基于人工神经网络的通信信号分类识别冯 涛(中国电子科技集团公司第54研究所,河北石家庄050081)摘 要 通信信号的分类识别是一种典型的统计模式识别问题。

系统地论述了通信信号特征选择、特征提取和分类识别的原理和方法。

设计了人工神经网络分类器,包括神经网络模型的选择、分类器的输入输出表示、神经网络拓扑结构和训练算法,并提出了分层结构的神经网络分类器。

关键词 模式识别;特征提取;分类器;神经网中图分类号 TP391 文献标识码 AClassification and Identification of Communication SignalUsing Artificial Neural NetworksFE NG Tao(T he 54th Research Institute of CETC,Shijia zhuan g Hebei 050081,China)Abstract The classification and identificati on of communication signal is a typical statistical pattern identification.The paper discusses the theory and method of feature selection,feature extraction and classi fication &identificaiton of communication signal.A classifier based on artificial neural networks is designed,includin g the selection of neural network model,the input and output expression of the classifier,neural network topology and trainin g algorithm.Finally a hierarchical archi tecture classifier based on artificial neural networks is presented.Key words pattern recognition;features extraction;classifier;neural networks收稿日期:2005-12-160 引言在通信对抗侦察中,侦察接收设备在截获敌方通信信号后,必须经过对信号的特征提取和对信号特征的分析识别,才能变为有价值的通信对抗情报。

通过对信号特征的分析识别,可以得到信号种类、通信体制、网路组成等方面的情报,从而为研究通信对抗策略、研制和发展通信对抗装备提供重要参考依据。

1 通信信号分类识别的原理通信信号的分类识别是一种典型的模式识别应用,其作用和目的就是将某一接收到的信号正确地归入某一种类型中。

一般过程如图1所示。

图1 通信信号分类识别的一般过程下面简单介绍这几部分的作用。

信号获取:接收来自天线的信号x (t),并对信号进行变频、放大和滤波,输出一个中频信号; A/D 变换:将中频模拟信号变换为计算机可以运算的数字信号x (n);以上2步是信号空间x (t)到观察空间x (n )的变换映射。

特征提取:为了有效地实现分类识别,必须对原始数据进行变换,得到最能反映分类差别的特征。

这些特征的选择和提取是非常重要的,因为它强烈地影响着分类器的设计和性能。

理想情况下,经过特征提取得到的特征向量对不同信号类型应该有明显的差别;分类器设计和分类决策:分类问题是根据识别对象特征的观察值将其分到某个类别中去。

首先,在样本训练集基础上确定合适的规则和分类器结构,然后,学习训练得到分类器参数。

最后进行分类决策,把待识别信号从特征空间映射到决策空间。

2 通信信号特征参数的选择与特征提取2 1 通信信号特征参数的选择选择好的特征参数可以提高低信噪比下的正确识别率,降低分类器设计的难度,是基于统计模式识别方法最为关键的一个环节。

试图根据有限的信号信号与信息处理242006Radio Engineering Vo1 36No 6样本来识别通信信号,所提取的信号特征必须具有以下特点:它能反映该类通信信号所特有的技术特征;反映某一类通信信号的特征参数应该有多个,而不是一个。

也就是说,通信信号的类型属性应当由多个特征参数的集合进行描述,这一集合中提取的特征越多、越精细,对通信信号分类识别的概率就越高;通信信号的特征应具有可检测性;通信信号的特征应具有高稳定性,使这些特征不因时间的推移或环境条件的变化而发生显著改变,否则,这些特征就失去了可信度。

基于上述原则,可选择信号载频、带宽、调制样式、码速率、波形成形方式、同步码、帧结构、FH信号频率集及跳速、DS信号扩频码周期及扩频码等特征参数作为信号分类识别的依据。

2 2 通信信号的特征提取通信信号的特征提取是信号识别中不可缺少的环节。

通常,信号的常规技术参数可从信号的波形和频谱中直接测量。

对于不能直接测量的特征参数,可采用各种信号处理技术进行特征提取。

信号特征有些适于在中频提取,如信号载频、带宽、调制样式、码速率、FH信号频率集及跳速、DS信号扩频码周期等;有些适于在基带提取,如波形成形方式、同步码、帧结构、DS信号扩频码等。

