衛(wèi)星通訊中的調(diào)制識別算法研究

通信網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)高階累積量實(shí)驗(yàn)仿真與結(jié)果分析目錄計(jì)算機(jī)網(wǎng)絡(luò)7層開放系統(tǒng)互聯(lián)(opensystemsinterconnection,OSI)標(biāo)準(zhǔn).其核心內(nèi)容包含高,中,低三大部分,高層是面向網(wǎng)絡(luò)應(yīng)用,低層是面向網(wǎng)絡(luò)通信的各種功能劃分,而中間層是起信息轉(zhuǎn)換,信息交換(或轉(zhuǎn)接)和傳輸路徑選擇等作用,即路由選擇核心。通信網(wǎng)絡(luò)

自從20世紀(jì)60年代中期衛(wèi)星通信投人使用以來，已經(jīng)經(jīng)歷了近40年的發(fā)展。隨著信息化社會的到來，衛(wèi)星通信已成為信息化的主要支柱之一?，F(xiàn)如今，衛(wèi)星通信的發(fā)展已經(jīng)開辟了全球個人通信的新時代。由此可見，對于衛(wèi)星通信各組成部分及關(guān)鍵技術(shù)的研究，已經(jīng)成為當(dāng)今通信發(fā)展的一個主要方向。其中，調(diào)制信號自動識別技術(shù)備受關(guān)注，成為研究熱點(diǎn)。

如果我們在衛(wèi)星通訊中發(fā)射端能夠根據(jù)信道狀況選擇適宜的信號調(diào)制方式（這里必須應(yīng)用高層復(fù)雜算法）發(fā)送信號，而在接收端能夠自動識別信號的調(diào)制方式，并加以解調(diào)，那么通信的效率將會提升很多。RBF神經(jīng)網(wǎng)絡(luò)以其簡單的網(wǎng)絡(luò)結(jié)構(gòu)、快速的學(xué)習(xí)方法、較好的推廣能力，已經(jīng)廣泛地應(yīng)用于許多領(lǐng)域，特別是模式識別和函數(shù)逼近等領(lǐng)域。在RBF神經(jīng)網(wǎng)絡(luò)中需要確定的參數(shù)包括隱含層節(jié)點(diǎn)數(shù)、隱含層基函數(shù)的中心值和寬度、隱含層到輸出層的連接權(quán)值。神經(jīng)網(wǎng)絡(luò)圖中，左邊幾個灰底圓中所標(biāo)字母w代表浮點(diǎn)數(shù)，稱為權(quán)重（weight，或權(quán)值，權(quán)數(shù)）。進(jìn)入人工神經(jīng)細(xì)胞的每一個input(輸入)都與一個權(quán)重w相聯(lián)系，正是這些權(quán)重將決定神經(jīng)網(wǎng)絡(luò)的整體活躍性。權(quán)重可正可負(fù)，故能對與它關(guān)聯(lián)的輸入施加不同的影響，如果權(quán)重為正，就會有激發(fā)（excitory）作用，權(quán)重為負(fù)，則會有抑制（inhibitory）作用。當(dāng)輸入信號進(jìn)入神經(jīng)細(xì)胞時，它們的值將與它們對應(yīng)的權(quán)重相乘，作為圖中大圓的輸入。大圓的‘核’是一個函數(shù)，叫激勵函數(shù)(activationfunction)，它把所有這些新的、經(jīng)過權(quán)重調(diào)整后的輸入全部加起來，形成單個的激勵值(activationvalue)。激勵值也是一浮點(diǎn)數(shù)，且同樣可正可負(fù)。這是人工神經(jīng)細(xì)胞激勵函數(shù)的一種最簡單的類型。神經(jīng)網(wǎng)絡(luò)不需要預(yù)先給出關(guān)于模式的先驗(yàn)知識和判別模型，能夠通過自組織和自學(xué)習(xí)機(jī)制自動形成所要求的決策域，在應(yīng)用中易于實(shí)現(xiàn)；同時，由于網(wǎng)絡(luò)內(nèi)部的非線性傳遞函數(shù)，使其對高維空間及非線性空間數(shù)據(jù)模式具有較強(qiáng)的分類能力。

