針對(duì)當(dāng)前通信信號(hào)的制式識(shí)別算法在低信噪比情況下識(shí)別不準(zhǔn)確的問題,提出一種新的小波特征與改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)結(jié)合(WL-DNN)的識(shí)別算法。該算法將生成的10種{2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、OFDM、16QAM、AM、FM}含有高斯白噪聲的通信信號(hào),用小波分解重構(gòu)算法提取出一類新的小波特征參數(shù)。本文測(cè)試了含有多層隱含層的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)作為分類器,利用彈性反向傳播算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的參數(shù),確定神經(jīng)網(wǎng)絡(luò)的最優(yōu)超參數(shù)。仿真結(jié)果表明:在信噪比低至0 dB的情況下,單個(gè)調(diào)制信號(hào)最低識(shí)別率超過95%,平均識(shí)別率超過98%,大幅提高了制式識(shí)別在低信噪比下的識(shí)別率,由此表明了該算法的有效性和正確性。

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1 小波去噪流程圖

利用小波變換的分解重構(gòu)算法,分解出信號(hào)的低頻信息、近似分量和高頻信息、細(xì)節(jié)分量,計(jì)算出小波分解的默認(rèn)閾值,再重構(gòu)出去除噪聲后的“干凈”信號(hào),流程圖如圖1所示。3算法設(shè)計(jì)

圖2 識(shí)別系統(tǒng)模型

輸入層含有3個(gè)神經(jīng)元,對(duì)應(yīng)調(diào)制信號(hào)提取出的3個(gè)特征參數(shù)。隱含層為3層時(shí),每層分別有12,24,12個(gè)神經(jīng)元;隱含層為4層時(shí),每層分別有12,24,24,12個(gè)神經(jīng)元;隱含層為5層時(shí),每層分別有12,24,24,24,12個(gè)神經(jīng)元。輸出層的神經(jīng)元個(gè)數(shù)為4個(gè)。4個(gè)輸出最多可以產(chǎn)生16....

圖3 調(diào)制信號(hào)的小波去噪比較

特征參數(shù)A1隨信噪比SNR變化如圖4所示�？梢钥闯�10種信號(hào)的特征參數(shù)A1從信噪比大于-2dB開始,便呈現(xiàn)出穩(wěn)定的變化趨勢(shì),并隨著信噪比的變大,各信號(hào)間的區(qū)別更加明顯。這表明了特征參數(shù)A1的正確性。圖4特征參數(shù)A1隨信噪比變化

圖4 特征參數(shù)A1隨信噪比變化

圖3調(diào)制信號(hào)的小波去噪比較特征參數(shù)A2隨信噪比的變化如圖5所示。可以看出10種信號(hào)的特征參數(shù)A2從信噪比大于-2dB開始,便呈現(xiàn)出穩(wěn)定下降的變化趨勢(shì),且信噪比大于0dB時(shí),各信號(hào)間的特征出現(xiàn)了穩(wěn)定的分層,易于分類器識(shí)別。這表明了特征參數(shù)A2的正確性。

本文編號(hào)：4031535