CN115038091A - 一种北极海上无线通信频谱感知方法及系统 - Google Patents
一种北极海上无线通信频谱感知方法及系统 Download PDFInfo
- Publication number
- CN115038091A CN115038091A CN202210533254.4A CN202210533254A CN115038091A CN 115038091 A CN115038091 A CN 115038091A CN 202210533254 A CN202210533254 A CN 202210533254A CN 115038091 A CN115038091 A CN 115038091A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- arctic
- data set
- communication
- classifier
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 210
- 238000004891 communication Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012706 support-vector machine Methods 0.000 claims abstract description 38
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 21
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 34
- 230000003595 spectral effect Effects 0.000 claims description 26
- 239000006185 dispersion Substances 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013075 data extraction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 239000005433 ionosphere Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种北极海上无线通信频谱感知方法及系统，该方法获取待感知的北极海上通信信号；根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；根据所述频谱分类器进行频谱判断并输出分类结果。本发明提出的方案中，通过循环谱构建与噪声、衰减相关的特征向量表示信号，完成数据的提取、降维和模型训练过程，进而判断频谱的占用情况，在低信噪比的环境中依然保持较好的频谱识别效果。
Description
技术领域
本发明涉及无线通信技术领域，特别涉及一种北极海上无线通信频谱感知方法系统。
背景技术
近年来，由于全球变暖导致北极水域海冰面积大幅度减小，为船舶在北极海上运输创造有利条件。为了保障极地水域船舶的安全运营，研究极地航道通信技术已经成为必然发展趋势。频谱是无线通信网络中最宝贵的资源，通过调查研究发现，任意时间、任意地点的频谱平均利用率低于5％。
通常情况下，在主用户(Primary Users，PU)使用某一段频谱时，次用户(Secondary User，SU)不具备接入该频段的能力，这一固定的频谱分配方式已经无法满足目前及将来的无线业务需求。频谱感知技术可以解决这一问题，通过检测主用户未占用的空闲频段，次用户就可利用该频段。因此，研究可靠的频谱感知技术能够提高频谱资源利用率，对于保障北极海上稳定、可靠的通信至关重要。
现有技术中，北极航线无线电通信环境较差，信噪比较低，信道环境具有不确定性，基于传统频谱感知技术的固定阈值判别方法会使得检测结果不够准确，从而影响整个系统的频谱利用率。
深度学习方法是一种基于大量数据的表征学习算法，其深层结构具有较强的特征提取能力，可以从大量有标注信息的样本中自动提取有用信息。随着深度学习技术的发展，将其与频谱感知技术相结合可以识别空闲频谱。对于还未进行较多通信测试的北极环境而言，没有大量的样本数据作为支撑。用于训练的样本不足，会直接导致模型泛化能力差，从而影响频谱感知结果。
在机器学习领域，针对认知网络中各低信噪比环境下主用户信号检测率偏低的问题，提出一种基于主成分分析和主动学习AdaBoost的主用户信号频谱感知算法。该算法首先采用主成分分析算法对信号特征参数进行提取，获得信号的主成分，之后利用主动学习算法通过多次迭代抽样，获取有利于提高分类性能的样本，并对AdaBoost分类器进行训练，最后利用训练完成的AdaBoost分类器对待测信号进行分类检测。仿真实验表明，所提算法具有较高的分类感知性能，有效地实现了对主用户信号的频谱感知。基于集成模型的AdaBoost算法容易对异常样本敏感，异常样本在迭代中可能会获得较高的权重，造成过拟合，从而影响最终模型效果。
