發(fā)布時間：2020-04-23 23:58

【摘要】：信號調(diào)制體制識別作為無線通信接收中的關鍵技術(shù),在自適應調(diào)制、頻譜監(jiān)測與管理、電子對抗及軍事偵察等領域有著重要的應用。本文針對現(xiàn)有信號調(diào)制體制識別算法在復雜信道環(huán)境下識別性能低、計算復雜度高等問題,對無線通信系統(tǒng)中調(diào)制體制識別關鍵技術(shù)進行研究,主要內(nèi)容包括非高斯信道下移動通信信號、空間相關衰落信道下MIMO信號、信號樣本較少情況下數(shù)字調(diào)制信號和雷達脈內(nèi)信號調(diào)制體制識別。本文的主要研究工作和成果如下:1.針對移動通信信號在低信噪比、多徑時延信道下提取特征差異化不明顯且計算量較大的問題,提出了一種基于信號瞬時特征的提取方法,該方法通過提取信號在較低信噪比環(huán)境下的幅度、相位、頻率的瞬時統(tǒng)計特征進行信號分類,仿真結(jié)果表明,該方法不但特征差異化明顯且計算復雜度較低;針對復雜信道環(huán)境下分類器算法識別性能較差、識別準確率較低且計算復雜度較高的問題,提出了一種基于ELM極限學習機的機器學習算法,該算法無需任何先驗信息,將信號識別問題歸納為多元特征分類問題,在非高斯時變多徑衰落信道環(huán)境下具有較好的識別性能;針對ELM極限學習機算法在異常復雜信道環(huán)境下(如較低信噪比、多徑數(shù)增加、時延增長)識別準確度較低的問題,提出SAE-ELM自適應極限學習機算法,該算法通過差分變異進化理論來優(yōu)化機器學習過程中的網(wǎng)絡參數(shù)權(quán)重,有效克服了復雜的信道環(huán)境對信號的影響。2.針對MIMO通信信號在低信噪比的空間相關衰落信道環(huán)境下識別準確率較低的問題,提出了一種在MIMO空間相關信道模型下,基于循環(huán)平穩(wěn)特征的數(shù)字信號特征提取方法,該方法通過提取信號樣本的高階矩和高階累積量特征作為識別特征,利用高斯噪聲在高于二階累積量結(jié)果恒等于零的特性,良好的抑制了噪聲對信號的影響;針對現(xiàn)有分類器算法運算時間長和信號正確識別率較低的問題,引入ELM機器學習算法和SAE-ELM機器學習算法。兩類算法通過隨機生成網(wǎng)絡參數(shù)的方式,避免了分類器大量迭代更新的過程,有效降低了算法復雜度,提高了識別準確度;針對MIMO通信中信道相關系數(shù)增加時,ELM算法識別準確度無法滿足實際應用的難題,提出了一種基于信道估計和均衡的MIMO信號調(diào)制體制識別方案,該方案在信道估計誤差較小的情況下,可以消除MIMO空間相關信道對信號的干擾和影響,仿真結(jié)果表明,信道估計和均衡算法的引入,較大提升了MIMO信號的識別準確度。3.針對現(xiàn)有信號特征識別分類器算法在前期需要大量信號數(shù)據(jù)樣本訓練的問題,提出一種基于極限學習機的SS-ELM半監(jiān)督極限學習機算法分類器,該分類器在訓練過程中利用少量標記數(shù)據(jù)樣本和大量未標記的數(shù)據(jù)樣本共同訓練分類器,獲取分類器網(wǎng)絡參數(shù),有效克服了分類器算法在信號數(shù)據(jù)樣本較少情況下無法進行分類的難題;針對不同標記信號樣本數(shù)量對信號調(diào)制識別結(jié)果的影響,提出了一種樣本數(shù)階梯等間隔的驗證方法,即在相同實驗仿真環(huán)境下,通過設定不同數(shù)量的信號標記樣本,驗證該半監(jiān)督分類器的識別性能,仿真結(jié)果表明,訓練數(shù)據(jù)中標記樣本的數(shù)量和半監(jiān)督機器學習分類器的分類性能有關,隨著訓練數(shù)據(jù)中標記數(shù)據(jù)樣本增加,分類器識別性能明顯提高。4.針對脈內(nèi)雷達信號在短波信道下識別性能差的問題,提出了一種基于小波變換的雷達信號調(diào)制識別方法,該方法通過提取小波變換域的參數(shù)特征,有效地實現(xiàn)了雷達脈內(nèi)信號在非高斯多徑時延短波信道下的信號分類,仿真表明在短波信道下上述方法的識別性能明顯優(yōu)于傳統(tǒng)方法,且具有較低的復雜度和良好的魯棒性。
【圖文】：

