基于自适应前馈神经网络的通信信号识别方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115049006A(43)申请公布日2022.09.13(21)申请号202210695681.2G06N20/10(2019.01)(22)申请日2022.06.20(71)申请人四川九洲电器集团有限责任公司地址621000四川省绵阳市科创园区九华路6号申请人西安电子科技大学(72)发明人李捷程旗高晓利李宏高卫峰白利霞谢晋(74)专利代理机构北京天达知识产权代理事务所(普通合伙)11386专利代理师庞许倩(51)Int.Cl.G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书9页附图3页(54)发明名称基于自适应前馈神经网络的通信信号识别方法和系统(57)摘要本发明涉及一种基于自适应前馈神经网络的通信信号识别方法和系统，属于信号识别技术领域，解决了现有小样本信号识别不准确和模型参数调整困难的问题。包括基于单隐层前馈神经网络随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体，作为父代种群；以均方根误差和网络复杂度作为目标函数，基于预处理后的信号样本集，采用改进的NSGA‑III算法得到帕累托最优种群；根据均方根误差从帕累托最优种群中获取多个网络个体作为基分类器，对实时采集的通信信号预处理后传入基分类器中集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。实现了准确的信号识别。CN115049006ACN115049006A权利要求书1/3页1.一种基于自适应前馈神经网络的通信信号识别方法，其特征在于，包括如下步骤：基于单隐层前馈神经网络，随机生成二进制类型的各隐层神经元激活状态、实数类型的各隐层输入权值和隐层偏置，通过混合编码形式组成初始的多个网络个体；以初始的多个网络个体作为父代种群，以均方根误差和网络复杂度作为目标函数，基于预处理后的信号样本集，采用改进的NSGA‑III算法进行多目标优化，得到帕累托最优种群；根据均方根误差，从帕累托最优种群中获取多个网络个体作为基分类器，对实时采集的通信信号预处理后传入基分类器中进行集成学习，对输出的结果加权求和后，取最大值对应的类别作为通信信号识别结果。2.根据权利要求1所述的基于自适应前馈神经网络的通信信号识别方法，其特征在于，所述单隐层前馈神经网络的隐层神经元数量K最大为2N+1，其中N表示输入神经元的数量。3.根据权利要求2所述的基于自适应前馈神经网络的通信信号识别方法，其特征在于，所述二进制类型的各隐层神经元激活状态包括：当该隐层神经元激活状态为1时，表示该隐层神经元被激活，当该隐层神经元激活状态为0时，表示该隐层神经元未被激活；实数类型的各隐层输入权值和隐层偏置的范围为[‑1,1]。4.根据权利要求3所述的基于自适应前馈神经网络的通信信号识别方法，其特征在于，所述通过混合编码形式组成初始的多个网络个体，如下式所示：其中，Xi(G)表示第G代的第i个网络个体，i＝1,2,...,Npop，Npop是种群规模，θi,j(G)表示第i个网络个体的第j个隐层神经元激活状态，θi,j(G)∈{0,1}；表示第i个网络个体的第j个隐层神经元的输入权值，bi,j(G)表示第i个网络个体的第j个隐层神经元的偏置，bi,j(G)∈[‑1,1],j＝1,2,...,K。5.根据权利要求4所述的基于自适应前馈神经网络的通信信号识别方法，其特征在于，所述以均方根误差和网络复杂度作为目标函数，是以最小的均方根误差和最小的网络复杂度作为待优化的两个互相冲突的目标，其中网络复杂度通过网络中各隐层神经元激活状态的平均值来表示。6.根据权利要求4所述的基于自适应前馈神经网络的通信信号识别方法，其特征在于，所述采用改进的NSGA‑III算法进行多目标优化，得到帕累托最优种群，包括：S121：对当前迭代的种群PG进行二进制和实数的混合交叉和混合变异，生成子代种群QG，PG与QG中网络个体数量相同；S122：合成新种群RG＝PG∪QG，将预处理后的信号样本集传入种群RG中每个网络个体中，通过极限学习机计算出对应的输出权值后，计算出每个网络个体的两个目标函数值，得到目标函数值向量；S123：对种群RG进行非支配排序，基于参考点的选择机制，根据每个网络个体的目标函数值向量，从种群RG中筛选出网络个体，得到种群PG+1；S124：判断循环是否达到最大迭代次数，如果未达到，则返回S121，将种群PG+1作为新的PG进行循环，如果已达到，则退出循环，种群PG+1即为帕累托最优种群。2CN115049006A权利要求书2/3页7.根据权利要求6所述的基于自适应前馈神经网络的通信信号识别方法，其特征在于，所