CN110120926A - 基于演化bp神经网络的通信信号调制方式识别方法 - Google Patents

Abstract

本发明提供一种基于演化BP神经网络的通信信号调制方式识别方法，对获取的到已知不同调制方式的通信信号进行预处理和特征提取，提取结果作为神经网络的输入特征参量。利用复合搜寻模式的猫群演化机制以识别率为目标函数对BP神经网络初始的权值和阈值进行优化，获得最优参数作为之后进行识别的神经网络初始参数，之后利用输入特征参量和最优初始参数对BP神经网络进行训练，得到具有最优系统参数的BP神经网络。获取未知调制方式的通信信号，利用具有最优系统参数的BP神经网络对未知调制方式的通信信号进行识别得到识别结果。该方法与传统BP神经网络进行调制识别相比在相同信噪比下具有更高的识别率，尽可能的避免了训练过程中陷入局部最优解的情况。

Description

基于演化BP神经网络的通信信号调制方式识别方法

技术领域

本发明涉及一种基于演化BP神经网络的通信信号调制方式识别方法，属于通信信号处理领域。

背景技术

调制识别是获取通信信号信息内容的前提条件。调制识别技术是近年来信号处理领域研究的热点问题，在无线电频谱资源监测和管理、电子侦察以及干扰识别等方面具有广阔的应用前景。随着通信技术的飞速发展，通信信号的体制和调制样式变得更加复杂多样，使得常规识别方法和理论无法有效地对通信信号进行有效识别，这也给通信信号的识别研究提出了更高的要求。

近年来，基于人工神经网络的调制分类器受到越来越广泛的关注。当信号受到噪声信道影响时，这些方法具有更高的分类准确度。人工神经网络能够根据特定的决策自适应地改变节点的权重。此外，人工神经网络的自适应学习能力对受噪声干扰的通信信号的分类识别非常有效。

经对现有技术文献的检索发现，从1995年到1998年由Azzouz E E,Nandi AK.等几位学者发表的两篇关于自动调制识别的文章，“Automatic identification of digitalmodulation types”Signal Processing 47 1995 55-69，“Algorithms for AutomaticModulation Recognition of Communication Signals”IEEE Transactions onCommunications,1998,46(4):431-436是较早利用通信信号的瞬时特征参数来作为分类器的分类标准，后一篇也是较早利用神经网络进行简单通信信号调制识别的文章。文章中利用数学方法提取仿真得到的四种通信信号瞬时特征值，再根据提前设置的特征值阈值，利用二叉树方法对通信信号瞬时特征值与阈值进行比对从而达到分类的效果。文章还尝试使用人工神经网络对通信信号调制方式进行识别，利用一部分提取到的瞬时特征值和通信信号对应调制方式标签作为训练样本进行训练，在10dB信噪比下可以达到较高的识别率。但是对于低信噪比和复杂调制方式等较为恶劣的通信环境下的识别，文献中并未设计实验。

传统BP(back propagation)神经网络具有结构简单、理论完整、适应性广等优点，对于调制方式识别也具有良好的性能，但是对于BP神经网络而言其训练速度、训练结果、收敛情况很大程度上受到初始权值、阈值、网络结构和训练函数选择等多方面的影响，选择一个合适的BP神经网络结构是得到优秀训练结果的重要前提，但是目前没有精确的数学模型来解决BP神经网络初始参数和结构的选择问题。利用复合搜寻模式的猫群演化机制对BP神经网络的初始权值和阈值进行最优值求解，在一定程度上可以改善神经网络训练结果，并且可以有效的改善BP神经网络分类识别的效果，具有重要的现实意义。

发明内容

本发明针对现有的BP神经网络方法对通信信号调制方式识别时，初始参数难确定、识别种类少、分类器对噪声敏感等不足，提出了一种利用复合搜寻模式的猫群演化机制来优化BP神经网络参数的新方法。该方法使用复合搜寻模式的猫群演化机制对传统BP神经网络初始参数进行优化，将初始参数确定问题转变为复杂目标函数的求解问题。优化后的神经网络与传统方法相比可以得到更优的网络参数和训练结果，且较为有效的解决了BP神经网络难于获得最优系统参数的问题，得到较高的通信信号调制识别率。

本发明的目的是这样实现的：步骤如下：

步骤一：获得不同调制方式通信信号的数据集合；

步骤二：对步骤一得到的数据集合进行预处理，预处理操作包括归一化、分段处理，将每种调制方式的通信信号都分成长度相等的多个数据段及每个数据段对应标签的集合形式；

步骤三：瞬时特征参数提取；

步骤四：初始化猫群种群规模、最大迭代代数、适应度函数、搜寻记忆池初始大小、初始扰动大小、分配比例；

其中：猫群规模为N,第n只猫对应编号n,1≤n≤N；最大迭代代数G_max，当前迭代代数g,1≤g≤G_max；适应度函数定义为 的值表示第g代第n只猫在当前位置对应的适应度函数值；搜寻记忆池大小表示第g代搜寻记忆池的大小；分配比例 表示第g代每只猫进入搜寻模式的概率；

