论文部分内容阅读
在现代通信对抗中,通信信号的调制类型识别是重要的研究课题。随着通信技术的飞速发展,通信信号的体制和调制类型变得更加复杂多样,信号环境日趋密集,使得常规的识别方法和理论很难有效地对通信信号进行识别,对通信信号的调制识别研究提出了更高的要求。聚类分析可以发现数据的分布模式以及数据属性之间所存在的有价值的相关联系。人工神经网络具有在标准样本基础上进行高度非线性映射和强大的模式识别能力。因此,本文对上述两种人工智能方法作了深入研究,设计并实现了基于两者的调制类型自动识别系统。主要工作可概括如下;1、在模糊C-均值(FCM)聚类算法的基础上,提出了高效自适应的EAFCM聚类算法。该算法不仅改善了FCM算法对初始中心的敏感,而且可以自适应地确定最佳聚类数。针对各种PSK/QAM数字通信信号,将信号星座图的形状作为识别特征,对接收到的信号运用EAFCM聚类算法重建星座图,从而自动识别信号的调制类型。仿真实验验证了该算法的有效性。2、研究了RBF神经网络和SOFM神经网络的算法、结构和特点。提出了优化的RBF神经网络学习模型和SOFM神经网络与LVQ算法的组合模型。仿真实验结果显示,改进的网络模型的泛化性能都有较大提高。组合模型在中高信噪比下平均识别率都在90%以上,与RBF网络分类器相比具有更优良的分类性能。3、研究了特征选择和神经网络集成(NNE)。利用自适应遗传(AGA)算法实现了特征的有效选择。并根据选择得到的特征组合最优解和次优解,提出了一种新的神经网络集成算法——AGANNE算法。该算法的出发点是尽量减小集成个体的泛化误差和增大集成的差异度。仿真实验结果显示,特征选择有利于提高网络的识别性能;AGANNE算法在各个信噪比下,均取得了较高的识别率,分类器的泛化能力有显著提高。特别是在中信噪比下,平均识别率达到94%,对实际通信信号进行识别,效果理想,较好地满足了工程中的实际需要。