发明内容
本发明提供一种北极海上无线通信频谱感知方法及系统，能够提高频谱检测性能，有效提升极地海上通信频谱利用率，保障极地海上通信的可靠性和稳定性。
根据本发明的一个方面，提供了一种北极海上无线通信频谱感知方法，包括以下步骤：
获取待感知的北极海上通信信号；
根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；
将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；
根据所述频谱分类器进行频谱判断并输出分类结果。
所述根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集，包括：
使用循环谱提取所述待感知的北极海上通信信号的谱线数量、衰减系数和谱相关系数最大值三个特征。
所述循环谱根据如下方式获取：
根据所述待感知的北极海上通信信号y(t)计算循环自相关函数Rα(τ)为：
其中，α为循环频率，T0为循环周期，R(t，τ)为y(t)的自相关函数；
针对北极环境的海上通信的离散信号，其循环谱Sα(f)为：
其中，将次用户接收信号y(t)分为N段，每段有T个点，Y(tn，f)为信号每段的离散傅里叶变换，Y*是Y的共轭。
所述谱线数量、衰减系数和谱相关系数最大值三个特征，根据如下方式计获得：
计算谱线数量Nα：令f＝0，得到信号循环频率轴的信息Sα(0)，进而在该轴上得到不同的频率点分布的谱线；
计算衰减特性Mf：令α＝0，得到信号谱频率轴
令
表示f轴频谱单位频率的衰减特性；其中，
为频谱最大值，对应频率点为f2，当
时，对应频率点为f1；
计算谱相关系数最大值
所述构建北极海上通信频谱感知数据集，包括：
共同构成一组三维特征向量X＝[Nα，Mf，Mc]T，记为
当主用户存在时，提取特征得到样本[x1，x2，...，xi]T；当主用户不存在时，提取特征得到样本[xi+1，xi+2，...，xM]T，i＝1，2，...，M，M为数据集的总样本数；
三维特征向量xi对应状态标签为yi，H0下记yi＝-1，H1下记yi＝+1；其中，H0为无主用户情况，H1为主用户存在情况；
上述样本共同组成北极海上通信频谱感知数据集[XM，YM]:
所述根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集，包括：
使用LDA进行特征降维得到新的特征构成数据集
原数据集一组特征向量为X＝[Nα，Mf，Mc]T，类别为cj(j＝1，2)，令降维后的特征向量为
记为
当主用户存在时，样本
作为数据集正样本；当主用户不存在时，样本
作为数据集负样本；
每个类别的样本数为
则降维后的类间特征均值向量
为：
其中，
即降维前类间特征均值向量，w是使特征维度降低的过渡矩阵；
降维后的类间均值向量间的距离为
表示类间分散程度，则
为：
其中，Sa＝(μ1-μ2)(μ1-μ2)T为降维前的类间分散程度；
降维后的同类别内各样本的协方差矩阵之和为
表示类内分散程度，则
为：
其中，
为降维前的类内分散程度；
构造优化函数J(w)使其最大，则：
对两边求导化简可得：
根据w对原数据集进行降维，即：
得到所述极地海上通信频谱感知数据集为
所述将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器，包括：
在非线性支持向量机SVM分类器中，引入核函数，将非线性变化的输入空间
映射到另外一个线性变化的特征空间，在所述特征空间
求得的超平面模型对应输入空间的超曲面模型；
所述极地海上通信频谱感知数据集：
最大间隔超平面表示为：
为平面法向量，b为相对于原点的偏移量；在超平面两侧的样本满足以下约束条件：
在超平面中增加映射函数
将
映射到高维空间，得到样本的分类决策函数为：
由超平面得到分类间隔为
令目标函数为：
对每个样本点引入一个松弛变量ζi∈[0，1]，每个松弛变量一个代价参数C，则优化的超平面间隔表示为：
对优化的超平面方程采用拉格朗日对偶，超平面优化方程可表示为：
此时，
为核函数，
φ(x)为
的映射；
采用最优化方法可求得参数α，b，即最终频谱分类器为：
其中，高斯核函数为
所述根据所述频谱分类器进行频谱判断并输出分类结果，包括：
次用户根据采集的信号提取特征，将收集的数据输入至所述频谱分类器中处理，预测主用户的状态
得到分类结果；
若所述频谱分类器输出结果为-1，则主用户信号频谱未被占用；若所述频谱分类器输出结果为+1，则主用户信号频谱被占用。
根据本发明的另一个方面，提供了一种北极海上无线通信频谱感知系统，包括：
信号获取单元，用于获取待感知的北极海上通信信号；
数据集训练单元，用于根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；
频谱分类器单元，用于将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；
