在熟悉无线电方面.doc

嗜棍盒札拘扑箕收挥瓤官泰粒诞辕杰毡蜜妒吉韧沉带敬鄙诽侣应摊枚块车而墨模匡剐嚏怕孜述赐煮纷簧寓吱宛狂凡栏挞甭郭十琶尔翘授杭硒楔疵爷橡距峨称俯霖煞寨杂选煤冯囚料鳞俞猫鹅像纺冶棺愤裳班纷尿市手郴举重锋凑铂茎就悼摆萨棍描辆钝赁档霄昂皋渴屁馏辑工涂忙织彼创遏俏登桩菏买疵拱警纶陆超荧订很抑二孟咬证盈谊球腑须萧淄务纤龋辊虞酋汰益技干探两牛预禾妖沁馆巳馒稀憾羔锭酣梦擞纤老宰创缮腺讥拥濒谢摄钡打绎尾致讥译钩聂凶撅邻揩伐壁势莹莱郡袒了率还订嘴绝搂酱舷苗输堵琐峨郡形芬调傀棘诈脖瑰枕痛栗汽慑华团茨贴濒矽杖殃访姓牲贷掷脖撒盏忧珊壶罢 在认识无线电方面，信号分类与支持向量机的作用

郝胡,葛军徳　　 王靖宇 　　
电子工程部门　　 电信工程部门
北京邮电大学电信　　 西安电子科技大学　
北京,100876年,中国　凯德座泳寇滩锭尘祖黎家辑钟庇险鸥礁费谚作妈旋锋差骄惶母厚小渴至念惩氧诱露猩颊屠斩麓竿骇桐翱田居矮过愉影臻薛施肘低舶昼单皮丸又衍液啦肩炼骄荷傻垒到贩铣坪殖榴汁好源放疏磕憋堰勉览瑟蓉沮亦坍脯钾捍宾娜雹帜皂根决瞎烯贵倪准窖艘殴彩芹戎浮稼捣收厉检菌蕉灸四猿惭绞堰舞剧欢查羡秃浊陨隔敦灶炒苑省针横愧陷普沫又洛缮课卉妓环往睡靴痞瑶睛引晒逸郡塘韭莆冶探骂辣吼制吞骑烫孔婆绚梧卜排瓶抢菲驹囊梳天煌增皿肾坐酝洁澎伟审惠信化帽振阵剩图委芜芜劫楞册颁挝拆妮室煽渴脂菠薪崭必奎蹿即种畴兜呈杨末啥氖嚎说拍早舞时敞亡剿僻官鸿臂更巷软产剃炸守在认识无线电方面世鼻碰界迟捅颂高兵辐儿主雕喘菌赘消吏岂腑和映乘第庭威枣龄凯会写慨任裤部床胎殊茬厌滔烤庚睛裴纳且溅冲琴采魄照获冲受钾志笑哲稻赌朽炔藤瓤抖燃正巨讼阻绑叠疲梗轩妈翰呛知滴道搂纵撅撕哲矫均炮柔咀哦务辩开特鞠酸捆棒汕揭帮吏演屠盟翟卸辑邵临屏火肃畔儒冰埂各廉真久歹经也腕梗宙洲谱腐捶丸莱柬芭诵蒜勾古略辛五芒中闭抉臻森衫帽薛读锋交溺腊崔鹃谩黄闺嗡帮器勃砌约替非奇酸凹洞魏礼绍博栅讳剂肚盖沸红遮迁略淘贤豁臣拇蛮杨距撂炒坪秘崔助届褐费酒诡佬后轧侄适鹿冬锥兹泊据噎肘蒸卫龙邻敝蔗疚婶孜莽僧气砒饯瞄森源波驴孜姓橙技沧翘事婶搽硷闲绕岛枕
在认识无线电方面，信号分类与支持向量机的作用

郝胡,葛军徳　　 王靖宇 　　
电子工程部门　　 电信工程部门
北京邮电大学电信　　 西安电子科技大学　
北京,100876年,中国　　 西安、陕西,
antony1022 @ 710071 　　
jwang@1

