CN103647591B - 一种基于支持向量机的多点协作干扰检测方法 - Google Patents
一种基于支持向量机的多点协作干扰检测方法 Download PDFInfo
- Publication number
- CN103647591B CN103647591B CN201310737317.9A CN201310737317A CN103647591B CN 103647591 B CN103647591 B CN 103647591B CN 201310737317 A CN201310737317 A CN 201310737317A CN 103647591 B CN103647591 B CN 103647591B
- Authority
- CN
- China
- Prior art keywords
- node
- characteristic parameter
- interference detection
- detection results
- undesired signal
- 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
Links
Landscapes
- Noise Elimination (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于支持向量机的协作干扰检测方法,该方法首先对不同类型的干扰信号进行运算分别得到干扰信号的特征参数,并用得到的特征参数对支持向量机进行训练得到支持向量机的分类模型;其次对多个节点的接收信号进行能量检测,得到干扰检测结果;将干扰检测结果和信号的特征参数传输到数据融合中心,数据融合中心根据干扰检测结果确定是否存在干扰信号,若存在干扰信号,则对干扰信号进行基于支持向量机算法的干扰识别,确定干扰类型。本发明可以准确的识别干扰信号的特征,有效的抵抗多径衰落。
Description
技术领域
本发明涉及干扰信号特征参数提取、基于能量检测的干扰识别方法、基于支持向量机的干扰分类方法及干扰信息融合,特别适用于无线通信技术领域的多点协作干扰识别。
背景技术
相对于多点协作干扰识别,单节点的干扰识别存在遮挡和信道衰落等问题,造成干扰识别结果都不准确:有的节点由于遮挡而造成无法检测到干扰形成漏检,而有的节点由于信道衰落等原因形成虚检和漏检。尤其是在宽带无线传输当中,干扰信号到达接收机同样存在多径衰落。接收机接收到的干扰信号在频域会有很大的衰落,单靠一个节点的干扰检测和识别是无法准确得到干扰信号的特征的。
发明内容
本发明所需解决的技术问题在于避免上述背景技术中的不足之处而提供一种基于支持向量机的协作干扰检测方法,从而有效抵抗多径衰落。
本发明所采取的技术方案为:一种基于支持向量机的协作干扰检测方法,基于一个具有多节点的协作检测体系,其中一个节点作为数据融合中心,其余节点作为协作节点,包括以下步骤:
(1)提取不同类型干扰信号的特征参数,干扰信号的特征参数为载波因子系数、平均频谱平坦系数、白噪声因子、频域矩峰度系数和频域矩偏度系数,然后将不同类型干扰信号的特征参数进行支持向量机块算法运算,得到支持向量机分类平面;
(2)每个节点均将各自接收到的信号所使用的频段分成多个子频段,每个子频段内的信号称为子信号;
(3)每个节点分别对各自的子信号进行能量检测,并将各自的子信号的能量检测结果进行合并得到每个节点的干扰检测结果,每个协作节点将各自的干扰检测结果传输到数据融合中心;
(4)每个节点均对各自接收到的信号进行特征参数的提取,每个协作节点将各自提取到的特征参数传输到数据融合中心;
(5)数据融合中心根据各个协作节点的干扰检测结果和数据融合中心自身的干扰检测结果,采用K秩准则对各节点的干扰检测结果进行融合,得到总的干扰检测结果;若总的干扰检测结果显示不存在干扰信号,在规定的时间间隔后转到步骤(2),否则转到步骤(6);
(6)数据融合中心根据各个协作节点传输的特征参数和数据融合中心自身的特征参数,采用选择合并准则对各节点的特征参数进行融合得到新的特征参数,然后利用支持向量机算法将新的特征参数匹配到支持向量机分类平面中,从而识别干扰信号的类别;在规定的间隔时间后,转到步骤(2)。
本发明与现有技术相比有如下优点:
1、通过数据融合中心的支持向量机分类识别算法,有效的提升对干扰信号的识别性能;
2、各个节点不需要将接收到的干扰信号传输给数据融合中心,仅向融合中心传输能量检测的结果和干扰信号的特征参数,减少了检测的开销。
附图说明
图1是本发明的流程示意图;
图2是多节点协作干扰识别示意图;
图3是多级支持向量机算法框图。
具体实施方式
下面,结合图1至图3对本发明作进一步说明:
一种基于支持向量机的协作干扰检测方法,在一个具有多节点的协作检测体系中,其中一个节点作为数据融合中心,各协作节点将对接收到的干扰信号进行能量检测和特征参数的提取,并传输到数据融合中心,然后在数据融合中心节点进行数据融合干扰识别,示意图如图2所示。支持向量机如图3所示,传统的支持向量机方法是基于两类问题的,在一种基于支持向量机的多点协作干扰识别方法中采用“一对多”方法,将多类问题转化为两类问题,即对于K类问题构造K个两类分类器,第i个支持向量机用的i类中训练样本作为正的分类样本,而将其它的样本作为负的样本,最后的输出是两类分类器输出的最大的那一类。
