史先銘， 劉以安

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇無(wú)錫214122)

當(dāng)今通信技術(shù)飛速發(fā)展，同時(shí)也推動(dòng)了調(diào)制與解調(diào)技術(shù)的發(fā)展。在解調(diào)之前需要知道已調(diào)信號(hào)的調(diào)制類型，進(jìn)而采取相應(yīng)的解調(diào)方法。所以如何能夠快速、準(zhǔn)確地識(shí)別出信號(hào)的調(diào)制類型，就顯得至關(guān)重要。

文獻(xiàn)［1-5］分別介紹了幾種不同的調(diào)制識(shí)別方法，但是這些方法均存在計(jì)算量相對(duì)較大的缺點(diǎn)。Azzouz E E和Nandi A K在文獻(xiàn)［6-7］中提出的方法，當(dāng)信噪比在10 dB及以上時(shí)能達(dá)到較好的識(shí)別效果，但是當(dāng)信噪比減小時(shí)，該方法對(duì)各種信號(hào)的識(shí)別率就會(huì)出現(xiàn)不同程度的下降;其次，對(duì)于特征參數(shù)，如果前后兩次比較順序不同，識(shí)別結(jié)果可能會(huì)有很大不同。另外，特征參數(shù)判決閾值的確定也是一大難題。文獻(xiàn)［8-9］使用的是基于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別方法，這種方法存在網(wǎng)絡(luò)易陷入局部極小值的缺點(diǎn)，對(duì)信號(hào)的識(shí)別率會(huì)造成一定影響。

蜂群算法是一種新型的元啟發(fā)式仿生算法，該算法通過(guò)不同“蜜蜂”間的分工協(xié)作、角色轉(zhuǎn)換兩種機(jī)制尋找到全局最優(yōu)解［10］。但是基本人工蜂群(Artificial Bee Colony，ABC)算法本身也存在著易陷入局部極值、早熟收斂、后期搜索較慢、搜索精度不高等缺點(diǎn)。文獻(xiàn)［11-12］將混沌思想引入ABC算法中，利用混沌運(yùn)動(dòng)的隨機(jī)性、遍歷性等特點(diǎn)提高算法的全局搜索能力。文中對(duì)基本ABC算法中“跟隨蜂”在“食物源”的鄰域的搜索行為作了改進(jìn)，這避免算法陷入局部極值，同時(shí)改善了算法的局部搜索能力，提高了精度。再用改進(jìn)的人工蜂群(Modified Artificial Bee Colony，MABC)算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，將此網(wǎng)絡(luò)作為數(shù)字調(diào)制信號(hào)的分類識(shí)別器。另外，針對(duì)2ASK，4ASK，2FSK，4FSK，2PSK，4PSK，16QAM 7 種數(shù)字調(diào)制信號(hào)，應(yīng)用基于MABC算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制識(shí)別方法，結(jié)果表明，當(dāng)信噪比(Signal-to-Noise Ratio，SNR)低至0 dB時(shí)，7種數(shù)字調(diào)制信號(hào)的識(shí)別率可以達(dá)到85%以上，從而證明了該方法能有效地提高數(shù)字調(diào)制信號(hào)的識(shí)別性能。

1 Hilbert變換提取信號(hào)瞬時(shí)信息

首先對(duì)含噪聲的原始信號(hào)si(n)采用一維數(shù)字濾波器進(jìn)行消噪處理獲得s(t)。而實(shí)信號(hào)s(t)又具有在頻譜上共軛對(duì)稱的性質(zhì)，所以一般只需要研究右半個(gè)頻譜的性質(zhì)特點(diǎn)，即可代表整個(gè)實(shí)信號(hào)的性質(zhì)。

對(duì)實(shí)信號(hào)s(t)進(jìn)行Hilbert變換，得到^s(t)，則實(shí)信號(hào)s(t)頻譜的正頻部分所對(duì)應(yīng)信號(hào)的解析表示z(t)為

