CN112183199B - 一种基于Fish-SVC的2.4GHz频段信号识别方法及系统 - Google Patents

一种基于Fish-SVC的2.4GHz频段信号识别方法及系统 Download PDF

Info

Publication number
CN112183199B
CN112183199B CN202010859898.3A CN202010859898A CN112183199B CN 112183199 B CN112183199 B CN 112183199B CN 202010859898 A CN202010859898 A CN 202010859898A CN 112183199 B CN112183199 B CN 112183199B
Authority
CN
China
Prior art keywords
signal
fish
clustering
svc
frequency band
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.)
Active
Application number
CN202010859898.3A
Other languages
English (en)
Other versions
CN112183199A (zh
Inventor
王文
卢思学
张萌
黄伟庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Information Engineering of CAS
Original Assignee
Institute of Information Engineering of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Information Engineering of CAS filed Critical Institute of Information Engineering of CAS
Priority to CN202010859898.3A priority Critical patent/CN112183199B/zh
Publication of CN112183199A publication Critical patent/CN112183199A/zh
Application granted granted Critical
Publication of CN112183199B publication Critical patent/CN112183199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种基于Fish‑SVC的2.4GHz频段信号识别方法及系统，该方法包括：获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征；基于人工鱼寻优的启发式算法和支持向量聚类算法，对所述信号特征进行信号识别，确定信号类型。本发明实施例根据2.4GHz频段的频域数据特征对信号进行特征提取，基于人工鱼寻优的启发式算法以及支持向量聚类的聚类方法，提出一种基于Fish‑SVC的2.4GHz频段信号识别方法，实现该频段信号类型的准确识别。

