基于演化神经网络的调制信号识别方法研究.pdf

基于演化神经网络的调制信号识别方法研究

摘要

在现代无线通信中，调制信号识别是一种用于非协作通信的关键技术之一，在电子

侦察、电子对抗与认知无线电等领域得到了广泛应用。传统调制信号识别方法主要包括

基于似然理论的假设检验方法和基于特征提取的模式识别方法，随着深度学习发展，基

于深度学习的调制信号识别也得到了广泛应用。这些方法中，针对传统神经网络难以确

定部分超参数或结构等缺陷，基于演化神经网络的调制信号识别方法是值得进一步研究

的内容。设计新的智能优化算法来演化神经网络，对提高分类识别的性能具有重要意义。

本文主要的研究工作如下所述：

（1）研究了常见的几种数字调制信号，并阐述了其特征的提取过程和展示了所提

取特征对调制识别的有效性。随后，对冲击噪声建模和一些特性进行了研究，为后续调

制信号识别方法提供了数据来源。

（2）针对传统澳洲野犬优化算法性能上的不足，将澳洲野犬优化算法与量子计算

机制结合，提出一种新的量子澳洲野犬优化算法，并对其性能进行了仿真测试，仿真结

果表明所提出的量子澳洲野犬优化算法与其他五种智能优化算法相比具有更优的收敛

速度和收敛精度。随后，在广泛存在的高斯白噪声下，针对单一的瞬时特征或累积量特

征难以区分部分调制类型的问题，首先提取瞬时与累积量特征组成混合特征，并进行样

本扩充使得其适用于长短时记忆神经网络的训练；其次针对传统长短时记忆神经网络的

超参数依赖人工调整的问题，采用所提出的量子澳洲野犬优化算法来演化长短时记忆神

经网络关键超参数，仿真结果表明与对比分类器和人工选择超参数的网络相比，总体识

别率有较大提升。

（3）针对传统根树优化算法收敛速度和精度的不足，将根树优化算法与量子计算

思想结合，提出了一种新的量子根树算法，并对其性能进行了仿真测试，仿真结果表明

所提的量子根树算法与其他五种智能优化算法相比具有更优的收敛速度和收敛精度。随

后，在更特殊的冲击噪声下，首先为了减弱冲击噪声对信号的影响，利用加权Myriad算

法进行去噪处理，然后提取瞬时与累积量特征组成混合特征；其次针对极限学习机随机

初始化权重和偏置影响了识别效果的问题，采用所提出的量子根树算法来演化极限学习

机初始权重和偏置。仿真实验表明与其他方法以及智能优化算法演化的极限学习机相比

识别率也有所提升，为极限学习机参数初始化方法提供了借鉴。

哈尔滨工程大学硕士学位论文

（4）通过对测试函数和两种演化神经网络方法的实验，所提量子澳洲野犬优化算

法和量子根树算法具有一定通用性，能够应用于其他工程优化问题的解决。

关键词：调制识别；α稳定分布；演化神经网络；长短时记忆神经网络；极限学习机

基于演化神经网络的调制信号识别方法研究

Abstract

Inmodernwirelesscommunication,modulationsignalrecognitionisoneofthekey

technologiesfornon-cooperativecommunication,whichhasbeenwidelyusedinelectronic

reconnaissance,electroniccountermeasures,cognitiveradioandotherfields.Traditional

modulationsignalrecognitionmethodsmainlyincludehypothesistestingmethodsbasedon

likelihoodtheoryandpatternrecognitionmethodsbasedonfeatureextraction.Withthe

developmentofdeeplearning,modulationsignalrecognitionbasedondeeplearninghasalso

beenwidelyapplied.Amo