CN113807254A - 基于分层自组织映射数字信号调制方式的智能化聚类方法 - Google Patents

Abstract

本发明公开了一种基于分层自组织映射数字信号调制方式的智能化聚类方法，其包括：步骤S1：获取目标数据序列；步骤S2：提取信号的归一化高阶累积量和幅值矩特征，得到具有高维向量的特征空间；步骤S3：采用分层自组织映射模型处理高维特征数据，在分层过程中对具有不同阶数的MPSK(多阶相移键控调制方式)和MQAM(多阶正交振幅调制方式)信号的特征向量进行聚类。本发明具有原理简单、操作简便、可以节省计算资源，且收敛到期望的聚类结果所需的时间更短等优点。

Description

基于分层自组织映射数字信号调制方式的智能化聚类方法

技术领域

本发明主要涉及到无线通信技术领域，特指一种基于分层自组织映射数字信号调制方式的智能化聚类方法。

背景技术

自动调制分类(AMC)是指在先验信息不足的情况下，对调制信号进行实用而准确的识别。在环境中接收空中信号时，首先要识别信号的调制类型，然后再解码接收信号信息。无论在民用还是军用领域，自动调制分类都在复杂的无线非合作通信环境中发挥着重要作用。

待识别调制类型的接收信号通常来自非合作***，接收信号总是受到各种干扰的影响，这无疑会使识别任务更具挑战性。减法聚类可以在不提前设置聚类簇数的情况下对不同类型的调制信号进行分类，但调整簇密度的拒绝阈值和接受阈值的过程较为复杂。另外，待识别的调制信号特征量复杂，适用于线性分类的支持向量机方法在待识别信号时较难以实现非线性分类。而作为一种流行的无监督学习模型，自组织映射(SOM)是一种可以对输入数据构成选择性响应的网络。自组织映射可用于研究输入样本的拓扑结构和样本特征的分布，识别输入样本的内在差异。同时，它也是一个不需要大量训练数据集和标记的全连通神经元阵列组成的自学习网络。

分层自组织映射是自组织映射的一种改进模型。它在层次结构中包含几个自组织映射层。该模型的目的是在根层中生成少量的神经元，并在子层中生成其他神经元以形成新的映射，对多种不同阶次调制类型的信号产生聚类效果。为了实现特征的公平性，利用高阶累积量和幅值矩获取MPSK(多阶相移键控调制方式)和MQAM(多阶正交振幅调制方式)待识别数字信号的内在差异，并在所提出的两层自组织映射网络中对这些信号进行区分。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、操作简便、可以节省计算资源，且收敛到期望的聚类结果所需的时间更短的基于分层自组织映射数字信号调制方式的智能化聚类方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于分层自组织映射数字信号调制方式的智能化聚类方法，其包括：

步骤S1：获取目标数据序列；

步骤S2：提取信号的归一化高阶累积量和幅值矩特征，得到具有高维向量的特征空间；

步骤S3：采用分层自组织映射模型处理高维特征数据，在分层过程中对具有不同阶数的MPSK和MQAM信号的特征向量进行聚类。

作为本发明方法的进一步改进：在所述分层自组织映射模型中，根层用于原始数据的粗略聚类，并服务于网络增长，控制所提模型的分层映射；当从根层生成子层时，根据数据特征将子层的长度设置为特定的值；子层的初始化通常使用样本进行初始化，以利用原始特征空间中的数据；初始化权向量后，模型执行竞争步骤，利用根层应用的原始向量进行训练；如果子层上的神经元最终满足网络分层条件，分层自组织算法就终止了，整个聚类任务结束。

作为本发明方法的进一步改进：当层数为2时，第1层的指数为处理所有五种调制信号的分层自组织映射模型的根层；索引2-1子层是处理两种MQAM信号的子层，索引2-2子层是处理三种MPSK信号的子层；所述索引2-1子层与索引2-2子层的区别在于聚类对象和样本的数量，根据两个子层中的样本数，用以区分处理不同调制类型的簇。