步骤五：初始化神经网络层数及对应神经元个数，随机产生猫群中每只猫的初始位置；

在第g代第n只猫位置的前l₁维位置作为输入层到第一隐藏层的初始权值及阈值，第l₁+1维到l₂维位置作为第一隐藏层到第二隐藏层的初始权值及阈值，以此类推，第l_m+1维到第l维位置作为隐藏层到输出层的初始权值及阈值；

步骤六：得到猫群中每只猫位置对应的适应度函数值进行比较，记录目前猫群的全局最优位置及最优位置对应的适应度函数值

步骤七，定义分配比例每只猫在当前代随机选择进入搜寻模式或追踪模式，选择进入追踪模式的概率为选择进入追踪模式的概率为定义符号为向下取整符号；

步骤八：更新位置后计算并记录猫群中的最优适应度函数及其对应位置，和全局最优位置对应适应度函数值进行比较，选择更优位置及其对应的适应度函数值作为新的全局最优位置和适应度函数值

步骤九：令g＝g+1，判断是否达到最大迭代次数，如果未达到终止条件则返回步骤七，继续迭代；否则，获得当前全局最优位置作为复合搜寻模式的猫群演化机制优化后的神经网络初始参数；

步骤十：利用训练样本对优化好初始参数的神经网络进行训练；

接收待识别调制信号，进行预处理和特征提取操作，将提取出的特征参数输入训练好的神经网络中，输出层输出调制识别结果。

本发明还包括这样一些结构特征：

1.步骤一具体为：通过实际通信系统或数学仿真获得不同信噪比下的多种调制种类通信信号集合，在仿真产生不同调制方式通信信号集合时，将仿真得到的基带信号先通过成形滤波器再进行调制和加噪处理，成形滤波器采用时域为升余弦滚降函数的滤波器，滤波器的两个参数分别是滚降系数β和码元周期T，其时域表达式为式中t表示时间。

2.步骤三具体为：用数学工具对每个数据段进行瞬时特征参数的提取，得到通信信号瞬时特征参数和对应标签的数据集合，作为演化神经网络训练和仿真的样本库，所述瞬时特征参数包括：零中心归一化瞬时幅度的谱密度最大值γ_max，零中心非弱信号段瞬时相位非线性分量绝对值的标准方差σ_ap，零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σ_dp，瞬时幅度包络的均值E_a，瞬时幅度包络的方差归一化瞬时频率的方差还有一些基于其他统计量或时频变换算法提取出的特征参数如：统计三阶中心距偏度系数、统计四阶中心距峰度系数、瞬时幅度四次方的谱密度函数或是小波分解提取的细节特征。

3.步骤六中的适应度函数具体包括：

(6a)、根据步骤五设定的神经网络层数及每层对应神经元个数初始化神经网络结构，定义当前神经网络训练代数q，神经网络结构定义为[X,H¹,H²,...,H^d,Y]，输入层神经元定义为X＝(X₁,X₂,X₃,...,X_r)，r为步骤三中瞬时特征提取的种类个数；第一隐藏层神经元定义为其中为第一层隐藏层神经元个数；第二隐藏层神经元定义为其中为第二层隐藏层神经元个数，之后隐藏层神经元定义以此类推，输出层神经元定义为Y＝(Y₁,Y₂,Y₃,...,Y_c)，期望输出定义为O＝(O₁,O₂,O₃,...,O_c),输出层神经元对应神经网络训练结果，c表示待识别调制方式种类个数即输出层神经元个数；

(6b)、根据步骤五中随机产生的猫的位置简单映射后作为神经网络的初始权值和初始阈值，定义当前层神经元其每个神经元的值为ζ_z表示当前层神经元个数，定义前一层神经元其每个神经元的值为ζ_a表示前一层神经元个数；前一层神经元A_k到本层神经元Z_j之间的权值为w_j,k，即前一层神经元与本层神经元Z_j之间的连接权值为本层神经元Z_j的阈值定义为b_j，由此，得到本层神经元Z_j的值与前一层神经元A_k值的推导关系其中定义为激活函数，一般定义所以本层神经元的值定义符号“*”为矩阵对应元素分别相乘，对于此发明输入层神经元的值为步骤三提取到的特征参数的值，由输入层到输出层正向传播推导得到当前特征参数下输出层的值y＝(y₁,y₂,...,y_c)；