协作干扰识别就是不同空间位置上多个节点分别对信号进行干扰检测和识别,然后将多个节点的识别结果进行信息融合,从而得到准确的干扰识别结果,为躲避和抵抗干扰提供依据。这其实是协作分集的一种应用场合,多个节点的协作处理可以达到空间分集的效果,从而有效抵抗多径衰落。
支持向量机在理论上具有很突出的优势,被广泛的应用模式识别领域。己成功解决许多模式识别问题,具有良好的性能。支持向量机可以在有限个数据样本下进行数据处理,得到已知信息下的最优解,然后算法再将其转变为一个二次寻优问题,最终得到理论上的全局最优解,从而避免了局部极值问题。正由于其良好的性能,现己广泛应用在文字识别、信号识别、图像识别等方面。
如图1所示,本发明包括以下步骤:
(1)提取不同类型干扰信号的特征参数,干扰信号的特征参数为载波因子系数、平均频谱平坦系数、白噪声因子、频域矩峰度系数和频域矩偏度系数,然后将不同类型干扰信号的特征参数进行支持向量机块算法运算,得到支持向量机分类平面;
块算法的出发点是删除矩阵中对应于Lagrange乘子为零的行和列不会对最终的结果产生影响。算法的每一步中都加入固定数量的样本,同时保留上一步中剩下的具有非零Lagrange乘子的样本,以及M个不满足Karush-Kuhn-Tucker条件的最差的样本;如果不满足Karush-Kuhn-Tucker条件的样本数不足M个,则将不满足条件的样本全部加入。每个子问题都采用上一个子问题的结果作为初始值。最后所有非零Lagrange乘子都被找到,从而解决了原来的二次规划问题。
(2)每个节点均将各自接收到的信号所使用的频段分成多个子频段,每个子频段内的信号称为子信号;
假定各节点接收信道的可用频段为500MHz~600MHz,接收机的灵敏度为20MHz,则各个检点将可用频段分为5段每段20MHz。
(3)每个节点分别对各自的子信号进行能量检测,并将各自的子信号的能量检测结果进行合并得到每个节点的干扰检测结果,每个协作节点将各自的干扰检测结果传输到数据融合中心;
各节点分别将500MHz~520MHz,520MHz~540MHz,540MHz~560MHz,560MHz~580MHz,580MHz~600MHz五个频段的能量检测结果拼接在一起,得到500MHz~600MHz频段的干扰检测结果。
(4)每个节点均对各自接收到的信号进行特征参数的提取,每个协作节点将各自提取到的特征参数传输到数据融合中心;
干扰信号的特征参数可以是载波因子系数、平均频谱平坦系数、白噪声因子、频域矩峰度系数和频域矩偏度系数。
(5)数据融合中心根据各个协作节点的干扰检测结果和数据融合中心自身的干扰检测结果,采用K秩准则对各节点的干扰检测结果进行融合,得到总的干扰检测结果;若总的干扰检测结果显示不存在干扰信号,在规定的时间间隔后转到步骤(2),否则转到步骤(6);
K秩准则:假设总共有N个节点的干扰强度信息汇聚在一起,其中有K个节点识别某段频率内有干扰则认为该段频率存在干扰,干扰的强度为各节点干扰强度信息的均值;其中,N为大于1的自然数,K小于或等于节点个数N的自然数;
(6)数据融合中心根据各个协作节点传输的特征参数和数据融合中心自身的特征参数,采用选择合并准则对各节点的特征参数进行融合得到新的特征参数,然后利用支持向量机算法将新的特征参数匹配到支持向量机分类平面中,从而识别干扰信号的类别;在规定的间隔时间后,转到步骤(2)。
选择合并准则,顾名思义,就是从多个接收节点中选性能最好的一个节点进行干扰检测。SVM分类的思想来自于统计学理论,SVM用于分类问题的基本思想是构造一个超平面作为分类判别平面使两类数据样本之间的间隔最大。在干扰识别的过程,通过干扰信号特征参数对SVM进行训练,将SVM分类平面进行划分,然后把即时得到的特征参数匹配到已经划分好的分类平面,从而实现对干扰信号的分类。
Claims (1)
1.一种基于支持向量机的协作干扰检测方法,基于一个具有多节点的协作检测体系,其中一个节点作为数据融合中心,其余节点作为协作节点,其特征在于包括以下步骤:
(1)提取不同类型干扰信号的特征参数,干扰信号的特征参数为载波因子系数、平均频谱平坦系数、白噪声因子、频域矩峰度系数和频域矩偏度系数,然后将不同类型干扰信号的特征参数进行支持向量机块算法运算,得到支持向量机分类平面;
(2)每个节点均将各自接收到的信号所使用的频段分成多个子频段,每个子频段内的信号称为子信号;
(3)每个节点分别对各自的子信号进行能量检测,并将各自的子信号的能量检测结果进行合并得到每个节点的干扰检测结果,每个协作节点将各自的干扰检测结果传输到数据融合中心;
(4)每个节点均对各自接收到的信号进行特征参数的提取,每个协作节点将各自提取到的特征参数传输到数据融合中心;
(5)数据融合中心根据各个协作节点的干扰检测结果和数据融合中心自身的干扰检测结果,采用K秩准则对各节点的干扰检测结果进行融合,得到总的干扰检测结果;若总的干扰检测结果显示不存在干扰信号,在规定的时间间隔后转到步骤(2),否则转到步骤(6);
