CN108052956A - 一种大气湍流下无线光通信副载波调制星座图识别方法 - Google Patents
一种大气湍流下无线光通信副载波调制星座图识别方法 Download PDFInfo
- Publication number
- CN108052956A CN108052956A CN201711083425.3A CN201711083425A CN108052956A CN 108052956 A CN108052956 A CN 108052956A CN 201711083425 A CN201711083425 A CN 201711083425A CN 108052956 A CN108052956 A CN 108052956A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- atmospheric
- munderover
- planisphere
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开的一种大气湍流下无线光通信副载波调制星座图识别方法,包括建立大气湍流信道数学模型;根据大气湍流信道数学模型,获得经过大气湍流信道后副载波调制信号的星座图,进行模糊C均值聚类并提取其硬趋势均值特征参数;设计改进三层BP神经网络分类器,将特征参数对改进BP网络进行训练,用训练好的网络最后进行星座图识别。本发明的大气湍流下无线光通信副载波调制星座图识别方法,技术路线简单、经济而且切实可行,易于实现,提高了大气湍流导致的较大光强起伏下副载波高阶调制的正确识别率,能够很好的抑制大气湍流对星座图识别检测的影响。
Description
技术领域
本发明属于通信技术领域,具体涉及一种大气湍流下无线光通信副载波调制星座图识别方法。
背景技术
无线光通信普遍采用强度调制/直接检测***,强度调制可分为脉冲调制和连续波调制两种。副载波调制是一种连续波调制,与OOK调制相比,副载波调制不需要自适应阈值检测就可达到最佳差错性能,可以有效抑制大气湍流影响。和PPM调制相比较,也不需要增加***带宽要求。大气信道是一种有记忆的时变信道,大气散射和大气湍流对副载波调制信号星座图相位影响较大,所导致的相位模糊、相位偏移等给星座图相位识别带来巨大困难。在信息对抗中,调制识别是从已调制信号的数据中提取信号的振幅、频率以及相位等特征信息,对非合作方通信来进行有效的信道、频谱监测、电子对抗以及干扰源识别等。采用信号谱线的调制识别一般是基于信号幅值分布进行,但是实际信号的调制信息是综合表征在幅值和相位分布上,仅利用幅值信息,其性能受限。调制信号星座图提供了信号相位的结构以及各种不同调制状态的关系,是数字调制方式设计与分析的经典工具。因此,采用星座图中的相位信息结合神经网络可有效地进行无线光副载波调制格式的自动识别,尤其可以有效抑制光强起伏对于高阶调制类型检测识别的影响,提高在较强光强振幅起伏方差下的高阶调制识别率。
发明内容
本发明的目的在于提供一种大气湍流下无线光通信副载波调制星座图识别方法,解决了大气湍流光强起伏导致高阶调制识别率低的问题。
本发明所采用的技术方案是:一种大气湍流下无线光通信副载波调制星座图识别方法,具体按照以下步骤实施:
步骤1:建立大气湍流信道数学模型;
步骤2:根据步骤1建立的大气湍流信道数学模型,获得经过大气湍流信道后副载波调制信号的星座图,进行模糊C均值聚类并提取其硬趋势均值特征参数;
步骤3:设计改进三层BP神经网络分类器,将步骤2中提取的特征参数对改进BP网络进行训练,用训练好的网络最后进行调制星座图识别。
本发明的特点还在于,
步骤1建立大气湍流信道数学模型,具体按照以下步骤实施:设x(t)为发射端已调副载波信号,y(t)为接收机输出信号,则y(t)=I(t)x(t)+n(t),式中,I(t)是大气信道状态信息,表征为大气湍流强度,弱湍流情况则服从对数正态分布,强湍流情况服从负指数分布或K分布,n(t)为高斯白噪声,均值为0,方差为σ2。
步骤2中进行模糊C均值聚类并提取其硬趋势均值特征参数的具体实施步骤为:
步骤2.1:利用模糊C均值算法把n个待分类的星座图样本点xi(i=1,2,...,n)划分为c个模糊组,求出每组的聚类中心,使得非相似性指标的价值函数达到最小;利用隶属度定义样本数据隶属于每一类的概率,隶属矩阵U取值为[0,1]之间的实数值,而且样本点隶属于每一类的取值和为1:
若选择欧几里德距离作为非相似性指标时,FCM的价值函数为:
式中的uij为隶属度矩阵,矩阵中元素属于[0,1]区间;ci为模糊组i的聚类中心;第i个聚类中心与第j个星座图数据点之间的欧几里德距离记为dij=||ci-xj||;m∈[1,∞)是一个加权指数;对所有输入参量求导,可得到使FCM价值函数达到最优解的必要条件为:
通过反复修改隶属度矩阵和聚类中心,使Jc(i+1)-Jc(i)<ε,ε取1e-5;
步骤2.2:获得迭代最终的聚类中心和隶属度矩阵后,采用硬趋势函数作为FCM算法的有效性函数,判断将接收信号点划分为c类是否合理,c取2、4、8、16;该函数求得的硬趋势均值特征参数作为三层改进BP神经网络的输入,从而区分不同的MPSK调制类型。
