文摘
为了解决大型问题的信号采集误差引起的电波多路径效应在室内环境中,首先,信号源进行了运动平台收集的光谱信号,和信号处理的小波阈值去噪算法提取光谱特征提取和存储。数据训练和识别之后,信号源输入到系统在随机模式识别。实验结果表明,改进的模糊聚类算法(FCA)是12.7%高于谱包络提取方法(似乎)光谱特征的识别率信号源的不同模式。
1。介绍
在室内运动平台的定位、通信信号模式在信息交换中发挥着关键的作用。由于室内无线电波传播的特点1]通信信号的不同模式,工作模式可以自动改变调整频道当通信(2]并不顺利。接入点AP可以识别定位信号源在运动平台上加强定位和跟踪。光谱特征识别方法对波信号的识别非常重要非常重要。传统的包络谱特征提取方法(3)可以优化信号源的选择光谱特性(4),有效地提高信号源的信号检测精度。然而,似乎的特征提取算法很容易受限于实验环境。室内环境变化很大时,误差的算法提取的特征数据似乎很大。
葬礼是一个聚类算法基于模糊系统理论(5]。Bezdek提出了FCA (6]早在1973年,它起源于早期k - means聚类算法改进。由FCA构造目标函数可以实现的最大相似样本属于同一个集群和最小样本之间的相关性不同的集群在分裂过程中。然而,FCA聚类中心的随机性很大,这很容易导致局部极值(7]。同时,当测试样本的属性相互接近,很难对他们进行分类。所有这些需要指导分类。改进的FCA基于成对回归融合可以结合FCA在模糊分类,以提高分类效率。
2。相关工作
分析信号特征的方法通过使用空间波的频谱信号频谱分析仪接收机收到的已成功应用于许多领域。目前,一些学者研究了户外GPS卫星信号的频谱特征(8),雷达信号和无线电信号。然而,很少有研究室内干扰信号的频谱特征来源。在文献[9),发射器调制器的失真和功率放大器的非线性特性引入分类器构造模型,和测试结果表明,该发射器信号的频谱失真的存在。在文献[10),瞬态信号的稀疏特性作为评价模式的基础上实现发射器信号的识别功能。在文献[11),相关的功能是通过分析发射器信号的时频特征提取实现瞬态特征的识别。上述研究结果意义重大,但却没有参与这项研究的室内定位信号源光谱特征。
3所示。方法
3.1。建筑模型
为了解决大型问题的信号采集误差引起的室内信号来源的多路径效应,首先,无线电信号的频谱是收集和处理在室内的平台上,然后,随机信号输入到系统识别大规模信号。最后,建设信号采集与识别系统如图1。
已知通信信号源被收集和输入频谱SA44B频谱分析仪的识别系统。根据四个常见的GSM通信模式,CDMA, DCS,和小灵通,相应的光谱特征提取后存储在数据库中信号检测特征提取和识别。然后,经过学习和训练,识别率更高的频谱特性是实现。在线识别阶段,信号源与未知的工作模式识别系统的输入,以及工作模式的输出信号来源鉴定后确定。
3.2。信号采集与处理
本节是区分的源信号的目标定位;光谱信号的四个模式信号的源由室内运动平台收集在室内。CDMA信号的频谱源具有平滑的波形的特点和明显的峰值,如图2。信号源的光谱在GSM模式比在CDMA方式粗糙,但它有明显的峰值,如图3。DCS工作模式是最无序的光谱中四种光谱收集,如图4。在小灵通模式下,通信信号的谱峰间距离较大,所以特征更明显,如图5。
显然,光谱信号的四个模式的特点是复杂的,最优光谱特征参数的选择并不容易,有很多杂波频谱,影响室内定位信号的来源。
为了防止从模糊边缘信息,介绍了一种非线性滤波器,中值滤波可以保持锋利的边缘。信号处理中值滤波仍然含有噪声,小波去噪方法是更好的减少无线电波信号的高斯白噪声。小波去噪方法(12)包括模极值去噪方法,小波相关去噪方法和小波阈值去噪方法。传统的小波硬阈值函数(13和软阈值方法14)所示的模型
传统的小波硬阈值函数很容易产生吉布斯振荡(15),而软阈值方法很容易产生“平滑”扭曲由于常数不同的小波系数16]。
