CN114172769A - 一种进化长短时记忆网络的调制信号识别方法 - Google Patents

一种进化长短时记忆网络的调制信号识别方法 Download PDF

Info

Publication number
CN114172769A
CN114172769A CN202111421628.5A CN202111421628A CN114172769A CN 114172769 A CN114172769 A CN 114172769A CN 202111421628 A CN202111421628 A CN 202111421628A CN 114172769 A CN114172769 A CN 114172769A
Authority
CN
China
Prior art keywords
iteration
sardine
flag
fitness value
sardines
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111421628.5A
Other languages
English (en)
Other versions
CN114172769B (zh
Inventor
高洪元
王玉峰
王世豪
崔志华
程建华
赵立帅
狄妍岐
陈梦晗
陈暄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing Nuoaidi Communication Technology Co ltd
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202111421628.5A priority Critical patent/CN114172769B/zh
Publication of CN114172769A publication Critical patent/CN114172769A/zh
Application granted granted Critical
Publication of CN114172769B publication Critical patent/CN114172769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
  • Character Discrimination (AREA)

Abstract

本发明提供一种进化长短时记忆网络的调制信号识别方法，包括：构造数据集；构造目标函数；初始化旗鱼捕食搜索机制的参数；计算适应度值，并确定精英旗鱼位置和受伤沙丁鱼位置；旗鱼攻击选择策略，更新旗鱼的位置；追捕猎物，更新沙丁鱼的位置；计算适应度值，确定被旗鱼捕食的沙丁鱼，确定精英旗鱼和受伤沙丁鱼位置；判断是否达到终止迭代条件，即达到最大迭代次数或者所有的沙丁鱼都被旗鱼捕获，若满足终止迭代条件，则继续向下运行，否则令g＝g+1，返回继续；使用训练集训练具有最优超参数的数字通信信号调制识别LSTM网络。本发明设计了文化旗鱼捕食搜索机制来获得最优的LSTM网络模型参数。

