為了提高低信噪比條件下調(diào)制信號(hào)識(shí)別率,提出一種基于引力搜索算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制識(shí)別算法。首先通過(guò)瞬時(shí)特征、高階累積量和小波變換提取信號(hào)的6個(gè)特征參數(shù)。然后基于Tent映射初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,降低局部收斂的概率;當(dāng)陷入局部最優(yōu)時(shí),對(duì)精英粒子進(jìn)行柯西擾動(dòng),增加全局搜索能力;通過(guò)自適應(yīng)改變引力衰減因子代替原有固定取值,從而提高引力搜索算法的收斂速度。最后利用混合引力搜索算法優(yōu)化神經(jīng)網(wǎng)絡(luò),將特征參數(shù)輸入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)信號(hào)進(jìn)行分類(lèi)識(shí)別。仿真結(jié)果表明,該識(shí)別算法在信噪比為-1dB時(shí),信號(hào)的整體識(shí)別率達(dá)到95%以上。

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
1 特征提取
    1.1 基本瞬時(shí)特征
    1.2 高階累積量特征
    1.3 小波變換特征
2 HGSA算法優(yōu)化神經(jīng)網(wǎng)絡(luò)
    2.1 GSA算法
    2.2 HGSA算法
        2.2.1 基于Tent映射的種群初始化
        2.2.2 精英粒子柯西擾動(dòng)
        2.2.3 改進(jìn)引力常數(shù)
    2.3 優(yōu)化神經(jīng)網(wǎng)絡(luò)
3 仿真實(shí)驗(yàn)與結(jié)果分析
    3.1 特征參數(shù)隨信噪比變化情況
    3.2 引力常數(shù)有效性驗(yàn)證
    3.3 算法性能比較
    3.4 不同信號(hào)識(shí)別率仿真
4 結(jié)語(yǔ)



本文編號(hào)：3803057