Description

一种基于Fish-SVC的2.4GHz频段信号识别方法及系统
技术领域
本发明涉及通信技术领域，尤其涉及一种基于Fish-SVC的2.4GHz频段信号识别方法及系统。
背景技术
2.4GHz频段信号是指2.4GHz～2.485GHz频段的电磁信号，该频段信号多样，包括了wifi信号，蓝牙信号，手机热点信号，FM无线摄像头信号和无人机信号等多种信号。电磁环境监管工作中需要实现该频段的信号类型识别和分析。信号识别技术是指通过对特定电磁环境中信号时域、频域以及多种变换域的数据采集，实现信号特征的提取和信号类型的分析，而特征选取和分类器的构建方法都会对信号识别的准确性产生影响。
目前的信号识别技术主要包含以下三种方法：1、基于能量特征的信号识别方法。目前的电磁信号检测识别系统大多采用基于能量特征的信号识别方法，该方法提取已知信号的频点，带宽以及连续性等物理特征，对信号的不同特征设定合理的阈值，之后通过对电磁环境中信号进行采集，并将采集信号的参数和已有信号进行对比分析，从而完成信号识别，这一类方法简洁高效，但是对于频谱相互重叠的信号识别准确率低；2、基于指纹特征的信号识别方法。这一类方法根据辐射源收发器的硬件特性，提取其发射的电磁信号独有特征，并采用特定的分类器对指纹特征进行学习，从而实现对相近电磁辐射源的分类识别，这一类方法提取得到的特征一般难以克隆，可以实现同一类辐射源之间更加细致的划分，但是由于这一类特征需要对收发机的发射机理进行深入研究，所以实现起来较为复杂，算法通用性较差；3、基于深度神经网络的信号识别方法。这一类方法对采集信号的时间序列进行快速傅立叶变换(Fast Fourier Transform，简称FFT)或时频转换，之后将变换域数据作为整体输入到深度神经网络中，通过对神经网络进行不断训练优化实现信号的分类识别，这一类方法可以通过深度神经网络较为全面的反应信号的特征，但是容易受到噪声的影响，需要复杂的信号预处理工作。
现有技术的方法虽然可以有效做到信号的分选识别，但是现有方法往往基于合作通信，因此聚类数目是已知的，对于未知电磁环境无法做到异常信号的检测；另一方面，在电磁频谱监测过程中，往往采用频域数据进行数据的传输及分析，而目前的聚类方法往往针对单一频点的时域数据进行聚类，而无法实现对整段频谱数据中未知信号的识别。因此，现在亟需一种基于Fish-SVC的2.4GHz频段信号识别方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于Fish-SVC的2.4GHz频段信号识别方法及系统。
第一方面，本发明实施例提供了一种基于Fish-SVC的2.4GHz频段信号识别方法，包括：
获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征；
基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型。
进一步地，所述获取2.4GHz频段的频域数据，包括：
对电磁环境中的电磁信号进行采集，并通过快速傅里叶变换得到实时频谱数据。
进一步地，所述对所述2.4GHz频段的频域数据进行特征提取，得到信号特征，包括：
对所述实时频谱数据进行特征提取，获取每一个信号的物理特征和统计特征；
对每一个信号进行特征组合，以构成特征向量作为信号特征。
进一步地，所述基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型，包括：
基于支持向量的聚类算法，将输入的信号特征映射到高维的特征空间，在所述高维的特征空间寻找到最小的超球来包围映射的数据点；
基于人工鱼寻优的启发式寻优方法，求解最优参数；
在所述最优参数的条件下，迭代利用适应度函数对聚类结果进行评估，确定最优的聚类选方案进行信号分类识别。
进一步地，所述基于支持向量的聚类算法，将输入的信号特征映射到高维的特征空间，在所述高维的特征空间寻找到最小的超球来包围映射的数据点，包括：
对支持向量进行训练，求解所述超球的球体半径；
对高维空间中的数据集进行聚类标识。进一步地，所述基于人工鱼寻优的启发式寻优方法，求解最优参数，包括：
模拟鱼群行为，进行人工鱼状态估计；
探索当前邻域内的伙伴数量，并计算伙伴的中心位置；
进行人工鱼个体状态更新，将新得到的中心位置的适应度函数与当前位置的适应度函数相比较，若中心位置优于当前位置并且不拥挤，则当前位置向中心位置移动一步，将更新后的人工鱼个体状态和公告板进行比较，以用于更新人工鱼群状态。
第二方面，本发明实施例提供了一种基于Fish-SVC的2.4GHz频段信号识别系统，包括：
特征提取模块，用于获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征；
信号识别模块，用于基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于Fish-SVC的2.4GHz频段信号识别方法及系统，根据2.4GHz频段的频域数据特征对信号进行特征提取，基于人工鱼寻优的启发式算法以及支持向量聚类的聚类方法，提出一种基于Fish-SVC的2.4GHz频段信号识别方法，实现该频段信号类型的准确识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于Fish-SVC的2.4GHz频段信号识别方法的流程示意图；
