基于改進遺傳算法下的數字信號特征值調制識別

王　孟，蔡明輝

（國家無線電監測中心烏魯木齊監測站，烏魯木齊　830054）

基于改進遺傳算法下的數字信號特征值調制識別

王孟，蔡明輝

（國家無線電監測中心烏魯木齊監測站，烏魯木齊830054）

通信信號的調制識別及調制參數特征值的估計是信號處理領域的一個重要研究方向。本文在改進遺傳算法的基礎上，首先確定最能表現信號調制差別的特征值集合，將該集合作為最優秀基因庫，然后在遺傳的演化過程中通過選擇、交叉、淘汰引起的優秀基因庫的變化，遺傳過程中引入競爭懲罰策略引起基因庫的優化，保證每代都是高質量的基因。

遺傳算法；特征值提取；調制識別；懲罰競爭

1　引言

在數字信號調制識別過程中，文獻［1］提出利用數字統計模式識別方法將各種不同的信號調制類型的區分。該方法主要從特征量的提取和特征集選擇、分類器對不同類型調制邊界劃分兩個方面講述不同信號的調制類型。但在對特征量提取方面人的主觀性對數據提取帶來影響。為了克服主觀性對信號特征量和特征集的選擇，文獻［2］提出用遺傳方法對特征量和特征集進行篩選。但由于傳統的遺傳算法收斂速度慢，容易產生局部收斂，局部搜索能力差等缺陷，文獻［3］對遺傳算法進行改進，在傳統遺傳算法的基礎上，引入相關聯賽選擇和相關家庭競爭兩個算子，采用自適應策略懲罰進化過程中的違約個體，解決遺傳算法和局部搜索能力弱的缺陷。但這些改進后的算法設計復雜，遺傳多樣性，造成局部搜索過程中產生局部收斂。

本文針對數字信號特征集選擇問題，提出一種新的改進的遺傳算法，該方法從每一代的物種中找出優秀的基因，確保基因庫基因的質量。下一代的遺傳由該基因庫中的基因組成，通過選擇、剔除，從而改變基因庫的大小，然后引進其他種群中的優質基因，是變異達到優質的多樣性。最后將該方法用在對數字信號調制的MFSK的識別。

2　遺傳算法

2.1遺傳算法的簡介

簡單遺傳算法（GA）已經被用在通信信號特征值的選取［6］。但由于其內部結構和機制因素，造成簡單遺傳算法存在局部搜索和收斂能力弱的缺陷，難以確保選擇出最優子集。遺傳進化選擇過程中，物種個體多樣性及個體選擇壓力是兩個相互制約的因素。因此采用合適的選擇壓力，保持物種個體的多樣性，是提高遺傳算法性能的關鍵。

2.2遺傳算法的性能估計

定義1：設Xc（s）為環境c下策略s的在線性能，fc（t）為第t代相應于環境c的目標函數或均方根適應度函數，則Xc（s）可以表示為

該式表明，在線性能可以用于第一代到當前代的優化過程的均方根值來表示。

定義2：設X'c（s）為環境c下的策略s離線性能，則有

式中，f'c（t）為smart｛fc（1），fc（2），fc（3）…fc（t）｝。式（2）表示離線性能是特定時刻最佳適應度的均方根值。

3　改進遺傳算法

改進遺傳算法是在分析簡單遺傳算法的基礎上，引入相關競賽選擇（CFS）和相關家族競爭（CMS）兩個算子，利用選擇淘汰來引起優秀種群大小變化，然后引入庫外基因，從而優化交叉變異概率。此方法在滿足變異收斂性的同時，其多樣性化不至于收斂過快。

CFS和CMS的核心在一定范圍內，以個體適應度和個體漢明距離為依據，經過選擇參與、相互交叉進入下一代的個體。此方法適用于信號解調識別特征向量選取中，由于每個特征向量在被信號識別中都含了一定的信息量，因此，可將每個特征向量看成一個遺傳基因，將所有特征向量集合認為成基因庫（G），每組特征的組合看成一條染色體，從而找出能表征識別出信號的染色體。

3.1相關競賽交叉選擇

（1）在祖父輩中的個體任意選取一個單體S0，作為參與交叉選擇的一個祖父代個體。

（2）從種群S（n）中隨意取m個個體構建競爭群體，即

（3）評估S中所有個個體的相互關聯函數，即

式中，f（si）是第i個個體的適應度值；h（si，s0）是競爭團體中的個體si與s0的漢明距離；c是相互關聯的權重。

（4）從s中選取對應g（si）值最大的個體作為另一個交叉祖父代的個體。

3.2相關家競爭（CMS）

（1）從參與競爭的祖父代和產生的父代中選出適應度最高的個體x。

（2）計算x與另外5個個體yi（i=1，2，3，4，5）的漢明距離di（i=1，2，3，4，5）。

（3）從di中選取最大的dj=max（di）。

（4）確定yj為優勝個體，與個體xi一起進入下一代。

3.3改進遺傳因子懲罰約束法

遺傳算法在運行過程中，遺傳因子的作用是能產生解也有可能不能產生解，因此需要對不能產生解的采取約束處理。改進遺傳因子懲罰函數法的核心和難點是選取遺傳因子懲罰函數和系數以避免過懲罰和欠懲罰。本文遺傳算法可根據個體違約程度信息自動調整遺傳因子懲罰函數。根據文獻［4］中基于遺傳因子約束法如下：

