CN113434816A - 一种噪声增强奈曼-皮尔逊准则下信号检测的方法 - Google Patents

一种噪声增强奈曼-皮尔逊准则下信号检测的方法 Download PDF

Info

Publication number
CN113434816A
CN113434816A CN202010993362.0A CN202010993362A CN113434816A CN 113434816 A CN113434816 A CN 113434816A CN 202010993362 A CN202010993362 A CN 202010993362A CN 113434816 A CN113434816 A CN 113434816A
Authority
CN
China
Prior art keywords
noise
nonlinear system
under
pearson criterion
probability
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
Application number
CN202010993362.0A
Other languages
English (en)
Other versions
CN113434816B (zh
Inventor
杨婷
李余
杨世菊
程雪梅
彭燕妮
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.)
Chongqing Technology and Business University
Original Assignee
Chongqing Technology and Business University
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 Chongqing Technology and Business University filed Critical Chongqing Technology and Business University
Priority to CN202010993362.0A priority Critical patent/CN113434816B/zh
Publication of CN113434816A publication Critical patent/CN113434816A/zh
Application granted granted Critical
Publication of CN113434816B publication Critical patent/CN113434816B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种噪声增强奈曼‑皮尔逊准则下信号检测的方法，属于信号处理领域。首先给非线性系统输入信号加入与之独立的加性噪声；其次经过非线性系统，获得加噪后的输出信号；然后在奈曼‑皮尔逊准则下求解相应的判决函数，利用加噪后的非线性系统输出对二元假设中哪一个假设成立进行判决；所述加性噪声的最优解为不超过两个常向量构成的随机分布。本发明将噪声增强与奈曼‑皮尔逊准则下的二元信号假设检验相结合，在保证一定虚警概率的前提下，使得检测概率进一步提高。