Description

一种进化长短时记忆网络的调制信号识别方法
技术领域
本发明涉及一种高斯噪声环境下基于文化旗鱼捕食机制进化长短时记忆网络的数字通信信号调制识别方法，属于通信信号处理领域。
背景技术
近年来，随着无线通信技术、电子技术及信号处理等技术的飞速发展，无线通信信号的调制方式也变得越来越复杂，调制信号的种类也越来越多。通信信号的调制方式识别是对不具有先验知识的接收信号进行分析处理，从而判断出信号的调制类型，其作为通信信号检测与解调之间的重要中间环节，在频谱资源监管、侦听和干扰非法电台、截取分析敌方通信信号等民用和军用领域都具有广泛的应用。
当前通信信号调制方式识别主要分为基于决策理论的最大似然假设检验方法、基于特征提取的机器学习识别方法和基于深度学习的识别方法。基于最大似然理论的判决方法在理论上其性能是最优的，但该方法需要较多的先验知识，并且对似然函数的建立也有很高的要求。基于特征提取的机器学习识别方法主要通过观察不同类别调制信号对应的特征参数之间的区别，来选取符合要求的分类准则做出判决，该方法主要分为接收信号预处理、特征提取和分类识别三个部分，该方法对于提取的特征有较高的要求，当信道环境复杂，噪声影响较大时，提出的特征不具有区分性。
近年来，深度学习技术在图像、语音等领域高速发展并取得突出成就，使其在通信领域的应用也更加广泛。将深度学习技术应用于通信信号的调制方式识别主要分为两类：一类是对原始数据进行预处理，将其转化为图像，如提取星座图、循环谱图等，主要采用卷积神经网络CNN，Convolutional Neural Network，对图像数据集进行学习；另一类是直接采用原始时域数据或从原始数据中提取序列特征，建立网络模型进行训练及分类，主要采用循环神经网络RNN，Recurrent Neural Network。RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息，因此在自然语言处理、语音识别等领域应用广泛。
然而普通的RNN在长序列训练过程中会出现梯度消失和梯度爆炸问题，为了解决这个问题提出了长短时记忆LSTM，Long Short Time Memory，是RNN的特殊类型。相较于RNN，LSTM会选择性的存储信息，并且能够使用更久之前的信息训练网络，可以学习长期依赖信息。
根据已有的技术文献发现，郭蕴欣等在《电子测量技术》(2019，Vol.42，No.14，pp.112-116)上发表的“基于CNN的数字信号调制识别”中仿真实现了数字信号的循环谱图，并对循环谱图进行预处理为灰度图作为训练CNN的数据集，实验结果表明在信噪比为0dB及以上时能够获得较好的识别效果，但是当信道中的噪声较大会导致识别结果不理想，并且CNN的卷积层和池化层的设计不当也会影响到训练效果。侯涛等在《无线电工程》(2019，Vol.49，No.9，pp.796-800)上发表的“基于深度学习的通信信号调制方式识别”中采用卷积神经网络和循环神经网络构建了一个端到端的通信信号识别模型，减少了人工提取特征的繁琐过程，但是该方法对网络结构的确定及超参数的选择还有一定的提升空间。李唱白等在《空间电子技术》(2019，No.1，pp.49-54+74)上发表的“基于深度学习的通信信号调制识别算法”中采用CLDNN(CNN+LSTM+DNN)模型，在常规信噪比条件下实现了12种信号调制方式的识别，当信噪比大于3dB时识别率高于86％，但是算法对噪声的适应能力有待提高，在较低的信噪比条件下识别率较低。
LSTM网络应用于通信信号调制方式识别，可以自动提取信号特征，获得较好的识别准确率，但是存在关键超参数，如隐藏层神经元数、学习率和训练次数等难以确定的缺陷。因为隐含层神经元数对模型的拟合能力起着决定性作用，学习率和训练次数直接影响模型的收敛速度和计算时长，因此采用不同的超参数建立的网络模型其预测性能具有较大的差异，如何选择合适参数对于建立模型至关重要。目前，对于超参数的确定往往依赖研究者的经验和多次实验结果去选择网络模型的超参数，随机性较大，降低了模型的预测性能。为了不依赖人工对超参数的选择，本发明设计了文化旗鱼捕食搜索机制来获得最优的LSTM网络模型超参数。
发明内容
本发明的目的是针对现有大多数通信信号调制识别方法需要人工选择提取特征的繁琐步骤，采用LSTM网络模型直接对原始时域数据进行训练，获得数字通信信号调制识别网络模型。并且对LSTM网络模型存在关键超参数，如隐藏层神经元数、学习率和训练次数等难以确定的缺陷，设计了文化旗鱼捕食搜索机制来获得最优的LSTM网络模型参数。
本发明的目的是这样实现的：步骤如下：
步骤一：构造数据集；通信信号在发射端通过成型滤波器消除波形失真，然后通过信道传输到接收端，接收端所接收到的信号为带有噪声的通信信号；将接收端所接收到的原始时域数据作为数据集并划分为训练集，验证集和测试集；
步骤二：构造目标函数；
步骤三：初始化旗鱼捕食搜索机制的参数；
步骤四：计算适应度值，并确定精英旗鱼位置和受伤沙丁鱼位置；
步骤五：旗鱼攻击选择策略，更新旗鱼的位置；
步骤六：追捕猎物，更新沙丁鱼的位置；
步骤七：计算适应度值，确定被旗鱼捕食的沙丁鱼，确定精英旗鱼和受伤沙丁鱼位置；
步骤八：判断是否达到终止迭代条件，即达到最大迭代次数或者所有的沙丁鱼都被旗鱼捕获，若满足终止迭代条件，则继续向下运行，否则令g＝g+1，返回步骤五继续；
步骤九：使用训练集训练具有最优超参数的数字通信信号调制识别LSTM网络，达到终止迭代条件后的精英旗鱼位置为
Figure BDA0003377600160000031
其代表LSTM的超参数，包括隐含层神经元个数，初始学习率和训练次数，将文化旗鱼捕食搜索机制得到的最优超参数用于训练数字通信信号调制识别LSTM网络模型，然后采用测试集数据测试该LSTM网络模型。
本发明还包括这样一些结构特征：
1.步骤二具体为：将通信信号调制识别的训练数据及相应的标签放入LSTM神经网络中，训练得到的通信信号调制识别LSTM网络模型；将测试集用于该网络模型，得到测试集上的正确率
Figure BDA0003377600160000032
其中TP为分类正确数量，为FP分类错误数量，采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数
Figure BDA0003377600160000033
2.步骤三具体为：设旗鱼种群规模为Nq，初始旗鱼种群占沙丁鱼种群的比例为p，则初始沙丁鱼种群规模为
Figure BDA0003377600160000034
解决问题的维度为d，即优化的超参数个数，搜索上边界为xmax＝[x1,max,x2,max,...,xd,max]，搜索下边界为xmin＝[x1,min,x2,min,...,xd,min]，最大迭代次数为Gmax，旗鱼活动总能量为A，能量衰减系数为τ。
3.步骤四具体为：旗鱼和沙丁鱼的位置表示训练LSTM网络模型的超参数，包括隐含层神经元数、初始学习率和训练次数，将其带入LSTM网络模型进行训练；通过在训练集上训练得到一个数字通信信号调制识别LSTM网络模型，采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数，第g次迭代中第i条旗鱼的适应度值为
Figure BDA0003377600160000035
Ti g代表着第g次迭代中第i条旗鱼确定的神经网络参数得到测试集上的正确率，第g次迭代中第k条沙丁鱼的适应度值为
Figure BDA0003377600160000036
Figure BDA0003377600160000037
