精心设计，它们可以达到近乎最佳的性能。因此，本文提出的研究采用以人工神经网络（ANN）作为模型分类器的模式识别（PR）方法。选择人工神经网络（ANN）作为本研究的模型分类器并不仅仅基于其优于上述其他分类器的长处，而且还验证了[27]提出的假设，即训练算法对人工神经网络（ANN）的性能有着显著影响的假设。训练算法的效果取决于目标应用。作者们通过考虑训练算法对多层前馈神经网络图像编码分类器的影响来验证他们的假设。为了科学地调查他们的观察结果，本文报告的研究重点研究训练算法对使用人工神经网络的模拟和数字联合AMR识别器或分类器性能的影响，这是我们最近在IEEE AFRICON 2013会议上发表的论文的扩展版本。本文提出的关于调制方案分类的研究被认为是验证这一假设的理想研究，因为分类已被视为人工神经网络最活跃的研究和应用领域之一[28]。
因此，本文对模拟和数字调制联合识别中两种不同的训练算法即多层前向神经网络和后向传播神经网络算法性能的影响进行了比较研究。在本文的其余部分安排如下。第2节简要回顾了AMR的三个系列。第3节提供了为本研究开发AMR所涉及的程序的详细信息。第4节中介绍并讨论了本研究开发的基于两种训练算法的AMR分类器的仿真结果和比较性能评估。最后，第5节总结了本文。
- 自动调制识别综述
本节涉及自1984年以来在调制识别领域对研究论文的综述。根据三个AMR系列，该部分分为三个子部分。 第一小节涉及模拟自动调制识别的简要回顾。第二和第三小节分别涉及对数字自动调制识别和联合模拟和数字自动调制识别的简要回顾。对这三类AMR算法的分析表明，在它们的开发中采用了不同的特征。
2.1模拟调制信号识别算法综述
1985年，Chen等人[5]基于振幅调制（AM），双边带（DSB）调制和频率调制（FM）的瞬时幅度（IA）的方差与调幅的IA平均值的平方之比的解析表达式，开发了一种用于模拟调制方案的调制识别器。在Fabrizi等人[6]中，作者开发了一种基于瞬时幅度和瞬时频率变化的特征的AMR识别器。这些作者使用的特征参数是包络峰值与其平均值的比值以及瞬时频率的绝对值的平均值。借助这些特征参数，作者使用AMR分类器对载波（CW）、调幅（AM）、调频（FM）和单边带（SSB）调制进行了鉴别。在Al-Jalili [7]中，研究了集中瞬时频率（CIF），即正尖峰的数量与负尖峰的数量之比，用于区分上边带（USB）和下边带（ LSB）调制方案。 Azzouz和Nandi [8]也提出了一种模拟AMR识别器，该识别器采用从瞬时幅度和瞬时相位以及射频信号频谱中提取的特征参数。作者使用决策理论方法借助提取的特征参数来对AM，DSB，LSB，USB，残留边带（VSB）调制，FM和组合调制信号进行识别。 2005年，Sengur和Guldemir [9]开发了一种模拟AMR，它采用瞬时幅度和瞬时相位以及射频信号频谱来区分AM，FM和CW调制。在2007年，Guldemir和Sengur [2] 再次开发了另一种AMR，它也采用了瞬时幅度和瞬时相位以及射频信号频谱来区分AM，FM，DSB，USB，LSB和CW调制。
2.2数字调制信号识别算法综述
同样，调查的数字调制AMR算法的发展表明，Liedtke [10]是第一个发布数字调制信号调制识别的作者。数字AMR是利用通用解调器技术，该技术采用幅度直方图，频率直方图，相位差直方图，幅度方差和频率方差作为特征参数。本文介绍的识别器用于识别或分类两符号幅移键控（2ASK），两符号频移键控（2FSK），两符号相移键控（2PSK），四符号相移键控（4PSK），八符号相移键控（8PSK）和CW调制。在DeSimio和Prescott [11]中，采用自适应技术，使用从信号包络、信号频谱、信号平方和信号的四次幂提取的特征参数对2ASK，2FSK，2PSK和4PSK进行分类。此外 Azzouz和Nandi [12]还提出了一种数字调制识别器，它可以区分2ASK，4ASK，2FSK，4FSK，2PSK和4PSK。用于开发该调制分类器的特征参数是从所考虑的信号的瞬时幅度，瞬时相位和瞬时频率中提取的。此外，在Taira [13]中，符号点的瞬时幅度的直方图分布用于数字正交幅度调制（QAM）信号的自动分类，包括64QAM和256QAM。在信噪比大于或等于10 dB时，作者通过计算机模拟获得了良好的分类结果。