作为本发明方法的进一步改进：所述步骤S3中自组织的过程包括：

步骤S301：初始化；所有连接权重都用小的随机值进行初始化；

步骤S302：竞争；对于每种输入模式，神经元计算它们各自的判别函数值，为合作提供基础；

步骤S303：合作；神经网络的获胜神经元由近向远影响周围的其他神经元，由神经兴奋逐渐向神经抑制转变；获胜的神经元决定拓扑邻域中兴奋神经元的空间位置，为权向量的调整提供基础。

步骤S304：调整；受激神经元通过适当调整相关的连接权重，减少与输入模式相关的判别函数值，使得获胜的神经元对相似输入模式的后续应用的响应增强；

步骤S305：分层；当根层训练结束后，检查根层上的所有神经元是否都满足网络分层条件；对于不满足此条件的神经元j，在根层的基础上生成新的层；子层的特征样本在根层的基础上相对精细地聚类。

作为本发明方法的进一步改进：所述步骤S302中，对于输入向量x_i(i＝1,2，…，M)，M为输入向量的个数。权重向量是w_ji(j＝1,2，…N；i＝1,2，…，M)，其中N为输出层的神经元数量；竞争的判别函数定义为输入向量x_i与权向量w_ji之间的最小欧氏距离:

min_j||x_i-w_ji||,j＝1,2,…,M

对于输入向量，SOM神经网络中的每个神经元计算判别函数的值，其中所谓的判别函数是神经元之间竞争的基础；具有最小判别函数值的特定神经元被宣布为胜利者。

作为本发明方法的进一步改进：所述步骤S303中，N_j,i是以获胜神经元i为中心的拓扑邻域函数，包含一组协作神经元；其中一个合作神经元是神经元j；d_j,i为获胜神经元i与兴奋神经元j之间的横向距离，当d_j,i等于零时N_j,i取得最大值，N_j,i的图像关于零对称；邻域函数N_j,i的振幅值d_j,i随侧向距离的增大而单调减小。

作为本发明方法的进一步改进：所述步骤S303中，拓扑邻域函数包括高斯函数、墨西哥帽函数、气泡函数和三角形函数中的一种或多种。

作为本发明方法的进一步改进：所述步骤S305中，对于子层上每个网络的神经元，输入数据是原始数据的子序列；网络分层条件如下：

qe_j＜τ·qe₀,j＝1,2,…,M

τ是控制模型尺寸的参数，qe₀为初始化根层时原始量化误差，M为输入向量个数；当根层训练结束后，算法会检查根层上的所有神经元是否都满足网络分层条件；对于不满足此条件的神经元j，在根层的基础上生成新的层；子层的特征样本在根层的基础上相对精细地聚类。

与现有技术相比，本发明的优点就在于：

1、本发明的基于分层自组织映射数字信号调制方式的智能化聚类方法，具备对不同调制类型数字信号的粗略聚类能力，而且在同一种信号对应的子层网络中实现不同阶数信号的聚类效果；还可以节省计算资源，且收敛到期望的聚类结果所需的时间更短。

2、本发明的基于分层自组织映射数字信号调制方式的智能化聚类方法，提出的分层自组织映射模型使用归一化高阶累积量和幅值矩特征对MPSK和MQAM数字信号进行聚类。该方法克服了传统的单层自组织映射模型结构尺寸较大、资源消耗多的缺点。使用分层自组织映射模型的主要优点是聚类流程容易解释和理解，具有足够的可信度，训练的过程较为合理，需要较少的计算资源，运算速度快。此模型将输入的所有数据考虑进来，通过数据降维和基于相似性的权重更新算法，对数据映射的位置产生影响，将MQAM和MPSK信号分为两层进行聚类，产生可理解的数据聚类可视化效果。此模型基于先粗粒度聚类后细粒度聚类的思想，所需的权重向量更少，占用较少的计算资源，可以在较短时间内训练出一个分层的自组织映射模型。

附图说明

图1是本发明方法的流程示意图。

图2是本发明在具体应用实例中所构建的自组织映射模型的原理示意图。

图3是本发明在具体应用实例中的最终聚类的示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图1所示，本发明的基于分层自组织映射数字信号调制方式的智能化聚类方法，包括：

