CN115022138A - 一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法 - Google Patents

一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法 Download PDF

Info

Publication number
CN115022138A
CN115022138A CN202210572659.9A CN202210572659A CN115022138A CN 115022138 A CN115022138 A CN 115022138A CN 202210572659 A CN202210572659 A CN 202210572659A CN 115022138 A CN115022138 A CN 115022138A
Authority
CN
China
Prior art keywords
signal
projection
sample
parent
data
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
CN202210572659.9A
Other languages
English (en)
Other versions
CN115022138B (zh
Inventor
张琦
梁强
王慧梅
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.)
ANHUI EGRETS ELECTRONIC TECHNOLOGY CO LTD
Original Assignee
ANHUI EGRETS ELECTRONIC TECHNOLOGY CO LTD
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 ANHUI EGRETS ELECTRONIC TECHNOLOGY CO LTD filed Critical ANHUI EGRETS ELECTRONIC TECHNOLOGY CO LTD
Priority to CN202210572659.9A priority Critical patent/CN115022138B/zh
Publication of CN115022138A publication Critical patent/CN115022138A/zh
Application granted granted Critical
Publication of CN115022138B publication Critical patent/CN115022138B/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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，属于通信对抗技术领域。本发明的技术思路为：提取样本信号的特征参数，将高维数据特征变化成一维数据特征值，变换的过程采用实数编码的加速遗传算法进行指标函数优化；通过特征值将带有标签的样本数据进行聚类；最后计算每类样本数据特征值的平均值；识别待测信号时同上述处理过程一致，计算得到待测信号的特征值；测量该特征值与上述各类样本的平均值的距离；距离最小的样本类别即为待测信号的识别结果。本发明能够更加高效且准确的对信号进行识别。

