基于星座聚类与神经网络的调制识别研究(可复制论文).pdf

摘要在现代通信对抗中,通信信号的调制类型识别是重要的研究课题。随着通信技术的飞速发展,通信信号的体制和调制类型变得更加复杂多样,信号环境日趋密集,使得常规的识别方法和理论很难有效地对通信信号进行识别,对通信信号的调制识别研究提出了更高的要求。聚类分析可以发现数据的分布模式以及数据属性之间所存在的有价值的相关联系。人工神经网络具有在标准样本基础上进行高度非线性映射和强大的模式识别能力。因此,本文对上述两种人工智能方法作了深入研究,设计并实现了基于两者的调制类型自动识剐系统。主要工作可概括如下:⒃谀:∩希岢隽烁咝ё允视Φ腅聚类算法。该算法不仅改善了惴ǘ猿跏贾行牡拿舾校铱梢宰允视Φ厝范ㄗ罴丫劾嗍U对各种Ⅺ滞ㄐ判藕牛藕判亲嫉男巫醋魑J侗鹛卣鳎越邮盏降男藕旁用劾嗨惴ㄖ亟ㄐ亲迹佣远侗鹦藕诺牡髦评嘈汀7抡媸笛檠橹ち烁盟惴的有效性。⒀芯苛薘神经网络和神经网络的算法、结构和特点。提出了优化的神经网络学习模型和神经网络与【,算法的组合模型。仿真实验结果显示,改进的网络模型的泛化性能都有较大提高。组合模型在中高信噪比下平均识别率都在%以上,与绶掷嗥飨啾染哂懈帕嫉姆掷嘈阅堋⒀芯苛颂卣餮≡窈蜕窬缂。利用自适应遗传惴ㄊ迪至颂卣鞯有效选择。并根据选择得到的特征组合最优解和次优解,提出了一种新的神经网络集成算法—一算法。该算法的出发点是尽量减小集成个体的泛化误差和增大集成的差异度。仿真实验结果显示,特征选择有利于提高网络的识别性能;算法在各个信噪比下,均取得了较高的识别率,分类器的泛化能力有显著提高。特别是在中信噪比下,平均识别率达到%,对实际通信信号进行识别,效果理想,较好地满足了工程中的实际需关键词:调制识别;聚类;人工神经网络;神经网络集成;分类器设计;自适应遗传算法;特征选择要。信息工程大学硕士学位论文第页
知识水坝***@pologoogle为您整理
瑃豠㈣伽面咖,脚删拊轪鷌∞舢髓蚴綼咖,呦踡籆誷緀辴刚∞Ⅱ圯鷇撇瓵泖癷够矸錿綼緎蘩甧嘶吐;;∞鲥廿∞哪禿鄊,鷈啪咖啪墒鷆驴發忸阻盯础,鴈辌琤∞科姐硼虎鸨膌,晰锄驴∞鷌】晌柚№鹪,啪鷐印;鷉甒瑚【饥锄鶤莟∞磘籒百锄琤印瓵謉,%西篗信息工程大学硕士学位论文舱縧铝山盯缸瓵琫:瑆鹳嬲餷衋騭礶鹌痑%.瓼∞誩辩∞皁琫遱嬲髂%,籉第瑃瑃闕把餯、琣瓵╟,ⅰ縄,
知识水坝***@pologoogle为您整理
表目录算法与组合模型的识别性能比较稀表组合模型与窬绲氖侗鹦阅鼙冉物⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯表劾嘤行院冉稀蚎信号幅度取值数和调制状态数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯表行院齭与聚类中心数涞墓叵怠表惴ê虵算法计算效率比较⋯⋯⋯⋯⋯⋯⋯⋯表系托旁氡群痛嬖诼朐6ㄊ逼ú钋榭鱿碌男藕攀侗鹇%⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.缙谕涑霰嗦牒投杂Φ男藕拧表网络有无嵌入最优停止法的识别性能比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..缭诓煌旁氡认碌氖侗鹇%缬隑缡侗鹇时冉%网络期望编码和调制信号的对应关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表不同网络结构对应的正确识别率呋谩表组合模型和神经网络的识别率比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯“表两种模型的识别性能比较予%表两种模型的识别性能比较鹈⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。⋯⋯⋯⋯⋯⋯⋯表各信噪比下惴ㄑ≡竦淖钣盘卣骷表各信噪比下特征选择结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯表基于不同个体生成方法的网络集成的识别率比较...⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯算法对实际信号的识别结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯信息工程大学硕士学位论文第Ⅳ页.
图目录图ㄐ判藕诺髦剖侗鸬囊话愎獭劾嗨惴ǖ牧鞒掏肌和藕诺脑夹亲肌图亟ǖ藕沤邮招亲肌图亟ǖ母餍藕沤邮招亲肌图断蚧貴窬缤仄私峁埂图盗肺蟛詈筒馐晕蟛钏媸奔浔浠氖疽馇摺神经网络领域函数型式⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图组合模型训练获得的特征图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..“图标准遗传算法流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯惴ń碳霸诵薪峁图和藕诺慕邮招亲藕诺慕邮招亲图优化的缪澳P徒⒐獭图训练过程中训练误差和测试误差的变化曲线⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯神经网络拓扑结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.网络神经元侧向交互模式⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图类:屠郼涞南嗷ス叵怠图改进的网络学习过程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图网络训练获得的特征图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯”图网络训练获得的特征图图组合模型的学习曲线⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯信息工程大学硕士学位论文第
醐叼年争月∥日期:勘滓笋月日期