步骤S1：获取目标数据序列；

步骤S2：提取信号的归一化高阶累积量和幅值矩特征，得到具有高维向量的特征空间；

步骤S3：采用分层自组织映射模型处理高维特征数据，在分层过程中对具有不同阶数的MPSK和MQAM信号的特征向量进行聚类。

在本发明中所采用的自组织映射是一种无监督人工网络，不同于基于反向传播算法的卷积神经网络。它模拟了人脑神经***中神经元之间的兴奋、抑制、协调以及神经元之间的竞争，实现了信息处理的生物动力学原理。在这种只有一层竞争层的自组织映射结构的基础上，引入分层自组织映射结构，以克服上述缺点，在根层的基础上更精细地聚类输入向量。

具体而言，本发明就是采取无监督聚类的方式进行类别数量的估计，其采用的算法是自组织映射。自组织映射是竞争性学习，输出神经元之间竞争激活，结果是在任意时间只有一个神经元被激活，这个激活的神经元被称为胜者神经元。竞争过程通过神经元之间的横向抑制连接(负反馈路径)实现，并以拓扑有序的方式自适应地执行这种变换。在上述竞争性学习过程中，神经元有选择性地微调来适应各种输入模式(刺激)或输入模式类别。如此调整的神经元(即获胜的神经元)的位置变得有序，并且在该网格上创建对于输入特征有意义的坐标系。因此，自组织映射形成输入模式所需的拓扑映射。

在具体应用实例中，本发明基于输入数字信号的高阶累积量和幅值矩特征，利用分层自组织映射模型可以将MQAM和MPSK信号分为两层进行聚类，可以节省计算资源。

作为较佳的实施例，为了减少分层自组织映射模型的训练过程，本发明进一步用根层对两个大类进行聚类，得到不同阶数的小类。自组织映射主要目的是通过寻找一个较小的原型集来存储一个较大的输入向量集，以提供一个与原始输入空间很好的近似。自组织映射模型的理论基础植根于矢量量化理论，其算法思路来源于降维或数据压缩。采用两层竞争层重构输入向量的自组织映射模型，通过两倍降维逼近原始空间，减少需要的计算资源。

在具体应用实例中，所述步骤S1中，采样的原始数字信号可以表示为：

其中a为衰减因子，n为采样信号的指标，f₀是信号的偏移频率，θ₀为相位偏移，s(n)为发射端信号，w(n)为恒定功率的加性高斯白噪声。

定义零均值k阶平稳随机过程x(t)的高阶累积量为：

C_kx(τ₁,τ₂,…,τ_k-1)＝Cum(x(t),x(t+τ₁),…,x(t+τ_k-1))

其中Cum()为x(f)的高阶累积量，τ为x(t)的时延。随机过程r(t)的p阶混合矩为

M_pq＝E{[r(t)^p-qr^*(t)^q]}

下标大于1的高阶累积量具有很好的抑制高斯噪声[4]的特性，采用的高阶累积量表达式如下：

C₄₁＝Cum(x,x,x,x^*)＝M₄₁-3M₂₀M₂₁

作为较佳的实施例，本发明进一步提出了两种幅值矩特征来区分不同的数字信号，包括μ₄₂和A_c，μ₄₂和A_c的表达式如下：

其中A(n)为接收信号r(n)的瞬时振幅，m_a是一个固定长度信号样本的平均振幅。μ₄₂可以反映接收信号的聚合度，抑制相位噪声。A_c表示接收信号的平均振幅，抑制没有直流分量的干扰作用。所构造的特征空间是一个八维的向量空间，其特征表达式为

F＝[C40,C41,C42,C60,C61,C62,C63,C80,μ₄₂,A_c]

自组织映射完成了特征空间到输出平面的降维映射。映射结果使每个输出单元对应于输入信号的一类模式，相邻单元对应的模式也相似。换句话说，映射具有保留拓扑特征的特性。与传统的聚类方不同，自组织映射是一种无监督聚类算法，它可以将任意维度的输入模式映射到输出层的二维图形，并保持其拓扑结构不变。影响聚类精度和聚类性能的主要因素有特征相似性、距离或相似性度量和数据集的不平衡。

