基于自适应前馈神经网络的通信信号识别方法和系统

技术特征：
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，x
i
(g)表示第g代的第i个网络个体，i＝1,2,...,n
pop
，n
pop
是种群规模，θ
i,j
(g)表示第i个网络个体的第j个隐层神经元激活状态，θ
i,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，b
i,j
(g)表示第i个网络个体的第j个隐层神经元的偏置，b
i,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p
g
进行二进制和实数的混合交叉和混合变异，生成子代种群q
g
，p
g
与q
g
中网络个体数量相同；s122：合成新种群r
g
＝p
g
∪q
g
，将预处理后的信号样本集传入种群r
g
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r
g
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r
g
中筛选出网络个体，得到种群p
g 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p
g 1
作为新的p
g
进行循环，如果已达到，则退出循环，种群p
g 1
即为帕累托最优种群。
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，所述二进制和实数的混合交叉包括：用于k维二进制向量的二进制交叉，以及，用于(n 1)
×
k维实数向量的实数交叉；通过下式进行所述二进制交叉：通过下式进行所述实数交叉：其中，α
j
∈{0,1}是一个随机选择的二进制参数；β
j
是一个连续参数，在[0,1]中随机选择；d是网络个体混合编码的总长度，d＝(n 2)
×
k；x
p,j
和x
q,j
分别是当前迭代种群p
g
中的第p个和第q个网络个体中第j个编码值，y
p,j
和y
q,j
分别是生成的子代种群q
g
中的第p个和第q个网络个体中第j个编码值。8.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，所述二进制和实数的混合变异包括：反转随机分配的二进制变异，以及，增加正态分布随机数的实数变异；通过下式进行所述二进制变异：通过下式进行所述实数变异：其中，rand(0,1)是(0,1)中的一个随机数，μ是预置的控制参数，n(0,σ)表示一个均值为0且方差为σ的正态分布随机数，x
t,j
是当前迭代种群p
g
中的第t个网络个体中第j个编码值，y
t,j
是生成的子代种群q
g
中的第t个网络个体中第j个编码值。9.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，所述根据均方根误差，从帕累托最优种群中获取多个网络个体作为基分类器，是按照均方根误差由小到大排序，根据数量阈值，选择前几个网络个体作为基分类器，并分别设置由大到小的权值，用于对输出结果的加权求和中。10.一种基于自适应前馈神经网络的通信信号识别系统，其特征在于，包括：信号预处理模块，用于对历史通信信号进行预处理，得到信号样本集，以及对实时采集的通信信号进行预处理；网络初始化模块，用于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；网络优化模块，用于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，基于数据预处理模块输出的信号样本集，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；信号识别模块，用于根据均方根误差，从优化网络模块中得到的帕累托最优种群中获取多个网络个体作为基分类器，将数据预处理模块输出的实时采集的通信信号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。

技术总结
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。实现了准确的信号识别。实现了准确的信号识别。


技术研发人员：李捷 程旗 高晓利 李宏 高卫峰 白利霞 谢晋
受保护的技术使用者：西安电子科技大学
技术研发日：2022.06.20
技术公布日：2022/9/13