冲击噪声下基于演化长短时记忆神经网络的调制信号识别

摘要：

为了解决冲击噪声下长短时记忆(long short term memory,LSTM)神经网络调制信号识别方法抗冲击噪声能力弱和超参数难以确定的问题,本文提出了一种演化长短时记忆神经网络的调制识别方法.利用基于短时傅里叶变换的卷积神经网络(convolution neural network,CNN)去噪模型对数据集去噪;结合量子计算机制和旗鱼优化器(sailfish optimizer,SFO)设计了量子旗鱼算法(quantum sailfish algorithm,QSFA)去演化LSTM神经网络以获得最优的超参数;使用演化长短时记忆神经网络作为分类器进行自动调制信号识别.仿真结果表明,采用所设计的CNN去噪和演化长短时记忆神经网络模型,识别准确率有了大幅度的提高.量子旗鱼算法演化LSTM神经网络模型降低了传统LSTM神经网络容易陷于局部极小值或者过拟合的概率,当混合信噪比为0 dB,所提方法对11种调制信号的平均识别准确率达到90%以上.

关键词：调制信号识别、冲击噪声、卷积神经网络、量子旗鱼优化算法、长短时记忆神经网络、稳定分布、超参数、短时傅里叶变换

所属期刊栏目：18

分类号：TP183;TN911.7(自动化基础理论)

资助基金：国家自然科学基金;黑龙江省自然科学基金项目;黑龙江省博士后科研启动金项目

在线出版日期：2023-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：676-687