其中把z(t)的實(shí)部稱為s(t)的同相分量，把z(t)的虛部稱為s(t)的正交分量。

實(shí)信號(hào)s(t)的解析形式也可以用極坐標(biāo)來(lái)表示:

式中，a(t)是z(t)的瞬時(shí)包絡(luò)。

信號(hào)的瞬時(shí)幅度為

信號(hào)的瞬時(shí)相位為

上面求得的φ(n)不是真正的瞬時(shí)相位，還要對(duì)其做去混疊和去線性相位運(yùn)算:

首先，令C(0)=0，并定義相位校正序列C(n)為

然后，通過(guò)下面的計(jì)算可以得到正確的瞬時(shí)相位φ(n)為

最后，根據(jù)φ(n)可以求出瞬時(shí)頻率為

根據(jù)式(1)～(7)，可以獲得解析信號(hào)z(t)的瞬時(shí)幅度、瞬時(shí)相位、瞬時(shí)頻率、即實(shí)信號(hào)s(t)的瞬時(shí)信息。這3個(gè)參數(shù)為下一步瞬時(shí)特征參數(shù)的提取奠定了基礎(chǔ)。

2 基于瞬時(shí)信息的特征參數(shù)的提取

根據(jù)前面得到的信號(hào)瞬時(shí)信息，對(duì)7種數(shù)字調(diào)制信號(hào)提取如下6個(gè)特征參數(shù):

1)信號(hào)瞬時(shí)幅度均值的平方與瞬時(shí)幅度標(biāo)準(zhǔn)差之比

式中，σa表示信號(hào)瞬時(shí)幅度的標(biāo)準(zhǔn)差，uα表示調(diào)制信號(hào)瞬時(shí)幅度的均值。此參數(shù)可以區(qū)分具有幅度特性和不具有幅度特性的信號(hào)。2ASK，4ASK，16QAM 3 種信號(hào)是具有幅度特性的，2FSK，4FSK，2PSK，4PSK是不具有幅度特性的。

2)信號(hào)瞬時(shí)相位均值的平方與瞬時(shí)相位標(biāo)準(zhǔn)差之比

式中，σp表示信號(hào)瞬時(shí)相位的標(biāo)準(zhǔn)差，up表示信號(hào)瞬時(shí)相位的均值。此參數(shù)可以區(qū)分具有相位特性和不具有相位特性的信號(hào)。16QAM是具有相位特性的，而2ASK和4ASK是不具有相位特性的。

3)遞歸零中心歸一化瞬時(shí)幅度絕對(duì)值的平均值

式中其中，A表示零中心歸一化瞬時(shí)幅度，aa表示信號(hào)的瞬時(shí)幅度［13］。參數(shù)M2可以區(qū)分2ASK和4ASK兩種信號(hào)。

4)零中心歸一化瞬時(shí)頻率絕對(duì)值的平均值［13］

式中

其中Af表示零中心歸一化瞬時(shí)頻率，af表示信號(hào)的瞬時(shí)頻率［13］。參數(shù) MF1可以區(qū)分頻移鍵控信號(hào)MFSK和相移鍵控信號(hào)MPSK這兩大類信號(hào)。

5)遞歸零中心歸一化瞬時(shí)頻率絕對(duì)值的平均值［13］

式中

Af表示式(4)得到的零中心歸一化瞬時(shí)頻率［13］。這個(gè)參數(shù)可以區(qū)分2FSK和4FSK兩種頻移鍵控信號(hào)。

6)零中心歸一化瞬時(shí)相位絕對(duì)值的平均值［13］

式中

Ap表示零中心歸一化瞬時(shí)相位，ap表示信號(hào)的瞬時(shí)相位［13］。參數(shù) MP1可以區(qū)分2PSK和4PSK兩種信號(hào)。

