基于改进的自组织映射神经网络的调制方式识别分类器

四川大学学报(工程科学版)

JOURNALOFSICHUANUNIVERSITY(ENGINEERINGSCIENCEEDITION)

Vo.l38No.5Sept.2006

文章编号:1009󰀁3087(2006)05󰀁0143󰀁05

基于改进的自组织映射神经网络的

调制方式识别分类器

高玉龙,张中兆

(哈尔滨工业大学通信技术研究所,黑龙江哈尔滨150001)

摘󰀁要:为了提高调制方式识别分类器算法的正确识别概率和缩短识别时间,使其有自适应能力,利用自组织映射神经网络自组织、自适应的特点,提出采用自组织映射神经网络作为调制方式中的分类器,以自适应于信噪比的变化。对其学习规则和竞争传递函数进行改进,使每次获胜的输出神经元为2个。这样能减少输出神经元个数,加快神经网络的收敛速率,以较短的时间识别接收信号的调制方式。仿真结果表明改进的自组织映射神经网络的识别概率高于其它的神经网络。并且由于其结构简单,便于工程实现。

关键词:自组织映射神经网络;调制方式识别;学习规则;神经元节点;竞争传递函数中图分类号:TN911.6

文献标识码:A

ClassifierofModulationRecognitionBasedon

ModifiedSelf󰀁organizingFeatureMapNeuralNetwork

GAOYu󰀁long,ZHANGZhong󰀁zhao

(CommunicationResearchCenter,HarbinInst.ofTechno.l,Harbin150001,China)

Abstract:Inordertoimproverecognitionprobabilityanddecreaserecognitiontimeoftheclassifierofmodulationrecognition,andtomakeitadaptive,theself󰀁organizingfeaturemapneuralnetwork(SOM)wasusedastheclassifi󰀁

erofmodulationrecognition,applyingitspropertyofself󰀁organizingandadaptationtoadaptautomaticallyvarietyofthesignaltonoiseratio.Learningruleandcompetitivetransferringfunctionweremodifiedinordertohavetwovic󰀁toriousoutputneurons.Thenumberofoutputneuronscouldbedecreasedandtheconvergentrateofneuralnetworkcouldbeimprovedthoughtthoseameliorations,andmodulationtypecouldberecognizedinlesstime.Thesimula󰀁tionresultsprovedthatrecognitionprobabilityofmodifiedSOMishigherthanotherneuralnetworks,andmodifiedclassifierisimplementedeasilyinpracticalengineeringbecauseofitssimplestructure.

Keywords:self󰀁organizingfeaturemapneuralnetwork;modulationrecognition;learningrule;neuronnode;com󰀁petitivetransferringfunction

󰀁󰀁传统的调制方式识别基本上包括信号预处理、特征参数提取和分类识别3个部分。信号预处理给

收稿日期:2005-12-19

基金项目:国家863计划资助项目(2004AA001210)

作者简介:高玉龙(1978-),男,博士生.研究方向:通信信号处

理及软件无线电技术.

后续的处理提供合理的中频信号。特征提取部分是从数据中提取信号的时域特征或变换域特征。分类识别部分选择和确定合适的判决规则和分类器结构。

󰀁󰀁现在调制方式识别算法中的分类器主要采用梯形结构和神经网络结构。梯形分类器需要事先确定判决门限,自适应性差,识别效率也相对不高。

144

四川大学学报(工程科学版)第38卷󰀁

󰀁󰀁基于此,文献[1-3]提出利用BP神经网络作为分类器来识别通信信号调制方式。随后出现了利用其它类型神经网络作为分类器识别调制方式的算法

[4-6]

神经元个数和学习规则确定。

因此,为了使其能在较短的时间内收敛,特对它的学习规则和输出神经元个数进行改进。要对改进的自组织映射神经网络进行性能仿真,首先选择区分调制方式的各种特征参数。

1.1󰀁特征参数提取

调制方式识别要求提取的特征参数对信噪比和信号调制参数如调频信号的调制指数等不敏感但对调制类型敏感,并且计算复杂度小。这种不敏感性可以是参数本身所具有,也可以通过预处理等消除。