代表着第g次迭代中第k条沙丁鱼确定的神经网络参数得到测试集上的正确率；
第g次迭代中旗鱼种群最小的适应度值为最优的适应度值
Figure BDA0003377600160000038
将其位置确定为当前迭代的最优位置
Figure BDA0003377600160000041
整个旗鱼种群中至到第g次迭代为止最优适应度值为全局最优适应度值
Figure BDA0003377600160000042
其位置为精英旗鱼位置
Figure BDA0003377600160000043
其中d为量子位置维度；第g次迭代中沙丁鱼种群最小的适应度值为最优的适应度值Fs g，将其位置确定为当前迭代的受伤沙丁鱼位置
Figure BDA0003377600160000044
4.步骤五具体为：对第i条旗鱼，产生[0,1]间均匀随机数
Figure BDA0003377600160000045
若
Figure BDA0003377600160000046
第g+1次迭代中第i条旗鱼的位置更新为
Figure BDA0003377600160000047
其中
Figure BDA0003377600160000048
Figure BDA0003377600160000049
为0到1之间的随机数，
Figure BDA00033776001600000410
为第g+1次迭代的一个系数，
Figure BDA00033776001600000411
为沙丁鱼群密度表示每次迭代时沙丁鱼种群数量会随着旗鱼的捕食而明显减少，
Figure BDA00033776001600000412
为进行第g+1次迭代时沙丁鱼种群数量；若
Figure BDA00033776001600000413
第g+1次迭代中第i条旗鱼的第j维位置更新为
Figure BDA00033776001600000414
μ1为[0,1]之间的常数，N(0,1)代表均值为0方差为1的高斯随机数，j＝1,2,...,d。
5.步骤六具体为：对第k条沙丁鱼，产生[0,1]间均匀随机数
Figure BDA00033776001600000415
若
Figure BDA00033776001600000416
因此第g+1次迭代中第k条沙丁鱼的位置更新为
Figure BDA00033776001600000417
其中
Figure BDA00033776001600000418
Figure BDA00033776001600000419
为0到1之间的随机数，APg+1＝A×[1-2×(g+1)×τ]表示旗鱼的攻击能量，旗鱼活动总能量为A，能量衰减系数为τ；若
Figure BDA00033776001600000420
第g+1次迭代中第k条沙丁鱼的第j维位置更新为
Figure BDA00033776001600000421
μ2为[0,1]之间的常数，j＝1,2,...,d；
随着旗鱼总能量的减少为w，会导致旗鱼攻击沙丁鱼群时活动减弱，因此只有部分数量的沙丁鱼更新位置，更新位置的沙丁鱼数量为ωg+1＝Ns g×APg+1；根据旗鱼在第g+1次迭代的总能量，当APg+1≥w时所有沙丁鱼进行更新，当APg+1＜w时从沙丁鱼种群中随机选择ωg+1条沙丁鱼进行更新。
6.步骤七具体为：采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数，因此第g+1次迭代中第i条旗鱼的适应度值为
Figure BDA0003377600160000051
其中i＝1,2,...,Nq，g+1次迭代中第k条沙丁鱼的适应度值为
Figure BDA0003377600160000052
其中
Figure BDA0003377600160000053
分别根据旗鱼的适应度值和沙丁鱼的适应度值按升序方式排列旗鱼种群和沙丁鱼种群；若
Figure BDA0003377600160000054
则
Figure BDA0003377600160000055
其中i＝1,2,...,Nq，
Figure BDA0003377600160000056
并且被捕获的沙丁鱼将会从沙丁鱼种群中移除，因此沙丁鱼的种群数量为
Figure BDA0003377600160000057
其中Dg+1为第g+1次迭代中沙丁鱼被旗鱼捕获的数量；
对捕获沙丁鱼后的旗鱼种群，第g+1次迭代中旗鱼种群最小的适应度值为最优的适应度值
Figure BDA0003377600160000058
将其位置确定为当前迭代的最优位置
Figure BDA0003377600160000059
将第g+1次迭代中的最优适应度值Fg+1与前g次迭代得到的全局最优适应度值Gg相比较，若Fg+1＜Gg，则更新全局最优适应度值Gg+1＝Fg+1和精英旗鱼位置
Figure BDA00033776001600000510
否则，令Gg+1＝Gg，
Figure BDA00033776001600000511
第g+1次迭代中剩余沙丁鱼种群最小的适应度值为最优的适应度值Fs g+1，将其位置确定为当前迭代的受伤沙丁鱼位置
Figure BDA00033776001600000512
取适应度值最好的前0.5Nq只旗鱼对规范知识进行更新，需要产生一个门限
Figure BDA00033776001600000513
标号
Figure BDA00033776001600000514
从1到0.5Nq循环，按照如下规则更新：如果[0,1]间均匀随机数
Figure BDA00033776001600000515
若
Figure BDA00033776001600000516
则规范知识下界参数的更新方程为：
Figure BDA00033776001600000517
否则，若
Figure BDA00033776001600000518
则规范知识上界参数的更新方程为：
Figure BDA00033776001600000519
与现有技术相比，本发明的有益效果是：
(1)相较于传统的通信信号调制识别方法，如基于特征提取的机器学习方法，需要进行前期特征参数的人工提取，这不仅增加了调制识别的复杂度，而且由于受到人为因素的影响，导致最终的识别效果因人而异，各不相同。本发明所采用的深度学习方法可以自动提取特征，减少了人工提取特征的繁琐环节，实现真正意义上的自动调制分类识别，具有更广泛的应用场景。
(2)相较于常用的卷积神经网络CNN需要对原始数据进行预处理，将其转化为图像，如提取星座图、循环谱图等。本发明中采用了对具有序列特性数据非常有效的循环神经网络RNN，它能直接采用原始时域数据，挖掘数据中的时序信息，进一步降低了复杂度。针对普通的RNN在长序列训练过程中会出现梯度消失问题，采用了特殊RNN长短时记忆LSTM网络模型，解决了RNN长期依赖问题。
(3)本发明采用了文化旗鱼捕食搜索机制进化LSTM网络模型的关键超参数，如隐藏层神经元数、学习率和训练次数。克服了传统LSTM网络依赖研究者的经验人工选择超参数的缺点，解决了LSTM网络超参数设计问题，减小了随机性，提高了模型的预测性能。从实验结果可以看出，所设计的旗鱼捕食机制进化LSTM网络模型在数字通信信号调制识别上具有优越的学习能力和泛化能力，相较于传统的LSTM网络模型，在不同信噪比下识别准确率都有所提高。
附图说明
图1：基于文化旗鱼捕食机制进化长短时记忆网络的调制信号识别。
图2：LSTM单元结构图。
图3：旗鱼捕食机制进化长短时记忆网络的最佳适应度值随迭代次数的变化。
图4：基于人工选择参数的LSTM网络训练过程，分别为在训练集上的准确度和验证集上的准确度。