3 MABC算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

3．1 人工蜂群算法

人工蜂群(ABC)算法模擬蜜蜂的采蜜過(guò)程，通過(guò)不同角色蜜蜂間的交流、轉(zhuǎn)換和協(xié)作來(lái)實(shí)現(xiàn)群體智能［14］。人工蜂群中包括3種角色:引領(lǐng)蜂、跟隨蜂和偵察蜂。引領(lǐng)蜂的個(gè)數(shù)一般與食物源的個(gè)數(shù)相等，它具有記憶能力，可以存儲(chǔ)搜索到的食物源信息，然后回到舞蹈區(qū)跳搖擺舞，把食物源信息分享給跟隨蜂;跟隨蜂在舞蹈區(qū)等待引領(lǐng)蜂來(lái)分享食物源信息，通過(guò)觀察引領(lǐng)蜂的舞蹈，選擇自己滿意的引領(lǐng)蜂進(jìn)行跟隨;偵察蜂對(duì)蜂巢附近的食物源展開(kāi)隨機(jī)搜索，探索新的食物源。

假設(shè)有 n 個(gè)食物源 X=(X1，X2，…，Xn)，其中第i個(gè)食物源的位置用一個(gè)D維的向量Xi=［xi1，xi2，…，xiD］T(i=1，2，…，n)表示，代表優(yōu)化問(wèn)題的一個(gè)可能解。食物源的適應(yīng)度值可以通過(guò)下式進(jìn)行計(jì)算:

式中，fi是第i個(gè)解的目標(biāo)函數(shù)值。

通過(guò)式(8)隨機(jī)初始化n個(gè)食物源的位置:

式中，(xij)max和(xij)min分別表示xij的上界和下界;rand(0，1)表示(0，1)之間的一個(gè)隨機(jī)數(shù)。

引領(lǐng)蜂首先對(duì)相應(yīng)的食物源進(jìn)行一次鄰域搜索，用下式表示:

式中，vij表示在xij附近的一個(gè)食物源的位置，k和j是隨機(jī)值，并且 k 不能等于 i，其中 i，k ∈ {1，2，…，n}，j∈ {1，2，…，D};rij表示(－ 1，1)之間的一個(gè)隨機(jī)數(shù)。然后根據(jù)貪婪原則選擇食物源，若新搜索到的食物源的適應(yīng)度值優(yōu)于舊的，則選擇用新的食物源位置去替代舊食物源的位置，否則保留舊食物源位置。當(dāng)所有引領(lǐng)蜂完成搜索后，回到舞蹈區(qū)把食物源的信息通過(guò)跳搖擺舞傳達(dá)給跟隨蜂。

跟隨蜂按照與適應(yīng)度值相關(guān)的概率選擇一個(gè)引領(lǐng)蜂進(jìn)行跟隨，選擇概率Pi的計(jì)算公式如下:

當(dāng)跟隨蜂選擇食物源以后，同引領(lǐng)蜂一樣，需要對(duì)食物源進(jìn)行一次鄰域搜索，并保留適應(yīng)度較高的食物源。

如果某個(gè)食物源在經(jīng)過(guò)引領(lǐng)蜂和跟隨蜂limit次循環(huán)搜索后，仍然沒(méi)有被替換，那么該位置將被放棄，此時(shí)引領(lǐng)蜂轉(zhuǎn)變?yōu)閭刹旆洌凑展?8)隨機(jī)搜索一個(gè)食物源替換原食物源。

3．2 對(duì)ABC算法改進(jìn)

在一個(gè)實(shí)際的蜂群中，引領(lǐng)蜂和跟隨蜂選擇食物源的行為方式是不同的，但是在基本的ABC算法中，引領(lǐng)蜂和跟隨蜂都用公式(9)來(lái)生成一個(gè)候選解，沒(méi)有體現(xiàn)出這種不同。文中對(duì)跟隨蜂在食物源鄰域的搜索行為，即候選解的生成公式進(jìn)行改進(jìn)，使其更加準(zhǔn)確地描述跟隨蜂的行為。

