论文部分内容阅读
本文研究用神经网络解决数字通信信号的自动调制识别(AMR)问题。数字信号自动调制识别主要有基于决策论和统计模式两种方法,决策论方法一般是基于噪声干扰下信号的统计特性分析,由于它考虑了噪声的影响,所以在低信噪比下有较好的性能,但该类方法通常是针对某类具体调制信号的统计特性进行分析而得到的某种判决准则,因此识别范围窄。统计模式识别方法通常是基于无噪声干扰下的特征抽取,所以,在低信噪比条件下,识别效果差,在高信噪比条件下,识别效果好。神经网络与传统相关技术相比具有快速解决复杂分类问题的能力,强大的容错和自学习能力,通过训练和自学的自适应对噪声和不完整数据的不敏感性等优点,因此本文选择神经网络来解决数字信号自动调制识别问题。针对决策论和统计模式这两种方法给出两类特征参数：一类是从信号幅度、相位、频率及功率谱等特性中提取的五个Nandi特征参数,Nandi特征参数是基于决策论的特征参数；另一类是利用信号的二阶、四阶和六阶累积量中提取的四个高阶累积量特征参数,该特征参数是基于统计模式的特征参数。针对2ASK、4ASK、2PSK、4PSK、2FSK、4FSK六种信号,详细研究了分别应用这两类参数识别信号的BP神经网络分类器,为了克服标准BP算法收敛速度慢且存在多个局部最小点等缺陷,该分类器采用Levenberg-Marquardt神经网络学习算法,隐含层采用tan-sigmoid函数为激励函数,输出层采用log-sigmoid函数为激励函数,Nandi特征参数分类器隐含层的神经元个数取10个,高阶累积量特征参数分类器隐含层的神经元个数取8个。通过多次仿真,给出了信噪比在2-20dB下的仿真结果,Nandi参数的识别率高于HOC参数的识别率,当信噪比大于6dB时,Nandi参数正确识别率高达90%以上。也可以看出HOC参数不能分开2ASK与2PSK信号,因为当信号变换到基带后,2ASK信号与2PSK信号是等价的。