分类单元，用于根据所述频谱分类器进行频谱判断并输出分类结果。
所述系统还包括：
所述数据集训练单元，具体用于：使用循环谱提取所述待感知的北极海上通信信号的谱线数量、衰减系数和谱相关系数最大值三个特征；使用LDA进行特征降维得到新的特征构成数据集
所述频谱分类器单元，具体用于：在非线性支持向量机SVM分类器中，引入核函数，将非线性变化的输入空间
映射到另外一个线性变化的特征空间，在所述特征空间
求得的超平面模型对应输入空间的超曲面模型；
所述分类单元，具体用于：次用户根据采集的信号提取特征，将收集的数据输入至所述频谱分类器中处理，预测主用户的状态
得到分类结果；若所述频谱分类器输出结果为-1，则主用户信号频谱未被占用；若所述频谱分类器输出结果为+1，则主用户信号频谱被占用。
采用本发明的技术方案，提出了一种北极海上无线通信频谱感知方案，获取待感知的北极海上通信信号；根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；根据所述频谱分类器进行频谱判断并输出分类结果。
本发明提出的方案中，提出一种基于LDA-SVM的北极海上无线通信频谱感知方法，其中，线性判别分析(Linear Discriminant Analysis，LDA)和支持向量机(supportvector machines，SVM)。
将机器学习技术用于频谱感知，能够提高模型的自适应学习能力，有效避免传统感知固定阈值判断不准确以及其他分类器模型过拟合的影响，降低了数据的冗余并且无需大量数据支撑。该方法可以提高频谱检测性能，有效提升极地海上通信频谱利用率，保障极地海上通信的可靠性和稳定性。
本发明提出一种基于LDA-SVM的北极海上无线通信频谱感知方法，利用机器学习技术检测空闲频谱。其基本思想是通过循环谱构建与噪声、衰减相关的特征向量表示信号，完成数据的提取、降维和模型训练过程，进而判断频谱的占用情况，在低信噪比的环境中依然保持较好的频谱识别效果。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中北极海上无线通信频谱感知方法原理流程图；
图2为本发明实施例中北极海上无线通信频谱感知方案原理示意图；
图3为本发明实施例中北极海上无线通信频谱感知系统结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
传统频谱感知技术使用固定阈值判别方法在北极海上通信环境中，其无线电通信环境较差，信噪比较低，信道环境具有不确定性，从而该方法影响频谱感知能力。深度学习技术应用到频谱感知技术中，由于现阶段北极水域航行船舶较少导致可获得的数据较少，无法训练出泛化能力强的模型从而影响基于深度学习的频谱感知能力。将机器学习技术应用到频谱感知，可以较好的应用到信噪比低、样本点较少的北极实际环境中，基于AdaBoost的机器学习方法会造成模型过拟合从而影响频谱感知性能。
本发明实施例针对上述现有技术的缺点，提出一种基于LDA-SVM的北极海上无线通信频谱感知方法，将机器学习技术用于频谱感知，能够提高模型的自适应学习能力，有效避免传统感知固定阈值判断不准确以及其他分类器模型过拟合的影响，降低了数据的冗余并且无需大量数据支撑。该方法可以提高频谱检测性能，有效提升极地海上通信频谱利用率，保障极地海上通信的可靠性和稳定性。
本发明实施例中涉及多个数学计算步骤，出现多个数学公式，其中的各个参数，有的是具体的物理数值，有的仅为常规的数学计算所需字母符号。对于存在实际物理含义的值，本发明实施例均给出了具体的解释和物理含义的阐述。对于常规数学计算所涉及到的符号、字母等，均以现有技术常规用法为准，本发明实施例不再一一给出具体含义解释。
图1为本发明实施例一中北极海上无线通信频谱感知流程图。如图1所示，该北极海上无线通信频谱感知流程包括以下步骤：
步骤101、获取待感知的北极海上通信信号。
在本发明的一个实施例中，通过循环谱构建与噪声、衰减相关的特征向量表示信号，完成数据的提取、降维和模型训练过程，进而判断频谱的占用情况，在低信噪比的环境中依然保持较好的频谱识别效果。
步骤102，根据线LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集。
在本发明的一个实施例中，北极地区存在的极昼、极夜现象、气温低以及与我国通信距离较远等客观条件导致通信信号复杂、信号传输存在衰减等情况。所以本发明使用循环谱提取北极通信信号的谱线数量、衰减系数和谱相关系数最大值三个特征，能够充分表示其衰减特性以及区分主用户信号和噪声；除此之外，在充分提取北极通信信号特征的基础上，由于其复杂、存在冗余的特点，所以本发明使用LDA对特征进行降维，既可以降低样本中相似特征的冗余度，同时也可以提高后续分类算法的收敛速度。
步骤103，将所述极地海上通信频谱感知数据集输入SVM，训练适用于北极海上通信频谱感知的频谱分类器。
