基于MLP神经网络的超宽带信号自适应识别算法的研究

作者:尹振东;吴芝路;任广辉;张中兆 刊名:重庆邮电大学学报(自然科学版) 上传者:刘媛

【摘要】提出一种利用人工神经网络进行超宽带信号调制模式自适应识别的方法。采用三层MLP神经网络进行调制模式识别。首先对超宽带数字调制信号进行统计特征参数提取,特征参数作为MLP网络的输入层神经元参数,隐含层是双层结构。实验证明,当中间层采用正切型激活函数、输出层采用线性激活函数时,MLP分类器的识别性能最好。在5dB信噪比环境下,算法的正确识别率高于95%。与传统的统计判决方法相比,神经网络分类器不需要设定判决门限就能实现自适应识别,并且达到更好的识别率,解决了软件无线电系统中的超宽带信号自动识别的问题。

全文阅读

0引言随着美国联邦通信委员会(FCC)对超宽带技术发布的初步规定及其所作的定义,超宽带(UWB)无线电技术成了民用和军用研究的热点uwB信号的频谱宽而且功率受限,接收端信躁比很低,所以对编码和调制方式的选择既要考虑较高的功率利用率,还要考虑信噪比来提高频谱利用率’一,日前研究的热点是自适应编码调制系统“一7,就是根据信道的情况确定当前信道的容量,根据容址确定合适的编码调制方式,最大程度的发送信息,实现较高的速率,1司时提高链路的频谱效率及更低的误码率,并保持较低的发射功率以满足FCC的功率限制UWB系统的常用调制方式有:脉冲位置调制(PPM)、相位调制(Bl,SK)、脉冲幅度调制(I)AM)、开关键控(()()K)。UWB系统的自适应编码技术中,数字调制信号的调制模式识别是一项关键技术并且受到J“泛关注。传统的调制识别方法,比较成熟的是基于统计模式识别的方法,包括特征提取和类型识别2部分其主要原理是根据对信号的统计特性的数学分析,即从调制信号的幅度、相位、频率和功率谱等儿方而的信息中提取出特征参数,并导出统计检验址,以形成判决准则。但是这种方法存在2大缺陷:是在收稿日期:2006一12一2修订日期:2008一02一19基金项目:国家自然科学基金重点项目(60432040)第2期尹振东,等:基于MLP神经网络的超宽带信号自适应识别算法的研究巧7每个判决节点处同时只使用一个特征量来做判决,这就导致识别的成功率不仅与特征使用的先后次序有关,而且完全取决于每个特征的单次正确判决概率;二是每个特征都需要对应设置一个判决门限,而判决门限的选取对识别的正确率影响很大。针对以上信号调制方式识别中所存在的问题,人们提出了基于人工神经网络(ANN)的识别方法[’一,“。ANN法在每个节点(神经元)处的特征判决门限是自动选取的,而且对门限的选取具有自学习自适应能力;另外,ANN法每次判决使用全部特征量,而不仅仅是其中的一个特征量,这就使得识别成功率与特征参数选用次序无关,而且识别的成功概率与单个特征参数的识别性能关系不大,主要与整体性能有关。人工神经网络采用3层结构,即1个输人层、1个输出层、1个中间层。中间层可以采用多层,从而构成多层的网络结构。本文中我们提出了一种基于人工神经网络算法用来自动识别uWB调制信号的方法,仿真实验证明该网络在充分训练的基础上、相同信躁比环境下识别正确率高于统计判别方法。该方法易于采用软件无线电技术,在解调环节方便利用DSP或者FPGA设备进行在线配置自动解调模块。系统结构图如图l所示。斯脉冲函数。现在存在着多种特征提取方案,其中比较有效的特征参数如下:l)零中心归一化瞬时幅度之谱密度的最大值7m。:为下ma:=max}DrT(a.,(i川’/N,(2)(2)式中,N。是样本数目:a,(i)==a,,(i)一l,a。(i)二a(i)/m。,m。是样本均值。2)零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差,即为a,。二俘(丫。:,“))一(粤丫.。、.(‘).犷丫C、。息。厂NL、“‘’、C‘:。息。,’一“’z(3)(3)式中,a‘是判断弱信号段的一个幅度判决门限电平;C是在全部取样数据N,中属于非弱信号值的个数;必N:(i)是经零中心归一化处理后瞬时相位的非线性分量,在载波完全同步时有中气V白i=Il一从巾NL(i)=巾(i)一中。=中N:(i其中巾(i)为瞬时相位。3)零中心非弱信号段瞬时相位非线性分量的标准偏差ad。为数据输出。p二淤‘。,燕。严lC‘J。艺巾N,(‘)(里)>。刀,(4)aa,和,d,的区别在于前者是相位绝对

参考文献

引证文献

问答

我要提问