[发明专利]基于BP网络针对非合作通信中MPSK信号的识别研究

权利要求书

1.本专利提出一种针对非合作通信系统中MPSK信号的类内识别的BP神经网络模型。该模型在低信噪比下的准确率方面，较前人的模型有着更加优异的表现。目前已应用在实际的项目中。

本专利算法模型结构主要包括以下步骤：

1)提取MPSK信号的三个瞬时特征和三个基于高阶累积量的特征作为网络模型的输入；

2)构建含两个隐藏层的BP神经网络模型作为识别MPSK信号的分类器；

3)使用GA算法对BP网络参数进行优化，以网络模型的输出误差作为适应度函数，得到最优的BP神经网络参数；

4)将最优的BP神经网络参数传递到网络模型中，使用六种信号特征作为网络模型的输入进行BP网络网络模型的训练；

5)对于网络模型的输出结果，需要进行反归一化处理，之后通过判决才能得到最终的识别结果；

6)将以上步骤中的模块集成到一个程序中，当输入一组MPSK信号的值时，能够直接输出识别的结果。

2.基于权利要求1中所述的特征提取模块，其特征在于：基于步骤1)通过分析MPSK信号的特征，选取三个基于瞬时特征和三个基于高阶累积量的特征作为特征样本。前人所提取到的特征只是单一类型特征的简单叠加或者是经过复杂的运算得到的特征，特征不够具有代表性且时间复杂度过高。本专利使用的特征结合了目标信号的时域特征和频域特征，特征更具有代表性、更能体现不同进制的PSK信号的特性。具体的特征提取有：

瞬时特征：常用的信号瞬时特征主要包括瞬时频率、瞬时幅度和瞬时相位这三个。由于不同进制数的PSK信号之间主要是相位上的区别，因此本专利选取PSK信号的基于瞬时相位和瞬时频率的特征进行特征的计算。三个瞬时特征如下：

(1)特征1

其中，其中，C表示非弱信号(信号幅度大于判决门限a_t)序列的个数，为零中心瞬时非线性相位。

(2)特征2

(3)特征3

其中，为零中心归一化瞬时幅度，R_b为码元速率，为零中心频率。

高阶累积量：信号的高阶累积量是信号的频域特征，鉴于高阶累积量对某些高斯白噪声的不敏感性，本专利通过高阶累积量的运算得到三个基于高阶累积量的频域特征。具体的特征计算公式如下：

(4)特征4

(5)特征5

(6)特征6

以上步骤可以得到目标信号的特征，还需要进行一定的处理才能够得到最终的数据集。首先，为了降低网络模型对于噪声的敏感性，需要将得到的特征进行信噪比无序处理；之后，对于样本需要进行归一化处理才能够得到最终的输入数据集。本专利中选取不同进制数、不同信噪比下每个信号的上述六个特征值的特征值组数为2600，最终得到的本专利的数据集输入的维度是10400×6。

3.根据权利要求1所述的BP神经网络模型，其特征在于：基于步骤2)本专利的BP神经网络模型由输入层、两个隐藏层以及输出层构成。由信号提取的特征数据可以确定本专利中的BP神经网络模型的输入层节点数为6；由目标信号的种类数可以确定本专利中的BP神经网络模型的输出层节点数为4；剩余两个隐藏层的节点数通过前期的仿真实验，比较衡量不同节点数的模型性能指标，最终确定本专利中的BP神经网络的隐藏层节点数为40、10。

在本发明中BP神经网络隐藏层的激活函数使用的是双曲正切函数，其表达式为：

输出层的激活函数使用的是线性函数purelin，其表达式为：

y＝purelin(x)＝x (8)

训练函数使用的是trainlm函数，对于中等规模的BP神经网络收敛速度块，且由于该算法避免了直接计算Hessian矩阵，因此训练计算量较小。该函数使用的是Levenberg-Marquardt算法，该算法在执行时可以通过修改参数来达到结合高斯-牛顿算法以及梯度下降法的优点，即在下降过快时减小参数值使之更接近高斯牛顿法；在下降太慢时增大参数值使之更接近梯度下降法。