[发明专利]基于ART2A-DWNN的通信信号调制方式的分类识别方法

说明书

技术领域

本发明涉及一种基于ART2A-DWNN的通信信号调制方式的分类识别方法，属于通信信号调制方式的分类识别领域。

背景技术

目前对通信信号的调制方式的识别方法主要分为基于决策理论的最大似然假设检验方法和基于特征提取的统计模式识别方法，其中基于特征提取的统计模式识别方法中的基于人工神经网络的识别方法由于具有非线性和自适应的特性而受到广泛应用。目前对通信信号进行分类的基于人工神经网络的分类器应用的网络主要有前馈BP神经网络、径向基函数RBF神经网络、小波神经网络WNN、支撑向量机SVM、自适应谐振ART神经网络等。BP网络有很强的非线性映射能力以及灵活性，但学习时间长、容易收敛的局部最小。RBF网络克服了BP网络的局部收敛的缺点，采用监督学习规则，但新调制方式的输入将影响已训练调制方式的模式。WNN网络将小波理论与神经理论有机融合，充分利用了小波变换良好的局部特性与神经网络的自学习功能。SVM对于解决小样本、非线性以及高维模式识别问题具有良好的效果。ART网络采用无监督的学习规则，分类器的自适应性有所提高，但是抗噪能力较差。当采用上述单个神经网络对多种通信信号的调制方式进行识别时都会存在判决周期长，识别准确性低的问题。

目前ART神经网络已有3种形式：ART1型处理二进制信号；ART2型是ART1的扩展形式，用于处理连续模拟信号与二进制信号；ART3型是分级搜索模型，它兼容前两种结构的功能并将两层神经元网络扩大为任意多层神经元网络，并由于在神经元的运行模型中纳入了生物神经元的生物电和化学反应机制，因而具备了较强的功能和可扩展能力。ART网络及其算法在适应新的输入模式方面具有较大的灵活性，同时能够避免对网络先前训练结果的修改，较好地解决了稳定性和灵活性兼顾问题。当网络接收来自环境的输入时，按预先设计的参考门限检查该输入模式与所有预存储模式类型向量之间的匹配程度以确定相似度。对相似度超过参考门限的所有模式类，选择最相似的作为该模式的代表类，并调整与该类别相关的权值，以使后来与该模式相似的输入再与该模式匹配时能得到更大的相似度。若相似度都不超过参考门限，就需要在网络中设立一个新的模式类，同时建立与该模式类相连的权值，用以代表和存储该模式及后来输入的所有同类模式。该理论中应用较广的是ART2网络及其改进型。

ART2A神经网络的结构及原理：

ART2A神经网络与ART2的结构原理基本相同，不仅能对双极型或二进制输入模式分类，而且能够对模拟输入模式的任意序列进行自组织分类，其基本设计思想是采用竞争学习策略和自稳机制。ART2/2A神经网络结构如图1所示，图2给出了第j个处理单元的拓扑结构。ART2/2A神经网络由注意子系统和取向子系统组成。注意子系统中包括短期记忆(STM，Short Time Memory)特征表示场F₁和STM类别表示场F₂。F₁包括几个处理级增益控制系统，F₂负责对当前模式进行竞争匹配。F₁和F₂共有N个神经元，其中F₁场有M个，F₂场有N-M个，共同构成了N维状态向量，代表网络的短期记忆。F₁和F₂之间的内外星连接权向量构成了网络的自适应长期记忆(LTM，Long Time Memory)，由下至上的权值用z_ij表示，由上至下的权值用z_ji表示。