(6c)、定义第i个训练样本的训练误差函数为其中o_j(i)表示第i个训练样本输出层第j个神经元的期望输出；

(6d)、更新权值和阈值

更新公式为α为学习速率；

得到其中x_j,k表示为前一层第k个神经元的值，定义残差δ，对于输出层和前一层隐藏层之间的权值和阈值而言δ_j＝y_j(1-y_j)(o_j-y_j)，对于隐藏层和隐藏层前一层之间的权值而言其中δ_j为隐藏层后一层计算得到的残差，w_j,k为本层第k个神经元与后一层第j个神经元之间的权值，h_k为当前隐藏层第k个神经元的值，u为下一层神经元个数；

(6e)、遍历所有训练样本，令q＝q+1，再次进行训练，判断输出值是否达到要求，迭代次数是否达到设定最大迭代次数，若未达到终止条件则返回(6c)继续训练；

(6f)、使用步骤三中得到的仿真数据对训练好的神经网络进行仿真，得到输出值进行简单处理，将输出层值最大的神经元值作为神经网络的识别结果与对应仿真样本的期望输出值进行比对，得到该猫的位置对应训练出的神经网络的识别率识别率作为该猫的适应度函数。

4.骤七中：四种搜寻模式有四种，且在该模式下的猫，复制当前位置份放入搜寻记忆池中，记忆池中位置定义为根据依概率原则或依次轮流选择原则选择搜寻模式演化记忆池中的位置，

搜寻模式1：其中表示当前猫的位置，a₁,a₂为规定的具体值，为混沌算子序列定义为混沌序列各元素推导公式为该搜寻模式下第一代混沌序列仍使用混沌方程产生，其中且该搜寻模式是根据自身的经验依照混沌机理进行学习，使扰动值随着代数增加逐渐减小，逐渐提高搜索精度；

搜寻模式2： 表示第g代随机选择另外一只猫的位置，a₃,a₄为规定的具体值，γ₂为混沌算子序列定义为混沌序列γ₂中各元素的推导公式为b₁,b₂为规定的具体值，该搜寻模式下混沌序列使用混沌方程产生，其中为不为零的随机数，该搜寻模式采取随机和混沌机理学习群体中其他猫的位置，可以有效利用其他个体的经验；

搜寻模式3：其中表示目前的最优适应度函数对应位置，为混沌算子序列定义为混沌序列各元素推导公式为b₃,b₄为规定的具体值，该搜寻模式下混沌序列使用混沌方程产生，其中为不为零的随机数，该搜寻模式侧重于使用混沌机理学习整个群体的最优经验，以提高收敛速度；

搜寻模式4：a₅为规定的具体值，为混沌算子序列定义为混沌序列各元素推导公式为b₅为规定的具体值，该搜寻模式下第一代混沌序列使用混沌方程产生，其中为不为零的随机数，该搜寻模式的特点是不仅学习当前最优适应度对应猫的位置且随着代数增加扰动逐渐减小权重值使得具有更加精确的搜索能力；

得到扰动后的记忆池中的位置后按照步骤六计算记忆池中位置的适应度函数值，比较适应度函数值，记录当前记忆池下最优适应度函数值及其对应扰动后位置，更新遍历所有搜寻模式下的猫；

追踪模式：该模式下猫的位置定义为其中为追踪模式下第g+1代第n只猫的位置，为第g代第n只猫的速度，速度公式为a^g为第g代随机速度系数。

本发明考虑到传统BP神经网络训练结果易受到初始权值、阈值的影响且并无精确数学模型解决的问题，结合实际生活中调制方式识别的工程问题，利用群智能算法对网络参数进行优化，得到更优的网络参数和更高的调制方式识别率。

与传统神经网络进行调制识别相比可以实现训练后神经网络结构更优、对通信信号调制方式识别率更高、通信信号噪声对识别率的影响更小等效果。

与现有技术相比，本发明充分考虑了BP神经网络的优缺点，群智能算法与传统神经网络的结合，调制识别中可能遇到的一些情况，具有以下优点：

(1)本发明解决了传统BP神经网络初始权值结构难以确定的问题，与传统随机初始网络参数相比，训练之后可以得到更优的网络参数和令人满意的训练结果。

(2)相对于现有的通信信号调制识别方法，本发明在较低信噪比下仍有一定的识别率，且识别的调制方式种类也不局限于仿真中的几种。

(3)仿真结果表明，本发明所提出的神经网络初始参数优化方法在相同信噪比下可得到比传统BP神经网络更高的识别率，说明了本方法的具有一定的优越性，尽可能的避免了训练过程中陷入局部最优解的情况。

(4)发明了复合搜寻模式猫群演化机制，设计出额外四种搜寻模式，充分利用混沌方程和学习思想，实现了全局搜索和局部搜索的有机融合，大幅度提升了所设计方法的性能。

附图说明

图1是演化神经网络的通信信号调制识别流程示意图；

通信信号调制识别主要分为两个步骤，先是获得不同调制方式信号的数据集合，对该数据集进行处理，处理后的数据集合作为神经网络训练的库，使用复合搜寻模式猫群演化机制对神经网络的初始权值、阈值进行优化，结合得到的库得到训练好的神经网络。之后是接收通信信号，对通信信号进行相同的处理得到待识别数据集，利用训练好的神经网络对待识别数据集进行仿真得到识别结果。