图5：基于人工选择参数的LSTM网络训练过程，分别为在训练集上的损失和验证集上的损失。
图6：基于文化旗鱼捕食搜索机制进化LSTM网络训练过程，分别为在训练集上的准确度和验证集上的准确度。
图7：基于文化旗鱼捕食搜索机制进化LSTM网络训练过程，分别为在训练集上的损失和验证集上的损失。
图8：训练出来的网络模型在-10dB到10dB，间隔为2dB的高斯白噪声环境下的测试集上的识别准确率对比曲线，LSTM表示人工选择参数的LSTM网络模型，SFO-LSTM表示文化旗鱼捕食搜索机制进化LSTM网络模型。
图9：人工选择参数的LSTM网络模型和文化旗鱼捕食搜索机制进化LSTM网络模型在-6dB时的分类混淆矩阵。
图10：人工选择参数的LSTM网络模型，文化旗鱼捕食搜索机制进化LSTM网络模型在0dB时的分类混淆矩阵。
图11：人工选择参数的LSTM网络模型，文化旗鱼捕食搜索机制进化LSTM网络模型在6dB时的分类混淆矩阵。
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。
步骤一：构造数据集。
通信的目的是通过信道传递消息中包含的信息，为了较好地在信道中传播，信号将进行相应的调制，当前常用的调制类型包括振幅键控MASK，频移键控MFSK，相移键控MPSK和正交振幅调制QAM等。这些常用调制方式的数学模型如下所示：
MASK主要是通过改变载波的振幅来传输信号，其表达式为：
Figure BDA0003377600160000071
其中an表示第n个传输符号的电平值，并且an∈{0,1,...,M-1}，其中M是调制进制数，
Figure BDA0003377600160000072
表示幅度值为1，持续时间为Ts的矩形脉冲，Ts为符号周期，
Figure BDA0003377600160000073
为采样时间，fc为载波频率，
Figure BDA0003377600160000074
为载波初始相位。
FSK是利用载波的频率特征来反映数字基带信号符号变换的一种调制方式，其表达式为：
Figure BDA0003377600160000075
其中bn表示第n个符号的频偏倍数，并且bn∈{0,1,...,M-1}，Δf为载波的频率偏移，简称为频偏，通常取值为
Figure BDA0003377600160000076
MFSK调制的初始相位
Figure BDA0003377600160000077
一般取为0。
PSK是通过基带信号控制载波的相位来传输信号的调制方式，其表达式为：
Figure BDA0003377600160000078
其中
Figure BDA0003377600160000079
表示第n个符号所对应的相位，其中，
Figure BDA00033776001600000710
QAM是通过基带信号控制正弦载波的幅度和相位同时变化的调制方式，其表达式为：
Figure BDA0003377600160000081
式中，an表示第n个传输符号的幅度，
Figure BDA0003377600160000082
表示第n个符号对应载波的初始相位。
数字基带信号没有经过符号成形时是矩形波，它在频域内是无限延伸的，在有限带宽信号中，这必然会引起接收端信号的波形失真。为了在消除波形失真的同时保证不产生新的码间干扰，实际中发射端一般会加上一个成形滤波器，成形滤波器采取升余弦滚降函数对数字基带信号进行成形处理，表达式为
Figure BDA0003377600160000083
式中δ为滚降系数，T为码元周期。
通信信号在发射端通过成型滤波器消除波形失真，然后通过信道传输到接收端，接收端所接收到的信号为带有噪声的通信信号。将接收端所接收到的原始时域数据作为数据集并划分为训练集，验证集和测试集。
步骤二：构造目标函数。
长短时记忆LSTM神经网络是循环神经网络RNN的特殊形式，是设计来解决RNN长期依赖问题。一个LSTM单元包含了一个记忆细胞和三个门。LSTM采用了门控机制控制信息传递过程中的累积速度，并且还能选择性的遗忘一些之前的信息，从而既不会出现梯度消失，同时也不会出现梯度爆炸问题。LSTM中的门控机制主要包括三个部分：遗忘门，输入门和输出门。
LSTM的第一步是决定丢弃什么样的信息，这个决定通过遗忘门完成。对于第t个LSTM单元遗忘门的输出表达式为ft＝sigmod(Wf*xt+Wf*ht-1+bf)，其中xt为当前LSTM单元记忆细胞的输入，ht-1为前一个LSTM单元记忆细胞的输出，Wf为遗忘门权重矩阵，bf为遗忘门偏置矩阵，‘*’表示两向量对应元素相乘，
Figure BDA0003377600160000084
为激活函数。遗忘门会输出一个0到1之间的数值给前一个LSTM单元的记忆细胞状态ct-1中的值决定是否继续保存，1表示完全保留，0表示完全舍弃。
输入门决定了是否将当前LSTM单元临时记忆细胞输入到当前LSTM单元记忆细胞中长期保存，当前LSTM单元临时记忆细胞状态为
Figure BDA0003377600160000085
其中Wc为更新记忆细胞临时状态的权重矩阵，bc为更新记忆细胞临时状态的偏置矩阵，双曲正切函数
Figure BDA0003377600160000091
为激活函数。输入门的输出表达式为it＝tanh(Wi*xt+Wi*ht-1+bi)，其中Wi为输入门权重矩阵，bi为输入门偏置矩阵。输入门会输出一个0到1之间的数值给当前LSTM单元临时记忆细胞状态
Figure BDA0003377600160000092
中的值决定是否继续保存，1表示完全保留，0表示完全舍弃。
通过前面的遗忘门决定了上一个LSTM单元的记忆细胞状态ct-1保留的信息，输入门决定了当前LSTM单元临时记忆细胞状态
Figure BDA00033776001600000913
保留的信息，因此更新当前LSTM单元的记忆细胞状态
Figure BDA0003377600160000093
最终输出门决定的是否将当前LSTM单元的记忆细胞状态ct作为当前时刻输出，输出门的表达式为ot＝tanh(Wo*xt+Wo*ht-1+bo)，其中Wo为输出门权重矩阵，bo为输出门偏置矩阵。将当前LSTM单元的记忆细胞状态ct通过tanh(v)激活函数处理得到一个-1到1之间的值，并将其同输出门相乘可以得到当前LSTM单元的输出为ht＝οt*tanh(Ct)。
训练LSTM时，首先输入层的输入数据经过隐藏层的LSTM单元进行正向传播，通过输出层得到神经网络第m次迭代的实际输出量
Figure BDA0003377600160000094
然后通过反向传播求出各级梯度从而更新LSTM的权值参数，采用Adam优化器更新权值矩阵。首先利用交叉熵构建关于LSTM网络的权值参数的损失函数
Figure BDA0003377600160000095
可以得到梯度为
Figure BDA0003377600160000096
其中
Figure BDA0003377600160000097
表示损失函数对权值参数求偏导。更新第一动量项nm＝β1·nm-1+(1-β1)·gm，其中β1为指数衰减率，控制动量与当前梯度的权重分配，通常取接近于1的值，默认为0.9。更新第二动量项vm＝β2·vm-1+(1-β2)·(gm*gm)，其中β2为指数衰减率，控制动量与当前梯度平方的权重分配，默认为0.999。第一动量项进行偏差矫正为
Figure BDA0003377600160000098
其中
Figure BDA0003377600160000099
为β1的m次幂。第二动量项进行偏差矫正为