給出食物源鄰域的概念:對(duì)于食物源Xi，它與另外一個(gè)食物源Xj之間的歐氏距離為d(i，j)，則Xi與所有其他食物源之間的平均歐幾里得距離可以用下式表示:

其中 i，j=1，2，… ，n，n 代表食物源數(shù)。如果 d(i，j)＜ =mdi，則Xj就被稱作Xi的一個(gè)鄰域食物源。最終會(huì)獲得一個(gè)Xi的鄰域食物源集合XNi=(X1，X2，…，XNC)，NC代表Xi鄰域食物源的數(shù)目。

在MABC算法中，通過(guò)分析跟隨蜂的行為，提出一個(gè)新的跟隨蜂的候選解生成公式(13)來(lái)代替式(9):

基于這種改進(jìn)方法，可以改善算法的局部搜索能力，提高精度，同時(shí)也保持了解的多樣性，避免了算法陷入局部極值，提高了算法的全局尋優(yōu)能力。

3．3 基于MABC優(yōu)化BP網(wǎng)絡(luò)的流程

MABC算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法步驟如下:

網(wǎng)絡(luò)時(shí)代高校圖書(shū)館流通部館員不僅要熟練掌握本部門的專業(yè)基礎(chǔ)知識(shí)和操作能力，更要具備較高信息技術(shù)和計(jì)算機(jī)知識(shí)、各學(xué) 科知識(shí)以及知識(shí)評(píng)價(jià)能力，只有這樣才能提高服務(wù)效率，服務(wù)水平和質(zhì)量。鑒于此，館領(lǐng)導(dǎo)必須強(qiáng)化支持館員參加各類業(yè)務(wù)知識(shí)培訓(xùn)，采取措施激勵(lì)員工積極自學(xué)鉆研圖書(shū)館學(xué)、檔案學(xué)、信息管理學(xué)等圖書(shū)館管理與知識(shí)，加強(qiáng)計(jì)算機(jī)知識(shí)與網(wǎng)絡(luò)知識(shí)的學(xué)習(xí)，掌握必要的計(jì)算機(jī)操作能力和信息處理能力，更新知識(shí)結(jié)構(gòu)，提高綜合業(yè)務(wù)能力，還要潛心學(xué)習(xí)心理學(xué)，以便更好的和讀者溝通，培養(yǎng)出更加專業(yè)型，現(xiàn)代型的服務(wù)人才，才能適應(yīng)圖書(shū)館發(fā)展的要求。

1)確定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

2)初始化參數(shù)，包括食物源數(shù)量、迭代次數(shù)、控制參數(shù)limit以及解的限定區(qū)間。

3)初始化食物源的位置，隨機(jī)生成一個(gè)食物源位置 Xi= ［xi1，xi2，…，xiD］T，i=1，2，…，n，其中i表示當(dāng)前是第i個(gè)食物源，n表示食物源的數(shù)目，同時(shí)也表示引領(lǐng)蜂的數(shù)目，D表示食物源對(duì)應(yīng)的解的維數(shù)，D可以通過(guò)下式得到:

式中，M表示BP神經(jīng)網(wǎng)絡(luò)輸入層的結(jié)點(diǎn)數(shù)，H表示隱含層的結(jié)點(diǎn)數(shù)，N表示輸出層的結(jié)點(diǎn)數(shù)。

4)確定適應(yīng)度函數(shù)。將3)中得到的每個(gè)食物源Xi的位置分別給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行賦值，輸入訓(xùn)練樣本，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并測(cè)試。每個(gè)食物源Xi的目標(biāo)函數(shù)值用下式求得:

式中:di為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出;tk為神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出;m為神經(jīng)網(wǎng)絡(luò)輸出結(jié)點(diǎn)數(shù);n為訓(xùn)練樣本數(shù)。