步骤2.2中FCM的硬趋势均值特征参数的计算步骤为:
步骤2.2.1:根据星座图样本点隶属度的最大值,把每个样本点划分到它所属的聚类集合中,那么样本点Yi属于第i个聚类ci就定义为下式:
步骤2.2.2:计算每个样本点xj的隶属度矩阵中次大值与最大值之比并记为rj:
步骤2.2.3:当聚类中心为c时,则第i个聚类中心的硬趋势即为所有隶属于ci的样本点,计算rj的均值其中Ni为隶属于聚类中心ci的样本点数;
步骤2.2.4:硬趋势Tci的平均为所有聚类中心下的均值Tc:得到特征参数T2、T4、T8和T16。
步骤3中的分类器采用附加动量法和自适应学习速率相结合的三层改进BP神经网络,其中,附加动量法是在反向传播BP的基础上,给每一个权值的变化上加一项正比于前一次权值变化量的值,再由反向传播法产生新的权值变化;调整自适应学习速率的公式:
式中,k为迭代次数,SSE(k+1)和SSE(k)为第k+1次和第k次迭代得到的均方误差;若SSE(k+1)<SSE(k)表明第k次迭代有效,乘以增量因子1.05来增大学习步长,反之,SSE(k+1)>1.04SSE(k),乘以因子0.7减小步长,加快网络学习速度,最终自适应改变学习速率;
之后设计网络输入层神经元个数取4,隐含层神经元个数取15,输出为2,共四种标识位,网络误差函数Ee=0.01,动量因子0.9,初始学习速率为0.02;利用训练好的改进BP网络再对经大气湍流信道后的调制星座图样本进行识别分类,网络输出设置阈值T1=T2=0.5,输出共有4种标识位,00为BPSK,01为QPSK,10为8PSK,11为16PSK。
本发明的有益效果是:本发明一种大气湍流下无线光通信副载波调制星座图识别方法,技术路线简单、经济而且切实可行,易于实现,提高了大气湍流导致的较大光强起伏下副载波高阶调制的正确识别率,能够很好的抑制大气湍流对星座图识别检测的影响。
附图说明
图1是本发明大气湍流下无线光副载波调制星座图识别***框图;
图2是本发明所建立的大气湍流信道模型框图;
图3是本发明基于FCM硬趋势均的星座图值聚类特征提取流程图;
图4是本发明在σx 2=0.1时的16PSK星座图及其FCM聚类中心图;
图5是本发明四种无线光副载波调制方式下的星座图所对应的聚类硬趋势均值;
图6是本发明改进BP网络训练、验证及测试的均方误差曲线。
具体实施方式
下面结合附图以及具体实施方式对本发明进行详细说明。
本发明提供了一种大气湍流下无线光通信副载波调制星座图识别方法,如图1所示,由光发射机发射的副载波MPSK调制光信号x(t)经过大气湍流信道后,对接收机输出y(t)进行星座图识别。首先采用模糊C均值聚类法对经过大气湍流信道的调制信号星座图进行分析,寻找聚类中心,并迭代出最终的隶属度矩阵uij,再根据隶属度矩阵最大值和次大值求取聚类硬趋势函数的均值,作为不同调制类型星座图的特征参数,设计改进三层BP神经网络分类器,将提取的特征参数对改进BP网络进行训练,用训练好的网络最后进行星座图识别。
步骤1:大气湍流信道模型的建立
大气湍流信道等效的数学模型框图如图2所示。对于无线激光通信***,***噪声主要考虑背景光噪声、APD噪声、元器件热噪声等高斯分布加性噪声以及大气湍流导致光强起伏的乘性噪声。图2中x(t)表示发射端已调副载波信号,y(t)表示接收机输出信号,有y(t)=I(t)x(t)+n(t),式中,I(t)是大气信道状态信息,表征为大气湍流强度,对于弱湍流情况则服从对数正态分布,强湍流情况服从负指数分布或K分布。I(t)相对于副载波信号频率,属于一种慢衰落,可看作低频的乘性噪声,n(t)为高斯白噪声,均值为0,方差为σ2。随着光强振幅起伏方差的增大,接收端副载波信号星座图样本点愈加弥散,相位信息越模糊,无法分辨。
步骤2:模糊C均值聚类及其硬趋势均值特征提取
步骤a:图3是基于模糊C均值聚类的提取硬趋势均值特征流程图。模糊C均值算法把n个待分类的星座图样本点xi(i=1,2,...,n)划分为c个模糊组,求出每组的聚类中心,使得非相似性指标的价值函数达到最小。利用隶属度定义样本数据隶属于每一类的概率,隶属矩阵U取值为[0,1]之间的实数值,而且样本点隶属于每一类的取值和为1:
若选择欧几里德距离作为非相似性指标时,FCM的价值函数为:
式中的uij为隶属度矩阵,矩阵中元素属于[0,1]区间;ci为模糊组i的聚类中心。第i个聚类中心与第j个星座图数据点之间的欧几里德距离记为dij=||ci-xj||;m∈[1,∞)是一个加权指数。对所有输入参量求导,可得到使FCM价值函数达到最优解的必要条件为:
由上述两个必要条件可知,FCM算法是一个迭代过程,通过反复修改隶属度矩阵和聚类中心,使Jc(i+1)-Jc(i)<ε,本发明中ε取1e-5。
步骤b:获得迭代最终的聚类中心和隶属度矩阵后,采用硬趋势函数作为FCM算法的有效性函数,判断将接收信号点划分为c(取2、4、8、16)类是否合理,该函数求得的硬趋势均值特征量作为三层改进BP神经网络的输入,从而区分不同的MPSK调制类型。FCM的硬趋势均值计算步骤:
(1)根据星座图样本点隶属度的最大值,把每个样本点划分到它所属的聚类集合中,那么样本点Yi属于第i个聚类ci就定义为下式:
