基于RBF神经网络的调制识别

第30卷　第7期系统工程与电子技术Vol.30　No.72008年7月Systems Engineering and Electronics J ul.2008文章编号:10012506X (2008)0721241204收稿日期:20070814;修回日期:20071128。

基金项目:国家自然科学基金资助课题(60475024)作者简介:刘澍(1975),男,讲师,博士研究生,主要研究方向为信号处理和人工神经网络。

E 2mail :liushu @基于RBF 神经网络的调制识别刘　澍,王宏远(华中科技大学电信系,湖北武汉430074) 摘　要:针对通信信号这种非稳定的、信噪比(SNR )变化范围较大的信号,利用遗传算法训练的径向基神经网络分类器对各种调制信号的特征矢量进行分类识别,充分发挥径向基神经网络的广泛映射能力和遗传算法的全局收敛能力,并在遗传算法中加入了梯度下降算子,克服遗传算法收敛速度慢的缺点,加快了遗传算法训练神经网络的速度,使得分类器的识别率和鲁棒性得到明显改善。

仿真实验的结果证明了此方法的有效性和可行性。

关键词:遗传算法;径向基神经网络;特征矢量;调制识别中图分类号:TN 18 文献标志码:AModulation recognition of commu nication signals b ased on RBF neural netw orksL IU Shu ,WAN G Hong 2yuan(Dept.of Elect ronics and Inf ormation ,H uaz hong Univ.of Science and Technology ,W uhan 430074,China ) Abstract :This paper mainly proposes an algorit hm wit h which to implement the optimal classifier of RBF neural networks wit h genetic algorit hms and to classify t he modulation types of communication signals automati 2cally.The met hod is according to t he p urpose of classification ,using t he advantages of bot h t he non 2linearity and adaptiveness of RBF neural networks ,and combining wit h the algorit hms of good classifier performance and robust ness.Genetic algorit hm has t he characteristics of global convergence and heuristic learning wit h disadvan 2tage of slow convergence rate.The gradient operator is used to t he genetic algorithm for speeding up t he conver 2gence rate.It overcomes t he drawbacks of t he general classifier of neural networks.Test shows t hat t he propose met hod has good performance.K eyw ords :genetic algorithm ;RBF neural network ;characteristic vector ;modulation recognition0　引　言 通信信号的调制识别是软件无线电的关键技术之一,如何采用自动识别技术来鉴别通信信号的调制类型,具有很大的灵活性和适应能力,在军事领域也有重要的应用前景。

近年来信号调制识别的方法[1]层出不穷,一般分两步走,第一步是信号特征的提取,典型的方法有基于时域、频域与功率谱特征的方法,基于小波理论的方法,基于分形理论的方法等;第二步是根据特征分类,典型的方法有:直接分类法,支持向量机分类技术,神经网络分类技术等[2]。

本文采用遗传算法(genetic algorithm ,GA )[3]训练与优化的径向基函数神经网络(radial based f unction ,RBF )[4]作为各种调制信号的特征分类器。

RBF 神经网络以其简单的网络结构、快速的学习方法、较好的推广能力,已经广泛地应用于许多领域,特别是模式识别和函数逼近等领域。

然而,如何有效地确定RBF 神经网络的网络结构和参数,至今没有系统的规律可循。

在RBF 神经网络中需要确定的参数包括隐含层节点数、隐含层基函数的中心值和宽度、隐含层到输出层的连接权值。

目前,隐含层节点数主要依靠经验来选取。

而隐含层基函数中心值的选取对网络的函数逼近能力有很大的影响,目前最常用的确定隐含层中心值的方法是K 2均值聚类法,中心值的确定是从输入样本中选取。

往往由于样本数量少或其值不能较好地反映系统输入输出关系等因素,而降低网络的最佳逼近性能。

本文所采用的方法是利用遗传算法优化选取隐含层节点数,中心值、平移因子及连接权值。

遗传算法是一种基于自然遗传学和计算机科学的新型优化方法。

其综合了适者生存、遗传信息的结构性及随机性交换的生物进化特点,使满足目标的决策获得最大的生存可能。

它利用对问题的编码集进行操作而不是变量本身,因而具有广泛的实用性。

同时,它又是在　·1242　·系统工程与电子技术第30卷　一群点上的搜索最优解而不是从单一点上进行搜索,因而能同时获得许多峰值,大大地增强了全局的收敛性,保证了解的全局最优性。

