CN107341519A - 一种基于多分辨率分析的支持向量机识别优化方法 - Google Patents
一种基于多分辨率分析的支持向量机识别优化方法 Download PDFInfo
- Publication number
- CN107341519A CN107341519A CN201710557440.0A CN201710557440A CN107341519A CN 107341519 A CN107341519 A CN 107341519A CN 201710557440 A CN201710557440 A CN 201710557440A CN 107341519 A CN107341519 A CN 107341519A
- Authority
- CN
- China
- Prior art keywords
- signal
- multiresolution analysis
- svms
- waveform
- sample point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于多分辨率分析的支持向量机识别优化方法。它包括一个在射频指纹识别技术中对波形进行多分辨率分析的步骤S6,所述的步骤S6,对步骤A中得到的所述相参积累消噪信号,进行多分辨率分析。本发明使用支持向量机可以提高射频指纹识别的准确率,降低对于有大量样本信号的支持向量机学习的计算复杂度,采用多分辨率分析的方法提取信号样本中的特征点,在保证射频指纹特征的前提下,降低了支持向量机学习的样本点数量,从而达到了计算复杂度的降低。
Description
技术领域
本发明涉及无线设备物理层接入认证领域,尤其涉及一种基于多分辨率分析的支持向量机识别优化方法。
背景技术
特征提取源于图像处理,在信号检测和处理中,它是一种对于预处理后的信号,进行分析和变换,以突出该信号具有代表性(具有明显的物理意义或统计意义)的特征并提取保存的方法。特征提取的目的是在于减少数据存储,降低输入数据冗余,以便于发现更有意义的潜在变量,帮助对大量相似信号地深入了解与分析。射频指纹特征提取是射频指纹识别的关键步骤,对于接收到的无线信号,接收方必须对信号进行预处理,如某些必要的检测、截取和变换,接着提取射频指纹的特征。
在射频指纹特征提取技术中,虽然使用支持向量机可以提高射频指纹识别的准确率,但是,由于支持向量机学习的样本点数量需求十分巨大,导致计算复杂度高,计算资源开销大。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于多分辨率分析的支持向量机识别优化方法,降低了基于支持向量机的射频指纹识别技术的计算复杂度,降低了计算资源开销。
本发明的目的是通过以下技术方案来实现的:一种基于多分辨率分析的支持向量机识别优化方法,包括:
所述的方法,包括一个在射频指纹识别技术中对波形进行多分辨率分析的步骤S6;
所述的步骤S6,对步骤A中得到的所述相参积累消噪信号,进行多分辨率分析。
进一步地,所述的多分辨率分析采用三级多分辨率分析,以dB2波形函数为母小波,对信号波形依次做三次离散小波变换:
fa1i=DWT(favi,dB2)
fa2i=DWT(fa1i,dB2)
fa3i=DWT(fa2i,dB2)。
进一步地,所述方法包括检测步骤S1、样本点采集步骤S2、编号步骤S3、相参积累消噪步骤S4、幅值翻折步骤S5和波形归一化处理S7;
S1:检测接收到的开机瞬态信号的起始点位置和结束点位置;
S2:采集一个设备的多个开机瞬态信号样本点,每个信号包含M个样本点;
S3:编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数fi:
fi={amp:(1,2,……,M)}
=(amp1,amp2,……,ampM}
S4:将同一设备的k个开机瞬态信号样本点幅值函数进行相参积累,即相加并取均值:
S5:将处理后的信号的幅度值翻折,即取绝对值:
favi=|fi|;
S6:对处理后的波形做三级多分辨率分析,以dB2波形函数为母小波,对信号波形依次做三次离散小波变换:
fa1i=DWT(favi,dB2)
fa2i=DWT(fa1i,dB2)
fa3i=DWT(fa2i,dB2);
S7:将小波变换后的波形归一化处理:
f′a3i=map min max(fa3i,0~1)
其中,
amp′i=(ampi-ampmin)·(ampmax-ampmin)
其中,M为开机瞬态信号样本点数量,ampM为第M个开机瞬态信号样本点的幅值;
S8:对多个设备重复以上S1~S7操作,以设备编号为反馈,使用支持向量机对多个设备的处理后的信号进行机器学习;
S9:以支持向量机的学习结果对待检测波形进行分类,判定其属于哪一个设备。
本发明的有益效果是:
(1)本发明使用支持向量机可以提高射频指纹识别的准确率,降低对于有大量样本信号的支持向量机学习的计算复杂度,采用多分辨率分析的方法提取信号样本中的特征点,在保证射频指纹特征的前提下,降低了支持向量机学习的样本点数量,从而达到了计算复杂度的降低。
(2)本发明降低了高斯白噪声的比例,使信号变得平滑,同时突出了信号的特征;尤其是在进行了三级多分辨率分析后,原始信号的结果出现较大的形变,而相参积累消噪后的多分辨率分析结果却可以很好的保留原信号的特征,而经过多分辨率分析,极大地减少了样本点数量。
附图说明
图1为本发明的方法步骤示意图。
图2为本发明的原始信号与相参积累消噪的信号的识别率。