图2为本发明实施例提供的Fish-SVC信号识别算法寻优流程示意图；
图3为本发明实施例提供的仿真不同聚类算法的实验结果对比图；
图4为本发明实施例提供的基于Fish-SVC的2.4GHz频段信号识别系统的结构示意图；
图5为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于Fish-SVC的2.4GHz频段信号识别方法的流程示意图，如图1所示，本发明实施例提供了一种基于Fish-SVC的2.4GHz频段信号识别方法，包括：
步骤101，获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征。
在本发明实施例中，利用接收机采集电磁数据，应用二门限检测算法实现滤波和信号提取，之后利用统计特征和物理特征的组合实现信号频域特征的提取组合。
步骤102，基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型。
在本发明实施例中，用支持向量聚类算法及人工鱼寻优算法完成基于Fish-SVC的高斯核参数寻优，实现未知电磁环境下2.4GHz频段信号类型的准确识别。
本发明实施例提供的基于Fish-SVC的2.4GHz频段信号识别方法，根据2.4GHz频段的频域数据特征对信号进行特征提取，基于人工鱼寻优的启发式算法以及支持向量聚类的聚类方法，提出一种基于Fish-SVC的2.4GHz频段信号识别方法，实现该频段信号类型的准确识别。
在上述实施例的基础上，所述获取2.4GHz频段的频域数据，包括：
对电磁环境中的电磁信号进行采集，并通过快速傅里叶变换得到实时频谱数据。
在本发明实施例中，利用电磁信号采集系统，通过部署不同类型的信号采集前端，感知一定区域内的电磁环境，对其中的电磁信号进行采集，结合软件无线电技术，动态配置监测参数以适应不同的采集对象。
系统天线接收物理空间中的电磁波s(t)，公式为：
Figure BDA0002647725130000051
其中，fc为载波频率。
通过低噪放大器、本机振荡器及模拟低通滤波器将射频信号的频率降至中频，得到：
Figure BDA0002647725130000052
进一步地，利用模数转换对中频模拟信号进行数字采样，并利用数字震荡器分别产生中频正弦载波及中频余弦载波，将其与中频数字信号进行混频，并通过数字低通滤波器获得数字基带调制信号：
x0(n)＝xI(n)cos(2πnΔfn)-xQ(n)sin(2πnΔfn)；
其中，xI(n)和xQ(n)分别为无线调制信号的数字基带正交分量及数字基带同相分量，分别记为
Figure BDA0002647725130000061
路信号和
Figure BDA0002647725130000062
路信号：
xI(n)＝a(n)cosφ(n)；
xQ(n)＝a(n)sinφ(n)；
利用FFT变换对
Figure BDA0002647725130000063
路信号数据进行频域变换及传输存储：
Figure BDA0002647725130000064
在上述实施例的基础上，所述对所述2.4GHz频段的频域数据进行特征提取，得到信号特征，包括：
对所述实时频谱数据进行特征提取，获取每一个信号的物理特征和统计特征；
对每一个信号进行特征组合，以构成特征向量作为信号特征。
在本发明实施例中，通过接收机对电磁环境进行监测可以得到频谱数据，通过对频谱数据的特征提取可以实现信号的区分。不同信号在频谱曲线上表现出了不同的物理和统计特征。主要体现在其信号的波形上有很大差别，比如均值或方差这一类的统计特征是不同的，波峰数目和信号带宽等物理特征也可以用于区分这些信号。由于接收机同辐射源的距离不同，信号能量也可以作为信号特征实现信号区分。本发明实施例采用基于物理特征和统计特征的方法构建特征向量，具体步骤如下：
通过二门限信号检测方法得到每个信号频谱数据F(xi)；
对F(xi)求物理特征，包括信号带宽band，能量值en，波峰数量peak，其中：
band＝xN-x1；
Figure BDA0002647725130000071
对F(xi)求统计特征，包括F(xi)的极值max，均值mean，方差var，峰度kurt，偏度skew；
对于每一个信号可以实现特征组合从而构建特征向量：
S＝[band,en,peak,max,mean,var,kurt,skew]。
在上述实施例的基础上，所述基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型，包括：
基于支持向量的聚类算法，将输入的信号特征映射到高维的特征空间，在所述高维的特征空间寻找到最小的超球来包围映射的数据点；
基于人工鱼寻优的启发式寻优方法，求解最优参数；
在所述最优参数的条件下，迭代利用适应度函数对聚类结果进行评估，确定最优的聚类选方案进行信号分类识别。
在上述实施例的基础上，所述基于支持向量的聚类算法，将输入的信号特征映射到高维的特征空间，在所述高维的特征空间寻找到最小的超球来包围映射的数据点，包括：
对支持向量进行训练，求解所述超球的球体半径；
对高维空间中的数据集进行聚类标识。
在本发明实施例中，支持向量聚类(Support Vector Clustering，简称SVC)算法是一种基于支持向量机的解决聚类问题的无监督聚类方法。相对于其他传统的聚类算法，SVC算法无需先验知识作为分类依据，且不需要明确的聚类数目即可完成对给定数据的聚类，它的这一特点特别适合应用于对未知类别信号的聚类和识别。