根据以上原则,又由于重点是研究调制方式中分类器算法,因此直接使用文献[1-3]中的9个特征参数。它们分别为中心归一化的瞬时幅度的标准偏差󰀁a,非弱信号段中瞬时相位非线性分量的绝对值的标准偏差󰀁ap,非弱信号段瞬时相位非线性分量的标准偏差󰀁dp,中心化标准化瞬时幅度的峰度󰀁42,中心化标准化瞬时频率的峰度󰀁42,零中心归一化瞬时幅度的谱密度的最大值󰀁max,零中心归一化非弱信号段瞬时频率绝对值的标准偏差󰀁af。各种特征参数的含义请参考文献[1-3]。1.2󰀁组织映射神经网络的改进

要识别16种调制类型如表1所示,由于BPSK和2ASK相同,4QAM和QPSK相同,因此真正要识别的调制方式为14种。按照常规的自组织映射神经网络共需14个输出,但文中利用6个输出神经元,比传统自组织映射神经网络减少8个输出神经元。这样能大大减少邻域调整次数以及输入与输出权值调整次数,加快神经网络的识别速度。其输出向量M和所对应的调制方式如表1所示。

f

a

。

但这些神经网络存在收敛速度慢和局部极小点等缺点,而自组织映射神经网络在逼近能力、分类能力和收敛速度等方面均优于这些神经网络。其自组织、无导师、自适应的学习能力进一步拓宽了神经网络在模式识别以及分类方面的应用

[7]

。因此,选用

自组织映射神经网络作为调制方式识别中的分类器。

为了提高识别性能和减少识别时间,对它的学习规则和竞争传递函数进行改进,以适应信噪比的变化。为验证改进的自组织映射网络的识别性能,用matlab软件对改进的自组织映射神经网络识别时间、识别概率性能进行仿真。仿真结果验证了改进算法的正确性。

本文组织如下,第1部分主要介绍特征参数的选取、自组织映射神经网络的改进以及改进后的识别时间性能分析,第2部分给出matlab仿真结果,主要是14种调制信号的在各种信噪比下的识别概率以及改进神经网络和BP神经网络的性能比较,第3部分为全文结论,总结改进算法的特点。

1󰀁改进的自组织神经网络分类器算法

自组织映射神经网络分类器具有强大的模式识别能力,能够自适应适应环境变化,能较好处理复杂的非线性问题,而且具有较好的稳健性和潜在的容错性,可获得很高的识别率。其收敛性主要由输出

表1󰀁调制方式和对应的输出向量

Tab.1󰀁Modulationtypeandcorrespondingoutputvector

Mod

typeM

AM

OQPSK

VSB

8QAM

FM

4FSK

2ASK(BPSK)

MSK

2FSK

QPSK(4QAM)100100

GMSK000110

4ASK011000

DSB001010

16QAM101000

000011010010000101100010001001001100010001010100100001

󰀁󰀁从表1中能看出,每一输出向量M中有两个1,也就是对应于每种调制方式要有两个输出神经元获胜。因此,需要对学习规则和竞争传递函数进行适当改进以保证每次有两个输出神经元获胜。

传统的学习规则是

[7]

1,󰀁󰀁A(i,q)=1

A2(i,q)=

0.5,󰀁A(i,q)=1andD(i,j)󰀁nd0,󰀁󰀁otherwise

(2)

󰀁󰀁从公式(2)能看出,A2(i,q)只有一种情况下为1,根据欧式距离权值函数

Di=

󰀁W(i,j)=lr󰀁A2󰀁(p(j)-W(i,j))(1)

其中,P为输入矩阵,W为权值矩阵,A2为激励矩阵,lr为学习率。A2与网络的输出矩阵A、神经元距离D和当前的邻域尺寸nd的关系为

[7]

󰀁j

(W(i,j)-p(j))

2

(3)

得到的最小值和其它的距离值差别很大,不适合文

中两个神经元胜出的要求。

󰀁第5期高玉龙,等:基于改进的自组织映射神经网络的调制方式识别分类器

145

󰀁󰀁因此,对(2)式作以下改进

A2(i,q)=󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁󰀁

1,󰀁󰀁A(i,q)=1

1,󰀁󰀁A(i,q)=1andmaxD(i,j)󰀁nd0.5,󰀁A(i,q)=1andotherD(i,j)󰀁nd

(4)