5)循環(huán)迭代，計(jì)算每個(gè)食物源的適應(yīng)度值。

6)引領(lǐng)蜂根據(jù)式(9)在解Xi鄰域產(chǎn)生新解Vi，并分別計(jì)算Xi和Vi的適應(yīng)度值，應(yīng)用貪婪原則，選擇Xi和Vi之間適應(yīng)度值較優(yōu)的解保存下來(lái)。

7)跟隨蜂根據(jù)式(10)計(jì)算選擇概率Pi，然后以概率Pi選擇解，根據(jù)式(13)在解Xi鄰域產(chǎn)生新解Vi，并分別計(jì)算Xi和Vi的適應(yīng)度值，應(yīng)用貪婪原則，選擇Xi和Vi之間適應(yīng)度值較優(yōu)的解保存下來(lái)。

8)假定連續(xù)limit次循環(huán)后，某個(gè)解仍然沒(méi)有得到改善，那么說(shuō)明這個(gè)解可能陷入了局部最優(yōu)，就要被放棄;這時(shí)引領(lǐng)蜂將轉(zhuǎn)變?yōu)閭刹旆?，并根?jù)式(8)產(chǎn)生一個(gè)新解Vi來(lái)代替被放棄的解。

9)根據(jù)適應(yīng)度值，選出目前為止最優(yōu)的解Gbest。

10)當(dāng)算法達(dá)到最大迭代次數(shù)后，將最終得到的最優(yōu)解Gbest對(duì)BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行賦值，否則轉(zhuǎn)到5)。

11)輸入測(cè)試數(shù)據(jù)，對(duì)基于最優(yōu)權(quán)值和閾值的網(wǎng)絡(luò)進(jìn)行測(cè)試，根據(jù)網(wǎng)絡(luò)的預(yù)測(cè)輸出判斷信號(hào)的調(diào)制類型，并計(jì)算識(shí)別率。

4 調(diào)制識(shí)別仿真與分析

對(duì)文中提到的7種數(shù)字調(diào)制信號(hào)進(jìn)行仿真實(shí)驗(yàn)，采用統(tǒng)一的仿真參數(shù)，其中，載頻Fc=150 kHz，采樣頻率Fs=1 200 kHz，碼元速率Fd=12 500 B/s，每個(gè)樣本的采樣點(diǎn)數(shù)Ns=10 000。所加噪聲為高斯白噪聲，選用的濾波器為一維數(shù)字濾波器。其中，在產(chǎn)生2PSK，4PSK，16QAM信號(hào)時(shí)，需要通過(guò)脈沖成型。

MABC算法的參數(shù)設(shè)置:迭代次數(shù)為100;食物源數(shù)為50;控制參數(shù)limit為10。

BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下:輸入層的結(jié)點(diǎn)數(shù)為6個(gè)，隱含層的結(jié)點(diǎn)數(shù)為10個(gè)，輸出層的結(jié)點(diǎn)數(shù)為7個(gè);對(duì)于學(xué)習(xí)速率lr的選取，要同時(shí)兼顧到網(wǎng)絡(luò)的訓(xùn)練時(shí)間以及網(wǎng)絡(luò)的穩(wěn)定性，文中取lr=0．1;對(duì)于期望誤差goal的選取，為了避免出現(xiàn)過(guò)學(xué)習(xí)或欠學(xué)習(xí)的現(xiàn)象，文中取期望誤差最小值為10－3;最大循環(huán)次數(shù)epochs為1 000;網(wǎng)絡(luò)采用RPROP算法進(jìn)行訓(xùn)練。

文中針對(duì)7種數(shù)字調(diào)制信號(hào)，設(shè)計(jì)了如圖1所示的網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig．1 Structure of BP neural network