进一步地，支持向量训练通过Gaussian核函数的非线性变换，把输入的数据集映射到高维的特征空间。在高维空间寻找到最小的超球来包围映射的数据点。当这个超球被映射回数据空间会产生一些包围数据点的封闭轮廓集合，这些轮廓被定义为聚类边界，包含在每一分离的轮廓里的点被认为是同一类。算法包括支持向量训练和聚类标识两个部分，为支持向量训练时，具体步骤为：
输入数据{xi}∈X,i＝1,2,....N,X∈Rd，为N个样本点的数据集合。用一个非线性的转换函数φ把X映射到一个高维的特征空间。在该空间寻找一个能包含所有样本点的最小半径的超球，引入松弛因子εj，约束条件为：
||φ(xj)-a||2≤R2+εj；
其中，a是球的中心，R是球的半径，C是惩罚因子。引入拉格朗日乘式，得：
Figure BDA0002647725130000081
其中，β≥0，μi≥0是拉格朗日系数。
Figure BDA0002647725130000082
是惩罚因子。若一些样本点对应的松弛变量εj＜0，则他们落在超球体外，这些点就被称为边界支持向量(BSV)。若这些样本点对应的βj满足0＜βj＜C时，则可以得到εj＝0，说明这些点落在了超球面上，这些点就被称为支持向量(SV)。剩下的点则在球体内部。
用核函数K(xi,xj)代替点积φ(xi)φ(xj)，同时将拉格朗日乘式变成其对偶形式，只包含一个变量βj的函数则：
Figure BDA0002647725130000083
Figure BDA0002647725130000084
定义每一个点到中心的距离：R2(x)＝||φ(x)-a||2。通过上述变量βj的函数则中的
Figure BDA0002647725130000085
和核定义得：
Figure BDA0002647725130000086
球体半径是：
R＝{(xi)|xi是支持向量}。
为聚类标识时，具体步骤为：
得到超球的半径后，需要具体对数据集进行区分。如果两组数据点属于不同类别，其中某些点的相互连线一定不能全部都包含在球体内，因此根据这个思想，定义邻接矩阵Aij；
Figure BDA0002647725130000091
由于SVC算法不需要实现指定聚类数，而是通过它自身的两个参数来控制：软边界约束P和Gaussian核参数q，其中：
Figure BDA0002647725130000092
其中，N是样本数目，C是软边界约束常量。使用SVC聚类算法进行数据分选时，固定C＝1后，只需要改变q值即可实现数据的聚类分选，较其他聚类方法大大降低了聚类分选需要调整的参数数目。
在上述实施例的基础上，所述基于人工鱼寻优的启发式寻优方法，求解最优参数，包括：
模拟鱼群行为，进行人工鱼状态估计；
探索当前邻域内的伙伴数量，并计算伙伴的中心位置；
对人工鱼个体状态进行更新，将新得到的中心位置的适应度函数与当前位置的适应度函数相比较，若中心位置优于当前位置并且不拥挤，则当前位置向中心位置移动一步，将更新后的人工鱼个体状态和公告板进行比较，以用于更新人工鱼群状态。
在本发明实施例中，人工鱼寻优(artificial fish swarms，简称AFS)算法通过模拟自然界中鱼群的觅食，聚群等行为，实现最优参数的求解。其方法为：
每条人工鱼个体可由向X＝(x1,x2,....,xN)表示，其中xj(j＝1,2,3...,N)表示欲寻优变量，人工鱼个体当前位置的食物浓度Y＝f(x)即为寻优的目标函数。设人工鱼视野Visual，人工鱼步长step，算法拥挤度因子δ。则人工鱼群个体包括以下行为状态，觅食行为时，具体为：
设置人工鱼当前状态，并在其感知范围内随机选择另一个状态，如果得到的状态的目标函数大于当前的状态，则向新选择得到的状态靠近一步，反之，重新选取新状态，判断是否满足条件，选择次数达到一定数量后，如果仍然不满足条件，则随机移动一步：
Xj＝Xi+Visual×Rand()；
Figure BDA0002647725130000101
聚群行为时，具体为：
人工鱼探索当前邻居内的伙伴数量，并计算伙伴的中心位置，然后把新得到的中心位置的目标函数与当前位置的目标函数相比较，如果中心位置的目标函数优于当前位置的目标函数并且不是很拥挤，则当前位置向中心位置移动一步，否则执行觅食行为：
Figure BDA0002647725130000102
追尾行为时，具体为：
人工鱼探索周围邻居鱼的最优位置，当最优位置的目标函数值大于当前位置的目标函数值并且不是很拥挤，则当前位置向最优邻居鱼移动一步，否则执行觅食行为：
Figure BDA0002647725130000103
随机行为时，具体为：
人工鱼Xi随机移动一步，到达一个新的状态：
Figure BDA0002647725130000104
在寻优过程中，人工鱼探索当前邻域内的伙伴数量，并计算伙伴的中心位置，然后把新得到的中心位置的适应度函数与当前位置的适应度函数相比较，如果中心位置优于当前位置并且不是很拥挤，则当前位置向中心位置移动一步，否则执行觅食行为。鱼聚群时会遵守两条规则：一是尽量向邻近伙伴的中心移动，二是避免过分拥挤。
具体地，Fish-SVC算法主要包括三个步骤完成信号聚类：
步骤S1，算法初始化阶段针对人工鱼视野Visual，人工鱼步长step，算法拥挤度因子δ，人工鱼数目n等参数进行初始化，其中，高斯核参数q作为人工鱼个体，即为优化目标；