见公式(2),阈值调整参数是 , 是附近的小波系数的平均值,是一个正数。当 是 ,阈值 函数是连续的,可以克服信号振荡问题引起的硬阈值的不连续;当 是 ,新的阈值函数符合硬阈值函数的特点,从而克服了硬阈值,克服造成的畸变不变小波系数的差异。
当阈值调整参数 和 ,新的小波阈值函数是一个软阈值函数;当阈值调整参数 和 ,新的小波阈值函数是一个硬阈值函数。通过调整参数和 ,我们可以获得不同的模式的信号处理结果干扰信号的来源。去噪后的光谱的四个模式,我们可以正常化 - - - - - -分数(17),如图6。
3.3。信号的频谱特征提取
信号频谱参数选择提取峰值,对应的频率,信号频谱带宽,和峰态(18)的信号通过不同的传播模式信号来源的特征参数对应的无线电波信号的模式。不同模式的特征参数CDMA、GSM、DCS和小灵通信号来源是一步一步构造向量序列中提取所需的无线电波信号的特征识别模型。如表所示1的四个模式CDMA、GSM、DCS,和小灵通,分别标记为 。
3.4。类别特征分析
让特性集的特征向量的长度 是 ,和特征向量的数量 ;然后,特性集分为模糊组。为了代表每个特征向量属于的程度独立的类,算法返回聚类中心矩阵和成员矩阵 ,其中每个元素表明的属于成员资格。构造目标函数如下:
表特性集的每一行1对应的特征向量,特征向量矩阵 可以了,是输入矩阵的模糊聚类算法。集群的数量设置为 ,模糊权重参数 ,迭代的数量是500,迭代停止阈值参数 由四个模式。集群中心设置和成员矩阵可以通过四种特征向量的操作。
见公式(3),是集群中心集合,类的集群中心吗 , 是模糊权重参数,在模糊聚类初始数量的集群, 根据经验, 特征向量的欧氏距离吗类中心 。通过迭代计算,数据是接近最优聚类中心 。
从会员中的数据矩阵 ,我们可以找到特征向量所属的行号,也就是类的隶属度标签。行代码对应于每一列数据的最大值是类别特征向量所属。根据矩阵 ,最大数据值计算列 出现在第一行,所以特征列中的数据 在表1分为同一类别。约,根据特征数据的最大成员值列 , ,和 ,状态类标签可以确定。
可以看出above-extracted特性数据有明显的类别特征,能正确区分这四个模式的状态特征信号来源,但是分辨率不够清晰,更详细的需要构建分类器来区分。
3.5。建立分类器
传统的葬礼是受到核函数,模糊概率的选择不是意义。与此同时,很难非线性样本进行分类。因此,对于已知的特性集 ,类别标签序列 , ,和是重量参数。软间隔分类的功能优化模型的葬礼是改善和构造如下:
见公式(5), 是一个常数, 是物流损失函数, 。的引入对利率回归模型的优点是输出预测标记和概率参数,适合multiclassification问题中的应用。
因此,它相当于使用最大似然方法解决内层最大化在贝叶斯框架19),如图所示
让 , ,公式(7可以转换成)
见公式(7),这是一个高阶连续凸函数 。根据牛顿迭代法在凸优化理论、最优的解决方案 可以获得,然后,权重和可以获得。此外,它假定伯努利分布,遵循高斯先验分布。为了消除不相关的噪声分量 ,似然估计概率模型,如图所示
为了减少学习程度的模型,一个点球参数 介绍了为每个重量概率评价模型。
见公式(9), 是一个稀疏概率模型由吗 维hyperparameters。可以看出,改进的FCA基于成对回归融合的优点估计输出预测标记并添加概率参数在同一时间。
3.6。优化的分类处理
因为FCA的软间隔分类模型具有较高的预测成本,为了减少过度拟合训练误差的风险模型,SA算法加速收敛FCA培训过程。SA算法易于全局优化,避免局部极值,所以它可以取得更好的全局收敛性。
步骤1。初始化程序,初始温度 ,初始解向量 ,步长 ,解决方案空间向量维度3,200年的迭代次数,和终止阈值 。
步骤2。FCA模型用来计算初始解决方案 ,和SA算法叫做和生成一个新的点作为初始点 随机, 是一个随机号码,计算。