图2是演化、训练神经网络流程示意图；

图3是复合搜寻模式的猫群演化机制流程示意图；

图4是BP神经网络结构示意图；

对于本发明，仿真时使用参数为输出层神经元个数为6个，隐藏层为两层分别都为8个神经元，输出层神经元个数为8个。训练函数为“trainscg”。训练数据和仿真数据占比为3:1，识别率取本次训练所有仿真结果平均值。

图5是复合搜寻模式的猫群演化机制演化BP神经网络和传统BP神经网络调制识别对比图；

不同调制方式通信信号的数据集合通过数学工具仿真得到，利用MATLAB进行仿真，其中待识别调制方式有2ASK(Amplitude Shift Keying)、4ASK、2PSK(Phase ShiftKeying)、4PSK、2FSK(Frequency Shift Keying)、4FSK、8QAM(Quadrature AmplitudeModulation)和MSK(Minimum Shift Keying)，共八种。

使用MATLAB仿真八种调制方式的通信信号时，具体参数设置为载波频率f＝408kHz，对于2FSK和4FSK分别设置f₁＝204kHz，f₂＝102kHz,f₃＝51kHz，作为其他载波；采样速率f_s＝3.264MHz，码元速率f_d＝38400signs/s，采样时间T＝1s，推出每个符号的采样点数为85个；成形滤波器的滚降系数β＝0.4。

对预处理得到的调制信号数据集进行瞬时参数提取操作，仿真时选取了几个常用的瞬时特征参数，分别是：零中心归一化瞬时幅度的谱密度最大值γ_max，零中心非弱信号段瞬时相位非线性分量绝对值的标准方差σ_ap，零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σ_dp，瞬时幅度包络的均值E_a，瞬时幅度包络的方差归一化瞬时频率的方差除此之外还有一些基于其他统计量或时频变换算法提取出的特征参数如：统计三阶中心距偏度系数、统计四阶中心距峰度系数、瞬时幅度四次方的谱密度函数或是小波分解提取的细节特征等，根据实际识别信号的调制方式种类选择合适的特征参数集合进行训练。

复合搜寻模式的猫群演化机制下演化神经网络过程中用到的参数为：猫群规模N＝30,最大代数G_max＝50，搜寻记忆池大小搜寻模式下几个扰动的参数(符号定义在步骤八)a₁＝0.5，a₂＝0.05，a₃＝0.5，a₄＝0.8，a₅＝0.7，扰动的混沌序列方程参数b₁＝1.99，b₂＝0.36，b₃＝4，b₄＝0.5，b₅＝0.5，b₆＝1.99。

根据上述参数得到演化神经网络与传统BP神经网络对调制方式种类相同的信号进行识别对比。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

结合图1至图5，本发明的步骤如下：

步骤一，首先获得已知的不同调制方式通信信号的数据集合，可以通过接收实际通信信号获得也可以通过数学工具仿真得到。

可通过实际通信系统或数学仿真获得不同信噪比下的多种调制种类通信信号集合。为模拟现实中的通信环境，在仿真产生不同调制方式通信信号集合时，将仿真得到的基带信号先通过成形滤波器再进行调制和加噪处理。

成形滤波器采用时域为升余弦滚降函数的滤波器，滤波器的两个参数分别是滚降系数β和码元周期T，其时域表达式为式中t表示时间。

步骤二，对仿真或接收获得的通信信号数据集进行预处理，主要包括归一、分段等处理，将每种调制方式通信信号数据集分成数据长度相等的小段数据，再给每小段数据贴上对应的标签，也即将每种调制方式的通信信号都分成长度相等的多个数据段及每个数据段对应标签的集合形式。。

步骤三，对预处理得到的调制信号数据集进行瞬时参数提取操作，由于神经网络的训练时间受神经网络的规模大小影响且通信信号数据段的特征不明显，所以不直接将预处理得到的数据段作为神经网络的输入，而是利用数学工具对每个数据段进行瞬时特征参数的提取，得到通信信号瞬时特征参数和对应标签的数据集合，作为演化神经网络训练和仿真的样本库。常见的瞬时参数有：零中心归一化瞬时幅度的谱密度最大值γ_max，零中心非弱信号段瞬时相位非线性分量绝对值的标准方差σ_ap，零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σ_dp，瞬时幅度包络的均值E_a，瞬时幅度包络的方差归一化瞬时频率的方差还有一些基于其他统计量或时频变换算法提取出的特征参数如：统计三阶中心距偏度系数、统计四阶中心距峰度系数、瞬时幅度四次方的谱密度函数或是小波分解提取的细节特征等，根据实际识别信号的调制方式种类选择合适的特征参数组合进行神经网络的演化和仿真。