在具体应用实例中，本发明的上述步骤S3中自组织的过程包括：

步骤S301：初始化：所有连接权重都用小的随机值进行初始化。初始权值一般使用相对较小的随机生成常数，这样权值向量可以更充分地分布在样本空间中。在网络训练过程中，会不断调整与样本更接近的初始权值。由于横向抑制的影响，远离样本的权向量调整相对缓慢。最坏的情况是整体样本过于集中，那么初始位置远离样本的权向量将永远不会调整，最终使样本聚为一类。此外，必须考虑初始权值的概率分布大致接近输入样本的分布。

步骤S302：竞争：对于每种输入模式，神经元计算它们各自的判别函数值，为合作提供基础。

对于输入向量x_i(i＝1,2，…，M)，M为输入向量的个数。权重向量是w_ji(j＝1,2，…N；i＝1,2，…，M)，其中N为输出层的神经元数量。竞争的判别函数定义为输入向量x_i与权向量w_ji之间的最小欧氏距离:

min_j||x_i-w_ji||,j＝1,2,…,M

对于输入向量，SOM神经网络中的每个神经元计算判别函数的值，其中所谓的判别函数是神经元之间竞争的基础。具有最小判别函数值的特定神经元被宣布为胜利者。

步骤S303：合作：神经网络的获胜神经元由近向远影响周围的其他神经元，由神经兴奋逐渐向神经抑制转变。获胜的神经元决定拓扑邻域中兴奋神经元的空间位置，从而为权向量的调整提供基础。

N_j,i是以获胜神经元i为中心的拓扑邻域函数，包含一组协作神经元。其中一个合作神经元是神经元j。d_j,i为获胜神经元i与兴奋神经元j之间的横向距离，当d_j,i等于零时N_j,i取得最大值，N_j,i的图像关于零对称。邻域函数N_j,i的振幅值d_j,i随侧向距离的增大而单调减小。常见的四种拓扑邻域函数包括高斯函数、墨西哥帽函数、气泡函数和三角形函数。

高斯拓扑邻域函数的表达式如下：

墨西哥帽拓扑邻域函数的表达式如下：

气泡拓扑邻域函数的表达式如下：

三角形邻域函数的表达式如下：

步骤S304：调整：受激神经元通过适当调整相关的连接权重，减少与输入模式相关的判别函数值，使得获胜的神经元对相似输入模式的后续应用的响应增强。自组织映射涉及一些自适应或学习过程，通过输出节点自组织，在输入和输出层之间形成一个特征映射。不仅获胜的神经元会更新权值，它的相邻神经元也会更新它们的权值。第k步邻域权向量更新公式为

w_j(k+1)＝w_j(k)+η(k)N_j,i(k)(x_i-w_ji)

其中η(k)是学习率，N_ji(k)是第k步的拓扑邻域函数。将原始学习速率设为η(0)，η(k)的迭代表达式如下:

其中M为迭代次数。随着k增大，η(k)逐渐减小。学习率的降低使得SOM模型收敛更快。

该方法利用兴奋神经元的调整权值来改变输入向量的判别函数值，增强获胜神经元对后续相似输入向量的响应。在输入数据的表示上，由于邻域的更新，突触权向量趋向于跟随输入向量的分布。然后，调整算法将特征映射在输入空间进行拓扑排序，输出平面附近的神经元将具有相似的突触权向量。这种自适应过程提供了输入空间的精确统计量化。此外，收敛的迭代次数很大程度上取决于输入空间的维数。如果在一次迭代中输出映射中没有明显的变化，则调整将结束。

步骤S305：分层：当根层训练结束后，算法会检查根层上的所有神经元是否都满足网络分层条件。对于不满足此条件的神经元j，在根层的基础上生成新的层。子层的特征样本在根层的基础上相对精细地聚类。