經(jīng)元都代表一種運算單元，且具有非線性的運算能力，通過設定神經(jīng)元的計Ｉ』，，使每一個神經(jīng)元變成一個非線性計算系統(tǒng)，可以逼近任何非線性函數(shù)。因?qū)⑸窠?jīng)網(wǎng)絡看成一種輸入到輸出空間的一種非線性映射，可以通過不間斷的絡的輸入輸出權(quán)重以及神經(jīng)元的非線性函數(shù)，來尋求最優(yōu)的輸入輸出變量間，實現(xiàn)對數(shù)據(jù)學習的分類識別。神經(jīng)網(wǎng)絡強大的學習能力對數(shù)據(jù)無任何要求，在面臨非線性的問題時，廣泛受到應用。逡逑神經(jīng)網(wǎng)絡模式識別分為兩個過程，訓練過程和識別過程。在訓練過程，無樣本分布的情況下，將大量的信號樣本，輸入到學習網(wǎng)絡中，根據(jù)學習結(jié)果的調(diào)整網(wǎng)絡的各種參數(shù)信息，直到網(wǎng)絡的輸出數(shù)據(jù)達到我們設定的期望輸出，號調(diào)制體制識別中，主要體現(xiàn)在可以將不同調(diào)制方式的信號按照一定的準確到所屬的信號模式，達到這一標準的網(wǎng)絡參數(shù)要進行記錄，把這些規(guī)律記錄調(diào)整的網(wǎng)絡權(quán)值和各種閾值中去，此參數(shù)說明網(wǎng)絡已經(jīng)對信號的樣本進行了掌握了信號間的不同差異的特征。識別過程：根據(jù)在訓練階段記錄的權(quán)重和參數(shù)，將未知數(shù)據(jù)特征集送入己經(jīng)學習好的神經(jīng)網(wǎng)絡中，并判斷所屬類別。圖如圖２－５所示。逡逑：產(chǎn)生標準信號——？特征提取邋——ｉＪｉｌ練網(wǎng)絡邋——成熟的網(wǎng)絡邋？類別輸出逡逑

式中＆邋＞邋０是ｊｃ，？的松弛因子。逡逑ＳＶＭ通過尋找最優(yōu)超平面來實現(xiàn)不同信號數(shù)據(jù)的分類。最優(yōu)超平面是使得數(shù)據(jù)逡逑樣本間距最大的超平面。圖２－９給出了二分類ＳＶＭ的原理示意圖，實心圓代表＋１，逡逑空心圓代表－１，樣本數(shù)據(jù)被一個超平面區(qū)分，支持向量機的超平面是紅色和黑色的線。逡逑從圖中可以得出：距離兩個分類平面Ｈ１和Ｈ２的間隙計算為２／｜｜ｗ｜｜，如果要２／｜｜ｖｖ｜｜逡逑的最大值，即選擇丨Ｍ丨／２最小。最優(yōu)超平面Ｈ在滿足２－４３的約束條件下，可以通過下逡逑00邐邐＿＿＿超平面Ｈ３逡逑0邋0＼邋＼邋＼逡逑00＼邋＼＾邋＼超平面逡逑＼邐￥優(yōu)超平逡逑超平面Ｈ２邐面Ｈ逡逑圖２－９邋二類分類器ＳＶＭ的原理示意圖逡逑列約束條件的最優(yōu)化問題來得到解決：逡逑ｍｉｎ邋＾邋＋邋Ｃ邋＾邐（２－４４）逡逑／＝１逡逑其中，ｗ為分類面的權(quán)重向量，６為分類閾值，纟為松弛變量，當訓練樣本線性可分逡逑時，＃劍埃嘈毖盜費猗靜豢煞只蚍竅咝允薄叮荊�。�

本文編號：2638298