(2)计算每个样本点xj的隶属度矩阵中次大值与最大值之比并记为rj:
(3)当聚类中心为c时,则第i个聚类中心的硬趋势即为所有隶属于ci的样本点,计算rj的均值其中Ni为隶属于聚类中心ci的样本点数。
(4)硬趋势Tci的平均为所有聚类中心下的均值Tc:
步骤3:设计改进的三层BP神经网络分类器
本发明识别分类器是采用附加动量法和自适应学习速率相结合的三层改进BP神经网络。此方法在反向传播BP的基础上,给每一个权值的变化上加一项正比于前一次权值变化量的值,再由反向传播法产生新的权值变化。其中调整自适应学习速率的公式:
式中,η(0)为迭代次数k=0时的初始学习速率。SSE(k+1)和SSE(k)为第k+1次和第k次迭代得到的均方误差。若SSE(k+1)<SSE(k)表明第k次迭代有效,乘以增量因子1.05来增大学习步长,反之,SSE(k+1)>1.04SSE(k),乘以因子0.7减小步长,加快网络学习速度,最终自适应改变学习速率。
因为星座图在经过模糊C均值聚类后计算硬趋势均值为T2、T4、T8和T16,一共四个特征参数,所以本发明设计网络输入层神经元个数取4,隐含层神经元个数取15,输出为2,共四种标识位。网络误差函数Ee=0.01,动量因子0.9,初始学习速率为0.02。利用训练好的改进BP网络再对经大气信道后的调制星座图样本进行识别分类,网络输出设置阈值T1=T2=0.5,输出共有4种标识位,00为BPSK,01为QPSK,10为8PSK,11为16PSK。
本发明的创新点在于:提出了一种新的大气湍流下调制星座图识别方法,并将其应用于副载波调制无线光通信***中,针对无线光通信四种MPSK副载波调制信号进行了星座图聚类和神经网络识别,提高了在大气湍流下高阶调制识别率。
本发明对大气湍流下无线光MPSK调制信号星座图进行了识别实验。实验中经过大气湍流信道后四种调制(2PSK、4PSK、8PSK和16PSK)信号的星座图一共400个样本进行训练和测试,每种调制类型训练和测试样本数均各为50个,星座图的数据点长度为600。对200个训练样本信号星座图采用模糊C均值聚类算法首先进行聚类,其中在σx 2=0.1时的16PSK星座图及其FCM聚类中心图如图4所示,然后在不同聚类中心数下迭代出最终隶属度矩阵,求出聚类硬趋势函数均值Tc,其中c取2、4、8和16。相对应的Tc如图5所示,将Tc特征输入到所设计的改进BP网络进行分类识别,对4种共200个学习样本进行训练,经过5次和37次的权重修正后,网络的训练过程结束,训练好的网络再对200个测试样本进行识别实验。BP网络训练、验证和测试曲线见图6所示。其中两种光强起伏方差下的识别结果见表1和表2所示。
表1调制信号星座图识别结果(SNR=20dB)
表2调制信号星座图识别结果(SNR=20dB)
由上表可知,大气湍流较大光强起伏方差σx 2=0.1时,总正确识别率为100%,当时,总正确识别率也达到96%,且16PSK调制识别率达到88%以上。实验结果说明了本发明可以有效抑制大气湍流光强起伏对副载波调制星座图识别的影响,能够提高较大起伏方差下的高阶调制星座图检测识别率。
Claims (5)
1.一种大气湍流下无线光通信副载波调制星座图识别方法,其特征在于,具体按照以下步骤实施:
步骤1:建立大气湍流信道数学模型;
步骤2:根据步骤1建立的大气湍流信道数学模型,获得经过大气湍流信道后副载波调制信号的星座图,进行模糊C均值聚类并提取其硬趋势均值特征参数;
步骤3:设计改进三层BP神经网络分类器,将步骤2中提取的特征参数对改进BP网络进行训练,用训练好的网络最后进行调制星座图识别。
2.如权利要求1所述的一种大气湍流下无线光通信副载波调制星座图识别方法,其特征在于,所述步骤1建立大气湍流信道数学模型,具体按照以下步骤实施:设x(t)为发射端已调副载波信号,y(t)为接收机输出信号,则y(t)=I(t)x(t)+n(t),式中,I(t)是大气信道状态信息,表征为大气湍流强度,弱湍流情况则服从对数正态分布,强湍流情况服从负指数分布或K分布,n(t)为高斯白噪声,均值为0,方差为σ2。
3.如权利要求1所述的一种大气湍流下无线光通信副载波调制星座图识别方法,其特征在于,所述步骤2中进行模糊C均值聚类并提取其硬趋势均值特征参数的具体实施步骤为:
步骤2.1:利用模糊C均值算法把n个待分类的星座图样本点xi(i=1,2,...,n)划分为c个模糊组,求出每组的聚类中心,使得非相似性指标的价值函数达到最小;利用隶属度定义样本数据隶属于每一类的概率,隶属矩阵U取值为[0,1]之间的实数值,而且样本点隶属于每一类的取值和为1:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
若选择欧几里德距离作为非相似性指标时,FCM的价值函数为:
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>U</mi>
