论文翻译八：An Adaptive Neural Network Approach for Automatic Modulation Recognition

30天挑战翻译100篇论文

坚持不懈，努力改变，在翻译中学习，在学习中改变，在改变中成长…

An Adaptive Neural Network Approach for Automatic Modulation Recognition

一种自适应神经网络的自动调制识别方法

Yasaman Ettefagh § , Mohammad Hossein Moghaddam ‡ , and Sajjad Eghbalian †
§ Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran
Email: { yasaman.ettefagh@aut.ac.ir }
‡ Department of Electrical Engineering, K.N. Toosi University of Technology, Tehran, Iran
Email: { mhmoghadam@ee.kntu.ac.ir }
†
Department of Electrical Engineering, Tarbiat Modarres University, Tehran, Iran
Email: { sajjad.eghbalian@modares.ac.ir }

摘要—本文提出了一种使用人工神经网络（ANN）的新型自适应调制自动识别（AMR）方法。 两种类型的功能已组合在一起，以确保所有类型调制的检测鲁棒性。 设计了特征提取和神经网络的自适应系统，以区分5种不同的调制类型（即AM，ASK，FSK，PSK和QAM）之间的目标调制。 在一种新颖的方法中，通过引入调制对，基于10个最小复数-二进制ANN的每个单独输出的大部分来做出决定，这些ANN已使用足够广泛的调制参数对每对调制类型进行了训练。 我们已经制定了安全的错误准则来表明我们的设计性能，并且仿真结果根据检测误差与信号电平之间的关系以及检测误差与迭代次数之间的收敛关系，来表达所提出系统模型的性能和准确性。

关键字：神经网络，自动调制识别，特征提取，自适应学习。

1.简介

自动调制识别（AMR）是一种自动确定未知接收信号的调制类型的技术。 AMR通过利用从接收信号的基本属性中提取出来的判别特征来完成。 AMR主要用于民用领域，例如信号确认，干扰识别和频谱管理[1]。 此外，该技术被广泛用于军事应用，在军事应用中，有必要获取适当的调制类型信息，以便对截获的信号进行解调和解码，因此[2]，[3]。

通常，有两种方法来检测被拦截信号的调制类型： 1）决策理论（DT）方法和2）模式识别（PR）方法[1]。 前一种是基于设置决策规则并将其应用于信息承载特征的，这些信息以类似于决策树的方式从信号中提取。 这些决策规则是阈值参数，这些阈值参数是根据每个调制的性质及其属性确定的。 在某种意义上，每个阈值用于区分两组相似的调制，就像树的两个分支一样，最终所讨论的信号将通过此决策树的一个叶子。 这种方法有一些缺点：1）对于不同的参数，例如调制参数的动态范围，噪声等的影响，应非常谨慎地选择这些阈值的值，这在可靠性方面可能是不利的。 这种方法。 2）一次只考虑一项关键功能，因此整个过程将很耗时。 作为替代，模式识别方法可以使用足够大的训练集，以便找到具有针对训练信号自动且自适应地选择的参数的系统。 因此，假设训练集能够传达有关不同调制的动态范围的完整信息，则系统将以健壮的方式进行训练。 此外，神经网络等模式识别方法同时考虑了所有特征，因此与DT方法相比，不仅检测过程的速度更快，而且特征的时间顺序也不会影响正确检测的可能性。 文献中还介绍了AMR的其他方法。 在[4]和[5]中，AMR通过利用基于SVM的方法来完成。 在[6]中，通过结合使用基于高阶累积量的特征和基于连续小波变换的特征来执行AMR，并且所提出的方法能够区分不同的调制阶次和调制类型。

在本文中，我们提出了一种自适应多类神经网络方法，该方法在基于二进制神经网络集的输出标签的投票系统之后使用不同的二进制神经网络，以提高检测的鲁棒性。 同时，使用新的功能组合来确保检测的鲁棒性，因为对于检测错误的某些阈值，会保持收敛。 我们应用提出的方法来区分五种不同类型的调制：AM，ASK，FSK，PSK和QAM。 通过这种方式，我们提出了一种新颖的方法，其中在训练阶段通过特征提取和神经网络模块传递几对调制类型，以获得一些可用于测试阶段的观点，最后区分出正确的调制类型。

本文的其余部分安排如下：在第二部分中，介绍了总体算法。 在第三节中，说明了数据形成。 在第四节中，使用数值实验研究了该方法的性能。 最后，结论和未来的工作将在第五节中介绍。