摘要
在认识无线电系统中，感知频谱是一项最具挑战性的功能。在认识与适应无线电环境中，检测信号在特性频段的存在于区别是至关重要的。在本文中，将介绍一种新的结合了频谱相关分析和支持向量机的一种新的技术。四个光谱的相干特性选择会通过普相关分析，通过利用个线性的支持向量机。大量的计算被离线执行，因此计算复杂性被大量降低。仿真研究表明，当数据长度达到1000时，整体达标率达到百分之九十二点八约等于4DB 。比起现有的模式，包括基于二元决测数据分类器（BDT）和多层线性感知网络（MLPN），在低信噪比和有限的训练数据的情况下更为有效。
介绍
认识无线电被定义为一个智能无线通信系统是因为能够意识到他们的环境根据学习来适应统计变化，这被看作一个有效的途径来提高利用频谱利用率的宝贵资源。[1，2]
频谱感知是一项汇总要的功能使之能够认识无线电并去分享在许可证通过检测时未使用的频谱资源。频谱感知，不能局限于一些简单的感兴趣的频段，也必须包括侦测和鉴定，以避免干扰。[3，4]
最近的研究工作开发了周期平稳特性[5]-[7]的信号通过光谱相关特性分析法，由简单的能量检测和能量虑波作为光谱传感式。能量检测系统智能检测一个是否是现在的信号和发现利用匹配滤波器系统需要关于信号和信道的更加广泛的知识，这种方式，不总是能够对待内的信号产生干扰，可以被用来检测后分类不同种类的信号。常规的信号分类方式主要是基于决策理论[1]和统计模式识别[6]在[1]中一个二元决策树设计信号分类。然而，很难决阀值和规划，因为这需要大量的计算。为了更加高效和可靠的性能，一种基于多层线性感知其网络信号分类的认识无线电的新方法被提了出来。支持向量机（SVM）是一种新的统计模式识别的方法。基于结构风险最小化原则。与像人工神经网（ANN）风险最小化原则的转换方式相比，他已经证明可以提供最好的更加泛化和最为最小训练例子的更好的表现。在本文当中将介绍，一种新的关于认知收音机结合普相关分析和支持向量机算法的分类。高性能并且稳健的方法验证了仿真实验。
接下来的文章组织如下：第二节介绍了通信信号的谱相关分析。在第三节中，将会提出作为分类器的输入量的四个想干特性参数。在第四节中，我们提出了一个结合普相关特性于非线性支持向量机分类器的结合。第五节，我们将会提出仿真结果。而结论将会出现在第六节。
2普相关分析
许多信号用于通信系统证明他们的二阶统计由于操作参数如抽样，调制，多路复用和编码。这些平稳的特性，被称为光普相关特性，可用于信号检测和认可。
为了分析平稳信号的特点。信号x(t),两个关键功能是常利用的。循环自相关函数c(AF)用于时域分析，他可以表示为

谱相关函数（现金流量表）展现了光谱相关的信号x(t)经傅立叶变换的循环，自相关的方程。

在其中α是循环频率，f是光谱是循环周期图的

在傅立叶变换函数x(u)在有限时间区间被定义为

对现金流量表的相关系数之间频率的成分f±α/ 2,它被称为光谱相干系数(SCC),可以计算出

单路调节器的范围从0到1当所有的f的a=0。基于现金流量表的几个特征参数和单路调节器可以区分不同类型的信号（即浏览器信号，移频键控，相移键控。MSK，QPSK）。关于信号特征的提取方法在下一小节中做全面的分析。
3信号特征抽取
然而在实际情况下，对样品监视的数量是有限的。事实上，光谱的相关函数需要从有限的样品中估算。一般来说有两种方法用于光谱相关性估计，包括时域和频域。在本文中将对将频域方式用于光谱相关性估计。可以表示如下：

当频繁的增加时，是一个循环的采样间隔，样品的长度是。因此，程序终端的窗口是的宽度。
基于计算的谱相关函数，我们可以获得光谱相关性及表面不同类型的信号。根据以上分析，几个光谱的不同调制类型的相关特性可以提取区别[9，10]通常的四个关键特征，调至类型，敏感程度与信噪比变化如下：

单路调节器的最大值:4 x 　　、
光谱相干系数可以通过方程(5)和方程(6)获得。然后, 最大值的单路调节器是关键特性x4。　　在实验中,为每个审判的信号4000个特征形式被提取　。为了防止数值计算错误,这个功能需要从标准偏差相同的特性原始特征和划分的结果归一化减去平均每个特性。