4．1 仿真實(shí)驗(yàn)一

在信噪比為0 dB條件下，隨機(jī)對(duì)7種數(shù)字調(diào)制信號(hào)產(chǎn)生200組特征集，用MABC算法和基本ABC算法分別反復(fù)迭代100代，得到每代最優(yōu)解對(duì)應(yīng)的目標(biāo)函數(shù)值。獨(dú)立進(jìn)行30次仿真實(shí)驗(yàn)，取30次的平均值。同理，在信噪比為20 dB的條件下重復(fù)上面的實(shí)驗(yàn)。圖2和圖3分別是在信噪比為0 dB和20 dB條件下，MABC算法和基本ABC算法每代最優(yōu)解對(duì)應(yīng)的目標(biāo)函數(shù)值的對(duì)比曲線。

從圖2和圖3可以看出，迭代初期，基本ABC算法解的適應(yīng)度值要優(yōu)于MABC算法。但是，當(dāng)算法迭代一段時(shí)間后，MABC算法解的適應(yīng)度值開(kāi)始優(yōu)于基本ABC算法，然后兩種算法還會(huì)繼續(xù)尋優(yōu)，并逐漸收斂，最終基本ABC算法可能會(huì)陷入局部極值，而MABC算法會(huì)找到更優(yōu)的解。

由此可以看出，MABC算法具有更高的識(shí)別精度，顯著地提高了基本ABC算法的尋優(yōu)性能。

圖2 當(dāng)SNR=0 dB時(shí)兩種算法每代最優(yōu)解對(duì)應(yīng)的目標(biāo)函數(shù)值的變化曲線Fig．2 When SNR =0 dB，the curve of the objective function values corresponding to the optimal solution of each generation of the two algorithms

圖3 當(dāng)SNR=20 dB時(shí)兩種算法每代最優(yōu)解對(duì)應(yīng)的目標(biāo)函數(shù)值的變化曲線Fig．3 When SNR=20 dB，the curve of the objective function values corresponding to the optimal solution of each generation of the two algorithms

4．2 仿真實(shí)驗(yàn)二

在信噪比為0～20 dB的范圍，以5 dB為變化步長(zhǎng)，用文中提出的基于MABC-BP的識(shí)別方法對(duì)7種信號(hào)進(jìn)行識(shí)別，計(jì)算相應(yīng)的識(shí)別率。獨(dú)立做30次仿真實(shí)驗(yàn)，取平均值。表1為7種信號(hào)在不同信噪比下的識(shí)別率。

表1 7種信號(hào)調(diào)制識(shí)別率Tal．1 Modulation recognition rate of Seven kinds of signal

從表1可以看出，對(duì)于基于MABC-BP的識(shí)別方法而言，在信噪比為0 dB時(shí)，2FSK和4FSK信號(hào)相對(duì)于其他5種信號(hào)而言，識(shí)別率稍低，但是依然可以達(dá)到85%以上，而其余5種信號(hào)的識(shí)別率都在88%以上;當(dāng)信噪比等于5 dB時(shí)，所有信號(hào)的識(shí)別率進(jìn)一步提高，均在90%以上;當(dāng)信噪比大于等于10 dB時(shí)，所有信號(hào)的識(shí)別率都可以達(dá)到93% 以上，并且隨著信噪比的增大，識(shí)別率也會(huì)相應(yīng)地提高。

4．3 仿真實(shí)驗(yàn)三

由于文中提出的方法和文獻(xiàn)［15-16］提出保護(hù)的方法都能識(shí)別出2FSK，4FSK，2PSK，4PSK 4種信號(hào)，所以在相同的條件下，信噪比范圍0～20 dB，以2．5 dB作為變化步長(zhǎng)，將文中提出的方法對(duì)2FSK，4FSK，2PSK，4PSK 4種信號(hào)的整體識(shí)別率與文獻(xiàn)［15-16］提出的方法進(jìn)行比較。此外，在相同的條件下，信噪比范圍0～20 dB，2．5 dB作為變化步長(zhǎng)，將文中提出的方法對(duì)7種信號(hào)的整體識(shí)別率與文獻(xiàn)［15-16］提出的方法進(jìn)行比較。分別獨(dú)立做30次仿真實(shí)驗(yàn)，取平均值。圖4給出3種算法對(duì)7種信號(hào)的整體識(shí)別率隨信噪比變化的比較曲線。

