[發明專利]量子根樹機制演化極限學習機的調制信號識別方法

有效

• 申請號: 202111423647.1
• 申請日: 2021-11-26
• 公開（公告）號: CN114172770B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 高洪元;郭瑞晨;崔志華;程建華;杜亞男;陳夢晗;劉亞鵬;趙立帥;武文道
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: H04L27/00
• 分類號: H04L27/00;G06F18/214;G06F18/24;G06N3/04;G06N3/08;G06N10/60
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.量子根樹機制演化極限學習機的調制信號識別方法，其特征在于，步驟如下：

步驟一：獲取通信調制信號，進行信號預處理，得到沖擊噪聲背景下的調制信號預處理數據集；信號預處理包括成型濾波、功率歸一化、加入沖擊噪聲并抑制；

步驟二：采用加權Myriad濾波器抑制沖擊噪聲，并通過分段處理得到調制信號預處理數據集；

給定N個觀測樣本的集合和權重集合定義輸入向量x＝[x₁,x₂,...,x_N]^T和權值向量對于給定的非線性度參數K＞0，假設隨機變量相互獨立且服從位置參數θ和尺度參數的柯西分布，可得其概率密度函數為定義加權Myriad使得似然函數最大，可得定義引入函數ρ(v)＝ln(1+v²)，其中v是自變量，則加權Myriad輸出為稱Q(θ)為加權Myriad目標函數；定義函數ρ(v)的導數其中v是自變量，加權Myriad輸出是Q(θ)的一個局部極小值，因此有定義函數其中v是自變量，引入正函數其中i＝1,2,...,N，則因此有如下結論：包括在內的所有目標函數Q(θ)的局部極小值點都可以表示成對輸入x_i求加權均值的形式，即定義映射可將Q(θ)的局部極小點，即Q'(θ)＝0的根視為T(θ)的定點，利用定點迭代算法計算這些定點，即其中m是定點迭代次數；

分段處理將每種調制方式的調制信號都分成長度相等的多個數據段及每個數據段對應標簽的集合形式；

步驟三：對調制信號預處理數據集提取瞬時特征參數，得到用于訓練極限學習機的特征數據集；

接收機接收信號后，對其進行希爾伯特變換得到其解析形式，即式中，s(t)是原信號y(t)的解析信號，而是y(t)的希爾伯特變換，有式中，代表卷積運算，其頻率響應為

用采樣頻率f_s對原信號y(t)進行采樣，得到總點數為的離散序列y(n)，其解析形式為瞬時幅度為A(n)，則瞬時相位為θ(n)，有

由于反正切函數主值區間為(-π/2,π/2)，此時θ(n)可能產生±π的突變，對其調整得到取值在[0,2π)的相位有

實際瞬時相位ε(n)與的關系是式中，mod代表求余運算，存在相位卷疊，由于去卷疊瞬時相位φ(n)滿足φ(n)＝2πf_cT_sn+ε(n)+θ，式中，f_c是載波頻率，T_s采樣是周期，θ是初始相位，從上式可知，去卷疊瞬時相位是由載波頻率引起的線性相位分量和ε(n)與θ引起的非線性分量，需要對序列加上一個矯正序列{c(n)}實現去卷疊，定義為此時，去卷疊瞬時相位估計值為在載波、碼元完全同步的情況下，去卷疊瞬時相位非線性分量的估計值為

瞬時頻率序列可由去卷疊瞬時相位序列差分得到，即式中，f_s是采樣頻率；

步驟四：確定極限學習機最優參數的目標函數；

使用特征訓練集訓練極限學習機后預測系統輸出，把預測輸出和期望輸出之間的平均絕對誤差作目標函數，設輸入層節點數為隱含層節點數為l，輸出層節點數為m，樣本個數為q，則最優求解方程可以描述為式中，為網絡輸出層第i個節點第k個樣本的期望輸出，o_ik為輸出層第i個節點第k個樣本的預測輸出，為神經網絡權值和閾值向量，為最優的網絡權值和閾值向量，M為極限學習機權值和閾值總個數，有

步驟五：初始化量子根樹機制參數；

量子根樹機制參數設置如下：根的種群規模為每個根的量子位置維數是M，上界設為U＝[U₁,U₂,...,U_M]，下界設為L＝[L₁,L₂,...,L_M]，設置最大迭代次數為G_max，迭代次數設置三種更新方程的比例分別為R_r、R_n和R_c，更新公式中可調整參數分別為c₁、c₂和c₃，量子旋轉角為0時的變異概率分別為e₁、e₂和e₃；在量子位置定義域內隨機產生每個根的量子位置，每一維量子位置都限制在[0,1]，第次迭代第i個根的量子位置是對應的位置為且式中，L_d是第d維位置下界，U_d是第d維位置上界；

步驟六：計算種群中所有根的適應度和濕潤度，按照濕潤度升序排列種群；

評估第次迭代第i個根的適應度將平均絕對誤差作為適應度函數，因此其中，是第次迭代輸出層第i個節點第k個樣本的預測輸出，是輸出層第i個節點第k個樣本的期望輸出；根據計算第次迭代第i個根對應的濕潤度，然后根據濕潤度升序排列種群中所有的根，全局最優的根的位置記為對應量子位置記為

步驟七：采用模擬量子旋轉門分別對種群中不同個體進行更新；

更新過程1，對種群中濕潤度較小的第個根，第次迭代第i個根的量子位置第d維更新公式是式中，e₁是變異概率，取值是[0,1/M]之間的常數，是取值范圍在(0,1)之間的隨機數，是前一代隨機選擇的根的第d維量子位置，是對應的量子旋轉角；量子旋轉角的第d維更新公式是式中，randn是取值范圍在[-1,1]之間的高斯分布隨機數；

更新過程2，對種群中濕潤度較小的第個根，第次迭代第i個根的量子位置第d維更新公式是式中，e₂是變異概率，取值是[0,1/M]之間的常數，是全局最優的根的第d維量子位置，是對應的量子旋轉角；量子旋轉角的第d維更新公式是

更新過程3，對種群中濕潤度較小的第個根，第次迭代第i個根的量子位置第d維更新公式是式中，e₃是變異概率，取值是[0,1/M]之間的常數，是對應的量子旋轉角；量子旋轉角的第d維更新公式是式中，是具有全局最優適應度的根的第d維位置，rand代表[0,1]之間的均勻隨機數；

步驟八：計算新一代根的適應度和濕潤度，更新全局最優的根，種群按照濕潤度升序排列；

在所有根的量子位置更新后，定義“*”為前后兩向量對應維度內的元素相乘，將每個根的量子位置映射成位置，映射關系是其中第次迭代量子位置更新后第i個根的位置是設輸入層與隱含層之間權值是其中F＝n×l，隱含層閾值是其中M＝n×l+l；計算第次迭代更新后第i個根的適應度，有其中是第次迭代輸出層第i個節點第k個樣本的預測輸出，是輸出層第i個節點第k個樣本的期望輸出；根據濕潤度定義計算更新后的濕潤度，有更新全局最優根的位置和對應的量子位置按照濕潤度升序排列種群，迭代次數

步驟九：判斷迭代次數是否達到最大迭代次數G_max，若達到最大迭代次數，則終止迭代，輸出最優權值和閾值向量；否則返回步驟七；

步驟十：使用具有最優權值和閾值的極限學習機作為分類器，對沖擊噪聲背景下的調制信號進行識別，經量子根樹機制演化極限學習機得到最優權值和閾值，將其作為極限學習機的初始權值和閾值，利用訓練集數據進行訓練，將訓練好的具有最優權值和閾值的極限學習機作為沖擊噪聲背景下調制信號識別的分類器，最后采用測試集或采集的數據輸出調制識別結果。