步骤S2，人工鱼状态计算基于SVC算法计算人工鱼行为状态，并规定了适应度函数来描述人工鱼处于每个状态下的质量。在觅食行为，聚群行为，追尾行为，随机行为中选取最优状态使得每次迭代都能实现人工鱼状态的更新优化；
步骤S3，人工鱼群更新利用公告板记录人工鱼群的历史最优状态，比较人工鱼个体的状态参数，储存最优人工鱼个体及其状态参数用于更新公告板，若公告板趋于稳定或迭代次数达到上限，则寻优过程结束。
通过以上三步骤的更新迭代，可以实现Fish-SVC算法的寻优过程，信号分选识别算法得以实现，图2为本发明实施例提供的Fish-SVC信号识别算法寻优流程示意图，如图2所示，具体求解步骤如下：
输入：频域数据S＝[F1(x),F2(x),...,Fn(x)]；
输出：最优高斯核参数q及聚类簇Clusters；
步骤S11，输入频域数据S＝[F1(x),F2(x),...,Fn(x)]；
步骤S12，提取物理特征及统计特征：
Fi(x)＝[Fmax,Fmean,Fband,Fvar,Fen,Fskew,Fkurt]；
步骤S13，算法初始化：分别定义vi，n，s，σ，定义高斯核参数q作为人工鱼个体AFi；
步骤S14，根据SVC算法计算AFi的状态prey，follow，swarm，rand及适应度函数f(m)；
步骤S15，以每个人工鱼个体的最优状态更新人工鱼群AFS；
步骤S16，在人工鱼群中找寻最优人工鱼AF0及其状态f(m0)；
步骤S17，利用步骤S16的结果更新公告板，若公告板趋于稳定或迭代次数达到上限，则进入步骤S18，否则进入步骤S14；
步骤S18，输出最优高斯核参数q及聚类簇Clusters。
最后利用Fish-SVC聚类算法对信号进行数据分选时，需要在迭代过程中利用适应度函数对聚类结果进行评估，确保最优的聚类分选方案，其方法为：
在SVC算法中，支持向量决定了聚类的形状和边界，可以利用聚类簇中数据点的距离关系实现聚类结果的评估。定义类内聚合度和类间分离度分别表示聚类簇内部点的紧凑程度和聚类簇类间点的离散关系，作为聚类结果的评价指标。一个有N个样本点的数据集中包含m个聚类，其中2≤m≤N，Ci和SVi分别表示第i个聚类的聚类标识和支持向量。
类内聚合度度U(Ci)表示第i个簇中支持向量之间距离最大值的平均数，表达式为：
Figure BDA0002647725130000121
其中，|SVi|是聚类Ci的支持向量的个数。
类间分离度表示聚类Ci和Cj之间的距离，表达式为：
Figure BDA0002647725130000122
根据以上两个评价指标，定义fish-svc聚类算法的适应度函数f(m)：
Figure BDA0002647725130000123
由聚类分选的规则可知，类内聚合度U(Ci)越小，类间分离度V(Cij)越大则聚类分选的效果将会越好，因此可以利用适应度函数f(m)实现聚类结果评估。
本发明实施例还进行了仿真实验进行说明，采集真实电磁环境中的手机热点信号、无人机遥控信号、Tp-Link路由器信号，蓝牙信号，无线摄像头信号作为测试信号，所有信号均为2.4GHz频段信号，信噪比不低于12dB。其中测试数据集中大部分为跳频信号，其特征参数相近，频谱具有相似性和交叠性，传统聚类方法难以区分。本发明实施例在非合作通信的情况下进行实验，信号类别数未知，采用不同聚类方法对数据集进行信号类型识别，采用准确率AC，精确率PE，召回率RE描述不同算法形成的聚类簇质量，测试信号特征参数如表1所示：
表1
信号类型 极值 带宽 能量 波峰数
蓝牙 40.86～44.09 1.29～1.60 12.98～18.49 0～1
路由器 42.99～50.23 4.11～6.06 45.94～81.49 0～1
手机热点 42.67～49.19 10.65～13.82 135.26～205.01 0～1
无线摄像头 49.37～51.12 13.60～14.25 165.77～205.01 5～11
无人机 32.23～63.37 0.97～1.38 3.26～45.01 0～1
信号类型 极值 带宽 峰度 偏度
蓝牙 28.39～37.11 2.10～39.88 -0.69～0.43 1.84～3.07
路由器 38.92～42.92 27.94～70.15 -1.02～0.05 1.30～3.52
手机热点 38.26～43.32 21.44～53.87 -0.98～0.24 1.97～3.28
无线摄像头 36.88～37.45 91.34～103.59 0.87～1.20 2.43～3.41
无人机 28.90～58.47 4.62～77.22 -3.38～0.55 2.12～17.87
不同聚类算法的PE及RE如表2所示：
表2
Figure BDA0002647725130000131
Figure BDA0002647725130000141
图3为本发明实施例提供的仿真不同聚类算法的实验结果对比图，如图3所示，本发明实施例仿真实验的效果最佳。
图4为本发明实施例提供的基于Fish-SVC的2.4GHz频段信号识别系统的结构示意图，如图4所示，本发明实施例提供了一种基于Fish-SVC的2.4GHz频段信号识别系统，包括特征提取模块401和信号识别模块402，其中，特征提取模块401用于获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征；信号识别模块402用于基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型。