󰀁󰀁从公式(5)可以看出,不管学习规则如何改变,还是只有一个输出神经元胜出。

因此,还要对竞争传递函数进行改进,改进以后的竞争传递函数为

Mg=1,󰀁󰀁Dg=min(Di)j=1

M-1M

0,󰀁󰀁otherwise

其中,max(D(i,j)󰀁nd)表示大于等于当前邻域尺寸nd的D(i,j)最大值。改进以后得到的比较接近的距离最小值和次最小值明显区别于其它的距离值。如果把(2)式得到的距离最小值、次最小值对应的两个神经元输出为1,则由于次最小值和其它值的区别很小,会影响最后的识别率。因此,改进能增加正确识别概率。

另外,在理论上有可能出现两个i满足公式(4),但由于选择的特征参数比较多,且特征参数能很好的区分论文要识别的调制方式。因此出现两个i满足公式(4)的概率非常小。一旦出现这种情况认为此次识别失败,从新采集数据,再次进行识别。直至只有一个i满足公式(4)为止。然后,对竞争传递函数进行改进。

[7]

󰀁󰀁原来的竞争传递函数为

M

Mh=1,󰀁󰀁Dh=min(Di),j󰀁gj=10,󰀁󰀁󰀁󰀁󰀁others

(6)

也就是距离的最小值和次最小值对应的神经元的输出是1。经过上述学习规则和竞争传递函数的改

进,保证竞争层有两个神经元胜出,符合要求。1.3󰀁改进后的自组织映射神经网络及其性能根据以上改进和选取的特征参数,可知需要9个输入,6个输出神经元的自组织映射神经网络。按照改进的学习规则和竞争传递函数,对神经网络进行训练。

为了提高学习效率,竞争层和自组织网络输入的初始权值选择在输入空间的中间区。因此,所有的初始权值都一样,即

󰀁󰀁W(i,j)

i=1j=1

67

=0.5。

表2给出了训练以后的权值。

从表中则可以看出,所有的权值和原来都不一

(5)

样。

Mg=

1,󰀁󰀁Dg=min(Di)j=10,󰀁󰀁others

表2󰀁训练后的神经元和输入的权值Tab.2󰀁Trainedneuronsandinputweight

W(i,j)W(1,:)W(2,:)W(3,:)W(4,:)W(5,:)W(6,:)

W(:,1)0.61280.55070.40940.63240.93630.8861

W(:,2)0.66500.63750.61220.28610.19850.5143

W(:,3)0.19880.43230.77750.190.61410.1779

W(:,4)0.43560.33760.87660.01570.48660.6741

W(:,5)0.86120.30310.71700.74230.85930.8496

W(:,6)0.17620.23500.16740.44400.77210.0214

W(:,7)0.33750.65600.40350.040.48840.7102

W(:,8)0.19980.26780.93250.47460.01480.4114

W(:,9)0.45140.55990.90560.43940.84970.8028

󰀁󰀁由于自组织映射神经网络是无导师的学习网络,所以衡量自组织映射神经网络和BP神经网络的性能参数不一样。

为了比较二者的性能,定义自组织网络的错误

概率为最终胜出神经元的错误概率,假设试验次数为N,某两个神经元应该胜出而其它两个神经元胜出的次数为N󰀁,则错误概率为N/N󰀁。这样就和BP神经网络转化为相同的性能参数,然后进行比较。󰀁󰀁图1给出了采用BP神经网络、传统自组织映射神经网络、改进自组织映射神经网络的训练步数和误差之间的关系。可以看出,改进的自组织映射

神经网络比传统自组织映射神经网路和BP神经网络的识别时间性能,也就是达到相同的误差所需要的训练步数有明显的改善,这和理论分析完全吻合。󰀁󰀁由于BP神经网络包含有多个隐层,而自组织

映射神经网络只有竞争层,因此达到相同的性能,BP神经网络权值调整的次数多,花费的时间就多,因此需要的训练步数多。

图1显示当训练步数为4500时,改进的自组织映射神经网络误差几乎为零。而传统的自组织映射神经网络误差几乎为零的训练步数是5600。但当步数大于5600时,二者的性能是一样的。