特征提取的具体方法均有成熟技术或相关文献报道,这里不再详细讨论。

得到全部信号特征后,将它们组成一个特征向量,用于信号的分类识别。

3 通信信号的分类识别分类器的设计是继特征提取后非常重要的一个部分,设计的优劣直接影响最终的正确识别率。

分类器的基本任务是根据某一准则把一个给定的由特征向量表示的输入模式归入到一个适当的模式类别,即实现从特征空间到决策空间的转换,最终完成对该模式的分类识别。

分类器设计方法有判决树方法、基于概率分布的相关统计方法、基于信任函数设计的方法和人工神经网络方法等。

其中人工神经网络分类器作为一种先进的自适应、非参数和非线性分类器,为进行信号模式识别开辟了一条新途径。

神经网络是一种以自组织、自适应和大规模分布式并行计算为特征的非线性信号处理系统,具有强大的模式识别分类和泛函逼近能力,并具有良好的容错性。

人工神经网络方法具有智能化水平高、识别速度快和正确识别率高等优点,近来获得了人们的充分重视,是分类器设计新的发展方向。

神经网络分类器的设计过程包括神经网络模型的选择、分类器的输入输出表示、神经网络拓扑结构和训练算法的设计。

3 1 神经网络模型的选择在通信信号类型识别中,一般能提供有关待识别通信信号类型的一些先验信息,如类型已知的观测数据,即样本。

所以,通常选用基于有监督训练的神经网络作为分类器,尤其是各种有监督训练的前向型神经网络,如MLP网络。

3 2 分类器的输入输出表示对于有监督训练的MLP神经网络分类器,训练集由类别标记已知的样本组成,测试集则由没有类别标记的待识别样本组成。

在训练分类器之前,需要将训练集中的每一个样本分别用该样本提取的特征向量表示成分类器的输入,而将该样本所对应的类别标志用代表这种类型的一个已知数值向量来表示成分类器的输出,这个已知数值向量实际上就是分类器对于这种类别的期望输出,并构成一一对应的输入 输出对形式,这些输入 输出对便构成了训练分类器的监督信号。

在通信信号的类型识别中有一个突出的问题,即接收到的信号样本的信噪比变化范围很大,通常为20dB左右。

这种情况的直接后果是从同一类信号的不同信噪比样本中提取的同一种特征有可能产生严重的畸变,即特征对信噪比变化很敏感,间接的后果是无形中增加了待识别信号的类别,使分类器的设计变得复杂,严重影响神经网络训练的收敛速度,也严重影响了神经网络的推广能力。

针对这个问题,对分类器的输出表示做了改进,就是将同一类信号的高信噪比样本和低信噪比样本人为地作为2类或更多类不同的信号来看待,即用2个或更多个标记来分别表示不同信噪比的同一信号类别,但仍然采用0 1型的形式,称之为输出的多标记表示方法。

3 3 神经网络的拓扑结构多层感知器(MLP)是最主要的前向型神经网络模型之一。

一个典型的MLP神经网络由一个输入层、一个输出层和至少一个隐含层组成,如图2所示。

隐含层起抽象的作用,即它能从输入提取特征。

增加隐含层,可增加人工神经网络的处理能力,但是信号与信息处理2006年无线电工程第36卷第6期25必将使训练复杂化、训练样本数目增加和训练时间的增加。

一般来说,开始设定一个隐含层,然后按需要再增加隐含层数。

输入信号由输入层经过隐含层到达输出层,形成MLP 的输出,因此,MLP 属于前向网络,也称为静态图2 多层感知器(MLP)神经网络的拓扑结构网络。

MLP 神经网络的计算能力集中体现在3个方面,即逻辑表达功能、复杂的模式分类能力和通用的泛函逼近能力。

3 4 训练算法的设计MLP 神经网络的训练算法是著名的反向传播(B P)算法,这是一种典型的有监督训练算法。

BP 算法的基本思想是把一组样本的输入输出问题变为一个非线性优化问题,用优化中普遍使用的梯度下降算法来实现网络的实际输出与期望输出之间的均方差(MSE)最小,完成MLP 神经网络的训练任务。

BP 算法的步骤可归纳如下:初始化,选择和合理的拓扑结构,置所有可调参数(权和阀值)为均匀分布的较小数值;对每个输入样本做如下计算: 前向计算对第l 层的j 单元,有v (l)j (n)= pi =0w (l)ji (n)y (l -1)i(n)。

式中,y (l -1)i (n)为前一层(l -1层)的单元i 送来的工作信号;w (l )ji (n )是连接对第l 层的j 单元和第l -1层i 单元的权值,若j 单元的传递函数是Sigmoid 函数,则y (l)j (n)=11+exp (-v (l)j (n)), y (l)j (n) v (l)j (n)=y (l)j (n)(1-y (l)j (n))。

若神经元j 属于输入层(即l =1),则y (1)j (n)=x j (n)。

若神经元j 属于输出层(即l =L ),则y (L )j (n)=y j (n),且e j (n)=d j (n)-y j (n)。

式中,d j (n)是目标值,即期望输出值。

反向计算对输出单元,有(L)j (n)=e (L )j(n)y j (n)(1-y j (n))。

对隐单元,有(l)j (n)=y (l)j(n)(1-y (l)j (n))k(l +1)k(n)w (l +1)kj(n)。

修正权值w (l)ji (n +1)=w (l)ji (n)+ (l)j y (l -1)i(n)。