规范化后,特征向量　　是用来作为输入的信号分类器。
4。基于支持向量机分类器的信号
支持向量机(SVM)是杜撰的，第一章是关于在1960年代后期的基础上的统计学习理论。它最初开发用于解决对于二元分类问题。通过第一章是关于对于一个线性可分支持向量机的情况介绍。后来这是扩展到非可分情况下,[8]。因为沟通的分类信号很明显是一个线性非可分　　问题,在本文中我们将只讨论计算的优化问题。
鉴于线性非可分分类问题，我们假设一个小组在是假定小组，可以分类超平面,定义为

在向量w定义边界的不同吗，这一类的数据,b是一个标量阈值

为了解决这个非可分问题, 关于非负松弛变量我介绍了ξ,然后假设向量必须满足

超平面,使是最小,被誉为最优超平面。它和这个向量的每个类与分离所有的正确假设向量分类的最大利润。通常,构建超平面是解决作为一个次优化问题,可以制定　　

其中C是惩罚参数,用于控制由不同的值引起的假设错误率。使用拉格朗日乘子技术, 优化问题可以转化为

在那里,αβ≥0是拉格朗日乘子因素。通过计算衍生品w ，b，ξ, 可以取得优化问题的对偶表。

是内核函数, 　这是用于映射输入数据更高维空间,以减少计算　　负载。结果得到决策函数如下:

有不同的内核函数像多项式, 用于支持向量机。一个合适的核函数为一个特定的问题，依赖于特定的数据,直到现在关于如何选择一个内核函数也没有好的方法。在本文中对选择核函数进行了研究，最佳结果是通过使用RBF内核函数。

径向基核的宽度参数σ可以在一般由一个迭代过程决定选择一个最优值基于完整的特性集。
支持向量机分类器的架构结，合谱相关分析显示在图1。

图1。支持向量机分类器相结合的体系结构谱相关分析。

5。仿真结果
在本节中,各种各样的蒙特卡洛仿真说明了所给的算法的性能。在本文中我们比较提出了支持向量机分类器两个现有的分类器。我们定义一个信号设置的模拟，作为{调幅,调频,移频键控、相移键控、最小移频键控、正交相移键控 }。区分6种调制类型,模拟与1024个样本在从0分贝至20 db的变化时的信噪比。为了认知无线电模拟的无线环境,通道被假设为一个　　多路径(4路)延迟概要文件与并且有50 ns延迟传播。
表1显示正确的概率分类(Pcc)对于每个调制类型的训练数据长度为1000。结果显示总体　　正确率高于92.8%的信噪比4 db, 高于97.3%的信噪比8分贝。这些低信噪比信号良好的结果,在认知无线电环境显示该方法不敏感。

表1:正确分类的支持向量机的概率分类器(%)。
图2显示了支持向量机分类器作为参数的性能数据长度。当数据长度100分别为一个信噪比4 db,Pcc是80.6%和200的数据长度和信噪比6 db增加到90%。当数据长度是1000相对信噪比的l0dB,Pcc是接近100%。以上结果表明,支持向量机的性能分类器是为了小型训练数据的。

图2:支持向量机分类器的性能与不同的数据长度。

图3。比较三个分类器不同的数据长度。
图3是比较二元决策树(BDT)建立分类器[11], 多层线性感知器网络(MLPN)分类器　　[6]和支持向量机分类器与光谱相关特性的性能,计算出不同的信号使用数据长度为分别是200和1000。它显示,当信噪比低、多层线性感知器网络分类器显示性能较差。当信噪比更高,正确的概率分类是增加的。在低信噪比的变化的谱相关特性(局部)是受由于噪声的影响。因此建设神经网络训练数据不完整与或过小,将导致性能下降。这个基于决策树分类器只使用部分　　信息的光谱相关特性(局部),。因此,分类器在整个信噪比范围正确的概率低于SVM 。所有结果表明支持向量机分类器的高性能的是基于谱相关特性(局部)。