在本发明的一个实施例中，北极海上的中高频通信主要依靠电离层反射，但是此高纬度地区电离层受太阳粒子影响较大，故干扰中高频通信，并且极区的次折射对甚高频通信同样存在影响；上述干扰导致北极通信频谱分类不具备线性可分性，并且会出现异常样本。另一方面，北极水域航行船舶较少，通信测试次数少，使得可获得的样本数量较少。因此本发明使用引入高斯核的非线性SVM分类器，该模型可解决样本数量一般且存在异常样本的非线性分类问题，从而提高频谱感知能力。
步骤104，根据所述频谱分类器进行频谱判断并输出分类结果。
具体的，本发明实施例中，提出了一种基于LDA-SVM的北极海上无线通信频谱感知方法，该方法如图2所示，具体过程如下：
步骤21：首先输入待感知的北极海上通信信号。
步骤22：对输入的待感知信号构建北极海上通信频谱感知数据集，具体包含特征提取和降维。
特征提取：根据接收信号计算循环谱参数，构成特征向量。
根据接收信号y(t)计算循环自相关函数Rα(τ)为：
其中，α为循环频率，T0为循环周期，R(t，τ)为y(t)的自相关函数，τ∈(0,+∞)；e为常数，dt为对时间t的积分，t∈[0,T0]，j是虚数；
针对北极环境的海上通信的离散信号，其循环谱Sα(f)为：
其中，将次用户接收信号y(t)分为N段，每段有T个点，Y(tn，f)为信号每段的离散傅里叶变换，Y*是Y的共轭；tn为某一具体的时刻，f为某一时刻tn的频率值，n∈[1,N]，且n为正整数。
首先，计算谱线数量Nα；令f＝0，可以得到信号循环频率轴的信息Sα(0)，进而在该轴上得到不同的频率点分布的谱线。其次，计算衰减特性Mf；令α＝0，得到信号谱频率轴
令
表示f轴频谱单位频率的衰减特性，其中
为频谱最大值，对应频率点为f2，当
时，对应频率点为f1。最后，计算谱相关系数最大值
上述参数共同构成一组三维特征向量X＝[Nα，Mf，Mc]T，记为
当主用户存在时，提取特征得到样本[x1，x2，...，xi]T；当主用户不存在时，提取特征得到样本[xi+1，xi+2，...，xM]T，i＝1，2，...，M，M为数据集的总样本数。
此外，三维特征向量xi对应状态标签为yi，H0下记yi＝-1，H1下记yi＝+1；其中，H0为无主用户情况，H1为主用户存在情况。
上述样本共同组成数据集[XM，YM]:
特征降维：使用LDA进行特征降维得到新的特征构成数据集
原数据集一组特征向量为X＝[Nα，Mf，Mc]T，类别为cj(j＝1，2)，令降维后的特征向量为
可记为
当主用户存在时，样本
可作为数据集正样本；当主用户不存在时，样本
可作为数据集负样本。
每个类别的样本数为Nj，则降维后的类间特征均值向量
为：
其中，
即降维前类间特征均值向量，w是使特征维度降低的过渡矩阵。
定义降维后的类间均值向量间的距离为
表示类间分散程度，则
为：
其中，Sa＝(μ1-μ2)(μ1-μ2)T为降维前的类间分散程度。
定义降维后的同类别内各样本的协方差矩阵之和为
表示类内分散程度，则
为：
其中，
为降维前的类内分散程度。
为了使类间分散程度越大，类内分散程度越小，得到最优结果，需构造优化函数J(w)使其最大，则：
对上式两边求导化简可得：
根据w便可对原数据集进行降维，即：
所以综上可得，用于训练非线性SVM分类器的极地海上通信频谱感知数据集为
步骤23：将极地海上通信频谱感知数据集输入非线性SVM，得到适用于北极海上通信频谱感知的频谱分类器。
在非线性SVM分类器中，通过引入核函数，将非线性变化的输入空间
映射到另外一个线性变化的特征空间
然后在该特征空间求得的超平面模型即对应了输入空间的超曲面模型。
根据上述步骤得数据集：
最大间隔超平面表示为：
为平面法向量，b为相对于原点的偏移量；在超平面两侧的样本满足以下约束条件：
在超平面中增加映射函数
可将
映射到高维空间，得到样本的分类决策函数为：
其中，sign()为符号函数；
由超平面得到分类间隔为
为使分类间隔最大，可令目标函数为：
由于数据集中的样本点会存在异常情况，故对每个样本点引入一个松弛变量ζi∈[0，1]，每个松弛变量一个代价参数C，则优化的超平面间隔可表示为：
对优化的超平面方程采用拉格朗日对偶，超平面优化方程可表示为：
此时，
为核函数，
φ(x)为
的映射；
采用最优化方法可求得参数α，b，即最终频谱分类器可表示为：
其中，高斯核函数为
输入测试数据x，即可进一步判断主用户频谱是否被占用。
步骤24：通过极地海上通信频谱感知数据集训练LDA-SVM模型后，输入测试数据即可进行频谱判断并输出分类结果。
次用户根据采集的信号提取特征，将收集的数据输入至频谱分类器中处理，使用该模型预测主用户的状态
得到分类结果。若频谱分类器输出结果为-1，则主用户信号频谱未被占用；若频谱分类器输出结果为+1，则主用户信号频谱被占用。
为了实现上述流程，本发明技术方案还提供北极海上无线通信频谱感知系统，如图3所示，该北极海上无线通信频谱感知系统包括：
信号获取单元31，用于获取待感知的北极海上通信信号；
数据集训练单元32，用于根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；
频谱分类器单元33，用于将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；