<mo>,</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>J</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<msubsup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中的uij为隶属度矩阵,矩阵中元素属于[0,1]区间;ci为模糊组i的聚类中心;第i个聚类中心与第j个星座图数据点之间的欧几里德距离记为dij=||ci-xj||;m∈[1,∞)是一个加权指数;对所有输入参量求导,可得到使FCM价值函数达到最优解的必要条件为:
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
通过反复修改隶属度矩阵和聚类中心,使Jc(i+1)-Jc(i)<ε,ε取1e-5;
步骤2.2:获得迭代最终的聚类中心和隶属度矩阵后,采用硬趋势函数作为FCM算法的有效性函数,判断将接收信号点划分为c类是否合理,c取2、4、8、16;该函数求得的硬趋势均值特征参数作为三层改进BP神经网络的输入,从而区分不同的MPSK调制类型。
4.如权利要求3所述的一种大气湍流下无线光通信副载波调制星座图识别方法,其特征在于,所述步骤2.2中FCM的硬趋势均值特征参数的计算步骤为:
步骤2.2.1:根据星座图样本点隶属度的最大值,把每个样本点划分到它所属的聚类集合中,那么样本点Yi属于第i个聚类ci就定义为下式:
<mrow>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>/</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>t</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<mi>x</mi>
<mo>&Element;</mo>
<mi>X</mi>
</mrow>
<mrow>
<mn>0</mn>
<mo><</mo>
<mi>t</mi>
<mo><</mo>
<mi>c</mi>
</mrow>
</munder>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤2.2.2:计算每个样本点xj的隶属度矩阵中次大值与最大值之比并记为rj:
<mrow>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>0</mn>
<mo><</mo>
<mi>t</mi>
<mo><</mo>
<mi>c</mi>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>t</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>,</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>c</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>0</mn>
<mo><</mo>
<mi>t</mi>
<mo><</mo>
<mi>c</mi>
</mrow>
</munder>
<mrow>
<mi>t</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>t</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤2.2.3:当聚类中心为c时,则第i个聚类中心的硬趋势即为所有隶属于ci的样本点,计算rj的均值其中Ni为隶属于聚类中心ci的样本点数;
步骤2.2.4:硬趋势Tci的平均为所有聚类中心下的均值Tc:得到特征参数T2、T4、T8和T16。
5.如权利要求1所述的一种大气湍流下无线光通信副载波调制星座图识别方法,其特征在于,所述步骤3中的分类器采用附加动量法和自适应学习速率相结合的三层改进BP神经网络,其中,附加动量法是在反向传播BP的基础上,给每一个权值的变化上加一项正比于前一次权值变化量的值,再由反向传播法产生新的权值变化;调整自适应学习速率的公式:
式中,k为迭代次数,SSE(k+1)和SSE(k)为第k+1次和第k次迭代得到的均方误差;若SSE(k+1)<SSE(k)表明第k次迭代有效,乘以增量因子1.05来增大学习步长,反之,SSE(k+1)>1.04SSE(k),乘以因子0.7减小步长,加快网络学习速度,最终自适应改变学习速率;
之后设计网络输入层神经元个数取4,隐含层神经元个数取15,输出为2,共四种标识位,网络误差函数Ee=0.01,动量因子0.9,初始学习速率为0.02;利用训练好的改进BP网络再对经大气湍流信道后的调制星座图样本进行识别分类,网络输出设置阈值T1=T2=0.5,输出共有4种标识位,00为BPSK,01为QPSK,10为8PSK,11为16PSK。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711083425.3A CN108052956A (zh) | 2017-11-07 | 2017-11-07 | 一种大气湍流下无线光通信副载波调制星座图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711083425.3A CN108052956A (zh) | 2017-11-07 | 2017-11-07 | 一种大气湍流下无线光通信副载波调制星座图识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108052956A true CN108052956A (zh) | 2018-05-18 |