Description

一种噪声增强奈曼-皮尔逊准则下信号检测的方法
技术领域
本发明属于信号处理领域，具体涉及非线性系统，噪声增强和奈曼-皮尔逊准则下的二元信号假设检验问题。
背景技术
噪声无处不在，理解和掌握噪声的分布和性能是一个非常重要的问题。在经典信号处理中，噪声被视为不需要的信号或是对系统的干扰。系统中噪声越多会导致信道容量越小，从而使得检测性能和估计精度都有所下降。然而，噪声对系统的影响并不都是负面的，在一定条件下，噪声可以通过非线性系统对信号和系统起到积极的增强作用，被称为噪声增强现象。随着近年来对噪声增强的深入探索，噪声增强在信号检测中所发挥的重要作用获得越来越多的重视和肯定。关于噪声增强信号检测的研究中，主要分为两类，一类是针对固定的非最优检测器，基于不同的准则如贝叶斯准则、奈曼-皮尔逊准则或极大极小准则，在各种约束条件下推导使得性能最优的加性噪声。另一类是针对可变的非最优检测器，推导使得性能最优的检测器和加性噪声组合。传统的观念认为加噪不能使得最优检测器的性能进一步改善，因此几乎没有研究涉及如何通过加噪来获得比原(未加噪时)最优检测性能更好。然而，在同一性能衡量准则下，若检测器的结构和参数并不固定，在加噪的同时调整检测器的结构和/或参数，有可能实现比加噪前最优检测性能更好的性能。因此，本发明针对一般的非线性系统，在非线性系统输入信号加入与之独立的加性噪声同时选择在奈曼-皮尔逊准则下的噪声修正检测器，然后利用加噪后的非线性系统输出信号进行判决，在保证一定虚警概率的前提下，可进一步增大检测概率。
发明内容
本发明的目的是针对奈曼-皮尔逊准则下的二元假设检验问题，结合噪声增强原理，提出一种噪声增强奈曼-皮尔逊准则下信号检测的方法。具体地，通过给非线性系统输入信号加入合适的噪声，然后在奈曼-皮尔逊准则下，利用加噪后的非线性系统输出信号对原假设H0和备选假设H1中哪一个假设成立进行判决，在保证一定虚警概率的前提下，使得判决的检测概率进一步增大。
本发明具体包括以下步骤：
1)给非线性系统输入x加入与之独立的加性噪声n，所述非线性系统输入x在假设H0和假设H1下的概率密度函数分别为p0(x)和p1(x)，所述加性噪声n服从概率密度函数为pn(n)的分布；
2)经过非线性系统后，获得加噪后的非线性系统输出z＝T(x+n)，其中T(·)表示非线性系统的传递函数，非线性系统输出z在假设Hi成立下的概率密度函数为pz(z|Hi)，i＝0,1；
3)在奈曼-皮尔逊准则下，利用非线性系统输出z对假设H0和假设H1中哪一个假设成立进行判决，此时奈曼-皮尔逊准则下使得检测性能最优的判决函数
Figure BDA0002691676270000021
可以表示为：
Figure BDA0002691676270000022
其中
Figure BDA00026916762700000213
等于0或1，ηNP为判决门限，ηNP的值由以下优化问题确定：
Figure BDA0002691676270000023
(2)式中α表示虚警概率的上限，判决函数
Figure BDA0002691676270000024
的结构与
Figure BDA0002691676270000025
一致，区别在于其门限为η，
Figure BDA0002691676270000026
和
Figure BDA0002691676270000027
分别表示给非线性系统输入x加入概率密度函数为pn(n)的加性噪声且选择
Figure BDA0002691676270000028
作为判决函数时对应的检测概率和虚警概率。
所述加性噪声为常向量
Figure BDA0002691676270000029
其中
Figure BDA00026916762700000210
表示所加噪声n为常向量时奈曼-皮尔逊准则下的最优判决函数，而
Figure BDA00026916762700000211
表示给非线性系统输入x加入常向量n且选择
Figure BDA00026916762700000212
作为判决函数时对应的检测概率。进一步地，所述常向量nopt由全局优化算法求得；所述全局优化方法包括但不限于粒子群算法、蚁群算法或遗传算法。
所述加性噪声n为一个随机变量，服从由至多两个常向量以一定权重凸组合构成的随机分布，对应概率密度函数为：
pn(n)＝λδ(n-n1)+(1-λ)δ(n-n2) (3)
其中λ、n1、n2以及对应噪声修正的最优检测器判决函数
Figure BDA0002691676270000032
中的未知参数ηNP由下列有约束的优化问题确定：
Figure BDA0002691676270000031
进一步地，λ、n1、n2和ηNP的值由全局优化算法求得；所述全局优化方法包括但不限于粒子群算法、蚁群算法或遗传算法。
本发明将噪声增强与奈曼-皮尔逊准则下的二元信号假设检验问题相结合，在保证一定的虚警概率的条件下，通过给非线性系统输入信号加入噪声，在奈曼-皮尔逊准则下利用非线性系统输出信号作判决，实现了检测概率进一步增大的目的。
本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在MATLAB R2016a上验证正确。
附图说明
图1是本发明的工作流程框图。
图2是本发明仿真中不同σ值对应的在加噪和不加噪的情况下获得的检测概率。
图3是本发明仿真中分别在加噪和不加噪的情况下得到的ROC曲线。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
本实施例公开一种噪声增强奈曼-皮尔逊准则下信号检测的方法，包括以下步骤：
1)给非线性系统输入
Figure BDA0002691676270000041
加入与之独立的加性噪声n，所述非线性系统输入x在假设H0和假设H1下的概率密度函数分别为p0(x)和p1(x)，所述加性噪声n服从概率密度函数为pn(n)的分布；
2)经过非线性系统后，获得加噪后的非线性系统输出
Figure BDA0002691676270000042
其中T(·)表示非线性系统的传递函数，非线性系统输出z在假设Hi成立下的概率密度函数pz(z|Hi)可计算如下：
Figure BDA0002691676270000043
其中
Figure BDA0002691676270000044
可以看作n为常向量时，z在假设Hi成立下的概率密度函数。
3)在奈曼-皮尔逊准则下，利用非线性系统输出z对假设H0和假设H1中哪一个假设成立进行判决。此时，奈曼-皮尔逊准则下使得检测性能最优的判决函数
Figure BDA0002691676270000045
可以表示为：
Figure BDA0002691676270000046
其中
Figure BDA00026916762700000410
等于0或1，ηNP为判决门限，ηNP的值由以下优化问题确定：
Figure BDA0002691676270000047
(7)式中α表示虚警概率的上限，判决函数
Figure BDA0002691676270000048
的结构与
Figure BDA0002691676270000049
一致，区别在于其门限为η：
Figure BDA0002691676270000051
此外，
Figure BDA0002691676270000052
和
Figure BDA0002691676270000053
分别表示给非线性系统输入x加入概率密度函数为pn(n)的加性噪声n的同时，选择