文獻(xiàn)［15-16］提出的方法都是為了解決數(shù)字信號(hào)調(diào)制識(shí)別的，在相同條件下，文中提出的方法可以獲得更高的信號(hào)整體識(shí)別率，比如在信噪比為7．5 dB時(shí)，文中提出的算法可以達(dá)到94% 的識(shí)別率，如果要達(dá)到同樣的識(shí)別率，文獻(xiàn)［16］提出的方法需要將信噪比提高到12．5 dB，而文獻(xiàn)［15］要提高到15 dB。文獻(xiàn)［15］是基于決策樹(shù)分類識(shí)別器，由于決策樹(shù)分類識(shí)別器在每次比較時(shí)只能使用一個(gè)特征參數(shù)，而且需要人為設(shè)置判決閾值，如果閾值設(shè)定不合理，則對(duì)識(shí)別的結(jié)果會(huì)產(chǎn)生很大的影響;文獻(xiàn)［16］是基于BP神經(jīng)網(wǎng)絡(luò)分類識(shí)別器，由于BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小值，對(duì)識(shí)別率會(huì)造成一定的影響。而文中提出的方法是基于MABC算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類識(shí)別器，由于MABC算法是一種全局優(yōu)化技術(shù)，用來(lái)獲得全局最優(yōu)的網(wǎng)絡(luò)權(quán)值和閾值，從而在很大程度上提高了系統(tǒng)的識(shí)別率。

圖4 3種算法對(duì)7種信號(hào)的整體識(shí)別率隨信噪比變化的對(duì)比曲線Fig．4 Curve of the global recognition rate of seven kinds of signal using the three algorithms with the SNRs

5 結(jié)語(yǔ)

文中提取6個(gè)基于瞬時(shí)信息的特征參數(shù)Rσa，Rσp，M2，MF1，MF2，MP1，并將 MABC-BP 模型應(yīng)用于數(shù)字調(diào)制識(shí)別中，對(duì)7種信號(hào)進(jìn)行了有效地識(shí)別。仿真實(shí)驗(yàn)表明，當(dāng)信噪比低至0 dB時(shí)，7種數(shù)字調(diào)制信號(hào)的識(shí)別率可以達(dá)到85%以上，從而證明了該方法能有效地提高數(shù)字調(diào)制信號(hào)的識(shí)別性能，對(duì)后續(xù)的工程實(shí)踐具有重要的參考價(jià)值。

［1］徐哲，胡世安，吳欽，等．一種基于差分星座圖的調(diào)制體制識(shí)別算法［J］．計(jì)算機(jī)仿真，2009，26(11):182-185，219．XU Zhe，HU Shian，WU Qin，et al．A modulation classification algorithm based on differential constellation shape［J］．Computer Simulation，2009，26(11):182-185，219．(in Chinese)

［2］譚曉衡，鄢海燕，蘇萌，等．基于自適應(yīng)小波消噪的數(shù)字調(diào)制識(shí)別優(yōu)化算法［J］．電子與信息學(xué)報(bào)，2011，33(2):466-469．TAN Xiaoheng，YAN Haiyan，SU Meng，et al．An optimal algorithm of digital modulation recognition based on adaptive wavelet de-noising［J］．Journal of Electronics and Information Technology，2011，33(2):466-469．(in Chinese)

［3］李世平，陳方超．基于小波和高階累積量的數(shù)字調(diào)制識(shí)別算法［J］．計(jì)算機(jī)應(yīng)用，2011，31(11):2926-2928，2935．LI Shiping，CHEN Fangchao．Recognition algorithm of digital modulation based on wavelet and high-order cumulants［J］．Journal of Computer Applications，2011，31(11):2926-2928，2935．(in Chinese)