分类单元34，用于根据所述频谱分类器进行频谱判断并输出分类结果。
所述数据集训练单元32，具体用于：使用循环谱提取所述待感知的北极海上通信信号的谱线数量、衰减系数和谱相关系数最大值三个特征；使用LDA进行特征降维得到新的特征构成数据集
所述频谱分类器单元33，具体用于：在非线性支持向量机SVM分类器中，引入核函数，将非线性变化的输入空间
映射到另外一个线性变化的特征空间，在所述特征空间
求得的超平面模型对应输入空间的超曲面模型；
所述分类单元34，具体用于：次用户根据采集的信号提取特征，将收集的数据输入至所述频谱分类器中处理，预测主用户的状态
得到分类结果；若所述频谱分类器输出结果为-1，则主用户信号频谱未被占用；若所述频谱分类器输出结果为+1，则主用户信号频谱被占用。
综上所述，本发明的技术方案，提出了一种北极海上无线通信频谱感知方案，将LDA-SVM机器学习技术用于北极海上通信频谱感知，能够提高模型的自适应学习能力，有效避免传统感知固定阈值判断不准确以及其他分类器模型过拟合的影响，降低了数据的冗余并且无需大量数据支撑。该方法可以有效提高北极海上通信频谱利用率，提高检测性能，保障北极地区通信的可靠性和稳定性。
本发明提出的方案中，由于北极海上环境复杂、海上通信距离远，利用循环谱提取三种能够表达北极通信信号衰减、噪声等特征的参数，构建北极通信信号特征；本发明创新性的结合线性判别分析LDA和支持向量机SVM，引入非线性核函数，适用于样本数据冗余、数据量少、存在异常样本的北极通信环境，提高频谱检测性能。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种北极海上无线通信频谱感知方法，其特征在于，包括以下步骤：
获取待感知的北极海上通信信号；
根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；
将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；
根据所述频谱分类器进行频谱判断并输出分类结果。
2.根据权利要求1所述的一种北极海上无线通信频谱感知方法，其特征在于，所述根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集，包括：
使用循环谱提取所述待感知的北极海上通信信号的谱线数量、衰减系数和谱相关系数最大值三个特征。
3.根据权利要求2所述的一种北极海上无线通信频谱感知方法，其特征在于，所述循环谱根据如下方式获取：
根据所述待感知的北极海上通信信号y(t)计算循环自相关函数Rα(τ)为：
其中，α为循环频率，T0为循环周期，R(t，τ)为y(t)的自相关函数，τ∈(0，+∞)；e为常数，dt为对时间t的积分，t∈[0，T0]，j是虚数；
针对北极环境的海上通信的离散信号，其循环谱Sα(f)为：
其中，将次用户接收信号y(t)分为N段，每段有T个点，Y(tn，f)为信号每段的离散傅里叶变换，Y*是Y的共轭；f为某一时刻tn的频率值，n∈[1，N]，且n为正整数。
4.根据权利要求3所述的一种北极海上无线通信频谱感知方法，其特征在于，所述谱线数量、衰减系数和谱相关系数最大值三个特征，根据如下方式计获得：
计算谱线数量Nα：令f＝0，得到信号循环频率轴的信息Sα(0)，进而在该轴上得到不同的频率点分布的谱线；
计算衰减特性Mf：令α＝0，得到信号谱频率轴
令
表示f轴频谱单位频率的衰减特性；其中，
为频谱最大值，对应频率点为f2，当
时，对应频率点为f1；
计算谱相关系数最大值
5.根据权利要求4所述的一种北极海上无线通信频谱感知方法，其特征在于，所述构建北极海上通信频谱感知数据集，包括：
共同构成一组三维特征向量X＝[Nα，Mf，Mc]T，记为
当主用户存在时，提取特征得到样本[x1，x2，...，xi]T；当主用户不存在时，提取特征得到样本[xi+1，xi+2，...，xM]T，i＝1，2，..，，M，M为数据集的总样本数；
三维特征向量xi对应状态标签为yi，H0下记yi＝-1，H1下记yi＝+1；其中，H0为无主用户情况，H1为主用户存在情况；
上述样本共同组成北极海上通信频谱感知数据集[XM，YM]：
6.根据权利要求2所述的一种北极海上无线通信频谱感知方法，其特征在于，所述根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集，包括：
使用LDA进行特征降维得到新的特征构成数据集
原数据集一组特征向量为X＝[Nα，Mf，Mc]T，类别为cj(j＝1，2)，令降维后的特征向量为
记为
当主用户存在时，样本
作为数据集正样本；当主用户不存在时，样本
作为数据集负样本；
每个类别的样本数为Nj，则降维后的类间特征均值向量
为：
其中，
即降维前类间特征均值向量，w是使特征维度降低的过渡矩阵；
降维后的类间均值向量间的距离为
表示类间分散程度，则
为：
其中，Sa＝(μ1-μ2)(μ1-μ2)T为降维前的类间分散程度；
降维后的同类别内各样本的协方差矩阵之和为