常用的瞬时特征参数有：

参数1：零中心归一化瞬时幅度的谱密度最大值γ_max，γ_max＝max|DFT[a_cn(i)]|²/N_s，式中a_cn(i)称为零中心归一化瞬时幅度，a_cn(i)＝a_n(i)-1，a(i)为通信信号的瞬时幅度。

零中心归一化瞬时幅度的谱密度最大值体现了通信信号瞬时幅度的变化特征。

参数2：零中心非弱信号段瞬时相位非线性分量绝对值的标准方差σ_ap，式中a_t为设定的幅度阈值，零中心瞬时相位 为通信信号瞬时相位。

零中心非弱信号段瞬时相位非线性分量绝对值的标准方差体现通信信号瞬时绝对相位的变化特征。

参数3：零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σ_dp，

零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差体现通信信号瞬时相位的变化特征。

参数4：瞬时幅度包络的均值E_a，

瞬时幅度包络的均值体现通信信号包络的变化特征。

参数5：瞬时幅度包络的方差δ_a ²，

瞬时幅度包络的方差体现通信信号瞬时绝对值幅度变化特征。

参数6：归一化瞬时频率的方差

归一化瞬时频率的方差体现通信信号瞬时频率的变化特征。

六种瞬时特征参数分别从幅度、相位、频率方面表现信号的瞬时特征。除此之外还有一些基于其他统计量或时频变换算法提取出的特征参数如：统计三阶中心距偏度系数、统计四阶中心距峰度系数、瞬时幅度四次方的谱密度函数或是小波分解提取的细节特征等，进行识别时应根据实际识别信号的调制方式种类选择合适的特征参数组合进行训练。

步骤四，初始化猫群种群规模、最大迭代代数、适应度函数、搜寻记忆池初始大小、初始扰动大小、分配比例等参数，复合搜寻模式的猫群演化机制流程示意图见图3。

猫群规模为N,第n只猫对应编号n,1≤n≤N；最大迭代代数G_max，当前迭代代数g,1≤g≤G_max；适应度函数定义为 的值表示第g代第n只猫在当前位置对应的适应度函数值；搜寻记忆池大小表示第g代搜寻记忆池的大小；分配比例 表示第g代每只猫进入搜寻模式的概率。

步骤五，初始化神经网络层数及对应神经元个数，随机产生猫群中每只猫的初始位置。在第g代第n只猫位置的前l₁维位置作为输入层到第一隐藏层的初始权值及阈值，第l₁+1维到l₂维位置作为第一隐藏层到第二隐藏层的初始权值及阈值，以此类推，第l_m+1维到第l维位置作为隐藏层到输出层的初始权值及阈值。

步骤六，计算得到猫群中每只猫位置对应的适应度函数值进行比较，记录目前猫群的全局最优位置及最优位置对应的适应度函数值

适应度函数值定义为神经网络训练后的仿真识别率，识别率越高说明当前猫位置越优。以下为适应度函数推导过程：

(6a)根据步骤五设定的神经网络层数及每层对应神经元个数初始化神经网络结构，定义当前神经网络训练代数q，神经网络结构示意图见图4。神经网络结构定义为[X,H¹,H²,...,H^d,Y]，输入层神经元定义为X＝(X₁,X₂,X₃,...,X_r)，r为步骤三中瞬时特征提取的种类个数；第一隐藏层神经元定义为其中为第一层隐藏层神经元个数；第二隐藏层神经元定义为其中为第二层隐藏层神经元个数，之后隐藏层神经元定义以此类推，输出层神经元定义为Y＝(Y₁,Y₂,Y₃,...,Y_c)，期望输出定义为O＝(O₁,O₂,O₃,...,O_c),输出层神经元对应神经网络训练结果，c表示待识别调制方式种类个数即输出层神经元个数。

(6b)根据步骤五中随机产生的猫的位置简单映射后作为神经网络的初始权值和初始阈值，定义当前层神经元其每个神经元的值为ζ_z表示当前层神经元个数。定义前一层神经元其每个神经元的值为ζ_a表示前一层神经元个数。前一层神经元A_k到本层神经元Z_j之间的权值为w_j,k，即前一层神经元与本层神经元Z_j之间的连接权值为本层神经元Z_j的阈值定义为b_j。由此，得到本层神经元Z_j的值与前一层神经元A_k值的推导关系其中定义为激活函数，一般定义所以本层神经元的值定义符号“*”为矩阵对应元素分别相乘。对于此发明输入层神经元的值为步骤三提取到的特征参数的值，由输入层到输出层正向传播推导得到当前特征参数下输出层的值y＝(y₁,y₂,...,y_c)。