［4］張路平，王建新．基于累積量的通信信號(hào)調(diào)制樣式類間識(shí)別［J］．南京理工大學(xué)學(xué)報(bào):自然科學(xué)版，2011，35(4):525-528．ZHANG Luping，WANG Jianxin．Modulation classification of communication signals using cumulant［J］．Journal of Nanjing University of Science and Technology，2011，35(4):525-528．(in Chinese)

［5］孫鋼燦，王忠勇，劉正威．基于高階累積量實(shí)現(xiàn)數(shù)字調(diào)相信號(hào)調(diào)制識(shí)別［J］．電波科學(xué)學(xué)報(bào)，2012，27(4):825-831，839．SUN Gangcan，WANG Zhongyong，LIU Zhengwei．Performance analysis of modulation recognition of MPSK signals based on highorder cumulants［J］．Chinese Journal of Radio Science，2012，27(4):825-831，839．(in Chinese)

［6］Azzouz E E，Nandi A K．Automatic identification of digital modulation types［J］．Signal Processing，1995，47(1):55-69．

［7］Azzouz E E，Nandi A K．Procedure for automatic recognition of analogue and digital modulations［J］．IEE Proceedings-Communications，1996，143(5):259-266．

［8］余嘉，陳?。贐P神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制識(shí)別方法［J］．傳感器與微系統(tǒng)，2012，31(5):16-19．YU Jia，CHEN Yin．Digital modulation recognition method based on BP neural network［J］．Transducer and Microsystem Technologies，2012，31(5):16-19．(in Chinese)

［9］何飛，張立軍，劉肅，等．基于RBF神經(jīng)網(wǎng)絡(luò)的模擬數(shù)字信號(hào)調(diào)制識(shí)別［J］．微型機(jī)與應(yīng)用，2012，31(23):74-77，80．HE Fei，ZHANG Lijun，LIU Su，et al．Recognition analog and digital signal based on RBF neural network［J］．Microcomputer and Its Applications，2012，31(23):74-77，80．(in Chinese)

［10］李峰磊．蜂群算法的研究與應(yīng)用［D］．南京:河海大學(xué)，2008．

［11］Alatas B．Chaotic bee colony algorithms for global numerical optimization［J］．Expert Systems with Applications，2010，37(8):5682-5687．

［12］XU C，DUAN H，LIU F．Chaotic artificial bee colony approach to Uninhabited Combat Air Vehicle(UCAV)path planning［J］．Aerospace Science and Technology，2010，14(8):535-541．

［13］張達(dá)敏，王旭．對(duì)基于決策論的數(shù)字信號(hào)調(diào)制識(shí)別方法的改進(jìn)［J］．計(jì)算機(jī)應(yīng)用，2009，29(12):3227-3230．ZHANG Damin，WANG Xu．Improved method of digital signals modulation identification based on decision theory［J］．Journal of Computer Applications，2009，29(12):3227-3230．(in Chinese)

［14］鮑韋韋．基于人工蜂群算法的多用戶檢測(cè)的研究［D］．天津:天津工業(yè)大學(xué)，2013．

［15］徐巖，譚方．低信噪比碼元瞬時(shí)特性數(shù)字調(diào)制信號(hào)識(shí)別研究［J］．鐵道學(xué)報(bào)，2013，35(7):80-84．XU Yan，TAN Fang．Research on recognition of digital modulation signals based on code element instantaneous characteristics in low SNR［J］．Journal of the China Railway Society，2013，35(7):80-84．(in Chinese)

［16］薛偉，錢平．基于小波變換和神經(jīng)網(wǎng)絡(luò)模型的數(shù)字調(diào)制識(shí)別方法［J］．計(jì)算機(jī)應(yīng)用與軟件，2012，29(8):210-213．XUE Wei，QIAN Ping．Scheme of digital modulation recognition based on wavelet transform and neutral networks［J］．Computer Applications and Software，2012，29(8):210-213．(in Chinese)