当前位置 : 首页 > 最新资讯 > 计算机论文范文 > 【原】基于PCA和WFCM的C波段无线电信号鉴别原理研究

【原】基于PCA和WFCM的C波段无线电信号鉴别原理研究

来源 : 互联网
作者 : 118期刊网
发布时间 : 2019-05-14 00:28:18

第1章简介


1.1研究背景和研究意义

无线电监测是获取光谱数据和维持无线电波秩序的重要手段。确保国家安全和人民的日常生活具有重要意义。作为无线电监测的基础,日常监测主要是为无线电管理部门工作人员定期提供直观和确凿的报告,包括:频段利用率,每个业务频段的背景状态和频道占用情况。为无线电频率指配,规划和协调的管理提供技术支持。通过日常监测,及时发现和消除有害干扰,保持电波的正常传播,有效维护国家安全,服务社会稳定和经济建设。目前无线电监测网络的智能监测水平不高,主要依靠监测人员分析信号的知识和经验。这不仅要求无线电监视器具有高水平的服务,还会增加工作量。由于无法准确地描述无线电异常信号的信号特性,并且其发生时间也是随机的,因此难以监视。随着需要监控的数据量的增加,传统的数据处理方法无法满足日益复杂的数据分析需求。因此,随着计算机的高速处理速度,结合新的数据挖掘技术对异常信号进行自动分析,具有重要的理论意义和实用价值。


1.2国内外研究现状

为了确保能够找到异常信号,许多专家学者知网查重做出了莫名其妙的努力并取得了很多研究成果。将模糊集理论和神经网络理论应用于异常信号分析是当前研究的热点。文献[12]提出了一种基于模糊模式识别的无线电智能分析方法,该方法通过模糊聚类对C波段异常信号进行分类。在[13]中,数据由模糊C均值处理,信号属性特征被提取和归一化,信号由有序加权聚合算子识别。该方法已成功应用于广播频段中异常信号的识别。在[14]中,将支持向量机引入到C波段异常信号类型识别中,并使用径向基核函数来优化选择参数。在[15]中,改进的BP神经网络用于识别异常信号并获得良好的识别结果。这些方法中的大多数都是基于专家经验来选择信号的几个频域特征作为输入指标。在实际应用中,由于相同的信号特性在不同类型的无线电信号分析中起不同的作用,因此为所有信号选择相同的信号特性可能导致某些信号的某些重要特性的丧失。如何在选择较少的特征尺寸的同时最大化信息的完整性是一个值得进一步研究的问题。

................


第2章先决条件


2.1模糊集理论

任何概念都由两部分组成:它的内涵和外延。概念的扩展是一组1 ...某些概念在特定情况下具有明确的扩展。例如,“偶数”概念的扩展是可以被2整除的所有自然数的集合。一些概念没有特定的标准和边界,并且它们没有明确的扩展。我们将这些概念称为模糊概念。在客观世界中,这些概念大量存在,例如,“美丽”,“更高”,“密切相关”等。对于这些概念,如果给出了确切的限制,“是”或“否”的答案与客观情况不一致。例如,“身高超过180厘米更高”,张三身高179厘米,所以说张三不高是明显不合理的。为了定量描述模糊的概念,美国计算机和控制论专家Zadeh在1965年基于经典集合发表了一篇关于模糊数学的开创性论文[19]。在本文中,Zadeh首先介绍了模糊集的概念,并将经典集理论中集的特征函数扩展到范围为[OJ]的函数。通过这种方式,您可以表达具有明确扩展的经典集合(成员的程度为0或1),并且您可以表达模糊概念而无需显式扩展。



2.2模糊聚类分析(FCM)

一般来说,直接求解目标函数/(脚工厂)非常困难,我们可以使用迭代算法来计算其近似解。 J.CBezdek在1977年证明了这一点

zy ISODATA算法迭代求解模糊分类矩阵,聚类中心矩阵F是可行的,证明迭代过程最终是收敛的。具体算法如下。


第3章特征提取... 12

3.1基于主要成分收益提取... 12

3.2在PCA中的应用...... 14

3.3本章概要.......................... 16

第四章C波段异常信号的分类方法........................................ ..17

4.1 C波段异常信号分类方法.................................... 17

4.2实验............................ 19

4.3基于熵权法(WFCM)的模糊C均值.......................... 21

4.3.1基于熵权法计算权重....................................... ......... .. 二十一

结论和展望.................... 28


第四章C波段异常信号的分类方法


4.1 C波段异常信号分类方法

在监测C波段信号时,该波段的常见异常是单载波,单频,雷达和干扰信号。通过大量的无线电监测,相关部门已经获得了异常信号样本库。因此,聚类分析用于聚类无线电监测数据(训练集),然后通过判断异常信号与聚类中心之间的距离将异常信号划分为最接近它的聚类中心的类型。 ,确定其类别,实现对C波段异常信号的监测。为了尽可能简化聚类分析的计算过程,首先应该减少数据的维度。在特征空间中,异常信号可以被视为相对于正常信号的孤立点。


4.2实验

频谱分析仪采集C波段中四种测量的无线电异常信号,采集频率点的能量值作为样本数据,采集每个采样点401个样本,采集4个异常信号。样本数据为分为两组,训练样本集和测试样本集。训练样本的数量和每个信号的测试样本的数量是100.这四个信号共享400组训练样本和400组测试样本。频谱图如下:

实验结果表明,基于主成分分析的信号识别方法比基于专家经验的特征提取具有更好的分类精度,但准确性仍有待提高。原因是主成分分析保证了每个特征的完整性。但是,当使用传统的模糊C均值聚类时,每个属性的特征被认为是同等重要的。但是,在实践中,这些功能的重要性非常重要。那不一样。为了解决这个问题,本文将熵权法引入模糊C均值,并利用熵权法利用各指标的信息量来客观有效地加权特征。

.............


结论和展望


无线电的发展导致了越来越复杂的电磁环境。同时还有许多异常信号:包括非法信号和使用不规则信号。它给无线电监测带来了越来越多的困难。传统的数理统计方法尚未满足数据分析的需要。为了最大化无线电信号特性的完整性,提高了监测的准确性。本文提出了一种基于主成分分析的信号分类方法来提取特征。改进了基于专家经验选择特征的当前方法,并且使用最大可能的无线电信号来确保信息的完整性。详细介绍了模糊C均值和熵权法,并将熵权法引入模糊聚类中,减少了属性特征不同重要性的影响。具体内容如下:1。介绍了C波段异常信号分类的背景和意义。 2主成分分析研究。从信息利用率开始,主成分分析方法用于提取信号的主要成分,并且改进了当前使用专家经验选择特征的方法。保证信息的完整性。 3将熵权法引入模糊C均值。熵权用于定义权重,并且每个维度特征的重要性通过加权来表示,以解决特征对分类不均匀贡献的问题。 4将基于PCA和WFCM异常信号分类的方法与本文提出的方法进行了比较

常用的专家经验值选择功能。 通过比较两个实验结果的正确性验证了该方法的有效性。


.............


参考文献(略)


更多优惠

期刊推荐