(6c)定义第i个训练样本的训练误差函数为其中o_j(i)表示第i个训练样本输出层第j个神经元的期望输出。

(6d)更新权值和阈值。

更新公式为α为学习速率。推导之后可以得到其中x_j,k表示为前一层第k个神经元的值。定义残差δ，对于输出层和前一层隐藏层之间的权值和阈值而言δ_j＝y_j(1-y_j)(o_j-y_j)，对于隐藏层和隐藏层前一层之间的权值而言其中δ_j为隐藏层后一层计算得到的残差，w_j,k为本层第k个神经元与后一层第j个神经元之间的权值，h_k为当前隐藏层第k个神经元的值，u为下一层神经元个数。

(6e)遍历所有训练样本，令q＝q+1，再次进行训练，判断输出值是否达到要求，迭代次数是否达到设定最大迭代次数，若未达到终止条件则返回(6c)继续训练。

(6f)使用步骤三中得到的仿真数据对训练好的神经网络进行仿真，得到输出值进行简单处理，将输出层值最大的神经元值作为神经网络的识别结果与对应仿真样本的期望输出值进行比对，得到该猫的位置对应训练出的神经网络的识别率识别率作为该猫的适应度函数。

步骤七，定义分配比例每只猫在当前代随机选择进入搜寻模式或追踪模式，选择进入追踪模式的概率为选择进入追踪模式的概率为定义符号为向下取整符号。此步骤作用是可以随着代数的增加改变搜寻模式和追踪模式的比例，使该方法适用于随着代数增加搜寻模式作用将逐渐大于追踪模式作用的情况。

四种搜寻模式：该模式下的猫，复制当前位置份放入搜寻记忆池中，记忆池中位置定义为根据依概率原则或依次轮流选择原则选择搜寻模式演化记忆池中的位置，基于混沌机制和不同的学习机理设计的四种搜寻模式的演化过程如下所示。

搜寻模式1：其中表示当前猫的位置，a₁,a₂为规定的具体值，为混沌算子序列定义为混沌序列各元素推导公式为该搜寻模式下第一代混沌序列仍使用混沌方程产生，其中且该搜寻模式是根据自身的经验的依照混沌机理进行学习，使扰动值随着代数增加逐渐减小，逐渐提高搜索精度。

搜寻模式2： 表示第g代随机选择一只猫的位置。a₃,a₄为规定的具体值，γ₂为混沌算子序列定义为混沌算子序列γ₂中各元素推导公式为b₁,b₂为规定的具体值。该搜寻模式下混沌序列使用混沌方程产生，其中为不为零的随机数。该搜寻模式采取随机和混沌机理学习群体中其他猫的位置，可以有效利用其他个体的经验。

搜寻模式3：其中表示目前的最优适应度函数对应位置，为混沌算子序列定义为混沌序列各元素推导公式为b₃,b₄为规定的具体值。该搜寻模式下混沌序列使用混沌方程产生，其中为不为零的随机数。该搜寻模式侧重于使用混沌机理学习整个群体的最优经验，以提高收敛速度。

搜寻模式4：a₅为规定的具体值，为混沌算子序列定义为混沌序列各元素推导公式为b₅为规定的具体值。该搜寻模式下第一代混沌序列使用混沌方程产生，其中为不为零的随机数。该搜寻模式的特点是不仅学习当前最优适应度对应猫的位置且随着代数增加扰动逐渐减小权重值使得具有更加精确的搜索能力。

得到扰动后的记忆池中的位置后按照步骤六计算记忆池中位置的适应度函数值，比较适应度函数值，记录当前记忆池下最优适应度函数值及其对应扰动后位置，更新遍历所有搜寻模式下的猫。

追踪模式：该模式下猫的位置定义为其中为追踪模式下第g+1代第n只猫的位置，为第g代第n只猫的速度，速度公式为a^g为第g代随机速度系数。

步骤八，更新位置后计算并记录猫群中的最优适应度函数及其对应位置，和全局最优位置对应适应度函数值进行比较，选择更优位置及其对应的适应度函数值作为新的全局最优位置和适应度函数值

步骤九，令g＝g+1，判断是否达到最大迭代次数，如果未达到终止条件则返回步骤七，继续迭代；否则，获得当前全局最优位置作为复合搜寻模式的猫群演化机制优化后的神经网络初始参数。

步骤十：利用训练样本对优化好初始参数的神经网络进行训练。接收待识别调制信号，进行预处理和特征提取操作，将提取出的特征参数输入训练好的神经网络中，输出层输出调制识别结果。

