改进粒子群优化超限学习机的调制信号识别

针对现有算法在信噪比较小条件下对调制信号识别精度较差的问题,提出一种基于改进粒子群优化超限学习机的调制信号识别算法。以调制信号的高阶累积量为基础构建4种特征参数,并根据多进制相移键控(Multiple Phase Shift Keying,MPSK)信号的相位特性引入归一化瞬时相位平均值和递归归一化瞬时相位平均值特征两个特征参数,构建调制信号的6种特征参数的数据集。利用粒子群优化(Particle Swarm Optimization,PSO)算法优化超限学习机(Extreme Learning Machine,ELM)算法的神经网络结构,动态调整PSO算法中的惯性权重,以提升算法的识别性能。采用所提算法对7种调制信号进行识别,实验结果表明,当信噪比大于2 dB时,所提算法对7种调制信号的识别正确率均达到100%。与相关算法相比,所提算法的识别效果较佳且更具有稳定性。