Figure BDA0002691676270000054
作为判决函数时对应的检测概率和虚警概率：
Figure BDA0002691676270000055
Figure BDA0002691676270000056
（9）式中
Figure BDA0002691676270000057
和（10）式的
Figure BDA0002691676270000058
可分别看作给非线性系统输入x加入常向量n作为噪声的同时选择
Figure BDA0002691676270000059
作为判决函数时对应的检测概率和虚警概率。实施例2：本实施例公开一种噪声增强奈曼-皮尔逊准则下信号检测的方法，主要步骤同实施例1，所述加性噪声为常向量
Figure BDA00026916762700000510
其中
Figure BDA00026916762700000511
表示所加噪声n为常向量时奈曼-皮尔逊准则下的最优判决函数：
Figure BDA00026916762700000512
同样地，
Figure BDA00026916762700000513
等于0或1，ηNP为判决门限，ηNP的值由以下优化问题确定：
Figure BDA0002691676270000061
(12)式中判决函数
Figure BDA0002691676270000062
的结构与
Figure BDA0002691676270000063
一致，区别在于其门限为η：
Figure BDA0002691676270000064
此外，
Figure BDA0002691676270000065
表示给非线性系统输入x加入常向量n且选择
Figure BDA0002691676270000066
作为判决函数时对应的检测概率。
未给非线性系统加入任何噪声时，奈曼-皮尔逊准则下的最优判决函数为φNP(·)。由定义可知
Figure BDA0002691676270000067
进一步，未给非线性系统加入任何噪声时，奈曼-皮尔逊准则下的最优检测概率
Figure BDA0002691676270000068
可以表示为
Figure BDA0002691676270000069
则有
Figure BDA00026916762700000610
Figure BDA00026916762700000611
因此，给非线性系统输入x加入常向量
Figure BDA00026916762700000612
并选择
Figure BDA00026916762700000613
为判决函数，有可能使得检测概率提高。
进一步地，所述常向量nopt和判决门限ηNP由全局优化算法求得；所述全局优化方法包括但不限于粒子群算法、蚁群算法或遗传算法。
实施例3：
本实施例公开一种噪声增强奈曼-皮尔逊准则下信号检测的方法，主要步骤同实施例1，所述加性噪声n为一个随机变量，服从由至多两个常向量以一定权重凸组合构成的随机分布，对应概率密度函数为：
pn(n)＝λδ(n-n1)+(1-λ)δ(n-n2) (14)
其中λ、n1、n2以及对应噪声修正的最优检测器判决函数
Figure BDA00026916762700000614
中的未知参数ηNP由下列有约束的优化问题确定：
Figure BDA00026916762700000615
一方面，对于固定的非最优检测器而言，在一定条件下，奈曼-皮尔逊准则下的检测器的性能可以通过加入噪声得到进一步提升，且最优加性噪声为不超过两个常向量以一定权重构成的随机分布。对于非线性系统输入x来讲，非线性系统和检测器
Figure BDA0002691676270000071
可以一起看作一个非最优检测器。因此，当非线性系统和检测器
Figure BDA0002691676270000072
固定时，使得性能最优的加性噪声为不超过两个常向量以一定权重构成的随机分布。另一方面，当加性噪声概率密度函数pn(n)确定时，检测器判决函数
Figure BDA0002691676270000073
可由(6)式可得。结合两方面的原因可知，在奈曼-皮尔逊准则下，如果该非线性系统检测性能是可改善的，那么使得检测概率最大的加性噪声的概率密度函数如(14)所示，而对应的噪声增强检测器判决函数可将(14)式代入(6)式获得。综合(6)—(8)式以及(14)—(15)式可知，最优加性噪声概率密度函数中的参数λ、n1和n2，以及噪声修正的最优检测器判决函数
Figure BDA0002691676270000076
中的未知参数ηNP可由(15)式中的优化问题求解得。
进一步地，λ、n1、n2和ηNP的值由全局优化算法求得；所述全局优化方法包括但不限于粒子群算法、蚁群算法或遗传算法。
本发明的效果可以通过以下仿真实验进一步说明：
本仿真实验中，二元假设检验问题如下所示,
Figure BDA0002691676270000074
其中x为非线性系统输入信号，A为一个直流信号，v为零均值的高斯背景噪声，对应概率密度函数
Figure BDA0002691676270000075
则x在H0和H1下的概率密度函数分别表示为p0(x)＝pv(x)和p1(x)＝pv(x-A)。此外，此例中假设非线性变换为正弦变换系统，则给非线性系统输入信号x加入与之独立的噪声n后，获得的非线性系统输出信号z为
z＝T(x+n)＝sin2π(x+n) (17)
以A＝0.4，σ＝0.1和α＝0.1为例，未给非线性系统输入x加入噪声时，在奈曼-皮尔逊准则下所能获得的最大检测概率
Figure BDA0002691676270000087
对应判决函数φNP(y)为φNP(y)＝1,y≥1or y≤-0.7207；0,-0.7207＜y＜1。与之对应地，在给系统输入信号加入常向量n＝0.8084的同时选择
Figure BDA0002691676270000081
或z≤-1；0,-1＜z＜-0.3663作为判决函数，获得的噪声增强最大检测概率
Figure BDA0002691676270000082
也就是说，通过给系统加噪和调整检测器，使得检测概率提升了1.5倍以上。此外，在给系统输入信号加入概率密度函数为pn(n)＝0.9961δ(n-0.3119)+0.0039δ(n-0.3075)的加性噪声的同时选择
Figure BDA0002691676270000083
作为判决函数，同样可以获得噪声增强的最大检测概率
Figure BDA0002691676270000084
保持A＝0.4和α＝0.1不变，将σ的值逐渐从0增至0.6，在奈曼-皮尔逊准则下对每个σ值求解满足
Figure BDA0002691676270000085
约束的使得检测概率最大的检测器判决函数，计算相应的噪声增强检测概率，与未加噪的情况进行对比，结果如图2所示。为了进一步说明图2中的结果，表1给出了未加噪时奈曼－皮尔逊准则下，不同σ值对应的检测器判决门限ηNP、判决假设H1成立时对应的观察值空间Γ1和检测概率Pd；表2给出了加噪时奈曼－皮尔逊准则下，不同σ值对应的最优加性噪声噪声分量λ/n1/n2、噪声修正检测器判决门限ηNP、判决假设H1成立时对应的观察值空间Γ1和检测概率Pd。
表1
Figure BDA0002691676270000086
表2
Figure BDA0002691676270000091
进一步地，在图3中给出了A＝0.4和σ＝0.1时，未加噪时和加噪时奈曼-皮尔逊准则下的最优判决对应的ROC曲线。

