本文首先对人工神经网络作了一个大体的介绍，简单的阐述了几种常用算法，随后对目前流行的几种识别技术作了简单的分析，接着着重分析了基于分形理论的调制识别方式，并提出的一些修正方案，并给出matlab仿真以后的数据和图表，结果表明，在信噪比不确定的情况下，文中算法对数字信号有很高的识别率。

测度理论网络的性能分析

本文选择未调载波CW，已调信号BFSK, QFSK,BPSK和QPSK共5种信号类型，接收机的中频为10 kHz，带宽为20 kHz，取样频率为40 kHz, 4种已调信号的码元速率为1200 bit/s，其中BFSK和QFSK信号的频偏分别为5,2.5 kHz。

对每一类信号都在5一20 dB的信噪比范围内每隔5 dB产生1024点的样本300个，其中100个作为分类器的训练集，200个作为测试集，这样的话，每一类共有训练特征向400个，均值向量mc和协方差矩阵Kc由这400个向量估计出。

从表4－5可以看出，用10 dB训练的分类器来识别5,15和20 dB的信号，同样取得了较高的正确率，并且训练时间非常短，说明了本文所提特征的另一个优点：对噪声的不敏感。

通信信号调制识别的难点在于信号在传播过程中不可避免受到各种噪声的干扰，通常从时、频域提取的特征对信噪比变化比较敏感，从而导致分类器设计变得复杂.此方法从直观的信号波形中提取反映其几何和分布特性的分形维数作为特征，它包含了区别不同调制类型所需的幅度、频率和相位等主要信息，使分类识别能力大大提高，所以说是分类意义上的有效特征。同时，这种特征具有较好的抗干扰特性，理论分析也证明了这一点.因此，基于这样特征的分类器设计简单、高效，具有较好的工程应用价值。

多层前馈网络隐层数的设计：

理论分析证明 , 具有单隐层的前馈网可以映射所有连续函数 , 只有当学习不连续函数如锯齿波等时 , 才需要两个隐层 , 所以多层前馈网最多只需两个隐层。在设计多层前馈网时, 一般先考虑设一个隐层 , 当一个隐层的隐节点数很多仍不能改善网络性能时 , 才考虑再增加一个隐层。经验表明 , 采用两个隐层时 , 如在第一个隐层设置较多的隐节点而第二个隐层设置较少的隐节点 , 则有利于改善多层前馈网的性能。此外对于有些实际问题, 采用双隐层所需要的隐节点总数可能少于单隐层所需的隐节点数。所以, 对于增加隐节点仍不能明显降低训练误差的情况 , 应该想到尝试一下增加隐层数。

从上面的方法可以看出，基于测度理论的识别方式对信号的调制识别有着很高的识别率，并且，对噪声不敏感，同时，用matlab语言实现起来也比较容易，正是这种优点使此识别方式有着广泛的应用，与此同时，我们也看到，相对BP 网络来说，RPROP算法在识别率上有明显的提高，抗噪声能力也加强了许多，因此，在一般情况下，大家都选择后者。而对于神经网络的实现方式，由于早期的BP网络对权值的影响考虑有欠妥当，所以从性能上来说比不上RPROP网络。但是两种网络都十分流行。