曾令坤　趙耀　李方博　劉方毅

摘要：本文以神經(jīng)網(wǎng)絡(luò)的相關(guān)概念為切入點(diǎn)，具體對(duì)傳統(tǒng)決策理論的數(shù)字信號(hào)的自動(dòng)識(shí)別方法及缺點(diǎn)進(jìn)行概括，并以BP神經(jīng)網(wǎng)絡(luò)作為主要的論點(diǎn)，對(duì)神經(jīng)網(wǎng)絡(luò)在數(shù)字信號(hào)自動(dòng)識(shí)別中的應(yīng)用進(jìn)行了細(xì)致的分析和研究，以供參考。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；數(shù)字信號(hào)；自動(dòng)識(shí)別

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2018）01-0064-01

近些年來(lái)，基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別技術(shù)得到了大力地開(kāi)發(fā)與研究，相關(guān)學(xué)者將神經(jīng)網(wǎng)絡(luò)的相關(guān)處理方法與數(shù)字信號(hào)相結(jié)合，實(shí)現(xiàn)了并行分布式處理信息和存儲(chǔ)信息的識(shí)別要求，并極大程度上滿足了識(shí)別處理與預(yù)處理進(jìn)行有效結(jié)合的預(yù)期目標(biāo)。最重要的是，神經(jīng)網(wǎng)絡(luò)在數(shù)字信號(hào)的自動(dòng)識(shí)別中還可以實(shí)現(xiàn)頻譜監(jiān)測(cè)與防信號(hào)干擾的功能，值得我們進(jìn)行深入的研究與探索。

1 關(guān)于神經(jīng)網(wǎng)絡(luò)的相關(guān)概述

1.1 神經(jīng)網(wǎng)絡(luò)的含義

神經(jīng)網(wǎng)絡(luò)的構(gòu)建主要是基于受到生物大腦的啟發(fā)作用下，相關(guān)的研究人員結(jié)合與利用生物大腦的相關(guān)功能制定與人腦神經(jīng)系統(tǒng)組成方式、思維過(guò)程類似的信息功能與處理系統(tǒng)，極大程度上基于人工制定的神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有較強(qiáng)的非線性、容錯(cuò)性以及聯(lián)想記憶性等優(yōu)勢(shì)特點(diǎn)。一般來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)是研究人員在對(duì)生物神經(jīng)機(jī)制進(jìn)行研究的基礎(chǔ)上，結(jié)合以往的經(jīng)驗(yàn)，構(gòu)建的智能仿生模型。構(gòu)建出來(lái)的神經(jīng)網(wǎng)絡(luò)具有多個(gè)處理單元，在生物學(xué)上將它們稱之為神經(jīng)元，每一個(gè)神經(jīng)元都是神經(jīng)網(wǎng)絡(luò)最基本的組成單位?？梢哉f(shuō)，神經(jīng)網(wǎng)絡(luò)中的處理單元都是與其相鄰的單元進(jìn)行交互，如某個(gè)神經(jīng)元接收輸入信息，再將多所接收到的輸入信息傳遞給相鄰的神經(jīng)元[1]。

1.2 處理單元類型

一般來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)的處理單元可具體劃分為三種類型，分別為：輸入單元、輸出單元以及隱含單元。結(jié)合神經(jīng)元的基本工作機(jī)制可知，神經(jīng)元會(huì)持有兩種狀態(tài)維系自身功能，一是興奮狀態(tài)，二是抑制狀態(tài)。長(zhǎng)時(shí)間處于抑制狀態(tài)的神經(jīng)元會(huì)在樹(shù)突或者胞體接收到來(lái)自輸入單元傳來(lái)的興奮遞質(zhì)，并在其傳遞的影響之下，此時(shí)的神經(jīng)元會(huì)受到多發(fā)性的刺激作用，全面進(jìn)入興奮的狀態(tài)中。在神經(jīng)元進(jìn)入到興奮狀態(tài)之后，相關(guān)的神經(jīng)遞質(zhì)會(huì)在輸入單元的傳送作用下傳至到輸出單元當(dāng)中，將神經(jīng)信號(hào)進(jìn)行處理，并傳遞給下一個(gè)相鄰的神經(jīng)元當(dāng)中，屬于一個(gè)周而復(fù)始的工作過(guò)程。

1.3 BP算法

神經(jīng)網(wǎng)絡(luò)高效的傳輸能力與處理信息的能力主要取決于神經(jīng)網(wǎng)絡(luò)各個(gè)神經(jīng)元之間的連接情況，即我們常說(shuō)的連接權(quán)。神經(jīng)網(wǎng)絡(luò)一般具備生物大腦的學(xué)習(xí)功能，可以根據(jù)具體的樣本模式調(diào)整預(yù)先設(shè)定的權(quán)值，使得自身賦予了較強(qiáng)的信息處理功能。從工作過(guò)程的角度來(lái)看，神經(jīng)網(wǎng)絡(luò)的信息處理過(guò)程具有較強(qiáng)的循環(huán)性，即將樣本數(shù)據(jù)放置在輸入端當(dāng)中，結(jié)合網(wǎng)絡(luò)實(shí)際輸出值與預(yù)先設(shè)定的輸出值進(jìn)行對(duì)照，得出的具體誤差信號(hào)用來(lái)調(diào)整連接權(quán)值。根據(jù)上述的工作過(guò)程進(jìn)行周期性的重復(fù)，直到神經(jīng)網(wǎng)絡(luò)達(dá)到穩(wěn)態(tài)的狀態(tài)即可[2]。

在此工作的過(guò)程中，我們會(huì)用到誤差方向傳遞學(xué)習(xí)算法，即BP算法。BP算法是一種基于誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，可以說(shuō)是當(dāng)前國(guó)內(nèi)應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型。BP網(wǎng)絡(luò)主要是由三層或者三層以上的結(jié)構(gòu)網(wǎng)絡(luò)組建而成的神經(jīng)網(wǎng)絡(luò)模型，其中下層的各個(gè)神經(jīng)元與上層的各個(gè)神經(jīng)元都可以全面地實(shí)現(xiàn)連接權(quán)的作用，而各個(gè)層次中的神經(jīng)元基本上是處于沒(méi)有連接的狀態(tài)。BP算法正是基于該網(wǎng)絡(luò)的特點(diǎn)進(jìn)行相關(guān)的計(jì)算，可以說(shuō)基于BP算法的神經(jīng)網(wǎng)絡(luò)，不僅具有輸入層節(jié)點(diǎn)，同時(shí)還具有輸出節(jié)點(diǎn)，或者是隱含一種或者多種隱含層節(jié)點(diǎn)。

2 數(shù)字信號(hào)自動(dòng)識(shí)別的類型

2.1 基于傳統(tǒng)決策理論的數(shù)字信號(hào)自動(dòng)識(shí)別

基于傳統(tǒng)決策理論的數(shù)字信號(hào)自動(dòng)識(shí)別方法主要包括信號(hào)預(yù)處理、特征提取與選擇以及分類識(shí)別三個(gè)部分。其中，分類器的設(shè)計(jì)對(duì)調(diào)制信號(hào)模式的識(shí)別程度和效果有著較為直接的影響。結(jié)合以往基于傳統(tǒng)決策理論的數(shù)字信號(hào)自動(dòng)識(shí)別方法，我們不難看出，在實(shí)際應(yīng)用的過(guò)程中，往往會(huì)面臨以下三點(diǎn)難題：

（1）不同的識(shí)別算法所采用的特性參數(shù)基本是相同的，唯一的不同之處在于這些特性參數(shù)所處的判決位置有明顯的不同，然而這并未對(duì)識(shí)別的準(zhǔn)確率帶了正面的影響作用。在實(shí)際的使用中，由于無(wú)法區(qū)別特性參數(shù)，致使在相同信噪比條件下識(shí)別出來(lái)的正確率具有明顯的不同，比較影響自動(dòng)識(shí)別的準(zhǔn)確性[3]。（2）所處的每個(gè)判決節(jié)點(diǎn)只能使用同一個(gè)特征量來(lái)進(jìn)行有效地判決，這就直接導(dǎo)致識(shí)別的準(zhǔn)確率明顯降低，且會(huì)對(duì)特征量的先后次序造成直接影響，而往往特征量的先后次序會(huì)對(duì)判決節(jié)點(diǎn)的識(shí)別功能產(chǎn)生比較重要的影響作用。（3）每個(gè)節(jié)點(diǎn)特征都需要對(duì)應(yīng)設(shè)置一個(gè)專門(mén)的判決門(mén)限，而這些判決門(mén)限的選取工作比較復(fù)雜，會(huì)對(duì)識(shí)別的準(zhǔn)確率造成一定的影響。

2.2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)自動(dòng)識(shí)別方法

基于神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)自動(dòng)識(shí)別方法（ANN）由于其具有高智能化水平、識(shí)別速度快以及識(shí)別準(zhǔn)確率高的優(yōu)勢(shì)，近些年來(lái)在國(guó)內(nèi)的數(shù)字信號(hào)處領(lǐng)域中得到了廣泛地應(yīng)用。ANN逼近非線性函數(shù)的能力較強(qiáng)，可以滿足并行分布式信息的存儲(chǔ)要求，最重要的是，ANN的容錯(cuò)能力較強(qiáng)，能夠有效地解決計(jì)算中的難題，降低錯(cuò)誤概率。另外，基于神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)自動(dòng)識(shí)別方法可以采用神經(jīng)網(wǎng)絡(luò)分類器，可以確保每一次的判決可以運(yùn)用到全部的特征量，極大程度上攻克了基于傳統(tǒng)決策理論數(shù)字自動(dòng)識(shí)別方面的不足，具有較強(qiáng)的應(yīng)用價(jià)值。

3 神經(jīng)網(wǎng)絡(luò)在數(shù)字信號(hào)自動(dòng)識(shí)別中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)模型根據(jù)具體的連接方式可以大致分為二種：一是前饋型網(wǎng)絡(luò)，二是反饋型網(wǎng)。其中，前饋型網(wǎng)絡(luò)還可以具體分為多層型網(wǎng)絡(luò)，也稱為MLP網(wǎng)絡(luò)。目前國(guó)內(nèi)所使用的神經(jīng)網(wǎng)絡(luò)中，MLP網(wǎng)絡(luò)的應(yīng)用范圍較廣，且取得的應(yīng)用效果也比較顯著。從結(jié)構(gòu)組成的角度上來(lái)看，MLP主要是由一個(gè)輸入層、一個(gè)或者多個(gè)隱層以及一個(gè)輸出層構(gòu)成，這一模型可以逼近任意的具有多元非線性特征的函數(shù)，可以有效地解決各類非線性函數(shù)的相關(guān)問(wèn)題。神經(jīng)網(wǎng)絡(luò)相關(guān)的自動(dòng)識(shí)別技術(shù)結(jié)合了以往基于傳統(tǒng)決策理論的數(shù)字信號(hào)自動(dòng)識(shí)別技術(shù)優(yōu)勢(shì)，對(duì)神經(jīng)網(wǎng)絡(luò)中的BP算法進(jìn)行了進(jìn)一步地改進(jìn)。如為了使該網(wǎng)絡(luò)模型能夠達(dá)到收斂能量極小點(diǎn)的要求，研究人員采用了反復(fù)訓(xùn)練的方法，對(duì)該網(wǎng)絡(luò)模型設(shè)置了循環(huán)的功能，即對(duì)樣本進(jìn)行反復(fù)地訓(xùn)練，完成提高自動(dòng)識(shí)別準(zhǔn)確率的目標(biāo)。

4 結(jié)語(yǔ)

隨著我國(guó)科學(xué)技術(shù)水平的不斷提升，基于神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)自動(dòng)識(shí)別功能勢(shì)必會(huì)得到進(jìn)一步地完善與發(fā)展，能夠有效地攻克當(dāng)前BP算法存在的難題，如收斂速度緩慢、設(shè)定的目標(biāo)函數(shù)存在局部極小點(diǎn)的情況。雖然從一定程度上來(lái)說(shuō)，目前所應(yīng)用的改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)可以有效地解決這一問(wèn)題，對(duì)幾種常用的數(shù)字調(diào)制信號(hào)進(jìn)行深入的仿真研究，實(shí)現(xiàn)了最大程度范圍內(nèi)的識(shí)別功能，但是在具體的計(jì)算方面仍舊存在著一些不足，需要研究人員不斷地進(jìn)行更正與完善。

參考文獻(xiàn)

[1]李敏.數(shù)字通信信號(hào)自動(dòng)調(diào)制識(shí)別技術(shù)的研究[D].哈爾濱工程大學(xué)，2012.

[2]郝瀟，王曉峰，陳北東.神經(jīng)網(wǎng)絡(luò)在數(shù)字信號(hào)自動(dòng)識(shí)別中的應(yīng)用[J].重慶科技學(xué)院學(xué)報(bào)：自然科學(xué)版，2008，（04）：131-133.

[3]張斌.基于粗糙集與神經(jīng)網(wǎng)絡(luò)的調(diào)制信號(hào)識(shí)別研究[D].太原理工大學(xué)，2011.