Figure BDA00033776001600000910
其中
Figure BDA00033776001600000911
为β2的m次幂。因此第m次迭代权值参数的更新为
Figure BDA00033776001600000912
其中η为学习率，ε为保证分母不为零的极小常数。
将通信信号调制识别的训练数据及相应的标签放入LSTM神经网络中，可以训练得到的通信信号调制识别LSTM网络模型。将测试集用于该网络模型，得到测试集上的正确率
Figure BDA0003377600160000101
其中TP为分类正确数量，为FP分类错误数量。采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数
Figure BDA0003377600160000102
步骤三：初始化旗鱼捕食搜索机制的参数。
设旗鱼种群规模为Nq，初始旗鱼种群占沙丁鱼种群的比例为p，则初始沙丁鱼种群规模为
Figure BDA0003377600160000103
解决问题的维度为d，即优化的超参数个数，搜索上边界为xmax＝[x1,max,x2,max,...,xd,max]，搜索下边界为xmin＝[x1,min,x2,min,...,xd,min]，最大迭代次数为Gmax，旗鱼活动总能量为A，能量衰减系数为τ。
在搜索空间内随机生成第g次迭代的第i条旗鱼位置为
Figure BDA0003377600160000104
其中
Figure BDA0003377600160000105
为0到1之间的随机数，xj,min＜qi,j＜xj,max，i＝1,2,...,Nq，j＝1,2,...,d，g为迭代次数。在搜索空间内随机生成第g次迭代的第k条沙丁鱼位置为
Figure BDA0003377600160000106
其中
Figure BDA0003377600160000107
为0到1之间的随机数，xj,min＜sk,j＜xj,max，
Figure BDA0003377600160000108
j＝1,2,...,d。第g次迭代第j维的规范知识可以表示为
Figure BDA0003377600160000109
Figure BDA00033776001600001010
和
Figure BDA00033776001600001011
分别表示第g次迭代第j维变量规范知识的上下边界值，上界
Figure BDA00033776001600001012
和下界
Figure BDA00033776001600001013
由给定的定义域初始化。
Figure BDA00033776001600001014
表示第j维变量规范知识下限
Figure BDA00033776001600001015
对应的目标函数的适应度值，
Figure BDA00033776001600001016
表示参数j区间上限
Figure BDA00033776001600001017
对应的目标函数的适应值，在该问题初始化时
Figure BDA00033776001600001018
和
Figure BDA00033776001600001019
均为无穷大。令初始迭代次数g＝0
步骤四：计算适应度值，并确定精英旗鱼位置和受伤沙丁鱼位置。
旗鱼和沙丁鱼的位置表示训练LSTM网络模型的超参数，包括隐含层神经元数、初始学习率和训练次数，将其带入LSTM网络模型进行训练。通过在训练集上训练可以得到一个数字通信信号调制识别LSTM网络模型，采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数，因此第g次迭代中第i条旗鱼的适应度值为
Figure BDA00033776001600001020
Ti g代表着第g次迭代中第i条旗鱼确定的神经网络参数得到测试集上的正确率，第g次迭代中第k条沙丁鱼的适应度值为
Figure BDA0003377600160000111
Figure BDA0003377600160000112
代表着第g次迭代中第k条沙丁鱼确定的神经网络参数得到测试集上的正确率。旗鱼和沙丁鱼的适应度值可代表旗鱼捕食沙丁鱼的难易程度，适应度值越小，表示旗鱼的位置越优，而沙丁鱼则越容易受到旗鱼攻击导致被捕食。
第g次迭代中旗鱼种群最小的适应度值为最优的适应度值
Figure BDA0003377600160000113
将其位置确定为当前迭代的最优位置
Figure BDA0003377600160000114
整个旗鱼种群中至到第g次迭代为止最优适应度值为全局最优适应度值
Figure BDA0003377600160000115
其位置为精英旗鱼位置
Figure BDA0003377600160000116
其中d为量子位置维度。第g次迭代中沙丁鱼种群最小的适应度值为最优的适应度值Fs g，将其位置确定为当前迭代的受伤沙丁鱼位置
Figure BDA0003377600160000117
步骤五：旗鱼攻击选择策略，更新旗鱼的位置。
为了避免与其它旗鱼发生碰撞，旗鱼一般选择在没有其他同伴攻击沙丁鱼群时发动攻击。旗鱼不会从上到下或从左到右进行攻击，它们可以在一个小范围内从各个方向进行攻击，因此旗鱼会在最佳解决方案的一个球体内更新其位置。对第i条旗鱼，产生[0,1]间均匀随机数
Figure BDA0003377600160000118
若
Figure BDA0003377600160000119
第g+1次迭代中第i条旗鱼的位置更新为
Figure BDA00033776001600001110
其中
Figure BDA00033776001600001111
Figure BDA00033776001600001112
为0到1之间的随机数，
Figure BDA00033776001600001113
为第g+1次迭代的一个系数，
Figure BDA00033776001600001114
为沙丁鱼群密度表示每次迭代时沙丁鱼种群数量会随着旗鱼的捕食而明显减少，
Figure BDA00033776001600001115
为进行第g+1次迭代时沙丁鱼种群数量；若
Figure BDA00033776001600001116
第g+1次迭代中第i条旗鱼的第j维位置更新为
Figure BDA00033776001600001117
μ1为[0,1]之间的常数，N(0,1)代表均值为0方差为1的高斯随机数，j＝1,2,...,d。
步骤六：追捕猎物，更新沙丁鱼的位置。
旗鱼捕食的成功率与沙丁鱼群中受伤的沙丁鱼数量成正相关，在捕食的开始阶段旗鱼有更多的能量去追赶猎物，同时沙丁鱼也更容易躲避。随着旗鱼频繁的攻击，会使沙丁鱼的能量存储减少，降低侦察旗鱼位置信息的能力，这将影响沙丁鱼群的逃跑，最终会被旗鱼攻击导致受伤，成为旗鱼捕食的最佳目标，精英旗鱼在攻击期间可以影响沙丁鱼的机动性和速度，。对第k条沙丁鱼，产生[0,1]间均匀随机数
Figure BDA0003377600160000121
若
Figure BDA0003377600160000122
因此第g+1次迭代中第k条沙丁鱼的位置更新为
Figure BDA0003377600160000123
其中
Figure BDA0003377600160000124
Figure BDA0003377600160000125
Figure BDA0003377600160000126
为0到1之间的随机数，APg+1＝A×[1-2×(g+1)×τ]表示旗鱼的攻击能量，旗鱼活动总能量为A，能量衰减系数为τ；若
Figure BDA0003377600160000127