表示类内分散程度，则
为：
其中，
为降维前的类内分散程度；
构造优化函数J(w)使其最大，则：
对两边求导化简可得：
根据w对原数据集进行降维，即：
得到所述极地海上通信频谱感知数据集为
7.根据权利要求1所述的一种北极海上无线通信频谱感知方法，其特征在于，所述将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器，包括：
在非线性支持向量机SVM分类器中，引入核函数，将非线性变化的输入空间
映射到另外一个线性变化的特征空间，在所述特征空间
求得的超平面模型对应输入空间的超曲面模型；
所述极地海上通信频谱感知数据集：
最大间隔超平面表示为：
为平面法向量，b为相对于原点的偏移量；在超平面两侧的样本满足以下约束条件：
在超平面中增加映射函数
将
映射到高维空间，得到样本的分类决策函数为：
其中，sign()为符号函数；
由超平面得到分类间隔为
令目标函数为：
对每个样本点引入一个松弛变量ζi∈[0，1]，每个松弛变量一个代价参数C，则优化的超平面间隔表示为：
对优化的超平面方程采用拉格朗日对偶，超平面优化方程可表示为：
此时，
为核函数，
φ(x)为
的映射；
采用最优化方法可求得参数α，b，即最终频谱分类器为：
其中，高斯核函数为
8.根据权利要求1所述的一种北极海上无线通信频谱感知方法，其特征在于，所述根据所述频谱分类器进行频谱判断并输出分类结果，包括：
次用户根据采集的信号提取特征，将收集的数据输入至所述频谱分类器中处理，预测主用户的状态
得到分类结果；
若所述频谱分类器输出结果为-1，则主用户信号频谱未被占用；若所述频谱分类器输出结果为+1，则主用户信号频谱被占用。
9.一种北极海上无线通信频谱感知系统，其特征在于，包括：
信号获取单元，用于获取待感知的北极海上通信信号；
数据集训练单元，用于根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；
频谱分类器单元，用于将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；
分类单元，用于根据所述频谱分类器进行频谱判断并输出分类结果。
10.根据权利要求9所述的一种北极海上无线通信频谱感知系统，其特征在于，所述系统还包括：
所述数据集训练单元，具体用于：使用循环谱提取所述待感知的北极海上通信信号的谱线数量、衰减系数和谱相关系数最大值三个特征；使用LDA进行特征降维得到新的特征构成数据集
所述频谱分类器单元，具体用于：在非线性支持向量机SVM分类器中，引入核函数，将非线性变化的输入空间
决射到另外一个线性变化的特征空间，在所述特征空间
求得的超平面模型对应输入空间的超曲面模型；
所述分类单元，具体用于：次用户根据采集的信号提取特征，将收集的数据输入至所述频谱分类器中处理，预测主用户的状态
得到分类结果；若所述频谱分类器输出结果为-1，则主用户信号频谱未被占用；若所述频谱分类器输出结果为+1，则主用户信号频谱被占用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210533254.4A CN115038091A (zh) | 2022-05-13 | 2022-05-13 | 一种北极海上无线通信频谱感知方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210533254.4A CN115038091A (zh) | 2022-05-13 | 2022-05-13 | 一种北极海上无线通信频谱感知方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115038091A true CN115038091A (zh) | 2022-09-09 |
Family
ID=83121453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210533254.4A Pending CN115038091A (zh) | 2022-05-13 | 2022-05-13 | 一种北极海上无线通信频谱感知方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115038091A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116318479A (zh) * | 2023-04-07 | 2023-06-23 | 吉首大学 | 基于融合特征的支持向量机盲频谱感知方法 |
| CN117216519A (zh) * | 2023-09-12 | 2023-12-12 | 中国电子科技集团公司第三十研究所 | 一种基于循环谱特征的时频混叠信号识别方法及系统 |
-
2022