步骤3。健身通过计算 - - - - - -折交叉验证,折数设置为5,全局最优值是根据更新吗 。如果 ,它有新的解决方案是接受。否则,新的解决方案是接受概率 ,在哪里是当前温度控制参数。退火函数用于控制迭代速度 ,和退火平滑系数设置为 。
步骤4。当迭代满足标准 或迭代次数达到,程序退出,细分类的样本。
3.7。训练和测试
为了验证上述模型的分辨率和泛化能力,“储备法”也用来识别和验证样本收集来自不同模式的信号来源。每个模式状态抽样30组,共120组实验数据的收集,和它们的特征参数提取。为了防止过度训练数据,100组每组信号特性集对模型训练随机选择。使用20组的特征作为分类器测试,验证集样本迭代号码是500,然后停止阈值 ,和模型分类矩阵计算得到混乱状态;根据测试结果的混乱状态矩阵,正确的样品可分为表对角累积求和,总共18;整体的正确识别率可以达到90%,这可以有效地识别四种工作模式的信号。
其中,信号模式识别错误是DCS。原因是信号的频谱特征源在这个频段接近相邻信号的频带。当检测信号源的信号强度接近相邻频带,会有误判,误判率很低。混乱状态矩阵的计算模型分类如表所示2,表明该系统可以得到足够精确的结果为指定的信号源信号模式识别。
4所示。实验结果和分析
4.1。识别速度的比较
通过SA44B频谱接收机,信号的频谱信号的四个模式源由室内运动平台收集在室内。定量测试实验进行验证的准确性的特征选择算法和SA-FCA。识别率是提取正确的百分比衡量样本单位数的特性。单位采集的样本数量设置为200,和正确的特征值和特征值总额的比例计算,如图7。当频谱的数量增加到300,最高识别率可以达到93.1%。然后,似乎算法的特征选择能力随功能的数量的增加而减小。特性的数量增加到400年的时候,SA-FCA提取的最大特征识别率达到96%。从识别率的比较图表,可以看出许多选择特性并不是越大越好,和功能的数量呈下降趋势,当特征的数量达到400。
4.2。定位精度最优特性的分析
此外,优化频谱特征值信号源用于定位的实验来验证优化算法在定位精度的影响。传统的神经网络算法,然而算法(20.],似乎算法和改进的葬礼在室内定位算法进行了比较实验,如图8。改进的FCA特征选择方法可以实现定位误差的78% 1.3,高于13%似乎算法。改进的FCA特征选择方法可以实现定位误差的83% 1.5,高于8%似乎算法。
5。讨论
从无线电波信号中提取特征值的分类分析的基础是非法信号识别。FCA模型聚类广泛使用作为一种无监督学习算法的“硬化”得分方法。通过调整会员标准,个体特征向量的特性集分为子类集群中心一个接一个地和不同类别之间的相似性是最小的。根据这个,通过模糊聚类识别的特点CDMA, GSM、DCS,和小灵通四种不同模式的信号,少量的样本数据是用来测试的有效性提取类别的无线电波信号的特征值。
葬礼是一种常见的分类器适用于小样本集,也可以扩展到multiclassification领域。它的核心思想是建立一个分类超平面模型特征空间中的样本数据和删除特定的值。困难是分离超平面近距离样品高速率和最大间隔的信心。
6。结论和未来的工作
针对问题的大型工作模式转换造成的定位误差信号的源由室内运动平台,本文首先阐述了特征识别的干扰信号源的新视角频谱检测和无线电波信号的特征识别和研究无线电波信号的频谱特征,小波阈值去噪处理后的方法。然后,通过改进FCA模型分类训练和识别,效果比信封法。最后,从识别提取的光谱特征值用于定位。室内定位实验是由传统的神经网络算法,然而算法,算法,和改进的葬礼。收集到的样本的识别率比较理想,基于特征的数据,定位效果更好。此外,还有其他类型的信号来源进一步研究,需要大量收集的数据丰富识别数据库,在后续实验需要改进。
数据可用性
使用的数据来支持本研究的结果都包含在这篇文章。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的重点研究项目的基础邢台市城市,中国(2020号zc012),和青年人才项目的基础邢台市城市,中国(2021号zz035)。