基于K-means算法改进的SOM神经网络调制识别分类器

基于Ｋ—ｍｅａｎｓ算法改进的ＳＯＭ神经网络调制识别分类器　

文章编号：１００３—５８５０（２０１１）０１—０００８－０３　基于Ｋ—ｍｅａｎｓ算法改进的ＳＯＭ神经网络调制识别分类器　

一Ｃｌａｓｓｉｆｉｅｒ　ｏｆ　Ｍｏｄｕｌａｔｉｏｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　Ｋ—ｍｅａｎｓ　Ａｌｇｏｒｉｔｈｍ　，　

ｔｏ　Ｉｍｐｒｏｖｅ　ＳＯＭ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　

冯利利　王华奎　韩应征　贾若思　

（太原理工大学信息工程学院　太原０３００２４）　【摘　要】通信过程中，获得情报信息的关键步骤是清楚接收到的调制信号的调制方式。随着现代通信技术的高　

速发展，人工智能广泛应用于调制方式识别领域。提出将自组织特征映射（Ｓｅｌｆ—Ｏｒｇａｎｉｚｉｎｇ　ｆｅａｔｕｒｅ　Ｍａｐ，简称　

ＳＯＭ网络）神经网络用于调制制式的识别。用Ｋ均值（Ｋ—ｍｅａｎｓ）聚类算法来寻找每类特征参数的两个聚类中　心，并将此聚类中心作为ＳＯＭ神经网络的初始权值向量。这样，可以降低神经网络的训练次数，同时提高正确　

识别率。　【关键词】调制识别，自组织特征映射神经网络，Ｋ—ｍｅａｎｓ聚类算法　中圈分类号：ＴＮ９１　文献标识码：Ａ　ＡＢＳＴＲＡＣＴ　Ｉｎ　ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｐｒｏｃｅｓｓ，ｉｔ　ｉｓ　ｖｅｒｙ　ｉｍｐｏｒｔａｎｔ　ｆｏｒ　ｏｂｔａｉｎｉｎｇ　ｔｈｅ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｔ。Ｏ　ｃｌｅａｒ　ｋｎｏｗ　ｔｈｅ　ｍｏｄｕｌａｔｉｏｎ　ｍｅｔｈｏｄ　ｏｆ　ｒｅｃｅｉｖｅｄ　ｍｏｄｕｌａｔｅｄ　ｓｉｇｎａｌｓ．Ｗｉｔｈ　ｔｈｅ　ｒａｐｉｄ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｍｏｄｅｒｎ　ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｔｅｃｈｎｏｌｏｇｙ，ａｒＵｈｃｌａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｉｓ　ｗｉｄｅｌｙ　ｕｓｅｄ　ｉｎ　ｍｏｄｕｌａｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｉｅｌｄ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，Ｓｅｌｆ—Ｏｒｇａｎｉｚｉｎｇ　ｆｅａｔｕｒｅ　Ｍａｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｆｏｒ　ｍｏｄｕｌａｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｄｅｃｒｅａｓｅ　ｔｒａｉｎｉｎｇ　ｔｉｍｅ　ｏｆ　ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｎｄ　ｉｍｐｒｏｖｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｐｒｏｂａｂｉｌｉｔｙ，Ｋ－ｍｅａｎ￣　ｃｌｕｓｔｅｒｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｕｓｅｄ　ｔＯ　ｆｉｎｄ　ｔｗｏ　ｃｌｕｓｔｅｒｉｎｇ　ｃｅｎｔｅｒｓ　ｆｏｒ　ｅａｃｈ　ｔｙｐｅ　ｏｆ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｐａｒａｍｅｔｅｒｓ．Ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ，ｔｈｅ　ｔｗｏ　ｃｌｕｓｔｅｒｉｎｇ　ｃｅｎｔｅｒｓ　ａｒｅ　ａｓ　ｔｈｅ　ｒｉｇｈｔ　ｗｅｉｇｈｔ　ｖａｌｕｅ　ｖｅｃｔｏｒ．　ＫＥＹＷＯＲＤＳ　ｍｏｄｕｌａｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ，ｓｅｌｆ—ｏｒｇａｎｉｚｉｎｇ　ｆｅａｔｕｒｅ　ｍａｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，Ｋ—ｍｅａｎｓ　ｃｌｕｓｔｅｒｉｎｇ　ａｌｇｏｒｉｔｈｍ　

