基于自適應神經網絡的調頻調幅信號預測*

曾 英

(湖南城市學院通信與電子工程學院，湖南益陽413000)

線性調頻(Chirp)信號是指頻率隨時間而線性改變(增加或減少)的信號，它是研究最早而且應用最廣泛的一種脈沖壓縮信號［1］，它的主要優點是所用的匹配濾波器對回波的多普勒頻移不敏感，即使回波信號有較大的多普勒頻移，仍能用同一個匹配濾波器完成脈沖壓縮，這將大大簡化信號處理系統.它的主要缺點是存在距離和多普勒平移的耦合.此外，線性調頻信號的匹配濾波器的輸出旁瓣電平較高，通常采用對SAW匹配濾波器進行加權的方法來降低壓縮脈沖時間旁瓣電平.為了能夠測量長距離又保留時間的分辨率，雷達需要短時間的脈沖波以及持續的發射信號.線性調頻可以同時保留連續信號和脈沖的特性，因此被應用在雷達和聲納探測上［2］.本文主要利用神經網絡對線性調頻信號的預測進行一些研究.

1 自適應神經網絡

圖1是一自適應線性神經網絡的結構圖，圖中p1，p2，p3，……pr是 r個輸入，w1，w2，w3，……wr是 r個輸入所對應的權值，b為偏差，根據網絡結構，可以寫出第i個輸出神經元節點的加權輸入和，網絡輸出 a=f(ni)［3］.

圖1 自適應線性神經網絡的結構圖

單神經元自適應控制的結構如圖2所示.

單神經元自適應控制器是通過對加權系數的調整來實現自適應、自組織功能，控制算法為

圖2 單神經元自適應控制結構圖

如果權系數的調整按有監督的Hebb學習規則實現［4］，即在學習算法中加入監督項z(k)，則神經網絡權值學習算法為:

式中，z(k)=e(k);x1(k)=e(k);x2(k)=e(k)－e(k－1);x3(k)=Δ2e(k)=e(k)－2e(k－1)+e(k－2);η為學習速率;k為神經元的比例系數，k＞0.

2 神經網絡預測控制模型的構建

預測控制是一種基于模型的控制，它是20世紀70年代發展起來的一種新的控制算法，具有預測模型、滾動優化和反饋校正等特點.已經證明該控制方法對于非線性系統能夠產生有希望的穩定性.利用自適應線性神經網絡可設計調頻信號預測控制器.圖3給出了一種神經網絡預測控制的結構［5］.

圖中，NNM為神經網絡對象響應預報器，NNC為神經網絡控制器.NNM提供的預測數據送入優化程序，使性能目標函數在選擇合適的控制信號u的條件下達最小值，即

其中n為預測時域長度，m為控制時域長度，λ是控制加權因子;u(t)為控制信號;yr為期望響應，ym為網絡模型響應.

圖3 神經網絡預測控制系統

3 對調頻信號的預測仿真及結果分析

假定有一線性調頻信號f(t)=f0+kt，其中f0表示時間等于零時的頻率，k表示頻率改變的速率，文中設f0=0，k=160，信號采樣時間為2s，采樣頻率為1000Hz，在Matlab里仿真得圖4和圖5，圖4中用“——”表示輸入的線性調頻信號，“.”表示預測模型，圖5是兩信號的誤差曲線圖.從圖中的誤差曲線可以看出，在預測的初始階段，誤差較大，但經過一段時間(5個信號)后，誤差幾乎趨于零，這是因為在初始階段，網絡的輸入需要5個延時信號，輸入不完整，因此不可避免地出現初始誤差.

圖4 信號預測波形圖

圖5 誤差曲線圖

4 結語

論文在介紹自適應神經網絡的基礎上，構建了適應神經網絡預測控制模型，對線性調頻信號進行了預測控制，從誤差曲線可以看出，在預測的初始階段，盡管誤差較大，但經過一段時間(5個信號)后，誤差幾乎趨于零，這是因為在初始階段，網絡的輸入需要5個延時信號，輸入不完整，因此不可避免地出現初始誤差.如何在預測的初始階段，減少誤差，將是下一階段繼續研究的問題.

［1］范懷玉.基于自適應神經網絡的信號處理［D］.鄭州:鄭州大學碩士學位論文，2007.

［2］Li J，Xiao W，Zhang X，et al.Denoising of power quality disturbance based on self－ adapting neural fuzzy control［J］.Information Technology Journal，2012，(11):1632 －1637.

［3］樊生文，李正熙.基于自適應濾波算法的整流器電流預測控制［J］.電氣傳動，2012，(1):31 －34.

［4］李加升，楊金輝，肖衛初.基于神經網絡內模的岸電電源波形控制［J］.高電壓技術，2012，(11):3033－3040.

［5］王海軍，喬燁.基于GA－RBF模型的無線電波信號預測研究［J］.微型電腦應用，2011，(12):13 －14，69.