2. 方法

如上一节所述，我们提出的算法包括特征提取和自适应神经网络模块，如图2所示。 如图1所示，原则上可以通过三个主要步骤进行解释：1）预处理：提取并组合两种类型的提到的特征，以便获得一组功能全面的特征，从而使系统能够区分不同类型的调制类型。 这些功能足够鲁棒，可以针对每种调制类型进行参数变化。 2）训练阶段：构建一组自适应二进制神经网络，以便捕获两种不同调制类型的所有差异。 在我们的设计中，考虑到每两种调制类型之间的高精度检测，对每个分类器进行了训练以区分两种调制类型。 此步骤的输出是一组最小复杂的神经网络，具有最小数量的权重和偏差。 3）测试阶段：将神经网络集应用于测试特征向量，并使用投票系统将结果合并。 选票最多的调制类型将被选作测试信号的调制类型。 关于每两个调制之间的高精度检测，我们期望对神经网络有精确和正确的结果。 以这种方式，所提出的设计将未知测试信号的实际调制类型确定为两个备选方案之一，并为设计用于区分其他调制类型的其他神经网络确定随机结果。

• A.特征提取
  设计成功的AMR方法的第一步是提取信息功能。 在以前的研究中，已经引入了不同的功能集。 在这种情况下广泛使用的一组基本特征是基于频谱的特征，它们提取调制信号的幅度，相位和频率中的基本信息[1]。 这些功能的功能已通过许多研究[1]，[2]证明。 该套件包含九个功能，能够区分模拟和数字调制。 另一组特征是零交叉序列形状（ZCSS）特征，它们在区分频率调制信号和相位调制信号方面非常有效[7]。 在这项研究中，我们使用这两套功能。 这些功能的简要说明如下。 还有其他特征，例如基于高阶统计量的特征，基于小波的特征，基于循环平稳分析的特征等，在本文中未进行研究。
  在这里，我们简要地解释了基于光谱的特征，并对每个特征[1]的相关参数进行了描述。

1）
$其中N_s是样本数，N_s是采样周期，a_{c}n是在时刻i=\frac{t}{T_s}，i\in 1,2，...，Ns时归一化的中心瞬时振幅值。它由以下等式定义：$
其中，$M_a是瞬时振幅的平均值。此功能是信号功率谱密度的近似值。$
2)
$其中{\phi }_{NL}^2（i）是瞬时相位的居中非线性分量的值，C是{\phi }_{NL}^2（i）中样本的数量，其中a_n（i）>a_t和a_t是阈值a_n（i）瞬时相位的估计值以下对噪声非常敏感。{\sigma }_{ap}是在信号的非弱间隔内计算出的瞬时相位居中非线性分量绝对值的标准偏差。$

3)
此功能是在信号的非弱间隔内计算的直接（非绝对）瞬时相位的居中非线性分量的标准偏差。
4)
其中，$f_c是载波频率，f_s是采样频率。此功能可测量载波频率附近的对称性。$
5)
此功能是信号的标准化中心瞬时幅度的绝对值的标准偏差。
6)
$其中，r_s是符号率，m_f是瞬时频率的平均值。因此，{\sigma }_{af}是瞬时频率绝对值的标准偏差，该偏差是在信号的非弱间隔上计算的。$

7)

此功能是信号段的非弱间隔中归一化中心瞬时振幅的标准偏差。

8)
此特征是归一化中心瞬时振幅的峰度。
9)

此功能是归一化中心瞬时频率的峰度。

在本文中，我们使用了两个附加功能，它们在区分相位调制和频率调制信号方面特别有效[7]。 这两个调制与其他调制和过零序列非常相似，后者是从信号的两个连续过零时刻之间的时间间隔中提取的，可以用作区分它们的关键措施。 我们用ξ[i]序列指示这些过零时刻。 过零序列定义如下：

显然，序列y [i]对于相位调制信号具有尖峰，但是对于频率调制信号而言是阶跃的。 我们使用ZCSS序列的标准偏差和ZCSS的差异作为特征来区分相位和频率调制信号。

• B.自适应二进制神经网络方法
  在我们提出的方法中，我们将多类神经网络映射到一系列二进制神经网络，因为它们在对两种调制类型的每组进行分类时具有很高的准确性。 我们使用自适应趋势来训练神经网络，该神经网络从零隐藏层开始，并根据训练误差和验证误差，以指定的终止条件增量添加隐藏层和神经元。 因此，我们可以确保神经网络的结果集具有最少数量的隐藏层和神经元，从而使网络的权重和偏差最少，从而导致较低的内存消耗。 因此，我们必须有一个完整的数据集，其中包括每个调制的较大动态范围的参数，以确保训练集和进一步决策的鲁棒性。 在测试阶段，我们使用每个ANN的输出标签，然后将这些标签相加，然后将等级最高的调制类型指定为测试信号的指定调制类型。