综上，本发明公开了一种基于演化BP神经网络的通信信号调制方式识别方法。该方法对获取的到已知不同调制方式的通信信号进行预处理和特征提取，提取结果作为神经网络的输入特征参量。利用复合搜寻模式的猫群演化机制以识别率为目标函数对BP神经网络初始的权值和阈值进行优化，获得最优参数作为之后进行识别的神经网络初始参数，之后利用输入特征参量和最优初始参数对BP神经网络进行训练，得到具有最优系统参数的BP神经网络。获取未知调制方式的通信信号，利用具有最优系统参数的BP神经网络对未知调制方式的通信信号进行识别得到识别结果。该方法与传统BP神经网络进行调制识别相比在相同信噪比下具有更高的识别率，尽可能的避免了训练过程中陷入局部最优解的情况。

Claims (5)

1.基于演化BP神经网络的通信信号调制方式识别方法，其特征在于：步骤如下：

步骤一：获得不同调制方式通信信号的数据集合；

步骤二：对步骤一得到的数据集合进行预处理，预处理操作包括归一化、分段处理，将每种调制方式的通信信号都分成长度相等的多个数据段及每个数据段对应标签的集合形式；

步骤三：瞬时特征参数提取；

步骤四：初始化猫群种群规模、最大迭代代数、适应度函数、搜寻记忆池初始大小、初始扰动大小、分配比例；

其中：猫群规模为N,第n只猫对应编号n,1≤n≤N；最大迭代代数G_max，当前迭代代数g,1≤g≤G_max；适应度函数定义为的值表示第g代第n只猫在当前位置对应的适应度函数值；搜寻记忆池大小表示第g代搜寻记忆池的大小；分配比例表示第g代每只猫进入搜寻模式的概率；

步骤五：初始化神经网络层数及对应神经元个数，随机产生猫群中每只猫的初始位置；

在第g代第n只猫位置的前l₁维位置作为输入层到第一隐藏层的初始权值及阈值，第l₁+1维到l₂维位置作为第一隐藏层到第二隐藏层的初始权值及阈值，以此类推，第l_m+1维到第l维位置作为隐藏层到输出层的初始权值及阈值；

步骤六：得到猫群中每只猫位置对应的适应度函数值进行比较，记录目前猫群的全局最优位置及最优位置对应的适应度函数值

步骤七，定义分配比例每只猫在当前代随机选择进入搜寻模式或追踪模式，选择进入追踪模式的概率为选择进入追踪模式的概率为定义符号为向下取整符号；

步骤八：更新位置后计算并记录猫群中的最优适应度函数及其对应位置，和全局最优位置对应适应度函数值进行比较，选择更优位置及其对应的适应度函数值作为新的全局最优位置和适应度函数值

步骤九：令g＝g+1，判断是否达到最大迭代次数，如果未达到终止条件则返回步骤七，继续迭代；否则，获得当前全局最优位置作为复合搜寻模式的猫群演化机制优化后的神经网络初始参数；

步骤十：利用训练样本对优化好初始参数的神经网络进行训练；

接收待识别调制信号，进行预处理和特征提取操作，将提取出的特征参数输入训练好的神经网络中，输出层输出调制识别结果。

2.根据权利要求1所述的基于演化BP神经网络的通信信号调制方式识别方法，其特征在于：步骤一具体为：通过实际通信系统或数学仿真获得不同信噪比下的多种调制种类通信信号集合，在仿真产生不同调制方式通信信号集合时，将仿真得到的基带信号先通过成形滤波器再进行调制和加噪处理，成形滤波器采用时域为升余弦滚降函数的滤波器，滤波器的两个参数分别是滚降系数β和码元周期T，其时域表达式为式中t表示时间。

3.根据权利要求2所述的基于演化BP神经网络的通信信号调制方式识别方法，其特征在于：步骤三具体为：用数学工具对每个数据段进行瞬时特征参数的提取，得到通信信号瞬时特征参数和对应标签的数据集合，作为演化神经网络训练和仿真的样本库，所述瞬时特征参数包括：零中心归一化瞬时幅度的谱密度最大值γ_max，零中心非弱信号段瞬时相位非线性分量绝对值的标准方差σ_ap，零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σ_dp，瞬时幅度包络的均值E_a，瞬时幅度包络的方差归一化瞬时频率的方差还有一些基于其他统计量或时频变换算法提取出的特征参数如：统计三阶中心距偏度系数、统计四阶中心距峰度系数、瞬时幅度四次方的谱密度函数或是小波分解提取的细节特征。

4.根据权利要求3所述的基于演化BP神经网络的通信信号调制方式识别方法，其特征在于：步骤六中的适应度函数具体包括：

(6a)、根据步骤五设定的神经网络层数及每层对应神经元个数初始化神经网络结构，定义当前神经网络训练代数q，神经网络结构定义为[X,H¹,H²,...,H^d,Y]，输入层神经元定义为X＝(X₁,X₂,X₃,...,X_r)，r为步骤三中瞬时特征提取的种类个数；第一隐藏层神经元定义为其中为第一层隐藏层神经元个数；第二隐藏层神经元定义为其中为第二层隐藏层神经元个数，之后隐藏层神经元定义以此类推，输出层神经元定义为Y＝(Y₁,Y₂,Y₃,...,Y_c)，期望输出定义为O＝(O₁,O₂,O₃,...,O_c),输出层神经元对应神经网络训练结果，c表示待识别调制方式种类个数即输出层神经元个数；