146

四川大学学报(工程科学版)第38卷󰀁

图1󰀁3种神经网络识别时间比较

󰀁󰀁Fig.1󰀁Recognitiontimeofthreekindsofneural

networks

图2󰀁BP神经网络和改进的自组织映射神经网络的识

别概率

Fig.2󰀁RecognitionprobabilityofBPandmodifiedSOM

2󰀁仿真结果

为了验证提出的调制方式识别分类器算法性

能,对表1中14种调制信号采用批量数据信号接收和处理的方法,其数据观测长度为8192。用Matlab软件对其进行仿真。仿真用的信噪比从0dB到20dB,每2dB评估一次识别概率,每个信噪比对信号集合中每种信号进行2000次试验。数据采样频率和信号的频率分别归一化为1和0.25,相当于对信号进行4倍采样。

󰀁󰀁图2给出使用改进自组织映射神经网络和BP神经网络作为分类器的2ASK调制方式的识别概率性能比较,其它调制类型与此类似。

󰀁󰀁从图2可以看出改进的自组织映射神经网络的识别性能明显好于BP神经网络,并且在低信噪比下尤其明显,这是由于自组织映射神经网络的自适应的特点。

󰀁󰀁图3(a)、(b)、图4(a)、(b)给出了不同信噪比的各种调制方式2000次试验的平均正确识别概率。由于一些模拟调制不太常用,因此相比于文献[3],去掉LSB,USB,Combined3种模拟调制方式,增加8QAM,MSK,GMSK,16QAM4种常用的数字调制方式。从图3和图4中可以明显看出,使用改进的自组织映射神经网络作为分类器,识别概率比文献[1-6]中的神经网络都有所提高,但提高的幅度有所不同。

图3󰀁各种调制方式识别概率

Fig.3󰀁Recognitionprobabilityofmodulationsignals

󰀁第5期高玉龙,等:基于改进的自组织映射神经网络的调制方式识别分类器

147

图4󰀁各种调制方式识别概率

Fig.4󰀁Recognitionprobabilityofmodulationsignals

[3]NandiAK,AzzouzEE.Algorithmsforautomaticmodulation

recognitionofcommunicationsignals.IEEETransactionsonCommunications[J]󰀁1998,46(4):431-436󰀁

[4]KavalovD,KalininV.Neuralnetworkssurfaceacousticwave

RFsignalprocessorfordigitalmodulation[J].IEEETransonoutrasonics,2002,49:1280-1290.

[5]LvTiejun,XiaoXianc.iAlgorithmsformodualtionrecogni󰀁

tionofcommunicationsignalsbasedonoptimalclassifierofneuralnetworks[J].SystemsEngineeringandElectronics,2001,23(5):44-46.[吕铁军,肖先赐.基于神经网络最佳分类器通信信号的调制识别[J].系统工程与电子技术,2001,23(5):44-46.]

[6]TaoJinsong,ChenShixiu,YangL,ieta.lUltrasonictech󰀁

niquebasedonneuralnetworksinvehiclemodulationrecog󰀁nition[J].IEEEInfCofonIntelligentTransportationSys󰀁tems,2004:201-204.

[7]LeeJA,VerleysenM.Self󰀁organizingmapswithrecursive

neighborhoodadaptation[J].NeuralNetworks,2002,15(8-9):993-1003.

(编辑󰀁杨󰀁蓓)

3󰀁结󰀁论

根据自组织映射神经网络自组织、自适应特点,

选择它作为调制方式识别的分类器。为了提高正确识别概率,缩短识别时间,对其学习规则和竞争传递函数进行改进。改进的自组织映射神经网络对信噪比有自适应能力,也就是特征参数对识别概率的影响在不同的信噪比不大。

仿真结果说明提出的改进的自组织映射伸进网络分类器算法相比于其它神经网络能加快神经网络收敛性,提高神经网络正确识别概率。同时也能降低网络复杂度,便于工程实时实现。参考文献:

[1]NandiAK,AzzouzEE.Algorithmsforautomaticmodula󰀁

tionrecognitionofcommunicationsignals[J].IEEETransCommun,1998,46(4):431-436.

[2]NandiAK,AzzouzEE.Automaticidentificationofdigital

modulationtypes.signalprocessing[J]󰀁1995,47(1):55-59󰀁