Family
ID=62119056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711083425.3A Pending CN108052956A (zh) | 2017-11-07 | 2017-11-07 | 一种大气湍流下无线光通信副载波调制星座图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052956A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150307A (zh) * | 2018-07-17 | 2019-01-04 | 北京邮电大学 | 一种可见光通信中的通信数据的获取方法、装置和设备 |
CN109376863A (zh) * | 2018-11-02 | 2019-02-22 | 国网浙江省电力有限公司宁波供电公司 | 基于miv-bp神经网络的光伏功率短期分类预测方法 |
CN109635419A (zh) * | 2018-12-10 | 2019-04-16 | 长春理工大学 | 基于机器学习的激光大气湍流传输特性分析方法 |
CN110048781A (zh) * | 2019-04-17 | 2019-07-23 | 武汉邮电科学研究院有限公司 | 一种光信号调制格式的识别方法及装置 |
CN111260126A (zh) * | 2020-01-13 | 2020-06-09 | 燕山大学 | 计及天气与气象因子关联度的短期光伏发电预测方法 |
CN112468229A (zh) * | 2020-11-17 | 2021-03-09 | 西安理工大学 | 基于混合分布模型的大气湍流信道衰落参数估计方法 |
CN113114422A (zh) * | 2021-04-13 | 2021-07-13 | 兰州理工大学 | 一种深度学习检测-超奈奎斯特速率大气光传输方法 |
CN113411122A (zh) * | 2021-05-08 | 2021-09-17 | 西安理工大学 | 一种基于深度学习的日盲紫外光通信自适应信号检测方法 |
CN115622852A (zh) * | 2022-10-21 | 2023-01-17 | 扬州大学 | 一种基于星座图KD树增强与神经网络GSENet的调制识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594154A (zh) * | 2009-07-14 | 2009-12-02 | 北京航空航天大学 | 基于编码恢复的tcm神经网络解调方法 |
CN102158283A (zh) * | 2011-03-08 | 2011-08-17 | 西安理工大学 | 一种副载波调制无线光通信大气噪声抑制方法 |
CN102497343A (zh) * | 2011-11-25 | 2012-06-13 | 南京邮电大学 | 一种基于聚类和支持向量机的联合调制识别方法 |
-
2017
- 2017-11-07 CN CN201711083425.3A patent/CN108052956A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594154A (zh) * | 2009-07-14 | 2009-12-02 | 北京航空航天大学 | 基于编码恢复的tcm神经网络解调方法 |
CN102158283A (zh) * | 2011-03-08 | 2011-08-17 | 西安理工大学 | 一种副载波调制无线光通信大气噪声抑制方法 |
CN102497343A (zh) * | 2011-11-25 | 2012-06-13 | 南京邮电大学 | 一种基于聚类和支持向量机的联合调制识别方法 |
Non-Patent Citations (3)
Title |
---|
LIU AI-SHENG 等: "utomatic modulation classification based on the combination of clustering and neural network", 《SCIENCEDIRECT》 * |
孙瑜: "基于自适应学习率附加动量项的改进BP算法的Doherty功率放大器设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈丹 等: "大气弱湍流信道无线光副载波调制识别研究", 《激光与光电子学进展》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150307B (zh) * | 2018-07-17 | 2020-07-31 | 北京邮电大学 | 一种可见光通信中的通信数据的获取方法、装置和设备 |