本发明实施例提供的一种基于Fish-SVC的2.4GHz频段信号识别系统，根据2.4GHz频段的频域数据特征对信号进行特征提取，基于人工鱼寻优的启发式算法以及支持向量聚类的聚类方法，提出一种基于Fish-SVC的2.4GHz频段信号识别方法，实现该频段信号类型的准确识别。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图5为本发明实施例提供的电子设备结构示意图，参照图5，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行如下方法：获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征；基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于Fish-SVC的2.4GHz频段信号识别方法，例如包括：获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征；基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于Fish-SVC的2.4GHz频段信号识别方法，其特征在于，包括：
获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征；
基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型；
所述基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型，包括：
基于支持向量的聚类算法，将输入的信号特征映射到高维的特征空间，在所述高维的特征空间寻找到最小的超球来包围映射的数据点；
基于人工鱼寻优的启发式寻优方法，求解最优参数；
在所述最优参数的条件下，迭代利用适应度函数对聚类结果进行评估，确定最优的聚类分选方案进行信号分类识别。
2.根据权利要求1所述的基于Fish-SVC的2.4GHz频段信号识别方法，其特征在于，所述获取2.4GHz频段的频域数据，包括：
对电磁环境中的电磁信号进行采集，并通过快速傅里叶变换得到实时频谱数据。
3.根据权利要求2所述的基于Fish-SVC的2.4GHz频段信号识别方法，其特征在于，所述对所述2.4GHz频段的频域数据进行特征提取，得到信号特征，包括：
对所述实时频谱数据进行特征提取，获取每一个信号的物理特征和统计特征；
对每一个信号进行特征组合，以构成特征向量作为信号特征。
4.根据权利要求3所述的基于Fish-SVC的2.4GHz频段信号识别方法，其特征在于，所述基于支持向量的聚类算法，将输入的信号特征映射到高维的特征空间，在所述高维的特征空间寻找到最小的超球来包围映射的数据点，包括：
对支持向量进行训练，求解所述超球的球体半径；
对高维空间中的数据集进行聚类标识。
5.根据权利要求3所述的基于Fish-SVC的2.4GHz频段信号识别方法，其特征在于，所述基于人工鱼寻优的启发式寻优方法，求解最优参数，包括：
模拟鱼群行为，进行人工鱼状态估计；
探索当前邻域内的伙伴数量，并计算伙伴的中心位置；
对人工鱼个体状态进行更新，将新得到的中心位置的适应度函数与当前位置的适应度函数相比较，若中心位置优于当前位置并且不拥挤，则当前位置向中心位置移动一步，将更新后的人工鱼个体状态和公告板进行比较，以用于更新人工鱼群状态。
6.一种基于Fish-SVC的2.4GHz频段信号识别系统，其特征在于，包括：
特征提取模块，用于获取2.4GHz频段的频域数据，并对所述2.4GHz频段的频域数据进行特征提取，得到信号特征；
信号识别模块，用于基于人工鱼寻优的启发式算法和支持向量聚类的聚类算法，对所述信号特征进行信号识别，确定信号类型；
所述信号识别模块具体用于：
基于支持向量的聚类算法，将输入的信号特征映射到高维的特征空间，在所述高维的特征空间寻找到最小的超球来包围映射的数据点；
基于人工鱼寻优的启发式寻优方法，求解最优参数；
在所述最优参数的条件下，迭代利用适应度函数对聚类结果进行评估，确定最优的聚类分选方案进行信号分类识别。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于Fish-SVC的2.4GHz频段信号识别方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于Fish-SVC的2.4GHz频段信号识别方法的步骤。
CN202010859898.3A 2020-08-24 2020-08-24 一种基于Fish-SVC的2.4GHz频段信号识别方法及系统 Active CN112183199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010859898.3A CN112183199B (zh) 2020-08-24 2020-08-24 一种基于Fish-SVC的2.4GHz频段信号识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010859898.3A CN112183199B (zh) 2020-08-24 2020-08-24 一种基于Fish-SVC的2.4GHz频段信号识别方法及系统