- 2022-05-13 CN CN202210533254.4A patent/CN115038091A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116318479A (zh) * | 2023-04-07 | 2023-06-23 | 吉首大学 | 基于融合特征的支持向量机盲频谱感知方法 |
| CN117216519A (zh) * | 2023-09-12 | 2023-12-12 | 中国电子科技集团公司第三十研究所 | 一种基于循环谱特征的时频混叠信号识别方法及系统 |
| CN117216519B (zh) * | 2023-09-12 | 2024-04-16 | 中国电子科技集团公司第三十研究所 | 一种基于循环谱特征的时频混叠信号识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115038091A (zh) | 一种北极海上无线通信频谱感知方法及系统 | |
| Huang et al. | Visualizing deep learning-based radio modulation classifier | |
| CN109525994B (zh) | 基于支持向量机的高能效频谱感知方法 | |
| Yang et al. | Wi-Wheat: Contact-free wheat moisture detection with commodity WiFi | |
| CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
| Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
| Zhang et al. | Open set recognition of communication signal modulation based on deep learning | |
| CN112422213A (zh) | 一种基于支持向量机的高效频谱感知方法 | |
| Tang et al. | Specific emitter identification for IoT devices based on deep residual shrinkage networks | |
| CN112229632A (zh) | 一种基于敏感特征迁移学习的轴承故障诊断方法 | |
| CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
| CN115941407A (zh) | 基于递归式卷积网络和注意力机制的信号调制识别方法 | |
| CN113343801B (zh) | 基于轻量化卷积神经网络的无线信号自动调制识别方法 | |
| CN113095162B (zh) | 一种基于半监督深度学习的频谱感知方法 | |
| Ghasemzadeh et al. | GGCNN: An efficiency-maximizing gated graph convolutional neural network architecture for automatic modulation identification | |
| Wang et al. | A new method of automatic modulation recognition based on dimension reduction | |
| CN112821968A (zh) | 一种基于压缩感知和支持向量机的高效频谱感知方法 | |
| Gao et al. | Supervised Contrastive Learning‐Based Modulation Classification of Underwater Acoustic Communication | |
| CN112350790A (zh) | 一种基于深度学习的频谱感知检测方法、装置及设备 | |
| KR20210038027A (ko) | 신경망 압축 훈련 방법 및 압축된 신경망을 이용하는 방법 | |
| Zhang et al. | Modulation recognition of communication signals based on SCHKS-SSVM | |
| CN114048770B (zh) | 面向数字音频删除和插入篡改操作自动检测方法及系统 | |
| CN115358283A (zh) | 电磁信号孪生深度学习识别方法、装置、设备及存储介质 | |
| Li et al. | Research on modulation recognition of underwater acoustic communication signal based on deep learning | |
| CN113869238A (zh) | 一种认知车联网智能频谱感知方法及系统 |
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 |