神經(jīng)網(wǎng)絡(luò)的泛化能力(Generalization)是指學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)對測試樣本或工作樣本作出正確反應(yīng)的能力。對神經(jīng)網(wǎng)絡(luò)進(jìn)行過多的訓(xùn)練會增加網(wǎng)絡(luò)的訓(xùn)練時間。所以在我們保證精度的情況下，神經(jīng)網(wǎng)絡(luò)會在訓(xùn)練中，利用其泛化能力，不斷根據(jù)樣本值調(diào)整其權(quán)重和對應(yīng)門限閾值，無限逼近所要求的精度值。高階累積量累積量的物理意義

一階累積量－數(shù)學(xué)期望:描述了概率分布的中心

二階累積量－方差：描述了概率分布的離散程度

三階累積量－三階矩：描述了概率分布的不對稱程度累積量衡量任意隨機(jī)變量偏離正態(tài)(高斯)分布的程度物理意義在許多實(shí)際應(yīng)用(如地震勘探、水聲信號處理、遠(yuǎn)程通信)中，往往不能滿足最小相位，高斯噪聲；甚至系統(tǒng)是非線性的。對于非高斯信號的模型參數(shù)，如僅僅考慮與自相關(guān)函數(shù)匹配，就不可能充分獲取隱含在數(shù)據(jù)中的信息。若信號不僅是非高斯的，而且是非最小相位的，采用基于自相關(guān)函數(shù)的估計(jì)方法所得到的模型參數(shù)，就不能反映原信號的非最小相位特點(diǎn)。

針對衛(wèi)星通信中各種數(shù)字調(diào)制信號，將其高階累積量的理論值給出。這些理論值是在符號等概率發(fā)出、零噪聲、平均功率歸一化的條件下計(jì)算得出的如表1所示。從表1中可看出，各調(diào)制方式的高階累積量不完全相同(除2FSK,4FSK和8PSK外)。因此，可通過支持向量機(jī)的方法來進(jìn)行分類，但這需要訓(xùn)練，存在時間損耗的問題。而且，各值相差不大，為了能更好地進(jìn)行調(diào)制方式的識別，在這里進(jìn)行特征參數(shù)的提取，其定義如下：利用表1中的理論值，對各種調(diào)制方式的參數(shù)進(jìn)行計(jì)算，得到特征參數(shù)的理論值(見表2)。從表2中可看出，利用F，值就可以將調(diào)制方式分成2個集合

和

，再利用F:值對前者進(jìn)行分類。利用matlab中的newrb函數(shù)自動生成神經(jīng)網(wǎng)絡(luò)，生成x序列，并對生成的序列經(jīng)行調(diào)制，這里我們選取6種調(diào)制方式，分別為BPSK調(diào)制，QPSK調(diào)制，8PSK調(diào)制,16QAM調(diào)制,32QAM調(diào)制,64QAM調(diào)制。每種調(diào)制方式訓(xùn)練樣本數(shù)為500，并用100個加高斯白噪聲的測試序列，在信噪比為5dB的噪聲環(huán)境下，檢測神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果。下圖為訓(xùn)練中神經(jīng)網(wǎng)絡(luò)逼近進(jìn)度曲線圖，這里選取精度為0.001。實(shí)驗(yàn)仿真與結(jié)果分析

下圖為樣本訓(xùn)練得出的特征參數(shù)。下圖為檢測結(jié)果，各行代表各種調(diào)制方式中，檢測錯誤的調(diào)制個數(shù)。

從結(jié)果分析來看，由于測試樣本個數(shù)較少，并不能很好地說明利用神經(jīng)網(wǎng)絡(luò)進(jìn)行信號調(diào)制識別的效果。在提高精度和訓(xùn)練樣本數(shù)的情況下可以得到更好的檢測率，但是與此同時帶來的代價(jià)勢必會增高。從實(shí)驗(yàn)仿真實(shí)際來看，在利用matlab仿真的過程中，選取檢測樣本數(shù)為500時，造成內(nèi)存溢出現(xiàn)象。和傳統(tǒng)的門限閾值檢測方案相比，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)制方式采用動態(tài)樣本權(quán)重和偏值使得計(jì)算量大大增加，但能將信號的識別率從80%提升至95%以上，與此同時帶來的代價(jià)較高，在要求識別率較高的系統(tǒng)中仍有較好的應(yīng)用。

實(shí)驗(yàn)中采用未加噪聲的調(diào)