(6)数据融合中心根据各个协作节点传输的特征参数和数据融合中心自身的特征参数,采用选择合并准则对各节点的特征参数进行融合得到新的特征参数,然后利用支持向量机算法将新的特征参数匹配到支持向量机分类平面中,从而识别干扰信号的类别;在规定的间隔时间后,转到步骤(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310737317.9A CN103647591B (zh) | 2013-12-27 | 2013-12-27 | 一种基于支持向量机的多点协作干扰检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310737317.9A CN103647591B (zh) | 2013-12-27 | 2013-12-27 | 一种基于支持向量机的多点协作干扰检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103647591A CN103647591A (zh) | 2014-03-19 |
CN103647591B true CN103647591B (zh) | 2016-06-08 |
Family
ID=50252759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310737317.9A Active CN103647591B (zh) | 2013-12-27 | 2013-12-27 | 一种基于支持向量机的多点协作干扰检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103647591B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198868A (zh) * | 2016-07-05 | 2016-12-07 | 深圳大学 | 基于无线感知的湿度检测的方法及*** |
CN109031403B (zh) * | 2018-08-20 | 2019-07-26 | 吉林大学 | 一种基于s-k特征的钻孔应变数据异常提取方法 |
CN113938228B (zh) * | 2021-12-16 | 2022-03-01 | 天津七一二通信广播股份有限公司 | 网络域协作干扰位置检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101521896A (zh) * | 2009-04-17 | 2009-09-02 | 东南大学 | 认知无线电中的基于似然比的协同频谱感知方法 |
CN102571230A (zh) * | 2011-12-22 | 2012-07-11 | 中国人民解放军总参谋部第六十三研究所 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
CN102869064A (zh) * | 2012-07-27 | 2013-01-09 | 南京邮电大学 | 基于特征级与决策级联合融合的分簇调制识别方法 |
CN103117820A (zh) * | 2013-01-23 | 2013-05-22 | 南通大学 | 基于可信度的加权协作频谱检测方法 |
CN103166723A (zh) * | 2013-03-18 | 2013-06-19 | 广东工业大学 | 基于可拓关联函数的无线认知传感器网络频谱感知的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1170374C (zh) * | 2002-06-20 | 2004-10-06 | 大唐移动通信设备有限公司 | 一种适用于频率选择性衰落信道的空时编译码方法 |
-
2013
- 2013-12-27 CN CN201310737317.9A patent/CN103647591B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101521896A (zh) * | 2009-04-17 | 2009-09-02 | 东南大学 | 认知无线电中的基于似然比的协同频谱感知方法 |
CN102571230A (zh) * | 2011-12-22 | 2012-07-11 | 中国人民解放军总参谋部第六十三研究所 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
CN102869064A (zh) * | 2012-07-27 | 2013-01-09 | 南京邮电大学 | 基于特征级与决策级联合融合的分簇调制识别方法 |
CN103117820A (zh) * | 2013-01-23 | 2013-05-22 | 南通大学 | 基于可信度的加权协作频谱检测方法 |