当根层训练结束后，算法会检查根层上的所有神经元是否都满足网络分层条件。对于不满足此条件的神经元j，在根层的基础上生成新的层。子层的特征样本在根层的基础上相对精细地聚类。对于子层上每个网络的神经元，输入数据是原始数据的子序列，这些原始数据是从根层对应的神经元映射出来的。在子层中聚类的数据能够获得更高的精度。网络分层条件如下：

qe_j＜τ·qe₀,j＝1,2,…,M

τ是控制模型尺寸的参数，qe₀为初始化根层时原始量化误差，M为输入向量个数。当根层训练结束后，算法会检查根层上的所有神经元是否都满足网络分层条件。对于不满足此条件的神经元j，在根层的基础上生成新的层。子层的特征样本在根层的基础上相对精细地聚类。

在本发明上述提出的分层自组织映射模型中，根层用于原始数据的粗略聚类，并服务于网络增长，控制所提模型的分层映射。当从根层生成子层时，根据数据特征将子层的长度设置为特定的值。子层的初始化通常使用样本进行初始化，以利用原始特征空间中的数据。初始化权向量后，模型执行竞争步骤，利用根层应用的原始向量进行训练。如果子层上的神经元最终满足网络分层条件，分层自组织算法就终止了，整个聚类任务结束。

当层数为2时，第1层的指数为处理所有五种调制信号的分层自组织映射模型的根层。索引2-1是处理两种MQAM信号的子层，索引2-2是处理三种MPSK信号的子层。这两个子层的区别在于聚类对象和样本的数量。2-1层的信号样本数为4000，2-2层的信号样本数为6000。根据两个子层中的样本数，可以区分处理不同调制类型的簇。最终聚类结果如图3所示。

如图2所示，分层自组织映射模型，在根竞争层的基础上对输入向量更精细地聚类，并形成两个子竞争层。对于子竞争层中的每个神经元，输入数据是与根竞争层中获胜神经元相连的原始输入向量。这些在同一个获胜神经元中的输入数据通常具有相似的粗粒度特征，可以聚类到一个新的竞争层中，从而区分细粒度特征。子竞争层的神经元与根竞争层的所有获胜神经元相连。

本发明采用层次自组织映射网络来区分不同阶数的待识别调制信号，子竞争层的输出如图3所示，包括MPSK和MQAM两类待识别数据。左图中圆形映射点是BPSK信号映射的位置，五角星形映射点是QPSK信号映射的位置，三角形映射点是8PSK信号映射的位置，三类信号聚类的效果良好。右图中圆形映射点是16QAM信号映射的位置，五角星形映射点是64QAM信号映射的位置，两类信号聚类的效果良好。

本发明的一个应用实例是识别辐射源。通过安装的机载信号截获设备截获不同类型的辐射源后，对其解调，以获取其参数，从而辨别出雷达信号的类型，包括监视雷达、搜索雷达、制导雷达或是导航雷达等，或者是导航通信发射设备，包括短波发射台、微波通信站、地面卫星通信站、移动通信站等。采用自组织映射的方法对指定的特征值进行无监督聚类，此方法基于数据的相似性和拓扑结构对数据进行聚类，并具有为指定类别分配对应数据的能力。这种无监督模型采用竞争性学习算法，输出的神经元之间相互竞争，结果是在任意时间只有一个神经元被激活。这种竞争性学习可以通过神经元之间的横向抑制连接(负反馈路径)来实现，使用近邻关系函数来维持输入空间的拓扑结构，这保证二维映射包含了数据点之间的相对距离。竞争的结果是各个神经元被迫对自身进行重新组合，输入空间中相邻的样本会被映射到相邻的输出神经元，经过这种划分操作，可以在根竞争层中将不同阶数、相同调制体制的信号(比如16QAM和64QAM)聚集到一个大类中，并粗略地得到未知调制体制信号的类别数量。在粗粒度聚类的基础上，用分层自组织映射算法将特征相似、相同调制体制的信号进行细粒度聚类，将具有不同阶数的信号分别聚类，得到不同子竞争层中的种类数。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (8)