图3为本发明的原始信号与相参积累消噪信号经多分辨率分析的波形对比测试图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
实施例一
如图1所示,一种基于多分辨率分析的支持向量机识别优化方法,包括:
所述的方法,包括一个在射频指纹识别技术中对波形进行多分辨率分析的步骤S6;
所述的步骤S6,对步骤A中得到的所述相参积累消噪信号,进行多分辨率分析。
进一步地,所述的多分辨率分析采用三级多分辨率分析,以dB2波形函数为母小波,对信号波形依次做三次离散小波变换:
fa1i=DWT(favi,dB2)
fa2i=DWT(fa1i,dB2)
fa3i=DWT(fa2i,dB2)。
进一步地,所述方法包括检测步骤S1、样本点采集步骤S2、编号步骤S3、相参积累消噪步骤S4、幅值翻折步骤S5和波形归一化处理S7;
S1:检测接收到的开机瞬态信号的起始点位置和结束点位置;
S2:采集一个设备的多个开机瞬态信号样本点,每个信号包含M个样本点;
S3:编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数fi:
fi={amp:(1,2,……,M)}
={amp1,amp2,……,ampM}
S4:将同一设备的k个开机瞬态信号样本点幅值函数进行相参积累,即相加并取均值:
S5:将处理后的信号的幅度值翻折,即取绝对值:
favi=|fi|;
S6:对处理后的波形做三级多分辨率分析,以dB2波形函数为母小波,对信号波形依次做三次离散小波变换:
fa1i=DWT(favi,dB2)
fa2i=DWT(fa1i,dB2)
fa3i=DWT(fa2i,dB2);
S7:将小波变换后的波形归一化处理:
f′a3i=map min max(fa3i,0~1)
其中,
amp′i=(ampi-ampmin)·(ampmax-ampmin)
其中,M为开机瞬态信号样本点数量,ampM为第M个开机瞬态信号样本点的幅值;
S8:对多个设备重复以上S1~S7操作,以设备编号为反馈,使用支持向量机对多个设备的处理后的信号进行机器学习;
S9:以支持向量机的学习结果对待检测波形进行分类,判定其属于哪一个设备。
在步骤S4中,相参积累消噪信号采用如下算法计算:
(1)设接收到的第m个脉冲是pm(t):
pm(t)=s(t)+nm(t)
其中s(t)是信号,nm(t)是不相关的高斯白噪声,经过nk个脉冲的相参积累后:
(2)在积累后的信号z(t)中,噪声的功率等于它的方差:
其中是一个脉冲噪声的功率,δml为累加判定,当m=l时,δml=1;当m≠l时,δml=0。nl(t)为高斯白噪声,nk为相参积累的脉冲个数,为噪声功率,l和m为相参积累计数单位。
在对nk个脉冲进行相参积累后,信噪比提高为原来的nk倍。若按照分贝(dB)计算为:
为相参积累后的信噪比,(SNR)p为相参积累前的信噪比,nk为相参积累的脉冲个数。
相参积累常用在雷达技术中,由于接收信号是相干的,而噪声是不相干的。通过积累多个回波,信号强度变为原来的多倍,而噪声因为其随机性而不会增强。因此,信号的信噪比得到改善
如图2所示,显示了原始信号和相参积累消噪后的信号在识别率上的对比。可以看到经过相参积累消噪后的信号在识别率上有很大提高,在较低信噪比下就以达到较高的识别率,在SNR=18就已达到98%。
经过10个信号相参积累消噪后的信号的识别率接近于比它高10dB的原始信号的识别率,这与理论中由10个信号相参积累可以提高10倍信噪比(SNR提高10dB吻合)。
如图3所示,图3(a1)为原始信号,图3(b1)为对10个波形做相参积累消噪后的信号。可以明显看到高斯白噪声的比例降低,信号变得平滑。同时信号的特征被突出。在进行了三级多分辨率分析后,原始信号的结果(图a5)已经出现较大的形变,而相参积累消噪后的多分辨率分析结果(图b5)可以很好的保留原信号的特征。而经过多分辨率分析,样本点从1000个减少到了125个。处理器采用CoreTM i5-6500CPU@3.20GHz 3.20GHz进行试验检测,当使用线性支持向量机(Linear SVM)对10个设备1500个样本进行训练时,训练时间从9.5517秒降低到了1.7421秒。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (3)
1.一种基于多分辨率分析的支持向量机识别优化方法,其特征在于,包括:
所述的方法,包括一个在射频指纹识别技术中对波形进行多分辨率分析的步骤S6;
所述的步骤S6,对步骤A中得到的所述相参积累消噪信号,进行多分辨率分析。
2.根据权利要求1所述的一种基于多分辨率分析的支持向量机识别优化方法,其特征在于:所述的多分辨率分析采用三级多分辨率分析,以dB2波形函数为母小波,对信号波形依次做三次离散小波变换:
fa1i=DWT(favi,dB2)
fa2i=DWT(fa1i,dB2)
fa3i=DWT(fa2i,dB2)。
3.根据权利要求1或2所述的一种基于多分辨率分析的支持向量机识别优化方法,其特征在于,包括检测步骤S1、样本点采集步骤S2、编号步骤S3、相参积累消噪步骤S4、幅值翻折步骤S5和波形归一化处理S7;
S1:检测接收到的开机瞬态信号的起始点位置和结束点位置;
S2:采集一个设备的多个开机瞬态信号样本点,每个信号包含M个样本点;
S3:编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数fi:
fi={amp:(1,2,……,M)}
={amp1,amp2,……,ampM}