第g+1次迭代中第k条沙丁鱼的第j维位置更新为
Figure BDA0003377600160000128
μ2为[0,1]之间的常数，j＝1,2,...,d。
随着旗鱼总能量的减少为w，会导致旗鱼攻击沙丁鱼群时活动减弱，因此只有部分数量的沙丁鱼更新位置，更新位置的沙丁鱼数量为
Figure BDA0003377600160000129
根据旗鱼在第g+1次迭代的总能量，当APg+1≥w时所有沙丁鱼进行更新，当APg+1＜w时从沙丁鱼种群中随机选择ωg+1条沙丁鱼进行更新。
步骤七：计算适应度值，确定被旗鱼捕食的沙丁鱼，确定精英旗鱼和受伤沙丁鱼位置。
旗鱼和沙丁鱼的位置表示训练LSTM网络模型的超参数，包括隐含层神经元数、初始学习率和训练次数，将其带入LSTM网络模型进行训练。通过在训练集上训练可以得到一个通信信号调制识别LSTM网络模型，采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数，因此第g+1次迭代中第i条旗鱼的适应度值为
Figure BDA00033776001600001210
其中i＝1,2,...,Nq，g+1次迭代中第k条沙丁鱼的适应度值为
Figure BDA00033776001600001211
其中
Figure BDA00033776001600001212
分别根据旗鱼的适应度值和沙丁鱼的适应度值按升序方式排列旗鱼种群和沙丁鱼种群。
在捕食的最后阶段受伤的沙丁鱼将会被旗鱼捕获，假设沙丁鱼的适应度值比旗鱼更好时将被捕获，且每次迭代每条旗鱼最多捕获一条沙丁鱼。这种情况下旗鱼的位置用被捕获的沙丁鱼位置代替，若
Figure BDA00033776001600001213
则
Figure BDA00033776001600001214
其中i＝1,2,...,Nq，
Figure BDA00033776001600001215
并且被捕获的沙丁鱼将会从沙丁鱼种群中移除，因此沙丁鱼的种群数量为
Figure BDA0003377600160000131
其中Dg+1为第g+1次迭代中沙丁鱼被旗鱼捕获的数量。
对捕获沙丁鱼后的旗鱼种群，第g+1次迭代中旗鱼种群最小的适应度值为最优的适应度值
Figure BDA0003377600160000132
将其位置确定为当前迭代的最优位置
Figure BDA0003377600160000133
将第g+1次迭代中的最优适应度值Fg+1与前g次迭代得到的全局最优适应度值Gg相比较，若Fg+1＜Gg，则更新全局最优适应度值Gg+1＝Fg+1和精英旗鱼位置
Figure BDA0003377600160000134
否则，令Gg+1＝Gg，
Figure BDA0003377600160000135
第g+1次迭代中剩余沙丁鱼种群最小的适应度值为最优的适应度值Fsg+1,将其位置确定为当前迭代的受伤沙丁鱼位置
Figure BDA0003377600160000137
本文中取适应度值最好的前0.5Nq只旗鱼对规范知识进行更新，需要产生一个门限
Figure BDA0003377600160000138
标号
Figure BDA0003377600160000139
从1到0.5Nq循环，按照如下规则更新：如果[0,1]间均匀随机数
Figure BDA00033776001600001310
若
Figure BDA00033776001600001311
则规范知识下界参数的更新方程为
Figure BDA00033776001600001312
否则,若
Figure BDA00033776001600001313
则规范知识上界参数的更新方程为
Figure BDA00033776001600001314
步骤八：判断是否终止迭代。
判断是否达到终止迭代条件，即达到最大迭代次数或者所有的沙丁鱼都被旗鱼捕获，若满足终止迭代条件，则继续向下运行，否则令g＝g+1，返回步骤五继续。
步骤九：使用训练集训练具有最优超参数的数字通信信号调制识别LSTM网络。
达到终止迭代条件后的精英旗鱼位置为
Figure BDA00033776001600001315
其代表LSTM的超参数，包括隐含层神经元个数，初始学习率和训练次数。将文化旗鱼捕食搜索机制得到的最优超参数用于训练数字通信信号调制识别LSTM网络模型，然后采用测试集数据测试该LSTM网络模型。
仿真实验中一些模型具体参数设置如下：
本发明中使用的数字调制类型为：QASK，BFSK，QFSK，OFSK，BPSK，QPSK，OPSK，OQPSK，
Figure BDA00033776001600001316
8QAM，16QAM，32QAM共12种调制方式，并且本文所用方法并不局限于这几种调制方式。数字调制信号的参数设置如下：载波频率
Figure BDA0003377600160000141
采样速率
Figure BDA0003377600160000142
码元速率
Figure BDA0003377600160000143
采样时间T＝1s，每个符号的采样点数为85；成形滤波器的滚降系数δ＝0.4。
数据集的划分为80％为训练集，10％为验证集，10％为测试集，本方法并不局限于这种划分方式。
文化旗鱼捕食搜索机制的参数设置如下：设旗鱼种群规模为Nq＝5，初始旗鱼种群占沙丁鱼种群的比例为p＝0.05，则初始沙丁鱼种群规模为
Figure BDA0003377600160000144
解决问题的维度为d＝3，即优化的超参数为隐含层神经元个数、初始学习率和训练次数，搜索上边界为xmax＝[150,0.01,150]，搜索下边界为xmin＝[1,0.0001,1]，最大迭代次数为Gmax＝40，旗鱼活动总能量为A＝4，能量衰减系数为τ＝0.001，μ1＝0.6，μ2＝0.9，
Figure BDA0003377600160000145
Figure BDA0003377600160000146
对于LSTM网络模型，最小批尺寸为30，采用Adam优化器，损失函数为交叉熵损失函数。人工选择参数为隐含层神经元个数为100，学习率为0.003，迭代次数为100。
从图3可以看出旗鱼捕食机制进化LSTM网络在第36代时就已经终止迭代，说明在第36次迭代时旗鱼已经将沙丁鱼捕食完，达到了终止迭代条件，并且在20次迭代时适应度曲线就已经收敛。
图4和图6分别为人工选择参数的LSTM网络训练过程和基于文化旗鱼捕食搜索机制进化LSTM网络训练过程在训练集和验证集上的准确度。图5和图7分别为人工选择参数的LSTM网络训练过程和基于文化旗鱼捕食搜索机制进化LSTM网络训练过程在训练集和验证集上的损失，损失函数为交叉熵函数。可以看出基于文化旗鱼捕食搜索机制进化LSTM网络的训练过程更加平稳，说明该网络模型的性能更加稳定，减小了人为确定超参数的影响。
从图8可以看出基于文化旗鱼捕食搜索机制进化LSTM网络模型的预测性能相较于人工选择参数的LSTM网络的预测性能有效的提高。克服了传统LSTM网络依赖研究者的经验人工选择超参数的缺点，解决了LSTM网络超参数设计问题，减小了随机性，提高了模型的预测性能。
图9，图10和图11分别为-6dB，0dB和6dB时人工选择参数LSTM网络和基于文化旗鱼捕食搜索机制进化LSTM网络的分类混淆矩阵，可以从混淆矩阵中看出发生分类错误的调制信号大多都是具有相同类型的调制信号，例如OPSK信号和QPSK信号，但是随着信噪比的增加，噪声减小，不同调制信号之间的特征更加明显，使得识别准确率有较大的提升，而且基于文化旗鱼捕食搜索机制进化LSTM网络具有更优的识别性能。

Claims (7)

1.一种进化长短时记忆网络的调制信号识别方法，其特征在于，步骤如下：
步骤一：构造数据集；通信信号在发射端通过成型滤波器消除波形失真，然后通过信道传输到接收端，接收端所接收到的信号为带有噪声的通信信号；将接收端所接收到的原始时域数据作为数据集并划分为训练集，验证集和测试集；
步骤二：构造目标函数；
步骤三：初始化旗鱼捕食搜索机制的参数；
步骤四：计算适应度值，并确定精英旗鱼位置和受伤沙丁鱼位置；
步骤五：旗鱼攻击选择策略，更新旗鱼的位置；
步骤六：追捕猎物，更新沙丁鱼的位置；
步骤七：计算适应度值，确定被旗鱼捕食的沙丁鱼，确定精英旗鱼和受伤沙丁鱼位置；
步骤八：判断是否达到终止迭代条件，即达到最大迭代次数或者所有的沙丁鱼都被旗鱼捕获，若满足终止迭代条件，则继续向下运行，否则令g＝g+1，返回步骤五继续；
步骤九：使用训练集训练具有最优超参数的数字通信信号调制识别LSTM网络，达到终止迭代条件后的精英旗鱼位置为
Figure FDA0003377600150000011
其代表LSTM的超参数，包括隐含层神经元个数，初始学习率和训练次数，将文化旗鱼捕食搜索机制得到的最优超参数用于训练数字通信信号调制识别LSTM网络模型，然后采用测试集数据测试该LSTM网络模型。
2.根据权利要求1所述的一种进化长短时记忆网络的调制信号识别方法，其特征在于，步骤二具体为：将通信信号调制识别的训练数据及相应的标签放入LSTM神经网络中，训练得到的通信信号调制识别LSTM网络模型；将测试集用于该网络模型，得到测试集上的正确率
Figure FDA0003377600150000012
其中TP为分类正确数量，为FP分类错误数量，采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数
Figure FDA0003377600150000013
3.根据权利要求1所述的一种进化长短时记忆网络的调制信号识别方法，其特征在于，步骤三具体为：设旗鱼种群规模为Nq，初始旗鱼种群占沙丁鱼种群的比例为p，则初始沙丁鱼种群规模为
Figure FDA0003377600150000014
解决问题的维度为d，即优化的超参数个数，搜索上边界为xmax＝[x1,max,x2,max,...,xd,max]，搜索下边界为xmin＝[x1,min,x2,min,...,xd,min]，最大迭代次数为Gmax，旗鱼活动总能量为A，能量衰减系数为τ。
4.根据权利要求1所述的一种进化长短时记忆网络的调制信号识别方法，其特征在于，步骤四具体为：旗鱼和沙丁鱼的位置表示训练LSTM网络模型的超参数，包括隐含层神经元数、初始学习率和训练次数，将其带入LSTM网络模型进行训练；通过在训练集上训练得到一个数字通信信号调制识别LSTM网络模型，采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数，第g次迭代中第i条旗鱼的适应度值为
Figure FDA0003377600150000021
Ti g代表着第g次迭代中第i条旗鱼确定的神经网络参数得到测试集上的正确率，第g次迭代中第k条沙丁鱼的适应度值为
Figure FDA0003377600150000022
Figure FDA0003377600150000023
代表着第g次迭代中第k条沙丁鱼确定的神经网络参数得到测试集上的正确率；
第g次迭代中旗鱼种群最小的适应度值为最优的适应度值
Figure FDA0003377600150000024
将其位置确定为当前迭代的最优位置
Figure FDA0003377600150000025
整个旗鱼种群中至到第g次迭代为止最优适应度值为全局最优适应度值
Figure FDA0003377600150000026
其位置为精英旗鱼位置
Figure FDA0003377600150000027
其中d为量子位置维度；第g次迭代中沙丁鱼种群最小的适应度值为最优的适应度值Fs g，将其位置确定为当前迭代的受伤沙丁鱼位置
Figure FDA0003377600150000028
5.根据权利要求1所述的一种进化长短时记忆网络的调制信号识别方法，其特征在于，步骤五具体为：对第i条旗鱼，产生[0,1]间均匀随机数
Figure FDA0003377600150000029
若
Figure FDA00033776001500000210
第g+1次迭代中第i条旗鱼的位置更新为
Figure FDA00033776001500000211
其中
Figure FDA00033776001500000212
Figure FDA00033776001500000213
为0到1之间的随机数，
Figure FDA00033776001500000214
为第g+1次迭代的一个系数，
Figure FDA00033776001500000215
为沙丁鱼群密度表示每次迭代时沙丁鱼种群数量会随着旗鱼的捕食而明显减少，
Figure FDA00033776001500000216
为进行第g+1次迭代时沙丁鱼种群数量；若
Figure FDA00033776001500000217
第g+1次迭代中第i条旗鱼的第j维位置更新为
Figure FDA0003377600150000031
μ1为[0,1]之间的常数，N(0,1)代表均值为0方差为1的高斯随机数，j＝1,2,...,d。
6.根据权利要求1所述的一种进化长短时记忆网络的调制信号识别方法，其特征在于，步骤六具体为：对第k条沙丁鱼，产生[0,1]间均匀随机数
Figure FDA0003377600150000032
若
Figure FDA0003377600150000033
因此第g+1次迭代中第k条沙丁鱼的位置更新为
Figure FDA0003377600150000034
其中
Figure FDA0003377600150000035
Figure FDA0003377600150000036
为0到1之间的随机数，APg+1＝A×[1-2×(g+1)×τ]表示旗鱼的攻击能量，旗鱼活动总能量为A，能量衰减系数为τ；若
Figure FDA0003377600150000037
第g+1次迭代中第k条沙丁鱼的第j维位置更新为
Figure FDA0003377600150000038
μ2为[0,1]之间的常数，j＝1,2,...,d；
随着旗鱼总能量的减少为w，会导致旗鱼攻击沙丁鱼群时活动减弱，因此只有部分数量的沙丁鱼更新位置，更新位置的沙丁鱼数量为
Figure FDA0003377600150000039
根据旗鱼在第g+1次迭代的总能量，当APg+1≥w时所有沙丁鱼进行更新，当APg+1＜w时从沙丁鱼种群中随机选择ωg+1条沙丁鱼进行更新。
7.根据权利要求1所述的一种进化长短时记忆网络的调制信号识别方法，其特征在于，步骤七具体为：采用训练得到的LSTM网络模型在测试集上准确率的倒数作为目标函数，因此第g+1次迭代中第i条旗鱼的适应度值为
Figure FDA00033776001500000310
其中i＝1,2,...,Nq，g+1次迭代中第k条沙丁鱼的适应度值为
Figure FDA00033776001500000311
其中
Figure FDA00033776001500000312
分别根据旗鱼的适应度值和沙丁鱼的适应度值按升序方式排列旗鱼种群和沙丁鱼种群；若
Figure FDA00033776001500000313
则
Figure FDA00033776001500000314
其中i＝1,2,...,Nq，
Figure FDA00033776001500000315
并且被捕获的沙丁鱼将会从沙丁鱼种群中移除，因此沙丁鱼的种群数量为
Figure FDA00033776001500000316
其中Dg+1为第g+1次迭代中沙丁鱼被旗鱼捕获的数量；
对捕获沙丁鱼后的旗鱼种群，第g+1次迭代中旗鱼种群最小的适应度值为最优的适应度值
Figure FDA0003377600150000041
将其位置确定为当前迭代的最优位置
Figure FDA0003377600150000042
将第g+1次迭代中的最优适应度值Fg+1与前g次迭代得到的全局最优适应度值Gg相比较，若Fg+1＜Gg，则更新全局最优适应度值Gg+1＝Fg+1和精英旗鱼位置
Figure FDA0003377600150000043
否则，令Gg+1＝Gg，
Figure FDA0003377600150000044
第g+1次迭代中剩余沙丁鱼种群最小的适应度值为最优的适应度值Fs g+1，将其位置确定为当前迭代的受伤沙丁鱼位置
Figure FDA0003377600150000045
取适应度值最好的前0.5Nq只旗鱼对规范知识进行更新，需要产生一个门限
Figure FDA0003377600150000046
标号
Figure FDA0003377600150000047
从1到0.5Nq循环，按照如下规则更新：如果[0,1]间均匀随机数
Figure FDA0003377600150000048
若
Figure FDA0003377600150000049
则规范知识下界参数的更新方程为：
Figure FDA00033776001500000410
否则，若
Figure FDA00033776001500000411
则规范知识上界参数的更新方程为：
Figure FDA00033776001500000412
CN202111421628.5A 2021-11-26 2021-11-26 一种进化长短时记忆网络的调制信号识别方法 Active CN114172769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111421628.5A CN114172769B (zh) 2021-11-26 2021-11-26 一种进化长短时记忆网络的调制信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111421628.5A CN114172769B (zh) 2021-11-26 2021-11-26 一种进化长短时记忆网络的调制信号识别方法

