在认识无线电方面在认识线电方面.doc

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