一种小波特征与深度神经网络结合的信号制式识别算法

发布时间：2025-02-08 12:38

　　 针对当前通信信号的制式识别算法在低信噪比情况下识别不准确的问题,提出一种新的小波特征与改进的深度神经网络结合(WL-DNN)的识别算法。该算法将生成的10种{2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、OFDM、16QAM、AM、FM}含有高斯白噪声的通信信号,用小波分解重构算法提取出一类新的小波特征参数。本文测试了含有多层隐含层的改进BP神经网络作为分类器,利用弹性反向传播算法训练神经网络的参数,确定神经网络的最优超参数。仿真结果表明:在信噪比低至0 dB的情况下,单个调制信号最低识别率超过95%,平均识别率超过98%,大幅提高了制式识别在低信噪比下的识别率,由此表明了该算法的有效性和正确性。

【文章页数】：8 页

【部分图文】：

图1 小波去噪流程图

利用小波变换的分解重构算法,分解出信号的低频信息、近似分量和高频信息、细节分量,计算出小波分解的默认阈值,再重构出去除噪声后的“干净”信号,流程图如图1所示。3算法设计

图2 识别系统模型

输入层含有3个神经元,对应调制信号提取出的3个特征参数。隐含层为3层时,每层分别有12,24,12个神经元;隐含层为4层时,每层分别有12,24,24,12个神经元;隐含层为5层时,每层分别有12,24,24,24,12个神经元。输出层的神经元个数为4个。4个输出最多可以产生16....

图3 调制信号的小波去噪比较

特征参数A1随信噪比SNR变化如图4所示。可以看出10种信号的特征参数A1从信噪比大于-2dB开始,便呈现出稳定的变化趋势,并随着信噪比的变大,各信号间的区别更加明显。这表明了特征参数A1的正确性。图4特征参数A1随信噪比变化

图4 特征参数A1随信噪比变化

图3调制信号的小波去噪比较特征参数A2随信噪比的变化如图5所示。可以看出10种信号的特征参数A2从信噪比大于-2dB开始,便呈现出稳定下降的变化趋势,且信噪比大于0dB时,各信号间的特征出现了稳定的分层,易于分类器识别。这表明了特征参数A2的正确性。

本文编号：4031535