1.一种基于分层自组织映射数字信号调制方式的智能化聚类方法，其特征在于，包括：

步骤S1：获取目标数据序列；

步骤S2：提取信号的归一化高阶累积量和幅值矩特征，得到具有高维向量的特征空间；

步骤S3：采用分层自组织映射模型处理高维特征数据，在分层过程中对具有不同阶数的MPSK和MQAM信号的特征向量进行聚类。

2.根据权利要求1所述的基于分层自组织映射数字信号调制方式的智能化聚类方法，其特征在于，在所述分层自组织映射模型中，根层用于原始数据的粗略聚类，并服务于网络增长，控制所提模型的分层映射；当从根层生成子层时，根据数据特征将子层的长度设置为特定的值；子层的初始化通常使用样本进行初始化，以利用原始特征空间中的数据；初始化权向量后，模型执行竞争步骤，利用根层应用的原始向量进行训练；如果子层上的神经元最终满足网络分层条件，分层自组织算法就终止了，整个聚类任务结束。

3.根据权利要求2所述的基于分层自组织映射数字信号调制方式的智能化聚类方法，其特征在于，当层数为2时，第1层的指数为处理所有五种调制信号的分层自组织映射模型的根层；索引2-1子层是处理两种MQAM信号的子层，索引2-2子层是处理三种MPSK信号的子层；所述索引2-1子层与索引2-2子层的区别在于聚类对象和样本的数量，根据两个子层中的样本数，用以区分处理不同调制类型的簇。

4.根据权利要求1或2或3所述的基于分层自组织映射数字信号调制方式的智能化聚类方法，其特征在于，所述步骤S3中自组织的过程包括：

步骤S301：初始化；所有连接权重都用小的随机值进行初始化；

步骤S302：竞争；对于每种输入模式，神经元计算它们各自的判别函数值，为合作提供基础；

步骤S303：合作；神经网络的获胜神经元由近向远影响周围的其他神经元，由神经兴奋逐渐向神经抑制转变；获胜的神经元决定拓扑邻域中兴奋神经元的空间位置，为权向量的调整提供基础；

步骤S304：调整；受激神经元通过适当调整相关的连接权重，减少与输入模式相关的判别函数值，使得获胜的神经元对相似输入模式的后续应用的响应增强；

步骤S305：分层；当根层训练结束后，检查根层上的所有神经元是否都满足网络分层条件；对于不满足此条件的神经元j，在根层的基础上生成新的层；子层的特征样本在根层的基础上相对精细地聚类。

5.根据权利要求4所述的基于分层自组织映射数字信号调制方式的智能化聚类方法，其特征在于，所述步骤S302中，对于输入向量x_i(i＝1,2，…，M)，M为输入向量的个数。权重向量是w_ji(j＝1,2，…N；i＝1,2，…，M)，其中N为输出层的神经元数量；竞争的判别函数定义为输入向量x_i与权向量w_ji之间的最小欧氏距离:

min_j||x_i-w_ji||,j＝1,2,…,M

对于输入向量，SOM神经网络中的每个神经元计算判别函数的值，其中所谓的判别函数是神经元之间竞争的基础；具有最小判别函数值的特定神经元被宣布为胜利者。

6.根据权利要求4所述的基于分层自组织映射数字信号调制方式的智能化聚类方法，其特征在于，所述步骤S303中，N_j,i是以获胜神经元i为中心的拓扑邻域函数，包含一组协作神经元；其中一个合作神经元是神经元j；d_j,i为获胜神经元i与兴奋神经元j之间的横向距离，当d_j,i等于零时N_j,i取得最大值，N_j,i的图像关于零对称；邻域函数N_j,i的振幅值d_j,i随侧向距离的增大而单调减小。

7.根据权利要求4所述的基于分层自组织映射数字信号调制方式的智能化聚类方法，其特征在于，所述步骤S303中，拓扑邻域函数包括高斯函数、墨西哥帽函数、气泡函数和三角形函数中的一种或多种。

8.根据权利要求4所述的基于分层自组织映射数字信号调制方式的智能化聚类方法，其特征在于，所述步骤S305中，对于子层上每个网络的神经元，输入数据是原始数据的子序列；网络分层条件如下：

qe_j＜τ·qe₀,j＝1,2,…,M

τ是控制模型尺寸的参数，qe₀为初始化根层时原始量化误差，M为输入向量个数；当根层训练结束后，算法会检查根层上的所有神经元是否都满足网络分层条件；对于不满足此条件的神经元j，在根层的基础上生成新的层；子层的特征样本在根层的基础上相对精细地聚类。

Images