3.数据格式化

如前一节所述，为了确保算法的鲁棒性，我们针对每种类型的调制使用广泛的数据来训练分类器。 测试仪的调制参数使用相同的动态范围。 表1中显示了调制参数和信号电平范围的动态范围。每种调制类型都会生成500个信号，每个调制类型分配400个信号给训练集，每个调制类型分配100个信号给验证集。 我们使用训练集训练分类器，并使用验证集评估训练阶段的输出，以避免过度拟合。 结果列于第四节。

4.数值实验

考虑图2中的系统模型。 1，首先我们通过分析每组二进制分类器的输出。 使用这5种类型的调制，我们观察到所有10个分类器的最佳网络都是单层神经网络（无隐藏层）。 然后，我们将其应用于新的测试集来检查整个网络。 基本上，与SVM相比，ANN可以更直接，更经济的方式在硬件上实现。 原因是ANN由许多加法和乘法运算组成，这些运算可以很容易地在硬件上实现，但是SVM处理很多复杂的运算，因此很难在硬件上实现。

• A.训练阶段
  

我们针对每个调制使用400个信号来训练分类器。 从信号中提取了11个特征，我们还计算归一化因子以使所有权重和无论功能的绝对值如何，都公平地偏向计算。 我们一次使用10个批次的信号训练分类器，并使用自适应学习率来加快收敛速度​​并避免陷入局部最小值。 我们还针对每种调制类型使用100个信号来计算验证误差，以确保不会发生过拟合。 对于这些分类器中的8个，收敛发生在早期，如图2所示。 2.对于2个更复杂的分类器ASKQAM和FSK-PSK，该算法需要更多的历元，如图2所示。 3。

• B.测试阶段
  在本小节中，我们检查检测误差与信号电平的关系。 每种调制类型和每个信号电平值都会生成100个信号，以确保结果的有效性。 如图所示。 参照图4，我们提出的算法设法以很高的精度对AM，ASK和QAM调制进行分类。 FSK-PSK的检测是缓慢收敛的集合，它的误差略高，这在分类FSK-PSK时的训练误差方面是完全可以接受的。

5.结束语

在本文中，我们提出了一种基于特征提取和自适应神经网络的自动调制识别系统模型。 尽管对于某些集合，提出的算法收敛非常快，而对于其他集合，它收敛很慢，但是我们发现对于所有类型的调制都具有良好的检测错误率。 虽然，我们提出的设计可以自适应地扩展NN的隐藏层，但是在所有情况下，第一层的检测都具有良好的错误，而无需进一步深入其他隐藏层。 在将来的工作中，我们正在测试针对具有更复杂集合的其他调制的自适应方法，该方法针对不同的检测误差标准利用了自适应隐藏层扩展。

R EFERENCES
[1] E. Azzouz and A. Nandi, Automatic modulation recognition of commu-
nication signals. Springer Science & Business Media, 2013.
[2] D. Grimaldi, S. Rapuano, and L. De Vito, “An automatic digital modu-
lation classifier for measurement on telecommunication networks,” IEEE
Transactions on Instrumentation and Measurement, vol. 56, no. 5, pp.
1711–1720, 2007.
[3] Z. Zhu and A. Nandi, Automatic Modulation Classification: Principles,
Algorithms and Applications. Wiley, 2015.
[4] T. S. Tabatabaei, S. Krishnan, and A. Anpalagan, “Svm-based classifi-
cation of digital modulation signals,” in Systems man and cybernetics
(SMC), 2010 IEEE international conference on. IEEE, 2010, pp. 277–
280.
[5] M. Petrova, P. Mähönen, and A. Osuna, “Multi-class classification of ana-
log and digital signals in cognitive radios using support vector machines,”
in Wireless Communication Systems (ISWCS), 2010 7th International
Symposium on. IEEE, 2010, pp. 986–990.
[6] S. Ghasemi and A. Gangal, “An effective algorithm for automatic modu-
lation recognition,” in 2014 22nd Signal Processing and Communications
Applications Conference (SIU). IEEE, 2014, pp. 903–906.
[7] D. Grimaldi, A. Palumbo, and S. Rapuano, “Automatic modulation
classification and measurement of digitally modulated signals,” in Proc.
11th IMEKO TC-4 Symp. Trends Elect. Meas. Instrum, vol. 1, 2001, pp.
112–116.

最后

以上就是超帅电灯胆为你收集整理的论文翻译八：An Adaptive Neural Network Approach for Automatic Modulation Recognition的全部内容，希望文章能够帮你解决论文翻译八：An Adaptive Neural Network Approach for Automatic Modulation Recognition所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。