Publications (2)

Publication Number Publication Date
CN114172769A true CN114172769A (zh) 2022-03-11
CN114172769B CN114172769B (zh) 2023-10-03

Family

ID=80481418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111421628.5A Active CN114172769B (zh) 2021-11-26 2021-11-26 一种进化长短时记忆网络的调制信号识别方法

Country Status (1)

Country Link
CN (1) CN114172769B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190370684A1 (en) * 2018-06-01 2019-12-05 Sas Institute Inc. System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model
CN110996287A (zh) * 2019-12-04 2020-04-10 上海工程技术大学 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质
CN113239628A (zh) * 2021-06-02 2021-08-10 哈尔滨工程大学 基于量子海鸥演化机制加权Myriad滤波器设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190370684A1 (en) * 2018-06-01 2019-12-05 Sas Institute Inc. System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model
CN110996287A (zh) * 2019-12-04 2020-04-10 上海工程技术大学 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质
CN113239628A (zh) * 2021-06-02 2021-08-10 哈尔滨工程大学 基于量子海鸥演化机制加权Myriad滤波器设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨洁;褚书培;: "改进SFLA-BP神经网络在遮盖干扰信号识别应用", 传感器与微系统, no. 08 *

Also Published As

Publication number Publication date
CN114172769B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN110300078B (zh) 基于课程学习的调制信号识别方法
CN109345507B (zh) 一种基于迁移学习的大坝图像裂缝检测方法
CN110334741B (zh) 基于循环神经网络的雷达一维距离像识别方法
Hu et al. Robust modulation classification under uncertain noise condition using recurrent neural network
CN111314257B (zh) 一种基于复值神经网络的调制方式识别方法
CN110120926B (zh) 基于演化bp神经网络的通信信号调制方式识别方法
CN112039820B (zh) 量子象群机制演化bp神经网络的通信信号调制识别方法
CN112949387B (zh) 基于迁移学习的智能抗干扰目标检测方法
CN111025257B (zh) 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法
CN114895263B (zh) 基于深度迁移学习的雷达有源干扰信号识别方法
CN109525369A (zh) 一种基于循环神经网络的信道编码类型盲识别方法
CN113468939A (zh) 一种基于监督最小化深度学习模型的sar目标识别方法
CN111948622A (zh) 基于并联cnn-lstm的线性调频雷达信号toa估计算法
CN114636975A (zh) 基于谱图融合和注意力机制的lpi雷达信号识别方法
CN113298031A (zh) 一种考虑信号物理和时序特性的信号调制识别方法及应用
CN117152606A (zh) 一种基于置信度动态学习的遥感图像跨域小样本分类方法
Ramjee et al. Ensemble wrapper subsampling for deep modulation classification
CN117354106B (zh) 基于重参数因果卷积网络的通信信号调制识别方法与系统
CN117784615B (zh) 一种基于impa-rf的火控系统故障预测方法
CN114595729A (zh) 基于残差神经网络与元学习融合的通信信号调制识别方法
CN111507299A (zh) 一种频域上使用卷积神经网络识别stbc信号的方法
CN117081895B (zh) 一种基于自适应降噪的自动调制识别方法
CN114172769A (zh) 一种进化长短时记忆网络的调制信号识别方法
CN113902095A (zh) 一种无线通信自动调制识别方法、装置与系统
CN112348165A (zh) 基于混合循环网络的水声通信信号分类识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231213

Address after: Room 203, Building 1, Science and Technology Entrepreneurship Service Center, Nanhu District, Jiaxing City, Zhejiang Province, 314000

Patentee after: JIAXING NUOAIDI COMMUNICATION TECHNOLOGY CO.,LTD.

Address before: 150001 Intellectual Property Office, Harbin Engineering University science and technology office, 145 Nantong Avenue, Nangang District, Harbin, Heilongjiang

Patentee before: HARBIN ENGINEERING University

TR01 Transfer of patent right