Description

一种基于投影寻踪和实数编码加速遗传算法的信号调制样式 识别方法
技术领域
本发明涉及通信对抗技术领域，更具体地，涉及一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法。
背景技术
通信信号的自动调制样式识别技术是信号解调前的关键步骤，也是通信对抗领域的重要技术之一。当前自动调制样式识别主要有基于最大似然法的统计模式决策理论识别和基于人工神经网络识别的方法。前一种方法通过短时Fourier变换、小波变换、高阶累积量等方法手动提取信号的特征参数，依据参数特征设计分类器；而后一种方法通过神经网络自动提取信号的特征参数，从而设计分类器。
这两种方法都是一种有监督的学习方法，训练好的分类器可以对信号进行分类，它实际上是一个模板数据库，对待分析信号特征与模板数据库中的特征进行比对，从而达到分类目的。当需要识别新的调制样式信号时，必须要重新训练生成新的数据库，训练的时间消耗也随之增加。同时，此两种方法提取的信号特征参数没有进行优化和降维，各个特征参数对信号分类的贡献大小未知，影响识别效率和精度。
此两种方法均过于依赖有标签数据，例如图像识别领域的ImageNet库包含上百万张通过人工标注的有标签数据；通信对抗中长期侦察可以获得大量的信号数据，但大量的数据由于分析难度大、数量多、信号种类多等因素很难对大量信号进行人工标注。
发明内容
1.发明要解决的技术问题
鉴于现有的自动调制样式识别技术识别效率较低，且识别精度不高的问题，本发明提供了一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，对数据进行高效准确的识别。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
本发明的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，包括如下步骤：
步骤一、使用信号仿真平台生成多种调制样式的信号，发射机发射信号后，通过接收机采集样本数据；
步骤二、样本预处理，将采集到的样本数据进行绝对值分析和相位分析；同时估计信号码元速率；
步骤三、提取样本的特征参数，对参数进行归一化处理，并构成参数样本数据；
步骤四、构造指标函数，将函数线性投影为一维投影特征值；
步骤五、估计函数的最佳投影方向，采用基于实数编码的加速遗传算法对指标函数进行优化；
步骤六、根据优化得到的最佳投影方向，计算反映各评价指标综合信息的投影特征值，对样本进行聚类，建立关于样本投影特征值和分类级别特征的对应关系；
步骤七、根据最优投影方向，将待识别样本进行归一化处理，计算待识别样本的投影特征值，根据步骤六的对应关系确定样本的分类级别。
3.有益效果
采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：
(1)本发明的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，无需对样本进行训练，因此不需要大数据量的样本，只需要少批量的样本数据即可建立识别模型，因此本发明节省了识别训练的时间，能够快速的对信号进行识别。
(2)本发明的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，先对数据进行预处理，能够剔除样本中的微小信号，从而对样本进行过滤；再提取样本的特征参数，并进行归一化处理，归一化处理后将各种不同的参数归一成为相似的模型，方便后续指标函数的构造。
(3)本发明的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，通过将指标函数线性投影为一维投影特征值，进而能够估计函数的最佳投影方向，从而将指标函数进行优化，最终将样本聚类，以此代替了传统经网络识别方法的训练步骤，从而节省了识别训练时间，提高了识别效率。
(4)本发明的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，无需大量样本对神经网络进行训练，因此对于新的调制样式信号只需要增加其样本数据即可建立模型进行识别，不需要重新进行训练。
附图说明
图1为本发明识别方法的流程图；
图2为本发明中遗传算法优化投影指标函数流程图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
实施例