CN109150307A (zh) * | 2018-07-17 | 2019-01-04 | 北京邮电大学 | 一种可见光通信中的通信数据的获取方法、装置和设备 |
CN109376863A (zh) * | 2018-11-02 | 2019-02-22 | 国网浙江省电力有限公司宁波供电公司 | 基于miv-bp神经网络的光伏功率短期分类预测方法 |
CN109635419A (zh) * | 2018-12-10 | 2019-04-16 | 长春理工大学 | 基于机器学习的激光大气湍流传输特性分析方法 |
CN109635419B (zh) * | 2018-12-10 | 2021-02-23 | 长春理工大学 | 基于机器学习的激光大气湍流传输特性分析方法 |
CN110048781A (zh) * | 2019-04-17 | 2019-07-23 | 武汉邮电科学研究院有限公司 | 一种光信号调制格式的识别方法及装置 |
CN110048781B (zh) * | 2019-04-17 | 2020-06-09 | 武汉邮电科学研究院有限公司 | 一种光信号调制格式的识别方法及装置 |
CN111260126A (zh) * | 2020-01-13 | 2020-06-09 | 燕山大学 | 计及天气与气象因子关联度的短期光伏发电预测方法 |
CN111260126B (zh) * | 2020-01-13 | 2022-12-09 | 燕山大学 | 计及天气与气象因子关联度的短期光伏发电预测方法 |
CN112468229A (zh) * | 2020-11-17 | 2021-03-09 | 西安理工大学 | 基于混合分布模型的大气湍流信道衰落参数估计方法 |
CN113114422A (zh) * | 2021-04-13 | 2021-07-13 | 兰州理工大学 | 一种深度学习检测-超奈奎斯特速率大气光传输方法 |
CN113411122A (zh) * | 2021-05-08 | 2021-09-17 | 西安理工大学 | 一种基于深度学习的日盲紫外光通信自适应信号检测方法 |
CN115622852A (zh) * | 2022-10-21 | 2023-01-17 | 扬州大学 | 一种基于星座图KD树增强与神经网络GSENet的调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN107547460A (zh) | 基于深度学习的无线通信调制信号识别方法 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
Güner et al. | Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN108768907A (zh) | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN109120563B (zh) | 一种基于神经网络集成的调制识别方法 | |
CN109660297A (zh) | 一种基于机器学习的物理层可见光通信方法 | |
CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
CN107770108A (zh) | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 | |
CN113141325B (zh) | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 | |
CN112347871B (zh) | 一种用于通信载波监视***的干扰信号调制识别方法 | |
CN110503185B (zh) | 一种改进的深度调制识别网络模型 | |
CN101895494B (zh) | 基于随机共振预处理的数字调制方式自动识别方法 | |
CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及*** | |
CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
CN115913850B (zh) | 一种基于残差网络的开集调制识别方法 | |
CN107634923A (zh) | 一种分布式通信信号调制识别方法 | |
CN116680608A (zh) | 一种基于复数图卷积神经网络的信号调制识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |
|
RJ01 | Rejection of invention patent application after publication |