Publications (2)

Publication Number Publication Date
CN112183199A CN112183199A (zh) 2021-01-05
CN112183199B true CN112183199B (zh) 2023-01-06

Family

ID=73925463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010859898.3A Active CN112183199B (zh) 2020-08-24 2020-08-24 一种基于Fish-SVC的2.4GHz频段信号识别方法及系统

Country Status (1)

Country Link
CN (1) CN112183199B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926409B (zh) * 2021-02-03 2022-09-02 自然资源部第一海洋研究所 一种水生动物调频类型信号时频特征的人工辅助提取方法
CN113177514B (zh) * 2021-05-20 2023-06-16 浙江波誓盾科技有限公司 无人机信号检测方法、装置及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102684207A (zh) * 2012-05-23 2012-09-19 甘肃省电力公司电力科学研究院 基于改进人工鱼群混合优化算法的大规模风电并网无功电压优化方法
CN106549394A (zh) * 2016-12-07 2017-03-29 东北大学 基于双鱼群算法的电力无功优化系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102684207A (zh) * 2012-05-23 2012-09-19 甘肃省电力公司电力科学研究院 基于改进人工鱼群混合优化算法的大规模风电并网无功电压优化方法
CN106549394A (zh) * 2016-12-07 2017-03-29 东北大学 基于双鱼群算法的电力无功优化系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Novel Transmitter Recognition Model with Fish-SVC Clustering Method;Sixue Lu et al.;《2021 International Conference on Intelligent Computing, Automation and Systems (ICICAS)》;20211231;全文 *
Artificial Fish School Algorithm for Function Optimization;Jie Hu et al.;《2010 2nd International Conference on Information Engineering and Computer Science》;20101226;全文 *
基于HOG-SVM的跳频信号检测识别算法;张萌 等;《信息安全学报》;20200531;第5卷(第3期);全文 *

Also Published As

Publication number Publication date
CN112183199A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
Wu et al. Robust automatic modulation classification under varying noise conditions
Akay et al. A survey on the applications of artificial bee colony in signal, image, and video processing
CN112183199B (zh) 一种基于Fish-SVC的2.4GHz频段信号识别方法及系统
Zhao et al. Classification of small UAVs based on auxiliary classifier Wasserstein GANs
JP6999134B2 (ja) 管理装置、コンピュータに実行させるためのプログラムおよびそのプログラムを記録したコンピュータ読み取り可能な記録媒体
CN110636445B (zh) 基于wifi的室内定位方法、装置、设备及介质
CN111461165A (zh) 图像识别方法、识别模型的训练方法及相关装置、设备
Poulose et al. Performance analysis of fingerprint matching algorithms for indoor localization
CN111079780A (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN110188647A (zh) 一种基于变分模态分解雷达辐射源特征提取及其分类方法
CN104038792B (zh) 用于iptv监管的视频内容分析方法及设备
Xu et al. Clustering with differential evolution particle swarm optimization
CN109299668A (zh) 一种基于主动学习和聚类分析的高光谱图像分类方法
Gan et al. A hybrid model based on constraint OSELM, adaptive weighted SRC and KNN for large-scale indoor localization
Norouzi et al. Adaptive modulation recognition based on the evolutionary algorithms
CN109064475A (zh) 针对宫颈脱落细胞图像的图像分割方法和装置
CN116071600A (zh) 一种基于多分类概率的农作物遥感识别方法及装置
Usman et al. AMC-IoT: automatic modulation classification using efficient convolutional neural networks for low powered IoT devices
Radhika et al. Ensemble subspace discriminant classification of satellite images
CN106658533B (zh) 一种考虑用户分布的空域流量特征提取方法
CN111639712A (zh) 一种基于密度峰值聚类和梯度提升算法的定位方法及系统
Wu et al. Hybrid radar emitter recognition based on rough k-means classifier and SVM
Feng et al. FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification
CN113688655A (zh) 干扰信号的识别方法、装置、计算机设备和存储介质
CN112183281A (zh) 基于改进密度峰值算法的通信辐射源个体识别方法

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