本实施例提出了一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其技术思路是：提取样本信号的特征参数，将高维数据特征变化成一维数据特征值，变换的过程采用实数编码的加速遗传算法进行指标函数优化；通过特征值将带有标签的样本数据进行聚类；最后计算每类样本数据特征值的平均值；识别待测信号时同上述处理过程一致，计算得到待测信号的特征值；测量该特征值与上述各类样本的平均值的距离；距离最小的样本类别即为待测信号的识别结果。
本实施例的具体步骤如图1所示，包括：
步骤一：产生样本数据并采集样本数据，即使用信号仿真平台生成多种调制样式的信号，并使用发射机进行发射；之后通过接收机采集多种调制样式的信号。
步骤二：样本预处理，将采集到的样本数据进行绝对值分析和相位分析；同时估计信号码元速率：
截取数据信号，并分为I路和Q路两路数据；通过希尔波特变换获取该信号的解析式，对该信号的解析式进行绝对值分析和相位分析，得到信号的瞬时幅度、瞬时频率和瞬时相位；同时利用速率信号法盲估计信号码元速率，先根据基带信号计算速率信号vl(t)，再利用傅立叶变换FFT，计算速率信号vl(t)的频谱；最后找到频谱图中最大峰值的位置对应的频率，即为码元速率；其中速率信号vl(t)为复平面内两个连续符号点之间的距离除以时间间隔Ts＝1/fs，根据式(1)计算：
Figure BDA0003660825570000031
式中，fs为采样频率；x(t)为I路实信号，y(t)为Q路实信号，xn为I路数据序列，yn为Q路数据序列，根据式(2)计算，TN表示某时刻，
x(t)＝∑xng(t-nTs)，y(t)＝∑yng(t-nTs) (2)
式中g(t)表示出现0或1的概率P。n＝1,2,3,..N表示截取的数据长度。
步骤三：提取样本的特征参数，对参数进行归一化处理，构成参数样本数据：
特征参数包括零中心归一化瞬时幅度之谱密度最大值γmax、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σap、零中心非弱信号段瞬时相位非线性分量的标准偏差σdp、零中心归一化瞬时幅度绝对值的标准偏差σaa、零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf、载波频率对称性、零中心归一化非弱信号段瞬时幅度的标准偏差、零中心归一化非弱信号段瞬时幅度的峰值和零中心归一化非弱信号段瞬时频率的峰值；
其中，
零中心归一化瞬时幅度之谱密度最大值γmax
γmax由下式定义：
Figure BDA0003660825570000041
式中，Ns为取样点数，acn(i)为零中心归一化瞬时幅度，由下式计算：
acn(i)＝an(i)-1
式中，
Figure BDA0003660825570000042
而
Figure BDA0003660825570000043
为瞬时幅度a(i)的平均值。
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σap
Figure BDA0003660825570000044
式中at是判断弱信号的一个幅度判决门限电平，c是在全部取样数据Ns中属于非弱信号值的个数，
Figure BDA0003660825570000045
是经零中心化处理后瞬时相位的非线性分量，在载波完全同步时，有：
Figure BDA0003660825570000046
式中
Figure BDA0003660825570000047
φ(i)为瞬时相位。
零中心非弱信号段瞬时相位非线性分量的标准偏差σdp
Figure BDA0003660825570000048
零中心归一化瞬时幅度绝对值的标准偏差σaa
Figure BDA0003660825570000049
零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf
Figure BDA00036608255700000410
式中
Figure BDA00036608255700000411
fm(i)＝f(i)-mf,
Figure BDA00036608255700000412
其中Rs为数字信号的符号速率，f(i)为信号的瞬时频率。
载波频率对称性
Figure BDA00036608255700000413
式中，
Figure BDA0003660825570000051
式中，
Figure BDA0003660825570000052