在Wong和Nandi [14]中，开发了一种基于人工神经网络（ANN）的数字分类器，来识别10种数字调制方式，即2ASK、BPSK、2FSK、16QAM、V29、V32、4ASK、QPSK、4FSK和64QAM。在开发分类器时，总共使用了七个特征提取参数。这七个特征提取参数中的五个是从信号的瞬时幅度，瞬时相位和瞬时频率导出的。这些五个特征参数早先在[12]中用于区分在单个域中具有隐藏信息的数字信号。这五个键用于区分的调制信号是2ASK、BPSK、2FSK、V29、V32、4ASK、QPSK和4FSK，而另外两个特征参数 （谱特征集和基于高阶累积量的新特征集）被用于区分信息内容隐藏在信号瞬时幅度、瞬时相位或瞬时频率中的16QAM和64QAM信号。此外，2011年，Kubankova和Kubanek [15]成功开发了一种数字调制分类器，该分类器采用接收信号的归一化中心瞬时幅度的频谱功率密度的最大值作为区分现代通信技术中使用的ASK，2FSK，4FSK、MSK，BPSK，QPSK和16QAM数字调制的特征参数。利用模拟和测量的白高斯噪声信号对所研制的识别器进行了测试。结果表明，在信噪比为15 dB的较高情况下，正确识别测量信号的概率会比模拟信号识别概率略低。
2.3模拟和数字混合调制信号识别算法综述
1985年，Jondral [16]提出了一种调制识别器，它利用模式识别方法对噪声信号和两种类型的模拟调制信号（AM和SSB）以及四种类型的数字调制信号（2ASK，2FSK，4FSK和2PSK）进行识别。在开发模拟数字混合信号识别器时，所使用的特征参数是从瞬时幅度，相位和频率中提取的。同样，在1998年，Nandi和Azzouz [17]为模拟数字混合信号调制识别引入了两种不同的算法。第一种算法采用决策理论方法，第二种算法采用人工神经网络（ANN）作为新方法。模拟数字混合信号调制识别技术被开发用于识别模拟信号集AM、DSB、VSB、LSB、USB、FM以及模拟调制与2ASK、4ASK、2FSK、4FSK、2PSK和4PSK等数字调制混合调制的信号。除了从射频（RF）信号频谱中提取的信号频谱对称参数之外，两种算法中使用的特征参数都是从信号的瞬时幅度，瞬时相位和瞬时频率中提取的。两种算法的评估表明，人工神经网络（ANN）算法优于决策理论方法，总体成功率超过96％，当信噪比为15 dB时总体成功率超过94％。此外，在2005年，Dobre等人[18]基于从接收信号的基带获得的一组五个特征参数，开发了不同的混合模拟和数字自动调制识别算法。该算法用于对AM、DSB、USB、LSB、BPSK、QPSK、8PSK、16QAM、32QAM等混合的模拟调制和数字调制进行识别。在本文中，我们提出了一种基于一组八个特征参数的新的混合模拟数字自动调制识别方法。这些特征参数中的七个是从模拟信号的瞬时幅度和瞬时相位导出的，而第八个特征参数来自模拟信号的射频信号频谱对称性。所提出的算法用于区分以下混合的模拟和数字调制：2ASK，4ASK，2FSK，BPSK，QPSK，AM，DSB，SSB，FM，正交频分复用（OFDM），16QAM和64QAM。与先前关于模拟和数字联合调制识别的三项工作[16-18]相比，本研究中提出的算法是唯一一个包括64 QAM和OFDM的算法。本研究开发算法所涉及的过程的详细信息将在下一节中介绍。
3. AMR发展阶段
在本研究中，采用模式识别（PR）方式开发自动调制识别方法。因此，严格遵守基于模式识别（PR）方式的自动调制识别方法中的两个子系统下的活动。有关两个子系统中涉及的活动的详细信息如下所示。
3.1 AMR模式识别方法第一子系统
该子系统称为特征参数提取子系统。 它会完成特征参数的提取，这些特征参数将用作第二个子系统中分类器的输入。该子系统是自动调制识别开发的基础，因此它的成功对最后自动调制识别的准确性有显着影响。 因此，在开发本研究的AMR时，总共使用了八个特征参数。其中七个特征参数是从组合模拟调制信号的瞬时幅度和瞬时相位中的隐藏信息中提取出来的。 最后一个特征参数是从模拟信号的射频信号频谱对称性中隐藏的信息中提取出来的。这些特征参数的提取已在文献中的一些早期研究中使用。然而，还没有像本研究这样这八
全文共6532字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2795]
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。