S4:将同一设备的k个开机瞬态信号样本点幅值函数进行相参积累,即相加并取均值:
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
S5:将处理后的信号的幅度值翻折,即取绝对值:
favi=|fi|;
S6:对处理后的波形做三级多分辨率分析,以dB2波形函数为母小波,对信号波形依次做三次离散小波变换:
fa1i=DWT(favi,dB2)
fa2i=DWT(fa1i,dB2)
fa3i=DWT(fa2i,dB2);
S7:将小波变换后的波形归一化处理:
f′a3i=map min max(fa3i,0~1)
其中,
amp′i=(ampi-ampmin)·(ampmax-ampmin)
其中,M为开机瞬态信号样本点数量,ampM为第M个开机瞬态信号样本点的幅值;
S8:对多个设备重复以上S1~S7操作,以设备编号为反馈,使用支持向量机对多个设备的处理后的信号进行机器学习;
S9:以支持向量机的学习结果对待检测波形进行分类,判定其属于哪一个设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710557440.0A CN107341519B (zh) | 2017-07-10 | 2017-07-10 | 一种基于多分辨率分析的支持向量机识别优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710557440.0A CN107341519B (zh) | 2017-07-10 | 2017-07-10 | 一种基于多分辨率分析的支持向量机识别优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107341519A true CN107341519A (zh) | 2017-11-10 |
CN107341519B CN107341519B (zh) | 2021-01-26 |
Family
ID=60219564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710557440.0A Active CN107341519B (zh) | 2017-07-10 | 2017-07-10 | 一种基于多分辨率分析的支持向量机识别优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341519B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109587136A (zh) * | 2018-12-05 | 2019-04-05 | 电子科技大学 | 一种基于双极大值的射频指纹特征提取和识别方法 |
CN110059288A (zh) * | 2017-12-28 | 2019-07-26 | 塔塔咨询服务有限公司 | 用于获得促进机器学习任务用的最佳母小波的系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006127129A3 (en) * | 2005-04-19 | 2007-03-29 | Univ Georgia Res Found | Image edge detection systems and methods |
CN101231695A (zh) * | 2008-01-19 | 2008-07-30 | 电子科技大学中山学院 | 一种基于多分辨率分析的虹膜识别方法 |
US9213885B1 (en) * | 2004-10-22 | 2015-12-15 | Carnegie Mellon University | Object recognizer and detector for two-dimensional images using Bayesian network based classifier |
CN105426839A (zh) * | 2015-11-18 | 2016-03-23 | 清华大学 | 基于稀疏自动编码器的电力系统过电压分类方法 |
CN106446877A (zh) * | 2016-11-21 | 2017-02-22 | 电子科技大学 | 一种基于信号幅度排序的射频指纹特征提取和识别方法 |
-
2017
- 2017-07-10 CN CN201710557440.0A patent/CN107341519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9213885B1 (en) * | 2004-10-22 | 2015-12-15 | Carnegie Mellon University | Object recognizer and detector for two-dimensional images using Bayesian network based classifier |
WO2006127129A3 (en) * | 2005-04-19 | 2007-03-29 | Univ Georgia Res Found | Image edge detection systems and methods |
CN101231695A (zh) * | 2008-01-19 | 2008-07-30 | 电子科技大学中山学院 | 一种基于多分辨率分析的虹膜识别方法 |