零中心归一化非弱信号段瞬时幅度的标准偏差
Figure BDA0003660825570000053
零中心归一化非弱信号段瞬时幅度的峰值
Figure BDA0003660825570000054
零中心归一化非弱信号段瞬时频率的峰值
Figure BDA0003660825570000055
式中，fN(i)为瞬时频率。
对各个参数做归一化处理，对参数越大越优型指标的归一化为：
Figure BDA0003660825570000056
对参数越小越优型指标的归一化为：
Figure BDA0003660825570000057
式中，x表示求得的参数，Xjmin、Xjmax分别为第j个目标指标的最小值和最大值。
步骤四、构造指标函数，将函数线性投影为一维投影特征值：
以a＝(a1,a2,…am)为单位投影方向向量，将xij按式(5)进行线性投影为一维投影特征值zi，
Figure BDA0003660825570000058
式中i＝1,2,…,n；j＝1,2,…,m。
根据zi的一维分布图进行分类，分类原则为：局部投影点尽可能密集,在整体上投影点团之间尽可能散开。
将投影指标函数构造为
Q＝s(a)·d(a) (6)
式中，s(a)为类间距，投影值zi的标准差表达式为
Figure BDA0003660825570000059
式中d(a)为类密度，表达式为
Figure BDA00036608255700000510
式中：
Figure BDA0003660825570000061
为zi系列的平均值；R为密度窗口半径，其选取既要使包含在窗口内的投影点的平均个数不能太少，避免滑动平均偏差太大，又不能使它随着的增大而增加太高，R＝0.1；距离rij＝|zi-zj|，i＝1,2,…,n；j＝1,2,…,n；f(R-rij)为单位阶跃函数，当R-rij≥0时，f(R-rij)＝1；反之为0。
步骤五、估计函数的最佳投影方向，采用基于实数编码的加速遗传算法对指标函数进行优化：
当目标样本确定时，投影指标函数Q只随投影方向a的变化而变化，不同的投影方向反映不同的数据结构特征，最佳投影方向a*就是最大可能暴露高维数据某类特征结构的投影方向，因而可以通过求解投影指标函数最大化问题估计最佳投影方向，
Figure BDA0003660825570000062
上式是以a为变量的复杂非线性多约束优化问题，基于实数编码的加速遗传算法(Real Coded Accelerating Genetic Algorithm，RAGA)建模步骤如下：
S1、利用线性变换优化变量的实数编码，
f(j)＝a(j)+y(j)(b(j)-a(j)) j＝1,2,...,p (9-1)
式中，f为优化的目标函数，p为优化的变量的数目；上式把初始变量区间[a(j),b(j)]上的第j个待优化变量x(j)对应到[0 1]区间上的实数y(j)，y(j)即为RAGA中的遗传基因。此时，优化问题所有的变量对应的基因顺次连在一起构成问题解的编码形式(y(1),y(2),…,y(n))，称之为染色体。经编码，所有优化变量的取值范围均变为[0 1]区间，RAGA直接对各优化变量的基因进行以下遗传过程的各种操作。
S2、父代群体的初始化。设父代群体规模为n，生成n组[0 1]区间上的均匀随机数，每组有p个，即{u(j,i)|(j＝1,2,…p；i＝1,2,…n)}，把u(j,i)作为初始群体的父代个体值y(j,i)，把y(j,i)代入上式得到优化变量x(j,i)，再经上式得到相应的目标函数f(j)，把{f(j)|(j＝1,2,…n)}按照从小到大排序，对应个体y(j,i)也跟着排序，目标函数值越小则该个体适应能力越强。排序后最前面的k个个体为优秀个休，使其直接进入下一代。
S3、计算父代群体的适应度评价。评价函数用来对种群中的每个染色体y(j,i)设定一个概率，以使该染色体被选择的可能性与其种群其他染色体的适应性比例。染色体的适应性越强，被选择的可能性越大。基于序的评价函数(eval(y(j,i))来表示)是根据染色体的序进行再生分配，而不是根据其实际目标值。设参数a属于(0,1)给定，定义基于序的评价函数为
eval(y(j,i))＝α(1-α)i-1i＝1,2,...,N (9-2)
这里i＝1意味着染色体是最好的，i＝N说明是最差的。
S4、进行选择操作，产生第一个子代群体{y1(j,i)|(j＝1,2,…p)}。选择过程是以旋转赌轮N次为基础的。每次旋转都为新的种群选择一个染色体。赌轮按照每个染色体的适应度来选择染体，选择过程可以表述如下：
每个染色体y(j,i)计算累积概率q(i＝0,1,2,…,N)为
q0＝0
Figure BDA0003660825570000071
从区间[0qi]中产生一个随机数r；若qi-1≤r≤qi则选择第i个染色体y(j,i)，重复S2和S3共N次，这样可得到N个复制的染色体，组成新一代个体。
S5、对父代的种群进行杂交操作。首先定义杂交参数Pc为交叉操作的概率，这个概率说明种群中有期望值为Pc×N个染色体将进行交叉操作。为确定交叉操作的父代，从i＝1到N重复以下过程：从[0 1]区间中产生随机数r，如果r<Pc则选择y(j,i)作为一个父代，用y’1(j,i)至y’6(j,i)表示选择的父代，并把它们随机分成下面的配对
y′1(j,i),y′2(j,i),y′3(j,i),y′4(j,i),y′5(j,i),y′6(j,i),
若r≥Pc，则不能选择y(j,i)作为一个父代，交叉操作结束；
当父代个体数为奇数时，可以取掉一个染色体，也可以再选择一个染色体，以保证两两配对。以y’1(j,i)和y’2(j,i)为例解释交叉过程，采用算术交叉法，即首先从(0，1)中产生一个随机数c，然后按下列形式在y’1(j,i)和y’2(j,i)之间进行交叉操作，并产生如下的两个后代X和Y。
X＝cy′1(j,i)+(1-c)y′2(j,i)
Y＝(1-c)y′1(j,i)+cy′2(j,i)
如果可行集是凸的，这凸组合交叉运算在两个父代可的情况下，能够保证两个后代也是可行的。但是在许多情况下，可行集不一定是凸的，或者很难验证其凸性，此时必须检验每一后代的可行性。如果两个后代都可行，则用它们代替其父代，产生新的随机函数c，重新进行交叉操作，直到得到两个可行的后代为止。仅用可行的后代取代其父代。当一代个体不可行时，也可采用修复策略使之变成可行染色体。经过以上杂交操作得到第二代群体：
{y2(j,i)|j＝1,2,…p)；i＝1,2,…,n}
S6、进行变异操作。定义变异参数Pm作为遗传系统中的变异概率。这个概率表明，种群中将有Pm×N个染色体用来进行变异操作。进行变异的父代选择过程与交叉操作相似，由i＝1到N重复以下过程：从区间[0 1]中产生随机数r，如果r<Pm，则选择染色体y(j,i)作为变异的父代，对每一个选择的父代用y’3(j,i)表示，按下面的方法进行变异，随机选择变异方向d，则y’3(j,i)变异为：
y′3(j,i)+M×d i＝1,2,...,p
如果r≥Pm，则不能选择y(j,i)作为一个父代，变异操作结束；
若上式是不可行的，那么置M为(0,M)上随机数，直到可行为止。这样能够保持群体的多样性。其中M是足够大的数。如果预先给定的迭代次数内没有找到可行解，则置M＝0，无论M为何值，总用X＝y’3(j,i)+M×d代替y’3(j,i)。经过变异操作得到新一代种群：
{y3(j,i)|(j＝1,2,…p)；i＝1,2,…,n}
S7、演化迭代。由前面的S4-S6得到的3n个子代个体，按其适应度函数值从大到小进行排序，选取最前面的(n-k)个子代个体作为新父代个体种群。算法转入S3，进行下一轮演化过程，重新对父代个体进行评价、选择、杂交和变异，如此反复。
S8、加速处理。具体过程如下：用第一、二次进化所产生的优秀个体变化区间作为下次迭代时优化变量的新的变化区间，如果进化的次数过多将减弱加速算法的寻优能力。算法转入S1，如此加速，则优秀个体的变化区间逐步缩小，与最优点的距离越来越近，直至最优个体的目标函数值小于某一设定值或算法运行到预定加速次数，算法结束。此时把当前群体中最优秀个体作为RAGA的寻优结果。
优化流程如图2所示。
最佳投影方向a*反映了各个因素的不同重要程度，而且满足a*2＝1，因此可以将w＝(a1*2,a2*2,…,am*2)作为各影响因素的权重。
步骤六、根据优化得到的最佳投影方向，计算反映各评价指标综合信息的投影特征值，对样本进行聚类，建立关于样本投影特征值和分类级别特征的对应关系：
根据优化得到的a*代入式(5)，便可计算反映各评价指标综合信息的投影特征值zi，以zi的差异水平作为识别的依据，对样本进行分类，建立关于样本投影特征值和分类级别特征的对应关系。
步骤七、根据最优投影方向，将待识别数据进行归一化处理，并与最优投影方向相乘，即可计算待识别样本的投影特征值。测量该特征值与上述各类样本的平均值的距离。距离最小的样本类别即为待测信号的识别结果。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (10)

1.一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，包括如下步骤：
步骤一、使用信号仿真平台生成多种调制样式的信号，发射机发射信号后，通过接收机采集样本数据；
步骤二、样本预处理，将采集到的样本数据进行绝对值分析和相位分析；同时估计信号码元速率；
步骤三、提取样本的特征参数，对参数进行归一化处理，并构成参数样本数据；
步骤四、构造指标函数，将函数线性投影为一维投影特征值；
步骤五、估计函数的最佳投影方向，采用基于实数编码的加速遗传算法对指标函数进行优化；
步骤六、根据优化得到的最佳投影方向，计算反映各评价指标综合信息的投影特征值，对样本进行聚类，建立关于样本投影特征值和分类级别特征的对应关系；
步骤七、根据最优投影方向，将待识别样本进行归一化处理，计算待识别样本的投影特征值，根据步骤六的对应关系确定样本的分类级别。
2.根据权利要求1所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的步骤二中，截取数据信号，分为I路和Q路两路数据；通过希尔波特变换获取该信号的解析式，对该信号的解析式进行绝对值分析和相位分析，得到信号的瞬时幅度、瞬时频率和瞬时相位；同时利用速率信号法盲估计信号码元速率，先根据基带信号计算速率信号vl(t)，再利用傅立叶变换FFT，计算速率信号vl(t)的频谱；最后找到频谱图中最大峰值的位置对应的频率，即为码元速率；其中速率信号vl(t)为复平面内两个连续符号点之间的距离除以时间间隔Ts＝1/fs，根据式(1)计算：
Figure FDA0003660825560000011
式中，fs为采样频率；x(t)为I路实信号，y(t)为Q路实信号，xn为I路数据序列，yn为Q路数据序列，根据式(2)计算，TN表示某时刻
x(t)＝∑xng(t-nTs)，y(t)＝∑yng(t-nTs) (2)
式中g(t)表示出现0或1的概率P；n＝1,2,3,..N表示截取的数据长度。
3.根据权利要求1或2所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的步骤三中，特征参数包括零中心归一化瞬时幅度之谱密度最大值γmax、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σap、零中心非弱信号段瞬时相位非线性分量的标准偏差σdp、零中心归一化瞬时幅度绝对值的标准偏差σaa、零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf、载波频率对称性、零中心归一化非弱信号段瞬时幅度的标准偏差、零中心归一化非弱信号段瞬时幅度的峰值和零中心归一化非弱信号段瞬时频率的峰值；
对各个参数做归一化处理，对参数越大越优型指标的归一化为：
Figure FDA0003660825560000021
对参数越小越优型指标的归一化为：
Figure FDA0003660825560000022
式中，x表示求得的参数，Xjmin、Xjmax分别为第j个目标指标的最小值和最大值。
4.根据权利要求3所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的步骤四中，以a＝(a1,a2,…am)为单位投影方向向量，将xij按式(5)进行线性投影为一维投影特征值zi，
Figure FDA0003660825560000023
式中i＝1,2,…,n；j＝1,2,…,m；根据zi的一维分布图进行分类；
将投影指标函数构造为
Q＝s(a)·d(a) (6)
其中s(a)为类间距，投影值zi的标准差表达式：
Figure FDA0003660825560000024
d(a)为类密度，表达式为
Figure FDA0003660825560000025
式中，
Figure FDA0003660825560000026
为zi系列的平均值；R为密度窗口半径；距离rij＝|zi-zj|，i＝1,2,…,n；j＝1,2,…,n；f(R-rij)为单位阶跃函数，当R-rij≥0时，f(R-rij)＝1；反之为0。
5.根据权利要求4所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的步骤五中，通过求解投影指标函数最大化问题估计最佳投影方向：
Figure FDA0003660825560000027
式中，a为变量的复杂非线性多约束优化问题。
6.根据权利要求5所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的a基于实数编码的加速遗传算法进行建模，其步骤如下，
S1、利用线性变换优化变量的实数编码，
f(j)＝a(j)+y(j)(b(j)-a(j))j＝1,2,...,p (9-1)
式中，f为优化的目标函数，p为优化的变量的数目；
S2、将父代群体进行初始化，即获得父代群体对应的目标函数f(j)，并进行排序；
S3、利用评价函数对父代群体进行适应度评价，参数a属于(0,1)给定，定义基于序的评价函数为
eval(y(j,i))＝α(1-α)i-1i＝1,2,...,N (9-2)
S4、利用式(9-3)进行选择操作，产生第一个子代群体{y1(j,i)|(j＝1,2,…p)}；每个染色体y(j,i)计算累积概率q(i＝0,1,2,…,N)为q0＝0
Figure FDA0003660825560000031
S5、对父代的种群进行杂交操作，得到第二代群体{y2(j,i)|(j＝1,2,…p)；i＝1,2,…,n}；
S6、进行变异操作，到新一代种群{y3(j,i)|(j＝1,2,…p)；i＝1,2,…,n}；
S7、演化迭代，由前面的S4-S6得到的3n个子代个体，按其适应度函数值从大到小进行排序，选取最前面的(n-k)个子代个体作为新父代个体种群，然后进入S3，进行下一轮演化过程，重新对父代个体进行评价、选择、杂交和变异，如此反复；
S8、加速处理，直至获得最优结果a*。
7.根据权利要求6所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的S5中，首先以杂交参数Pc为交叉操作的概率；为确定交叉操作的父代，从i＝1到N重复以下过程：从[0 1]区间中产生随机数r，若r<Pc则选择y(j,i)作为一个父代，用y’1(j,i)至y’6(j,i)表示选择的父代，并把它们随机分成下面的配对，
y′1(j,i),y′2(j,i),y′3(j,i),y′4(j,i),y′5(j,i),y′6(j,i),
若r≥Pc，则不能选择y(j,i)作为一个父代，交叉操作结束；
当父代个体数为奇数时，取掉一个染色体，或再选择一个染色体，以保证两两配对；采用算术交叉法，即首先从(0，1)中产生一个随机数c，然后按下列形式在y’1(j,i)和y’2(j,i)之间进行交叉操作，并产生如下的两个后代X和Y：
X＝cy′1(j,i)+(1-c)y′2(j,i)
Y＝(1-c)y′1(j,i)+cy′2(j,i)
用可行的后代取代其父代来检验后代X和Y的可行性，杂交后得到第二代群体。
8.根据权利要求7所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的S6中，以变异参数Pm作为遗传系统中的变异概率，从区间[01]中产生随机数r，如果r<Pm，则选择染色体y(j,i)作为变异的父代，对每一个选择的父代用y’3(j,i)表示，按下面的方法进行变异：随机选择变异方向d，则y’3(j,i)变异为
y′3(j,i)+M×d i＝1,2,...,p (9-4)
如果r≥Pm，则不能选择y(j,i)作为一个父代，变异操作结束；
检验式(9-4)可行性，并置M为(0,M)上随机数，直到可行为止；用X＝y’3(j,i)+M×d代替y’3(j,i)，经变异操作得到新一代种群。
9.根据权利要求8所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的步骤六中，根据优化得到的a*代入式(5)，计算反映各评价指标综合信息的投影特征值zi，以zi的差异水平作为识别的依据，对样本进行分类，建立关于样本投影特征值和分类级别特征的对应关系。
10.根据权利要求9所述的一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法，其特征在于，所述的七中，识别待测信号，根据最优投影方向，将待识别数据进行归一化处理，并与最优投影方向相乘，即可计算待识别样本的投影特征值；测量该特征值与上述各类样本的平均值的距离。距离最小的样本类别即为待测信号的识别结果。
CN202210572659.9A 2022-05-25 2022-05-25 一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法 Active CN115022138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210572659.9A CN115022138B (zh) 2022-05-25 2022-05-25 一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210572659.9A CN115022138B (zh) 2022-05-25 2022-05-25 一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法

Publications (2)

Publication Number Publication Date
CN115022138A true CN115022138A (zh) 2022-09-06
CN115022138B CN115022138B (zh) 2024-03-12

Family

ID=83069282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210572659.9A Active CN115022138B (zh) 2022-05-25 2022-05-25 一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法

Country Status (1)

Country Link
CN (1) CN115022138B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574072A (zh) * 2024-01-17 2024-02-20 北京全路通信信号研究设计院集团有限公司 轨道交通系统状态确定方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104717167A (zh) * 2015-02-28 2015-06-17 东南大学 一种基于PXIe模块化仪器的调制识别方法
CN105119862A (zh) * 2015-07-22 2015-12-02 中国电子科技集团公司第三十六研究所 一种信号调制类型识别方法和系统
CN111581583A (zh) * 2020-05-09 2020-08-25 陕西宝成航空仪表有限责任公司 基于改进投影寻踪的地磁图适配性综合评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104717167A (zh) * 2015-02-28 2015-06-17 东南大学 一种基于PXIe模块化仪器的调制识别方法
CN105119862A (zh) * 2015-07-22 2015-12-02 中国电子科技集团公司第三十六研究所 一种信号调制类型识别方法和系统
CN111581583A (zh) * 2020-05-09 2020-08-25 陕西宝成航空仪表有限责任公司 基于改进投影寻踪的地磁图适配性综合评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付强 等: "基于RAGA 的PPC 模型在水稻节水效益评价中的应用", 黑龙江水专学报, pages 18 - 22 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574072A (zh) * 2024-01-17 2024-02-20 北京全路通信信号研究设计院集团有限公司 轨道交通系统状态确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115022138B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN109142171B (zh) 基于特征扩张的融合神经网络的城市pm10浓度预测方法
CN111767848B (zh) 一种基于多域特征融合的辐射源个体识别方法
CN111079836B (zh) 基于伪标签方法和弱监督学习的过程数据故障分类方法
CN108052968B (zh) 一种qsfla-svm的感知入侵检测方法
CN109581339B (zh) 一种基于头脑风暴自动调整自编码网络的声呐识别方法
CN111723523B (zh) 一种基于级联神经网络的河口余水位预测方法
CN109873779A (zh) 一种基于lstm的分级式无线信号调制类型识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN113901977A (zh) 一种基于深度学习的电力用户窃电识别方法及系统
CN110455512B (zh) 基于深度自编码器dae的旋转机械多集成故障诊断方法
Rustia et al. Predicting student's board examination performance using classification algorithms
CN112821559A (zh) 一种非侵入式家电负荷深度再识别方法
CN115022138B (zh) 一种基于投影寻踪和实数编码加速遗传算法的信号调制样式识别方法
CN112070103B (zh) 通过微波链路网格化自适应可变尺度反演大气能见度的方法
CN113435707A (zh) 基于深度学习和计权型多因子评价的测土配方施肥方法
CN113109782B (zh) 一种直接应用于雷达辐射源幅度序列的分类方法
CN115705393A (zh) 一种基于持续学习的雷达辐射源分级识别方法
CN112016597A (zh) 一种机器学习中基于贝叶斯不平衡度量的深度采样方法
CN105006231A (zh) 基于模糊聚类决策树的分布式大型人口语者识别方法
CN112528554A (zh) 一种适于多发多源火箭试验数据的数据融合方法及系统
CN113609480B (zh) 基于大规模网络流的多路学习入侵检测方法
CN112735604B (zh) 一种基于深度学习算法的新型冠状病毒分类方法
CN111816404B (zh) 一种消磁方法及系统
CN114218991A (zh) 一种基于加权BP-AdaBoost的转子故障诊断方法
CN113269217A (zh) 基于Fisher准则的雷达目标分类方法

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