Claims (5)

1.一种噪声增强奈曼-皮尔逊准则下信号检测的方法，其特征在于：包含以下步骤：
1)给非线性系统输入x加入与之独立的加性噪声n，所述非线性系统输入x在假设H0和假设H1下的概率密度函数分别为p0(x)和p1(x)，所述加性噪声n服从概率密度函数为pn(n)的分布；
2)经过非线性系统后，获得加噪后的非线性系统输出z＝T(x+n)，其中T(·)表示非线性系统的传递函数，非线性系统输出z在假设Hi成立下的概率密度函数为pz(z|Hi)，i＝0,1；
3)在奈曼-皮尔逊准则下，利用非线性系统输出z对假设H0和假设H1中哪一个假设成立进行判决；奈曼-皮尔逊准则下使得检测性能最优的判决函数
Figure FDA0002691676260000011
可以表示为：
Figure FDA0002691676260000012
其中
Figure FDA0002691676260000013
等于0或1，ηNP为判决门限，ηNP的值由以下优化问题确定：
Figure FDA0002691676260000014
(2)式中α表示虚警概率的上限，判决函数
Figure FDA0002691676260000015
的结构与
Figure FDA0002691676260000016
一致，区别在于其门限为η；
Figure FDA0002691676260000017
和
Figure FDA0002691676260000018
分别表示给非线性系统输入x加入概率密度函数为pn(n)的加性噪声且选择
Figure FDA0002691676260000019
作为判决函数时对应的检测概率和虚警概率。
2.根据权利要求1所述的一种噪声增强奈曼-皮尔逊准则下信号检测的方法，其特征在于：所述加性噪声为常向量
Figure FDA00026916762600000110
其中
Figure FDA00026916762600000111
表示所加噪声n为常向量时奈曼-皮尔逊准则下的最优判决函数，而
Figure FDA00026916762600000112
表示给非线性系统输入x加入常向量n且选择
Figure FDA00026916762600000113
作为判决函数时对应的检测概率。
3.根据权利要求2所述的一种噪声增强奈曼-皮尔逊准则下信号检测的方法，其特征在于：所述常向量nopt和判决门限ηNP由全局优化算法求得；所述全局优化方法包括但不限于粒子群算法、蚁群算法或遗传算法。
4.根据权利要求1所述的一种噪声增强奈曼-皮尔逊准则下信号检测的方法，其特征在于：所述加性噪声n为一个随机变量，服从由至多两个常向量以一定权重凸组合构成的随机分布，对应概率密度函数为：
pn(n)＝λδ(n-n1)+(1-λ)δ(n-n2) (3)
其中λ、n1、n2以及对应噪声修正的最优检测器判决函数
Figure FDA0002691676260000021
中的未知参数ηNP由下列有约束的优化问题确定：
Figure FDA0002691676260000022
5.根据权利要求4所述的一种噪声增强奈曼-皮尔逊准则下信号检测的方法，其特征在于：λ、n1、n2和ηNP的值由全局优化算法求得；所述全局优化方法包括但不限于粒子群算法、蚁群算法或遗传算法。
CN202010993362.0A 2020-09-21 2020-09-21 一种噪声增强奈曼-皮尔逊准则下信号检测的方法 Active CN113434816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010993362.0A CN113434816B (zh) 2020-09-21 2020-09-21 一种噪声增强奈曼-皮尔逊准则下信号检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010993362.0A CN113434816B (zh) 2020-09-21 2020-09-21 一种噪声增强奈曼-皮尔逊准则下信号检测的方法