调制制式是区别不同性质通信信号的一个重要特　

征，在无线电通信过程中，信号的解调过程是在调制制　

式已知的前提下进行的，所以通信信号调制制式的识　

别在整个通信过程中显得尤为重要。调制制式识别的　基本步骤主要包括信号的预处理，特征参数提取和分　

类识别器的设计三个部分。信号的预处理是为后续的　

识别过程提供合理的中频信号；特征参数提取是从信　

号中提取能够识别该信号调制方式的时域特征参数或　变换域特征参数；分类器的设计研究基本上可以分成　

两大类，基于决策理论的分类识别和基于人工神经网　络（ＡＮＮ）ｃ１］的分类器。目前，随着人工智能技术的快　

速发展，该技术在各项工业技术中也得到广泛的应用，　所以人工神经网络作为调制方式识别分类器是本文的　

研究重点。　特征参数的选取对于整个系统识别率的影响很　

大，用于数字调制信号识别的五种基于时域的特征参　

数［２　】分别为：归一化中心瞬时幅度最大值７ｍ　；非微　弱区段的瞬时相位中心非线性分量绝对值的标准偏差　

；非微弱区段瞬时相位直接值的中心非线性分量的　标准偏差　；归一化中心瞬时幅度绝对值的标准偏差　

；非微弱区段归一化中心瞬时频率绝对值的标准偏　

差ａａｆ。　

１传统ＳＯＭ神经网络算法　

ＳＯＭ神经网络是由芬兰的神经网络专家　

Ｋｏｈｏｎｅｎ教授１９８１年提出的，广泛应用于数据分类、　

模式识别、图像处理等领域。该网络属于前馈型神经网　络，采用无监督学习规则。　

ＳｏＭ网络的最大特点在于其获胜神经元对其邻　近神经元的影响是由近及远，由兴奋变为抑制的，这一　

作用称为侧向抑制作用。因此，自组织特征映射神经网　

络学习算法中调整的不只是获胜神经元本身的权值向　

量，同时也要不同程度的调整其获胜领域内的各神经　元的权值向量。这一作用可以形象地用图１所示的‘墨　

西哥草帽’函数来说明　］。该函数表明获胜神经元有最　

大幅度的权值调整，而获胜神经元领域内神经元的权　

值调整幅度与获胜神经元的距离成反比。　

＊　２０１０—１Ｏ一１９收到，２０１０—１１－１９改回　＊＊　基金项目：山西省自然科学基金资助项目（编号：２００９０１１０１８—１）。　＊＊＊冯利利，女，１９８４年生，硕士研究生，研究方向：第三代移动通信。

　第２４卷第１期　电脑开发与应用　

兴奋程度　Ｊ　ｌ　

／。　＼　

＼＼－／／　距离获　神经元距离　

图１　“墨西哥草帽”函数　１．１　ＳＯＭ神经网络结构　传统ｓＯＭ神经网络由两层神经元组成，即输入　层和竞争层（同时也是输出层）ｌ５］。输入层神经元由一　

维阵列组成，竞争层神经元由一维或二维的阵列组成。　由所提取的特征参数的个数确定神经网络的输入层神　

经元个数为５个。由所要识别的调制信号种类确定输　出层神经元个数为６个，分别代表六种数字调制信号，　

调制方式和对应的输出向量由表１给出。所设计的　ＳＯＭ神经网络的拓扑结构如图２所示。　

表１调制方式和对应的输出向量　

２ＡＳＫ　２ＦＳＫ　２ＰＳＫ　４ＡＳＫ　４ＦＳＫ　４ＰＳＫ　１ＯＯＯ０Ｏ　ｏ１００００　００１０００　ＯＯＯ１ＯＯ　００００１０　Ｏ００００１　

图２传统一维ＳＯＭ神经网络结构图　１．２传统ＳＯＭ神经网络算法具体描述　

第一步：初始化权值向量，同时进行归一化处理，　

记为　，学习率　。，领域半径氏，并设定最大训练次数　

７　。　第二步：输入训练样本并归一化，记为ｔｒａｉｎ　

ｓａｍｐｌｅ，并计算经过归一化处理后的训练样本和权值　向量之间的欧氏距离Ｄ，，即　

一√　ｉＰｌ－ｓａ　

式中：ｉ为输入神经元个数，Ｊ为竞争层神经元个　数。　

第三步：选择获胜神经元，依据为欧氏距离Ｊ［）　最　

小的神经元，标记为ｗｉｎ　ｅｕｙｏ　。　

第四步：调整权值向量，由于竞争层神经元之间的　侧向抑制作用，每次只调整领域内的神经元权值，领域　

外的神经元不作调整，调整函数为　

∞ｕ（￡＋１）一ｗｉｊ（ｔ）＋　＊ｈ（　）＊［ｔｒａｉｎｓａｍｐｌｅ－－　ｕ（￡）］　式中：ｈ（￡）为以获胜神经元ｗｉｎ　ｎｅｕｒｏｎ为中心，　

以　为半径的领域函数　

ｈ（ｔ）一ｅｘｐ［一　］　

第五步：调整学习率　和领域半径　，调整公式为　

ｒｌ＝ｒ１。＊［　一事］，　一　。＊［　一手］　

第六步：训练次数ｔ—ｔ＋１，如果￡＜丁，返回到第　

二步继续训练，否则，保存训练好的权值向量，训练结　束。　传统ＳＯＭ神经网络算法中，初始权值向量是随　

机生成的数，显然对于这种神经网络需要的训练次数　是相当多的。同时，在ＭＡＴＬＡＢ仿真过程中发现，所　

提取的六种数字调制信号的五个特征参数分布比较离　散，很大程度影响了传统ＳＯＭ神经网络分类器的正　

确识别率和训练时间。　

２改进的ＳＯＭ神经网络算法　

根据特征参数分布比较离散的特点，提出将Ｋ—　ｍｅａｎｓ聚类算法应用到ＳＯＭ神经网络传统算法中，　即将训练样本聚类所得的聚类中心作为神经网络的初　

始权值向量，可以在提高识别率的同时相对降低训练　时间。　

Ｋ均值聚类（Ｋ—ｍｅａｎｓ　ｃｌｕｓｔｅｒｉｎｇ）是Ｍａｃ　Ｑｕｅｅｎ　提出的一种无监督实时聚类算法，是在最小化误差函　数的基础上将数据划分为预定的类数ＫＥ　。下面是Ｋ—　

ｍｅａｎｓ函数的用法：　［－ｉｄｘ，ｃｏｒｅ－］一ｋｍｅａｎｓ（ｚ，ｋ）　其中：ｚ为ｍ＊ｎ的输人数据；ｋ为分成的累数；（矗　

＞１）；ｉｄｘ为ｍ＊１的矩阵，存储每一组数据所属类别；　ｃｏｒｅ为ｋ＊ｎ的矩阵，存储每一类数据的聚类中心。　

因为ｋ的取值最小为２，所得的聚类中心也是两　个，所以要将两个聚类中心作为ＳＯＭ神经网络的初　

始权值向量，必须改变神经网络的结构来匹配每组数　据的两个聚类中心。改进后的ＳＯＭ神经网络结构如　图３所示。　

图３改进后二维ＳＯＭ神经网络结构图　改进的ＳＯＭ神经网络由输入层，竞争层和输出　

层组成。输入层神经元仍为五个，

分别对应五个特征参　・１０・　（总１４）　基于Ｋ—ｍｅａｎｓ算法改进的ＳＯＭ神经网络调制识别分类器　２０１１拒　

数，竞争层神经元由原来的一维，变为２＊６的阵列，每　

一列的两个神经元的初始权值向量为同一类调制信号　经聚类后所得的两个聚类中心，所以改进后的Ｓ０Ｍ　

神经网络的训练阶段只是对聚类中心进行微小的调　整。在网络测试阶段，对同一个测试样本，只要同一列　

的两个神经元有一个胜出，那么与之对应的输出层的　神经元输出即为１。　

３仿真结果　

本实验主要针对２ＡＳＫ，２ＦＳＫ，２ＰＳＫ，４ＡＳＫ，　４ＦＳＫ，４ＰＳＫ这六种数字调制信号进行调制制式的识　别。设定码元个数Ｍ一２　０００，码元速率Ｆｄ＝ｉｋＨｚ，载　

波频率　＝１０ｋＨｚ，采样频率风＝＝＝６０ｋＨｚ，分别在信噪　

比ＳＮＲ为２ｄＢ，４ｄＢ，６ｄＢ，８ｄＢ，１０ｄＢ，１２ｄＢ，１４ｄＢ，　１６ｄＢ，１８ｄＢ，２０ｄＢ时，对上述六种数字调制信号各产　

生２００个样本进行实验，其中１００个样本用于ＳＯＭ　神经网络的训练，另外的１００个样本用于测试网络的　

性能。　图４给出了改进前后Ｓ０Ｍ神经网络的正确识别　

率对比，从图中可以明显看出改进前后的神经网络在　不同信噪比条件下的识别率有不同程度的提高。　

１００　９５　嚣　譬

７７ｏ５　６５　６０　＝｝与謦霉　｝ｊ　

ＳＮＲ／ｄＢ　１．４　１．２　瓣　１　椭０．８　０．６　碾０．４　０．２　Ｏ　５００　２　０００　３　５００　５　０００　切Ｉ练步数　

图４传统ＳＯＭ神经网络和　图５传统ＳＯＭ神经网络和　改进后神经网络的识　改进后的神经网络的　别率　训练步数　图５给出了改进前后Ｓ０Ｍ神经网络的训练步数　对比，从图中可以很明显的看出，训练步数为４　５００　时，基于Ｋ—ｍｅａｎｓ聚类算法的ＳＯＭ神经网络误差率　

接近０，而传统的Ｓ０Ｍ神经网络在训练步数为５　０００　

时，误差率为０．１左右，很明显降低了训练时间，提高　了神经网络的实时性。　

４总结　

选择自组织特征映射神经网络作为调制信号识别　

分类器，是因为其自组织，自适应的特点以及无监督学　习规则。为了提高识别率，缩短训练时间，针对调制信　

号特征参数分布离散的特点，采用Ｋ—ｍｅａｎｓ聚类算法　对传统的ｓｏＭ神经网络进行改进，同时对神经网络　

的结构也进行了相应的改进。仿真结果说明提出的基　于Ｋ—ｍｅａｎｓ聚类算法改进的ＳＯＭ神经网络分类器相　比于传统的分类器，提高了神经网络的正确识别率，同