(6b)、根据步骤五中随机产生的猫的位置简单映射后作为神经网络的初始权值和初始阈值，定义当前层神经元其每个神经元的值为ζ_z表示当前层神经元个数，定义前一层神经元其每个神经元的值为ζ_a表示前一层神经元个数；前一层神经元A_k到本层神经元Z_j之间的权值为w_j,k，即前一层神经元与本层神经元Z_j之间的连接权值为本层神经元Z_j的阈值定义为b_j，由此，得到本层神经元Z_j的值与前一层神经元A_k值的推导关系其中定义为激活函数，一般定义所以本层神经元的值定义符号“*”为矩阵对应元素分别相乘，对于此发明输入层神经元的值为步骤三提取到的特征参数的值，由输入层到输出层正向传播推导得到当前特征参数下输出层的值y＝(y₁,y₂,...,y_c)；

(6c)、定义第i个训练样本的训练误差函数为其中o_j(i)表示第i个训练样本输出层第j个神经元的期望输出；

(6d)、更新权值和阈值

更新公式为α为学习速率；

得到其中x_j,k表示为前一层第k个神经元的值，定义残差δ，对于输出层和前一层隐藏层之间的权值和阈值而言δ_j＝y_j(1-y_j)(o_j-y_j)，对于隐藏层和隐藏层前一层之间的权值而言其中δ_j为隐藏层后一层计算得到的残差，w_j,k为本层第k个神经元与后一层第j个神经元之间的权值，h_k为当前隐藏层第k个神经元的值，u为下一层神经元个数；

(6e)、遍历所有训练样本，令q＝q+1，再次进行训练，判断输出值是否达到要求，迭代次数是否达到设定最大迭代次数，若未达到终止条件则返回(6c)继续训练；

(6f)、使用步骤三中得到的仿真数据对训练好的神经网络进行仿真，得到输出值进行简单处理，将输出层值最大的神经元值作为神经网络的识别结果与对应仿真样本的期望输出值进行比对，得到该猫的位置对应训练出的神经网络的识别率识别率作为该猫的适应度函数。

5.根据权利要求4所述的基于演化BP神经网络的通信信号调制方式识别方法，其特征在于：步骤七中：四种搜寻模式有四种，且在该模式下的猫，复制当前位置份放入搜寻记忆池中，记忆池中位置定义为 根据依概率原则或依次轮流选择原则选择搜寻模式演化记忆池中的位置，

搜寻模式1：其中表示当前猫的位置，a₁,a₂为规定的具体值，为混沌算子序列定义为混沌序列各元素推导公式为该搜寻模式下第一代混沌序列仍使用混沌方程产生，其中且该搜寻模式是根据自身的经验依照混沌机理进行学习，使扰动值随着代数增加逐渐减小，逐渐提高搜索精度；

搜寻模式2： 表示第g代随机选择另外一只猫的位置，a₃,a₄为规定的具体值，γ₂为混沌算子序列定义为混沌序列γ₂中各元素的推导公式为b₁,b₂为规定的具体值，该搜寻模式下混沌序列使用混沌方程产生，其中为不为零的随机数，该搜寻模式采取随机和混沌机理学习群体中其他猫的位置，可以有效利用其他个体的经验；

搜寻模式3：其中表示目前的最优适应度函数对应位置，为混沌算子序列定义为混沌序列各元素推导公式为b₃,b₄为规定的具体值，该搜寻模式下混沌序列使用混沌方程产生，其中为不为零的随机数，该搜寻模式侧重于使用混沌机理学习整个群体的最优经验，以提高收敛速度；

搜寻模式4：a₅为规定的具体值，为混沌算子序列定义为混沌序列各元素推导公式为b₅为规定的具体值，该搜寻模式下第一代混沌序列使用混沌方程产生，其中为不为零的随机数，该搜寻模式的特点是不仅学习当前最优适应度对应猫的位置且随着代数增加扰动逐渐减小权重值使得具有更加精确的搜索能力；

得到扰动后的记忆池中的位置后按照步骤六计算记忆池中位置的适应度函数值，比较适应度函数值，记录当前记忆池下最优适应度函数值及其对应扰动后位置，更新遍历所有搜寻模式下的猫；

追踪模式：该模式下猫的位置定义为其中为追踪模式下第g+1代第n只猫的位置，为第g代第n只猫的速度，速度公式为a^g为第g代随机速度系数。