CN103166723A (zh) * | 2013-03-18 | 2013-06-19 | 广东工业大学 | 基于可拓关联函数的无线认知传感器网络频谱感知的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103647591A (zh) | 2014-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180083721A1 (en) | Wireless analysis apparatus and wireless analysis method | |
Pastor et al. | Robust estimation of noise standard deviation in presence of signals with unknown distributions and occurrences | |
CN102760444B (zh) | 基于支撑向量机的基带时域音频信号分类方法 | |
Zhang et al. | A spectrum sensing method based on signal feature and clustering algorithm in cognitive wireless multimedia sensor networks | |
US9430688B1 (en) | Overlapping multi-signal classification | |
Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN103647591B (zh) | 一种基于支持向量机的多点协作干扰检测方法 | |
US9473257B1 (en) | Radio communication system utilizing a radio signal classifier | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
Zhang et al. | CSI-based human activity recognition with graph few-shot learning | |
Zhang et al. | Learning modulation filter networks for weak signal detection in noise | |
Zha et al. | LT-SEI: Long-tailed specific emitter identification based on decoupled representation learning in low-resource scenarios | |
CN105743756B (zh) | WiFi***中基于adaboost算法的帧检测方法 | |
Han et al. | Radar specific emitter identification based on open-selective kernel residual network | |
CN105429913B (zh) | 基于特征值的多电平检测与识别方法 | |
Liu et al. | A novel signal separation algorithm for wideband spectrum sensing in cognitive networks | |
Yin et al. | Co-channel multi-signal modulation classification based on convolution neural network | |
CN104408474B (zh) | 辐射源识别方法和装置 | |
Miao et al. | Application of one-class classification in NLOS identification of UWB positioning | |
Li et al. | Recovery of collided RFID tags with frequency drift on physical layer | |
Chen et al. | Unlocking signal processing with image detection: A frequency hopping detection scheme for complex EMI environments using STFT and CenterNet | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
Dang et al. | Air gesture recognition using WLAN physical layer information | |
KR101427149B1 (ko) | 지수이동평균을 이용한 이중 레이어 svm 기반 레이더 신호의 pri 복합변조형태 인식 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |