神經網絡在數字信號自動識別中的應用

曾令坤　趙耀　李方博　劉方毅

摘要：本文以神經網絡的相關概念為切入點，具體對傳統決策理論的數字信號的自動識別方法及缺點進行概括，并以BP神經網絡作為主要的論點，對神經網絡在數字信號自動識別中的應用進行了細致的分析和研究，以供參考。

關鍵詞：神經網絡；數字信號；自動識別

中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2018）01-0064-01

近些年來，基于神經網絡的模式識別技術得到了大力地開發與研究，相關學者將神經網絡的相關處理方法與數字信號相結合，實現了并行分布式處理信息和存儲信息的識別要求，并極大程度上滿足了識別處理與預處理進行有效結合的預期目標。最重要的是，神經網絡在數字信號的自動識別中還可以實現頻譜監測與防信號干擾的功能，值得我們進行深入的研究與探索。

1 關于神經網絡的相關概述

1.1 神經網絡的含義

神經網絡的構建主要是基于受到生物大腦的啟發作用下，相關的研究人員結合與利用生物大腦的相關功能制定與人腦神經系統組成方式、思維過程類似的信息功能與處理系統，極大程度上基于人工制定的神經網絡系統具有較強的非線性、容錯性以及聯想記憶性等優勢特點。一般來說，神經網絡是研究人員在對生物神經機制進行研究的基礎上，結合以往的經驗，構建的智能仿生模型。構建出來的神經網絡具有多個處理單元，在生物學上將它們稱之為神經元，每一個神經元都是神經網絡最基本的組成單位。可以說，神經網絡中的處理單元都是與其相鄰的單元進行交互，如某個神經元接收輸入信息，再將多所接收到的輸入信息傳遞給相鄰的神經元[1]。

1.2 處理單元類型

一般來說，神經網絡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。結合神經元的基本工作機制可知，神經元會持有兩種狀態維系自身功能，一是興奮狀態，二是抑制狀態。長時間處于抑制狀態的神經元會在樹突或者胞體接收到來自輸入單元傳來的興奮遞質，并在其傳遞的影響之下，此時的神經元會受到多發性的刺激作用，全面進入興奮的狀態中。在神經元進入到興奮狀態之后，相關的神經遞質會在輸入單元的傳送作用下傳至到輸出單元當中，將神經信號進行處理，并傳遞給下一個相鄰的神經元當中，屬于一個周而復始的工作過程。

1.3 BP算法

神經網絡高效的傳輸能力與處理信息的能力主要取決于神經網絡各個神經元之間的連接情況，即我們常說的連接權。神經網絡一般具備生物大腦的學習功能，可以根據具體的樣本模式調整預先設定的權值，使得自身賦予了較強的信息處理功能。從工作過程的角度來看，神經網絡的信息處理過程具有較強的循環性，即將樣本數據放置在輸入端當中，結合網絡實際輸出值與預先設定的輸出值進行對照，得出的具體誤差信號用來調整連接權值。根據上述的工作過程進行周期性的重復，直到神經網絡達到穩態的狀態即可[2]。

在此工作的過程中，我們會用到誤差方向傳遞學習算法，即BP算法。BP算法是一種基于誤差逆傳播算法訓練的多層前饋網絡，可以說是當前國內應用最為廣泛的神經網絡模型。BP網絡主要是由三層或者三層以上的結構網絡組建而成的神經網絡模型，其中下層的各個神經元與上層的各個神經元都可以全面地實現連接權的作用，而各個層次中的神經元基本上是處于沒有連接的狀態。BP算法正是基于該網絡的特點進行相關的計算，可以說基于BP算法的神經網絡，不僅具有輸入層節點，同時還具有輸出節點，或者是隱含一種或者多種隱含層節點。

2 數字信號自動識別的類型

2.1 基于傳統決策理論的數字信號自動識別

基于傳統決策理論的數字信號自動識別方法主要包括信號預處理、特征提取與選擇以及分類識別三個部分。其中，分類器的設計對調制信號模式的識別程度和效果有著較為直接的影響。結合以往基于傳統決策理論的數字信號自動識別方法，我們不難看出，在實際應用的過程中，往往會面臨以下三點難題：

（1）不同的識別算法所采用的特性參數基本是相同的，唯一的不同之處在于這些特性參數所處的判決位置有明顯的不同，然而這并未對識別的準確率帶了正面的影響作用。在實際的使用中，由于無法區別特性參數，致使在相同信噪比條件下識別出來的正確率具有明顯的不同，比較影響自動識別的準確性[3]。（2）所處的每個判決節點只能使用同一個特征量來進行有效地判決，這就直接導致識別的準確率明顯降低，且會對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對判決節點的識別功能產生比較重要的影響作用。（3）每個節點特征都需要對應設置一個專門的判決門限，而這些判決門限的選取工作比較復雜，會對識別的準確率造成一定的影響。

2.2 基于神經網絡的數字信號自動識別方法

基于神經網絡的數字信號自動識別方法（ANN）由于其具有高智能化水平、識別速度快以及識別準確率高的優勢，近些年來在國內的數字信號處領域中得到了廣泛地應用。ANN逼近非線性函數的能力較強，可以滿足并行分布式信息的存儲要求，最重要的是，ANN的容錯能力較強，能夠有效地解決計算中的難題，降低錯誤概率。另外，基于神經網絡的數字信號自動識別方法可以采用神經網絡分類器，可以確保每一次的判決可以運用到全部的特征量，極大程度上攻克了基于傳統決策理論數字自動識別方面的不足，具有較強的應用價值。

3 神經網絡在數字信號自動識別中的應用

神經網絡模型根據具體的連接方式可以大致分為二種：一是前饋型網絡，二是反饋型網。其中，前饋型網絡還可以具體分為多層型網絡，也稱為MLP網絡。目前國內所使用的神經網絡中，MLP網絡的應用范圍較廣，且取得的應用效果也比較顯著。從結構組成的角度上來看，MLP主要是由一個輸入層、一個或者多個隱層以及一個輸出層構成，這一模型可以逼近任意的具有多元非線性特征的函數，可以有效地解決各類非線性函數的相關問題。神經網絡相關的自動識別技術結合了以往基于傳統決策理論的數字信號自動識別技術優勢，對神經網絡中的BP算法進行了進一步地改進。如為了使該網絡模型能夠達到收斂能量極小點的要求，研究人員采用了反復訓練的方法，對該網絡模型設置了循環的功能，即對樣本進行反復地訓練，完成提高自動識別準確率的目標。

4 結語

隨著我國科學技術水平的不斷提升，基于神經網絡的數字信號自動識別功能勢必會得到進一步地完善與發展，能夠有效地攻克當前BP算法存在的難題，如收斂速度緩慢、設定的目標函數存在局部極小點的情況。雖然從一定程度上來說，目前所應用的改進后的BP神經網絡可以有效地解決這一問題，對幾種常用的數字調制信號進行深入的仿真研究，實現了最大程度范圍內的識別功能，但是在具體的計算方面仍舊存在著一些不足，需要研究人員不斷地進行更正與完善。

參考文獻

[1]李敏.數字通信信號自動調制識別技術的研究[D].哈爾濱工程大學，2012.

[2]郝瀟，王曉峰，陳北東.神經網絡在數字信號自動識別中的應用[J].重慶科技學院學報：自然科學版，2008，（04）：131-133.

[3]張斌.基于粗糙集與神經網絡的調制信號識別研究[D].太原理工大學，2011.