【摘要】：信號(hào)調(diào)制體制識(shí)別作為無線通信接收中的關(guān)鍵技術(shù),在自適應(yīng)調(diào)制、頻譜監(jiān)測(cè)與管理、電子對(duì)抗及軍事偵察等領(lǐng)域有著重要的應(yīng)用。本文針對(duì)現(xiàn)有信號(hào)調(diào)制體制識(shí)別算法在復(fù)雜信道環(huán)境下識(shí)別性能低、計(jì)算復(fù)雜度高等問題,對(duì)無線通信系統(tǒng)中調(diào)制體制識(shí)別關(guān)鍵技術(shù)進(jìn)行研究,主要內(nèi)容包括非高斯信道下移動(dòng)通信信號(hào)、空間相關(guān)衰落信道下MIMO信號(hào)、信號(hào)樣本較少情況下數(shù)字調(diào)制信號(hào)和雷達(dá)脈內(nèi)信號(hào)調(diào)制體制識(shí)別。本文的主要研究工作和成果如下:1.針對(duì)移動(dòng)通信信號(hào)在低信噪比、多徑時(shí)延信道下提取特征差異化不明顯且計(jì)算量較大的問題,提出了一種基于信號(hào)瞬時(shí)特征的提取方法,該方法通過提取信號(hào)在較低信噪比環(huán)境下的幅度、相位、頻率的瞬時(shí)統(tǒng)計(jì)特征進(jìn)行信號(hào)分類,仿真結(jié)果表明,該方法不但特征差異化明顯且計(jì)算復(fù)雜度較低;針對(duì)復(fù)雜信道環(huán)境下分類器算法識(shí)別性能較差、識(shí)別準(zhǔn)確率較低且計(jì)算復(fù)雜度較高的問題,提出了一種基于ELM極限學(xué)習(xí)機(jī)的機(jī)器學(xué)習(xí)算法,該算法無需任何先驗(yàn)信息,將信號(hào)識(shí)別問題歸納為多元特征分類問題,在非高斯時(shí)變多徑衰落信道環(huán)境下具有較好的識(shí)別性能;針對(duì)ELM極限學(xué)習(xí)機(jī)算法在異常復(fù)雜信道環(huán)境下(如較低信噪比、多徑數(shù)增加、時(shí)延增長)識(shí)別準(zhǔn)確度較低的問題,提出SAE-ELM自適應(yīng)極限學(xué)習(xí)機(jī)算法,該算法通過差分變異進(jìn)化理論來優(yōu)化機(jī)器學(xué)習(xí)過程中的網(wǎng)絡(luò)參數(shù)權(quán)重,有效克服了復(fù)雜的信道環(huán)境對(duì)信號(hào)的影響。2.針對(duì)MIMO通信信號(hào)在低信噪比的空間相關(guān)衰落信道環(huán)境下識(shí)別準(zhǔn)確率較低的問題,提出了一種在MIMO空間相關(guān)信道模型下,基于循環(huán)平穩(wěn)特征的數(shù)字信號(hào)特征提取方法,該方法通過提取信號(hào)樣本的高階矩和高階累積量特征作為識(shí)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(duì)信號(hào)的影響;針對(duì)現(xiàn)有分類器算法運(yùn)算時(shí)間長和信號(hào)正確識(shí)別率較低的問題,引入ELM機(jī)器學(xué)習(xí)算法和SAE-ELM機(jī)器學(xué)習(xí)算法。兩類算法通過隨機(jī)生成網(wǎng)絡(luò)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(fù)雜度,提高了識(shí)別準(zhǔn)確度;針對(duì)MIMO通信中信道相關(guān)系數(shù)增加時(shí),ELM算法識(shí)別準(zhǔn)確度無法滿足實(shí)際應(yīng)用的難題,提出了一種基于信道估計(jì)和均衡的MIMO信號(hào)調(diào)制體制識(shí)別方案,該方案在信道估計(jì)誤差較小的情況下,可以消除MIMO空間相關(guān)信道對(duì)信號(hào)的干擾和影響,仿真結(jié)果表明,信道估計(jì)和均衡算法的引入,較大提升了MIMO信號(hào)的識(shí)別準(zhǔn)確度。3.針對(duì)現(xiàn)有信號(hào)特征識(shí)別分類器算法在前期需要大量信號(hào)數(shù)據(jù)樣本訓(xùn)練的問題,提出一種基于極限學(xué)習(xí)機(jī)的SS-ELM半監(jiān)督極限學(xué)習(xí)機(jī)算法分類器,該分類器在訓(xùn)練過程中利用少量標(biāo)記數(shù)據(jù)樣本和大量未標(biāo)記的數(shù)據(jù)樣本共同訓(xùn)練分類器,獲取分類器網(wǎng)絡(luò)參數(shù),有效克服了分類器算法在信號(hào)數(shù)據(jù)樣本較少情況下無法進(jìn)行分類的難題;針對(duì)不同標(biāo)記信號(hào)樣本數(shù)量對(duì)信號(hào)調(diào)制識(shí)別結(jié)果的影響,提出了一種樣本數(shù)階梯等間隔的驗(yàn)證方法,即在相同實(shí)驗(yàn)仿真環(huán)境下,通過設(shè)定不同數(shù)量的信號(hào)標(biāo)記樣本,驗(yàn)證該半監(jiān)督分類器的識(shí)別性能,仿真結(jié)果表明,訓(xùn)練數(shù)據(jù)中標(biāo)記樣本的數(shù)量和半監(jiān)督機(jī)器學(xué)習(xí)分類器的分類性能有關(guān),隨著訓(xùn)練數(shù)據(jù)中標(biāo)記數(shù)據(jù)樣本增加,分類器識(shí)別性能明顯提高。4.針對(duì)脈內(nèi)雷達(dá)信號(hào)在短波信道下識(shí)別性能差的問題,提出了一種基于小波變換的雷達(dá)信號(hào)調(diào)制識(shí)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(shí)現(xiàn)了雷達(dá)脈內(nèi)信號(hào)在非高斯多徑時(shí)延短波信道下的信號(hào)分類,仿真表明在短波信道下上述方法的識(shí)別性能明顯優(yōu)于傳統(tǒng)方法,且具有較低的復(fù)雜度和良好的魯棒性。
【圖文】：

經(jīng)元都代表一種運(yùn)算單元，且具有非線性的運(yùn)算能力，通過設(shè)定神經(jīng)元的計(jì)Ｉ』，，使每一個(gè)神經(jīng)元變成一個(gè)非線性計(jì)算系統(tǒng)，可以逼近任何非線性函數(shù)。因?qū)⑸窠?jīng)網(wǎng)絡(luò)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(luò)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(shí)現(xiàn)對(duì)數(shù)據(jù)學(xué)習(xí)的分類識(shí)別。神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力對(duì)數(shù)據(jù)無任何要求，在面臨非線性的問題時(shí)，廣泛受到應(yīng)用。逡逑神經(jīng)網(wǎng)絡(luò)模式識(shí)別分為兩個(gè)過程，訓(xùn)練過程和識(shí)別過程。在訓(xùn)練過程，無樣本分布的情況下，將大量的信號(hào)樣本，輸入到學(xué)習(xí)網(wǎng)絡(luò)中，根據(jù)學(xué)習(xí)結(jié)果的調(diào)整網(wǎng)絡(luò)的各種參數(shù)信息，直到網(wǎng)絡(luò)的輸出數(shù)據(jù)達(dá)到我們?cè)O(shè)定的期望輸出，號(hào)調(diào)制體制識(shí)別中，主要體現(xiàn)在可以將不同調(diào)制方式的信號(hào)按照一定的準(zhǔn)確到所屬的信號(hào)模式，達(dá)到這一標(biāo)準(zhǔn)的網(wǎng)絡(luò)參數(shù)要進(jìn)行記錄，把這些規(guī)律記錄調(diào)整的網(wǎng)絡(luò)權(quán)值和各種閾值中去，此參數(shù)說明網(wǎng)絡(luò)已經(jīng)對(duì)信號(hào)的樣本進(jìn)行了掌握了信號(hào)間的不同差異的特征。識(shí)別過程：根據(jù)在訓(xùn)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(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)中，并判斷所屬類別。圖如圖２－５所示。逡逑：產(chǎn)生標(biāo)準(zhǔn)信號(hào)——？特征提取邋——ｉＪｉｌ練網(wǎng)絡(luò)邋——成熟的網(wǎng)絡(luò)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(shí)現(xiàn)不同信號(hào)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(shí)心圓代表＋１，逡逑空心圓代表－１，樣本數(shù)據(jù)被一個(gè)超平面區(qū)分，支持向量機(jī)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(gè)分類平面Ｈ１和Ｈ２的間隙計(jì)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(dāng)訓(xùn)練樣本線性可分逡逑時(shí)，＃劍埃嘈毖盜費(fèi)猗靜豢煞只蚍竅咝允薄叮荊�。�(mèng)

本文編號(hào)：2638298