CN105426839A (zh) * | 2015-11-18 | 2016-03-23 | 清华大学 | 基于稀疏自动编码器的电力系统过电压分类方法 |
CN106446877A (zh) * | 2016-11-21 | 2017-02-22 | 电子科技大学 | 一种基于信号幅度排序的射频指纹特征提取和识别方法 |
Non-Patent Citations (2)
Title |
---|
俞佳宝 等: "无线通信设备的射频指纹提取与识别方法", 《密码学报》 * |
吴斌: "对跳频信号时差定位技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059288A (zh) * | 2017-12-28 | 2019-07-26 | 塔塔咨询服务有限公司 | 用于获得促进机器学习任务用的最佳母小波的系统和方法 |
CN110059288B (zh) * | 2017-12-28 | 2023-04-14 | 塔塔咨询服务有限公司 | 用于获得促进机器学习任务用的最佳母小波的系统和方法 |
CN109587136A (zh) * | 2018-12-05 | 2019-04-05 | 电子科技大学 | 一种基于双极大值的射频指纹特征提取和识别方法 |
CN109587136B (zh) * | 2018-12-05 | 2020-06-19 | 电子科技大学 | 一种基于双极大值的射频指纹特征提取和识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107341519B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392123A (zh) | 一种基于相参积累消噪的射频指纹特征提取和识别方法 | |
CN108680796B (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
Liu et al. | LPI radar signal detection based on radial integration of Choi-Williams time-frequency image | |
Yang et al. | A novel feature extraction method for ship-radiated noise | |
CN105572501B (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
CN112087774B (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN101919695A (zh) | 一种基于小波变换的心电信号qrs波检测方法 | |
CN103093244B (zh) | 一种基于稀疏分解的雷达信号识别方法 | |
CN106443178A (zh) | 一种基于IQuinn‑Rife综合的正弦信号频率估计方法 | |
CN103675616A (zh) | 电缆在线局部放电检测信号识别方法 | |
Miao et al. | Underwater acoustic signal classification based on sparse time–frequency representation and deep learning | |
CN105447464A (zh) | 一种基于pso的电能质量扰动识别与分类方法 | |
CN106357575A (zh) | 一种多参数联合估计的干扰类型识别方法 | |
Gao et al. | Modulation recognition for radar emitter signals based on convolutional neural network and fusion features | |
Si et al. | Intra-pulse modulation recognition of dual-component radar signals based on deep convolutional neural network | |
CN106526566A (zh) | 基于fpga高速预处理的信号脉内特征实时分析处理方法 | |
Chen et al. | Automatic modulation classification of radar signals utilizing X-net | |
CN106137184B (zh) | 基于小波变换的心电信号qrs波检测方法 | |
CN107341519A (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
CN113472390A (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
Yang et al. | Radar emitter signal recognition based on time-frequency analysis | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN116482680B (zh) | 一种身体干扰识别方法、装置、系统和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |