论文部分内容阅读
针对非平稳的数字调制信号，构造新的高阶交叉累量特征；利用神经网络的学习机制实现自适应模糊推理调制识别器的非线性动态建模；采取分层决策的级联结构，提高了特征与识别器的契合度，最大程度上减少了隶属度函数和模糊规则的冗余；根据特征样本的大致分布建立蕴涵初始经验的级联模糊神经网络系统，使知识推理结构明确可控；通过样本训练实现结构参数自适应调整和优化，完成其逼近求精。仿真实验证明，该系统在信噪比等环境参数变化较大的情况下具有更好的稳健性，其算法识别率和效率相对于神经网络识别器和模糊识别器有明显提高。