Publications (2)

Publication Number Publication Date
CN113434816A true CN113434816A (zh) 2021-09-24
CN113434816B CN113434816B (zh) 2023-06-06

Family

ID=77752826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010993362.0A Active CN113434816B (zh) 2020-09-21 2020-09-21 一种噪声增强奈曼-皮尔逊准则下信号检测的方法

Country Status (1)

Country Link
CN (1) CN113434816B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102055540A (zh) * 2010-12-31 2011-05-11 哈尔滨工业大学深圳研究生院 基于尼曼皮尔森准则下的噪声增强分布式检测方法及系统
CN102156282A (zh) * 2011-03-25 2011-08-17 电子科技大学 一种基于微多普勒效应的雷达目标检测方法
CN103499354A (zh) * 2013-09-24 2014-01-08 哈尔滨工程大学 一种基于内曼-皮尔逊准则的零速检测方法
CN106707273A (zh) * 2017-01-23 2017-05-24 西安电子科技大学 基于奈曼皮尔逊准则量化的多站雷达信号融合检测方法
CN106992823A (zh) * 2017-03-02 2017-07-28 南京邮电大学 一种认知无线电网络频谱感知方法
CN107820255A (zh) * 2017-11-22 2018-03-20 重庆大学 一种改进的协方差绝对值协作频谱感知方法
CN108599884A (zh) * 2018-03-19 2018-09-28 重庆大学 一种噪声增强最小化错误概率的信号检测方法
CN108732432A (zh) * 2018-05-30 2018-11-02 重庆大学 一种最大后验概率准则下有约束的噪声增强信号检测方法
CN109444868A (zh) * 2018-09-17 2019-03-08 上海无线电设备研究所 在复杂杂波环境中对运动目标进行波形优化的方法
CN109558803A (zh) * 2018-11-01 2019-04-02 西安电子科技大学 基于卷积神经网络与np准则的sar目标鉴别方法
CN109802736A (zh) * 2019-03-13 2019-05-24 西安电子科技大学 一种频谱感知的方法、装置及计算机存储介质
CN110568415A (zh) * 2019-07-22 2019-12-13 广东工业大学 混合高斯模型下基于Arctan函数的信号检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102055540A (zh) * 2010-12-31 2011-05-11 哈尔滨工业大学深圳研究生院 基于尼曼皮尔森准则下的噪声增强分布式检测方法及系统
CN102156282A (zh) * 2011-03-25 2011-08-17 电子科技大学 一种基于微多普勒效应的雷达目标检测方法
CN103499354A (zh) * 2013-09-24 2014-01-08 哈尔滨工程大学 一种基于内曼-皮尔逊准则的零速检测方法
CN106707273A (zh) * 2017-01-23 2017-05-24 西安电子科技大学 基于奈曼皮尔逊准则量化的多站雷达信号融合检测方法
CN106992823A (zh) * 2017-03-02 2017-07-28 南京邮电大学 一种认知无线电网络频谱感知方法
CN107820255A (zh) * 2017-11-22 2018-03-20 重庆大学 一种改进的协方差绝对值协作频谱感知方法
CN108599884A (zh) * 2018-03-19 2018-09-28 重庆大学 一种噪声增强最小化错误概率的信号检测方法
CN108732432A (zh) * 2018-05-30 2018-11-02 重庆大学 一种最大后验概率准则下有约束的噪声增强信号检测方法
CN109444868A (zh) * 2018-09-17 2019-03-08 上海无线电设备研究所 在复杂杂波环境中对运动目标进行波形优化的方法
CN109558803A (zh) * 2018-11-01 2019-04-02 西安电子科技大学 基于卷积神经网络与np准则的sar目标鉴别方法
CN109802736A (zh) * 2019-03-13 2019-05-24 西安电子科技大学 一种频谱感知的方法、装置及计算机存储介质
CN110568415A (zh) * 2019-07-22 2019-12-13 广东工业大学 混合高斯模型下基于Arctan函数的信号检测方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
SUAT BAYRAM等: "NOISE ENHANCED DETECTION IN RESTRICTED NEYMAN-PEARSON FRAMEWORK", 《(SPAWC》 *
SUAT BAYRAM等: "NOISE ENHANCED DETECTION IN RESTRICTED NEYMAN-PEARSON FRAMEWORK", 《(SPAWC》, 2 January 2014 (2014-01-02), pages 575 - 579 *
TING YANG等: "Stochastic Resonance Effect in Optimal Decision Solution Under Neyman–Pearson Criterion", 《CIRCUITS, SYSTEMS, AND SIGNAL PROCESSING》 *
TING YANG等: "Stochastic Resonance Effect in Optimal Decision Solution Under Neyman–Pearson Criterion", 《CIRCUITS, SYSTEMS, AND SIGNAL PROCESSING》, 13 January 2021 (2021-01-13), pages 3286 - 3304, XP037482067, DOI: 10.1007/s00034-020-01644-y *
明兰: "基于数据融合的协作频谱检测算法的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
明兰: "基于数据融合的协作频谱检测算法的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 04, 15 April 2012 (2012-04-15), pages 136 - 879 *
杨婷: "基于随机共振的非线性系统信号检测与参数估计研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *
杨婷: "基于随机共振的非线性系统信号检测与参数估计研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 9, 15 September 2019 (2019-09-15), pages 136 - 2 *
王文忠: "认知无线电联合频谱感知技术的研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *
王文忠: "认知无线电联合频谱感知技术的研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》, 15 March 2010 (2010-03-15), pages 5 *