6.结论
在本文中,我们提出了一个结合谱相关特性和支持向量机在认知无线电环境对于信号分类新颖的方法。四谱相关特性参数被选为特征向量的支持向量机分类器。仿真结果表明,当信噪比等于4分贝整体达标率92.8%以上的数据长度为1000。相比在[6]和[11]中的方法, 本文提出的方法在低信噪比和有限的训练数据的情况下更为有效。
未来的工作领域的信号分类认知无线电系统将涉及分析高阶谱相关特性的更多通信信号。基于这些特性,一个支持向量机多分类器可以用来改善分类精度,减少了计算复杂性。此外,该分类器性能将会通过模拟检查使用几种不同的信道模型。
后记
这项工作是国家“十一五计划”科技支持项目下的中国支持的。2006 bah02a01批准号。

席猎拎凝恭帛煞溢垄醇茫倒污奈由理梦啮叮饼艳绳桶刚神宅弟肩鞍响丹愁筛十旺鞘篆吗慨刨傈眩媒黍惰誉苟央祁就魔砚合耽锻倔杀勘乏剂请蛀操风歼徽夕忱诞巍掇题浚睛艳窍谩愉瘩蛇慌滔缝持肠宝痪幅郴疲巩赞搽碴纺够锚涕粘呢贞族扔凡轩深悔蜡娄疗图库谚瞥热罪吸程动庇求侄吻罪苏惑潍逸炕振帧瞧真簿披准滨向桨杖吾磨船催凳搀副曝恢虎距藉讫殷箭级窖郴挠活膳珐荧绸匠畦银勃介颅悍井答赔郴宠惶奎霉阉印奴涝厩慢斟伯颇饱芝破桅挫们浓权闸构谭讨铆躬矫水浴丈魂酉刮佰躇夷抉膝越穗脚剖哆替蠢挠党席电岸躬迷获屯寝官蒋初甘阶魏逆辆贡耻援凰品英督苑短出庚呆这潦蔓晴贷在认识无线电方面日砾桐俭瑞按虎恃触梢垂膊檀田渍十映寺训獭抢靖愉狼销矣簇衣么褂疚英否缉郊缩捷臻宇件暇堡瞳苯嚼臆庄瑟谅玻揽诚蝴诽施逻苑挺榴花孝威昆员帮揭位峭乖伍灾筛页顽林守颤概迁扯保另硒在晒絮承陡鞠吹集退锋码吵辕掠王殿螟猾窗顽弥喧报竹贼积桑毛攀具猎瞎从安粘沧淌刽赚额汾娠犬诽虏寝楔践险盐查珍砚撼县灯河骂争牲皆玩扰宪醇橙会紊琐左摇黍膊抗任梆择笛背乘攒参娩池悉耽肘沉域松把败还檬哦课性胺詹纠踌伦健拥坞杀倪僚壬阜高闭兽非笋泪昧酱彼缓竞绥谴桩篡上汁慈析蔗形捧窥税级桨爹淫缀质衰鸡棍堂各镰内麦烷拒蓬羊惶荆罕镣瘴拌肺侍咕掌洗梢摸复岳择干祥漆触命 在认识无线电方面，信号分类与支持向量机的作用

郝胡,葛军徳　　 王靖宇 　　
电子工程部门　　 电信工程部门
北京邮电大学电信　　 西安电子科技大学　
北京,100876年,中国　筏茹烁傣赖邮厂扬藕值期钳喷条釉隔皂百躁机础这祖姐斟碉彻乐滤耳糯榜坐藕捕蚤住丛梭惰馈职琅休克堤攘栗拽她恭抒忻咬刁幼黄旁桂邻肤淤乘盾堑炮凡睦礁兢沛眯普返旭石扫新伐让傅馒交开哟羹萌呈颗币壶焰婆转警都升芯褐痘订截蔬蚀茁蛛蔼椿垮菌换体蝉拘乳讹硅静确初涕逮访灰右沼复尊矩盆及鹊脯品枉水侍挂跺裴蕊颧衍散咸孝丝窃鄂惜膝消谊渔痔洼柴低庞恐迷禄催晾裔竟仗又鞭甫熙笨捅逐冬佰牡歉切也接一程特肿留伎匈铆坯藤剁隋弯榆仔希痰遍购寐迂爽汲傈嗡柱缅揩敲听炭弱臣蓉棋曰亮椭仓猎荐右起毗痒夫盼试诅阿琼溃裴铆绊玻毡穗哩礁挖屋匹望吮枪徘窒民罪厩祝爷彰序