基于上述分析，我们可将各类脉冲的瞬时频率曲线作为输入，通过简单的神经网络实现分类。下面从网络原理、结构设计与验证实现三方面展开说明。
1．神经网络的核心原理
神经网络并非复杂神秘的技术，其基本单元是 “神经元”，网络本质是神经元的不同连接与组合。
人工神经元的组成清晰：对输入信号进行线性加权求和、叠加偏置项后，再通过非线性激活函数处理，最终输出结果。具体结构可参考生物神经元与人工神经元的对比，如图4所示：
图4 生物神经元与人工神经元对比
正是这样简单的神经元，支撑起了AI技术的快速发展 —— 甚至直接推动英伟达成为市值五万亿美元的全球顶尖企业。相较于传统机器学习方法，神经网络的核心优势（微观层面）并非前端的线性加权，而是后端的非线性处理：这一环节使神经网络能以任意精度逼近紧致集上的连续函数，具备强大的拟合与分类能力。
2．轻量化网络结构设计
单个人工神经元可通过串联、并联组成隐藏层，多个隐藏层与输入层、输出层结合，便构成了用于分类的前馈神经网络，结构如下：
✔ 输入层：对应一维瞬时频率曲线（输入维度为“样本数×频率曲线采样点数”）；
✔ 隐藏层：设置若干个隐藏层，下面示例三层，其神经元数量分别为256、128、32（通过轻量化设计降低计算量）；
✔ 输出层：对应4种调制类型（输出维度为“样本数×4”，采用softmax激活函数输出分类概率）。
如图5所示，即可完成上述调制类型分类任务。
图5 多层神经网络示意图
3．基于MATLAB的验证实现
为简化环境搭建流程，省却搭建验证深度学习依赖库和环境的繁琐操作，可基于MATLAB快速验证模型效果。
首先配置net的各个训练参数，然后调用train函数进行训练，最后调用sim函数针对测试集数据SAMPLES_TEST进行验证。
关键代码如下：
% SAMPLES_TRAIN：训练样本矩阵（维度：N×M，N为训练样本数，M为瞬时频率曲线采样点数）
% LABELS：训练标签（维度：N×4，采用one-hot编码，4列分别对应CW、LFM、NLFM、相位编码）
% 1. 创建3隐藏层前馈神经网络（神经元数：256、128、32）
net = feedforwardnet([25612832], 'traingd');
% 2. 设置各层激活函数
net.layers{1}.transferFcn = 'logsig'; % 第1隐藏层：S型对数激活函数
net.layers{2}.transferFcn = 'logsig'; % 第2隐藏层：S型对数激活函数
net.layers{3}.transferFcn = 'logsig'; % 第3隐藏层：S型对数激活函数
net.layers{4}.transferFcn = 'softmax'; % 输出层：softmax函数（输出分类概率）
% 3. 配置训练参数
net.trainParam.lr = 0.01; % 学习率：0.01
net.trainParam.epochs = 200; % 训练轮数：200
net.trainParam.max_fail = 10; % 最大验证失败次数：10（默认6，提升容错性）
net.trainParam.goal = 1e-5; % 训练目标误差：1e-5
% 4. 模型训练与测试
[net, tr] = train(net, SAMPLES_TRAIN, LABELS); % 训练模型
val = sim(net, SAMPLES_TEST); % 测试集验证，（SAMPLES_TEST格式同训练集）
☞上述代码框可左右滑动噢！
该网络的权重参数与计算量，远小于近年常用的深度卷积神经网络（如GoogleNet、VGG）与循环神经网络（如LSTM）。若需进一步提升性能，也可替换为简单循环神经网络 —— 因输入为一维曲线数据，计算量仍可控。
图6为四种脉内调制类型的分类测试结果（混淆矩阵），可见简单轻量化网络即可高效区分不同趋势曲线：
图6 四种调制类型的分类测试结果
从该案例可看出：神经网络类型虽多、规模虽在不断扩大，但实际应用中并非需追求“新颖”或“庞大”，当任务复杂度较低时，轻量化网络足以满足需求 —— 这在工程实践中意义重大，可直接降低软硬件资源消耗与功耗，尤其适配功耗敏感场景。