Also Published As

Publication number Publication date
CN113434816B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Jeatrakul et al. Classification of imbalanced data by combining the complementary neural network and SMOTE algorithm
US9058564B2 (en) Controlling quarantining and biasing in cataclysms for optimization simulations
Zhang et al. A data preprocessing method for automatic modulation classification based on CNN
Liu et al. An adaptive clustering-based evolutionary algorithm for many-objective optimization problems
CN111930844B (zh) 基于区块链和人工智能的金融预测系统
Zhu et al. Openmix: Exploring outlier samples for misclassification detection
Song et al. Research on combination kernel function of support vector machine
CN106600430A (zh) 一种社区网络检测方法及装置
CN115032606B (zh) 一种基于局部最小选定单元平均的恒虚警检测器
Gyoten et al. Imbalanced data classification procedure based on SMOTE
CN106919504B (zh) 一种基于ga算法的测试数据进化生成方法
CN116596021A (zh) 基于改进的麻雀搜索算法的模型参数优化方法、装置
CN113434816A (zh) 一种噪声增强奈曼-皮尔逊准则下信号检测的方法
CN105224954B (zh) 一种基于Single-pass去除小话题影响的话题发现方法
CN108599884B (zh) 一种噪声增强最小化错误概率的信号检测方法
CN112487933B (zh) 一种基于自动化深度学习的雷达波形识别方法及系统
CN108732432B (zh) 一种最大后验概率准则下有约束的噪声增强信号检测方法
Pantelakis et al. Adversarial machine learning attacks on multiclass classification of iot network traffic
KR102346275B1 (ko) 오토 인코더 기법을 이용한 수출입 물동량에 대한 이상치 탐지 방법 및 이를 기록한 기록매체
CN114372495B (zh) 基于深度空间残差学习的电能质量扰动分类方法及系统
Dang et al. A novel over-sampling method and its application to cancer classification from gene expression data
Wei et al. A many-objective evolutionary algorithm with population preprocessing and projection distance-assisted elimination mechanism
CN112990456A (zh) 一种神经网络下基于敏感度的鲁棒性训练防御方法
CN102215188A (zh) 改进人工蜂群粒子滤波信道估计方法
CN118690128A (zh) 一种极大极小准则下的噪声增强信号检测方法

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