式中，f（x）表示個體適應度函數；P（x）表示遺傳因子懲罰函數；G表示可行域；g是懲罰系數；r1表示種群不可行率；r2表示種群中最大違約值的比值；I表示種群中不可行解的個數；P表示種群大小；ti表示種群中第i個不可行解的違約值；tmax表示種最大不可行違約值。

3.3改進遺傳算法的流程

（1）確定編碼策略，用編碼位串法表示需求解參數。

（2）設定種群規模大小，最大遺傳代數，交叉概率和變異幾率，并用隨機法生成初始種群。

（3）計算每個種群的個體的適應度，并根據該值的大小選擇操作，適應度比較大的個體可能被選中，而適應度小的個體可能經過限制約束被淘汰。

（4）用交叉、變異和遺傳因子約束法作用于被選中的個體，生成新一代的個體。

（5）將重復運行（2）、（3）和（4）直到滿足終止條件。

（6）輸出最優解。

4　算法的實現與測試

4.1特征值選擇與描述

對于數字信號解調過程中特征值的選擇就是對0-1的規劃，目標函數為：

懲罰約束條件為

式中，p≤1；α＞0；K表示需要識別的數字信號；mt，ms分別為類型σt，σs均方根特征向量；kt，ks分別為σt，σs的絕對值方差向量；N表示初始特征向量的維數；G表示子集特征向量的維數。

4.2信號特征值的初始化

本文根據已調制信號的特征類型組成的集合PSK，2PSK，MSK，4ASK，4FSK，16QAM，DQPSK，DPSK信號類型。

在適應度的選擇和計算上，選取RBF神經網作為識別率計算器，計算遺傳因子中染色體的識別率。采用碼元速率分別為2k，2.5k，3k和3.5k，單位為band，載頻為2500Hz，2650Hz，2800Hz，3000Hz共四組，采樣頻率為24kH，4FSK最大頻率偏移為800Hz，切為連續相位調制，幅度調制信號基帶成余弦滾降系數α=0.5，信噪比為15dB。

表1　初始特征值

4.3改進遺傳算法結果分析

最優秀的特征子集大小定位8，從24個特征值中選出8個特征。在設定數據大小相同的狀況下，算法30次重復運行。

遺傳代數80代，種群大小N=80，初始化概率p=0.3參數設置：16進制編碼，加入聯賽競爭的參數T=3，相關距離權重C=3。

圖1為本文所實現的遺傳算法和改進遺傳算法的比較。圖1a可以看出本文所實現的遺傳算法隨著遺傳代數的增加，收斂性越好，遺傳基因的多樣性也越來越好。圖1b為最有適應度的仿真曲線，從圖中可以看到本文實現的算法和改進遺傳算法具有好的收斂速度，并且收斂到合適的值。

圖1　適應度曲線比較

5　結束語

相關競爭懲罰和相關聯賽選擇兩個算子合理的分配和協調種群個體的多樣性和選擇壓力，解決了改進遺傳算法中對特征向量的隨機選擇。此方法在與改進遺傳算法中增加競爭懲處參數的限制，對全局有更好收斂性和更快的收斂速度，對數字信號調制的識別和解調是很有效的。

［1］呂鐵軍，王珂，肖先賜.新特征選擇方法下的信號調制識別［J］.電子與信息學報，2006，2（5）:661-666

［2］Du Zhuoming， Feng ing.Support vector machine feature selection algorithm based on modified genetic algorithm［J］.Computer En-gineering and Applications， 2009， 45（ 29） : 28-30

［3］Wang Keqi，Yang Shaochun，Dai Taihong，etal，Method of optimizing parameter of least squarers support vector machines by genetic alogorithm ［J］Computer Applications and software 2009，7（26）:109-111

［4］趙麗娜，劉培玉，朱振方.自適應遺傳算法在特征選擇中的改進及應用［J］.計算機工程與應用，2009， 45（7）:39-64

［5］Yang Hong，Lu Jingu.Reactive power optimization of power system based on genetic algorithm and particle swarm optimization algorithm［J］.Journal of Nanjing University of technology 2007，5（29）；58-61

［6］Mashhadi H R， Shanechi H M， Lucas C. A New Genetic Algorithmwith Lamarckian Individual Learning for Generation Scheduling［J］.IEEE Trans. on Power System，2003，8（3）: 1181-1186

［7］周明，孫樹棟.遺傳算法及應用［M］.北京：國防工業出版社，1999

［8］孫鹽豐.基于遺傳算法的約束話方法評選［J］.北京交通大學學報，2008， 24（6）:14-19

Modulation Recognition of Diginal's Feature based Improved Genertic Lgorithm

Wang Meng， Cai Minghui
（State Radio Monitoring Center Urumqi Station， Urumqi， 830054）

To estimate the characteristics of modulation identification and modulation parameters values is an important research direction in the feld of signal processing. Based on the improved genetic algorithm，the chapter frst determine the characteristics value assemble of the best performance of signal modulation diffenenrce，take it as the best gene pool，In the genetic process，the steps of selection，cross and elimination cause size change ofexcellent gene pool， cross， eliminated caused by the elite gene pools in the evolution of genetic， in the genetic process，adapt ing the strategy of competition and punishment to optimize the gene pool and ensure each generation are of high quality gene.

genetic algorithm； modulation recognition； feature value extraction； Punish competition

10.3969/j.issn.1672-7274.2015.02.012

TN92文獻標示碼：A

11672-7274（2015）02-0065-04

王孟，男，1982年生，碩士研究生，助理工程師，現任職于國家無線電監測中心烏魯木齊監測站。

蔡明輝，男，1985年生，碩士研究生，助理工程師，現任職于國家無線電監測中心烏魯木齊監測站。