神经网络在数字信号自动识别中的应用

曾令坤　赵耀　李方博　刘方毅

摘要：本文以神经网络的相关概念为切入点，具体对传统决策理论的数字信号的自动识别方法及缺点进行概括，并以BP神经网络作为主要的论点，对神经网络在数字信号自动识别中的应用进行了细致的分析和研究，以供参考。

关键词：神经网络；数字信号；自动识别

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2018）01-0064-01

近些年来，基于神经网络的模式识别技术得到了大力地开发与研究，相关学者将神经网络的相关处理方法与数字信号相结合，实现了并行分布式处理信息和存储信息的识别要求，并极大程度上满足了识别处理与预处理进行有效结合的预期目标。最重要的是，神经网络在数字信号的自动识别中还可以实现频谱监测与防信号干扰的功能，值得我们进行深入的研究与探索。

1 关于神经网络的相关概述

1.1 神经网络的含义

神经网络的构建主要是基于受到生物大脑的启发作用下，相关的研究人员结合与利用生物大脑的相关功能制定与人脑神经系统组成方式、思维过程类似的信息功能与处理系统，极大程度上基于人工制定的神经网络系统具有较强的非线性、容错性以及联想记忆性等优势特点。一般来说，神经网络是研究人员在对生物神经机制进行研究的基础上，结合以往的经验，构建的智能仿生模型。构建出来的神经网络具有多个处理单元，在生物学上将它们称之为神经元，每一个神经元都是神经网络最基本的组成单位。可以说，神经网络中的处理单元都是与其相邻的单元进行交互，如某个神经元接收输入信息，再将多所接收到的输入信息传递给相邻的神经元[1]。

1.2 处理单元类型

一般来说，神经网络的处理单元可具体划分为三种类型，分别为：输入单元、输出单元以及隐含单元。结合神经元的基本工作机制可知，神经元会持有两种状态维系自身功能，一是兴奋状态，二是抑制状态。长时间处于抑制状态的神经元会在树突或者胞体接收到来自输入单元传来的兴奋递质，并在其传递的影响之下，此时的神经元会受到多发性的刺激作用，全面进入兴奋的状态中。在神经元进入到兴奋状态之后，相关的神经递质会在输入单元的传送作用下传至到输出单元当中，将神经信号进行处理，并传递给下一个相邻的神经元当中，属于一个周而复始的工作过程。

1.3 BP算法

神经网络高效的传输能力与处理信息的能力主要取决于神经网络各个神经元之间的连接情况，即我们常说的连接权。神经网络一般具备生物大脑的学习功能，可以根据具体的样本模式调整预先设定的权值，使得自身赋予了较强的信息处理功能。从工作过程的角度来看，神经网络的信息处理过程具有较强的循环性，即将样本数据放置在输入端当中，结合网络实际输出值与预先设定的输出值进行对照，得出的具体误差信号用来调整连接权值。根据上述的工作过程进行周期性的重复，直到神经网络达到稳态的状态即可[2]。

在此工作的过程中，我们会用到误差方向传递学习算法，即BP算法。BP算法是一种基于误差逆传播算法训练的多层前馈网络，可以说是当前国内应用最为广泛的神经网络模型。BP网络主要是由三层或者三层以上的结构网络组建而成的神经网络模型，其中下层的各个神经元与上层的各个神经元都可以全面地实现连接权的作用，而各个层次中的神经元基本上是处于没有连接的状态。BP算法正是基于该网络的特点进行相关的计算，可以说基于BP算法的神经网络，不仅具有输入层节点，同时还具有输出节点，或者是隐含一种或者多种隐含层节点。

2 数字信号自动识别的类型

2.1 基于传统决策理论的数字信号自动识别

基于传统决策理论的数字信号自动识别方法主要包括信号预处理、特征提取与选择以及分类识别三个部分。其中，分类器的设计对调制信号模式的识别程度和效果有着较为直接的影响。结合以往基于传统决策理论的数字信号自动识别方法，我们不难看出，在实际应用的过程中，往往会面临以下三点难题：

（1）不同的识别算法所采用的特性参数基本是相同的，唯一的不同之处在于这些特性参数所处的判决位置有明显的不同，然而这并未对识别的准确率带了正面的影响作用。在实际的使用中，由于无法区别特性参数，致使在相同信噪比条件下识别出来的正确率具有明显的不同，比较影响自动识别的准确性[3]。（2）所处的每个判决节点只能使用同一个特征量来进行有效地判决，这就直接导致识别的准确率明显降低，且会对特征量的先后次序造成直接影响，而往往特征量的先后次序会对判决节点的识别功能产生比较重要的影响作用。（3）每个节点特征都需要对应设置一个专门的判决门限，而这些判决门限的选取工作比较复杂，会对识别的准确率造成一定的影响。

2.2 基于神经网络的数字信号自动识别方法

基于神经网络的数字信号自动识别方法（ANN）由于其具有高智能化水平、识别速度快以及识别准确率高的优势，近些年来在国内的数字信号处领域中得到了广泛地应用。ANN逼近非线性函数的能力较强，可以滿足并行分布式信息的存储要求，最重要的是，ANN的容错能力较强，能够有效地解决计算中的难题，降低错误概率。另外，基于神经网络的数字信号自动识别方法可以采用神经网络分类器，可以确保每一次的判决可以运用到全部的特征量，极大程度上攻克了基于传统决策理论数字自动识别方面的不足，具有较强的应用价值。

3 神经网络在数字信号自动识别中的应用

神经网络模型根据具体的连接方式可以大致分为二种：一是前馈型网络，二是反馈型网。其中，前馈型网络还可以具体分为多层型网络，也称为MLP网络。目前国内所使用的神经网络中，MLP网络的应用范围较广，且取得的应用效果也比较显著。从结构组成的角度上来看，MLP主要是由一个输入层、一个或者多个隐层以及一个输出层构成，这一模型可以逼近任意的具有多元非线性特征的函数，可以有效地解决各类非线性函数的相关问题。神经网络相关的自动识别技术结合了以往基于传统决策理论的数字信号自动识别技术优势，对神经网络中的BP算法进行了进一步地改进。如为了使该网络模型能够达到收敛能量极小点的要求，研究人员采用了反复训练的方法，对该网络模型设置了循环的功能，即对样本进行反复地训练，完成提高自动识别准确率的目标。

4 结语

随着我国科学技术水平的不断提升，基于神经网络的数字信号自动识别功能势必会得到进一步地完善与发展，能够有效地攻克当前BP算法存在的难题，如收敛速度缓慢、设定的目标函数存在局部极小点的情况。虽然从一定程度上来说，目前所应用的改进后的BP神经网络可以有效地解决这一问题，对几种常用的数字调制信号进行深入的仿真研究，实现了最大程度范围内的识别功能，但是在具体的计算方面仍旧存在着一些不足，需要研究人员不断地进行更正与完善。

参考文献

[1]李敏.数字通信信号自动调制识别技术的研究[D].哈尔滨工程大学，2012.

[2]郝潇，王晓峰，陈北东.神经网络在数字信号自动识别中的应用[J].重庆科技学院学报：自然科学版，2008，（04）：131-133.

[3]张斌.基于粗糙集与神经网络的调制信号识别研究[D].太原理工大学，2011.