基于遺傳算法的神經(jīng)網(wǎng)絡(luò)調(diào)制識(shí)別器.pdf

1、數(shù)字調(diào)制制式自動(dòng)識(shí)別技術(shù)在軍事和民用領(lǐng)域都具有重要的應(yīng)用前景，同時(shí)也是軟件無(wú)線電接收機(jī)必備的功能之一。調(diào)制識(shí)別就是對(duì)未知信號(hào)提取適當(dāng)?shù)奶卣鲄?shù)，通過(guò)適當(dāng)?shù)姆诸?lèi)算法辨別出信號(hào)的調(diào)制方式。本文主要工作包括通信信號(hào)的特征提取、特征選擇和分類(lèi)器設(shè)計(jì)這三個(gè)方面，提出了品質(zhì)優(yōu)良的特征，能夠得到較優(yōu)結(jié)果的特征選擇方法和神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法。
　　在特征提取部分研究了信號(hào)基于瞬時(shí)信息的特征提取方法、基于小波分解的細(xì)節(jié)特征提取方法、基于高階累積量的特

2、征提取方法和基于分形理論的特征提取方法，并分別采用這四種方法提取信號(hào)的特征參數(shù)，組成原始特征集。生成的特征集包含了各類(lèi)信號(hào)模式的差別信息，但這些特征的類(lèi)內(nèi)聚集度和類(lèi)間分離度存在較大差異，需要進(jìn)一步選擇。
　　特征選擇部分采用了遺傳算法(GA，GeneticAlgorithm)，其不同于傳統(tǒng)的搜索和優(yōu)化方法，它不是對(duì)具體參數(shù)的搜索空間的一個(gè)解進(jìn)行評(píng)估，而是對(duì)整個(gè)搜索空間的大量可行解同時(shí)并行搜索，這樣就克服了傳統(tǒng)方法可能陷入收斂于局部

3、最優(yōu)的困境。本文深入研究了遺傳算法的原理、基本操作、運(yùn)算流程與主要特點(diǎn)，詳細(xì)進(jìn)行了信號(hào)特征選擇的遺傳算法設(shè)計(jì)，從特征提取部分得到的特征集中挑選出一些最有效的特征以降低特征空間維數(shù)。
　　本文采用離散小波神經(jīng)網(wǎng)絡(luò)(DWNN，DiscreteWaveletNeuralNetwork)分類(lèi)器來(lái)驗(yàn)證遺傳算法應(yīng)用于數(shù)字調(diào)制識(shí)別的有效性。分類(lèi)器設(shè)計(jì)部分重點(diǎn)研究DWNN的結(jié)構(gòu)原理和學(xué)習(xí)規(guī)則，詳細(xì)分析了DWNN算法。然后，構(gòu)建DWNN數(shù)字調(diào)制識(shí)別

4、分類(lèi)器，并通過(guò)實(shí)驗(yàn)選定了分類(lèi)器的參數(shù)。最后仿真實(shí)驗(yàn)通過(guò)與采用經(jīng)典五個(gè)特征的DWNN分類(lèi)器進(jìn)行對(duì)比，分析了采用遺傳算法選出特征的DWNN數(shù)字調(diào)制識(shí)別分類(lèi)器在各方面的性能，分析結(jié)果證明了采用遺傳算法選出特征的DWNN分類(lèi)器的訓(xùn)練收斂速度及穩(wěn)定性、正確識(shí)別能力和抑制噪聲的能力均大大優(yōu)于采用經(jīng)典五個(gè)特征的DWNN分類(lèi)器。并且采用經(jīng)典五個(gè)特征的DWNN分類(lèi)器對(duì)于不同調(diào)制制式組合的識(shí)別能力有較大變化，而采用遺傳算法選出特征的DWNN分類(lèi)器則不存在這