本文将遗传算法和RBF 神经网络结合起来[5],发扬RBF 神经网络的广泛映射能力和遗传算法的全局收敛等特点,避免神经网络易于陷入局部极小点的问题。

利用遗传算法训练RBF 神经网络的结构与参数,用训练好的神经网络识别各种调制信号的特征矢量。

1　RBF 神经网络分类器的结构调制方式识别主要由以下几个步骤完成:信号采样与预处理、特征提取、分类识别,如图1所示。

本文以RBF 神经网络作为分类识别器,RBF 神经网络是一种特殊的3层前馈网络,它通过非线性基函数的线性组合实现映射关系。

RBF 网络一般包括输入层、隐含层和输出层。

从输入层到隐含层的变换是非线性的,而从隐含层到输出层的变换是线性的。

隐含层采用径向基函数作为传输函数,通常采用高斯函数。

假定输入样本为x ,则隐含层第i 个单元的输出为图1　RBF 神经网络分类器R i =exp {-|x -μi |2/2σ2i },i =1,2,…,K(1)式中,K 为隐含层单元的个数,μi 为基函数的中心,σi 是第i 个隐含层单元的高斯函数的宽度,则相应的输出层节点的输出为Y j =∑Ki =1W ijR i (x ),j =1,2,…,N (2)式中,W ij 是第i 个隐含层节点到第j 个输出层节点的权值,输出节点共N 个,Y j 是第j 个输出节点的输出。

本文中,网络结构与参数的训练过程作如下安排:基函数的中心μi 、第i 个隐含层单元的高斯函数的宽度σi 、从隐含层到输出层的变换权值W ij 通过遗传算法优化获得。

2　遗传算法介绍遗传算法(GA )有三种基本算子:选择、交叉和变异,称为遗传操作。

GA 空间中的个体就是染色体,个体的构成要素为遗传基因,个体上遗传基因所在的位置称为基因座,一组个体的集合称为种群。

个体对环境的适应能力评价用适应度表示,适应度大的个体是优质个体,它是种群中个体生存机会选择的唯一确定性指标,它决定了种群的进化行为。

GA 的基本步骤[6]一般包括以下几部分。

步骤1　确定编码方式,将待求解参数进行编码,形成染色体。

步骤2　根据具体问题,确定寻优的目标函数,并转换为相应的适应值函数。

步骤3　产生初始种群,并计算种群中个体的适应值,依据适应值大小进行复制、交叉和变异操作,从而形成新的个体。

步骤4　计算新个体的适应值,并依据一定准则选择产生新种群。

步骤5　收敛性的判定,收敛性判定的方式有多种,如根据适配值大小判断,根据遗传代数判断,或根据亲代与后代差异大小判断,即可以单独使用,也可同时使用。

3　基于遗传算法的RBF 神经网络优化实现连续RBF 神经网络的表示如下f (x )=∑Ki =1w iexp|x -μi |2σ2i+ g (3)式中,w i 、μi 和σi 分别为权重因子、平移因子和伸缩因子,K 表示隐含层的个数,输入为x ,输出为f (x ),引入 g 为f (x )的均值估计。

神经网络的优化问题可以描述为:网络训练的样本对为(x j ,y j ),y j =f (x j )+n j ,j =1,2,…,N ,n j 为噪声,N 表示信号采样点个数,求使误差函数EE =12∑N j =1(yj-f ^(x j))2(4)最小,满足精度要求的K 值和相应的网络参数,y j 为期望输出,f ^(x j )为实际输出。

3.1　多值编码方式采用GA 优化RBF 神经网络时,一个关键的问题是首先要对优化的网络参数和结构进行编码。

GA 的编码方式最初多采用二进制编码,但当优化问题较复杂,优化参数较多的情况下,一般要采用实值编码。

为了同时优化网络的结构与参数,适应具体的问题,在本文设计的算法中,采用二进制与实值编码共存的多值编码方式。

GA 的一个染色体对应一个待求解问题的解。

本算法把每个染色体分为四段,第一段到第三段构成RBF 神经网络的参数基因段,基因位采用实值编码,分别对应所有隐含单元的平移因子μk 、伸缩因子σk (k =1,2,…,K )和权值W ij 。

而染色体的第四段为结构基因段,代表RBF 神经网络的结构,采用二进制编码,表示该隐含层单元的有效性,0表示无效,1表示有效。

构成染色体时,可根据经验确定一个较大的K 值。

由于采用混合编码方式,因此在进行遗传操作时也要分别采用两种操作。

表示RBF 神经网络参数和结构的一个染色体由图2所示。

　[μ1,μ2,...,μK ,σ1,σ2,...,σk ,w 11,w 12,...,w KN ,1,1, (1)图2　多值编码的染色体结构　第7期刘澍等:基于RBF 神经网络的调制识别·1243　·　3.2　适应度函数适应度函数的定义将对遗传算法有全局性的影响[7],是算法成功求得全局极值的关键之一。