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方案

本发明专利技术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

【技术实现步骤摘要】
基于自适应前馈神经网络的通信信号识别方法和系统


[0001]本专利技术涉及信号识别
，尤其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。

技术介绍

[0002]数据分类和识别是机器学习中的一项重要任务，通常需要处理生物信息、多媒体、统计学等领域的数据集。在信号识别领域，通过对信号特征的提取和分析，逐步识别出发射信号的目标类别，以及具体的目标个体。
[0003]现有机器学习中多采用神经网络相关算法，但同时寻找连接权值和隐层神经元数量的最优值是困难的，使得想要使用神经网络来解决实际问题时，存在搭建基本模型的困难；使用基于梯度的方法训练前馈神经网络，可能陷入局部最小值，收敛缓慢和依赖于初始解，造成使用该神经网络模型求解实际问题时误差较大。
[0004]极限学习机(ELM)是一种常用的训练前馈神经网络SLFN的机器学习方法，应用于数据分类和生物医学工程等许多领域。ELM随机分配输入权值和隐层偏置，然后使用MP广义逆计算输出权值，并使用无调参的参数学习方法来提高训练速度。然而，随机分配的网络参数可能会导致网络性能的不稳定。本文档来自技高网...

【技术保护点】

【技术特征摘要】
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<...

【专利技术属性】
技术研发人员：李捷，程旗，高晓利，李宏，高卫峰，白利霞，谢晋，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：