基於支持向量機的寬帶頻譜壓縮感知方法
2023-05-31 08:02:16
基於支持向量機的寬帶頻譜壓縮感知方法
【專利摘要】本發明公開了一種基於支持向量機的寬帶頻譜壓縮感知方法,該方法引入壓縮感知理論以降低對模/數轉換器的要求,解決了感知信號重建過程計算複雜度高、耗時長、實時性差的問題,利用支持向量機代替信號重構過程,對觀測序列直接進行分類識別。所述方法的系統首先進行訓練,壓縮採樣大量的已知頻譜佔用情況的信號樣本,利用支持向量機進行訓練,得到分類器參數,分類識別時利用訓練好的分類器對壓縮後的觀測序列進行頻譜佔用情況判決,得到主用戶頻譜當前的空閒頻譜信息,從而很好地實現了實時寬帶頻譜感知的功能。
【專利說明】基於支持向量機的寬帶頻譜壓縮感知方法
【技術領域】
[0001]本發明涉及計算機通信【技術領域】,特別涉及一種基於支持向量機的寬帶頻譜壓縮感知方法。
【背景技術】
[0002]目前,隨著我國無線通信業務領域的廣泛發展,頻譜資源日趨匱乏,其主要原因是現有無線通信系統均採用低效率的固定信道分配策略。認知無線電的提出可以有效解決該問題,它允許認知用戶在不影響授權用戶正常通信的前提下共享該頻段。
[0003]頻譜感知技術是認知無線網絡設計的重要基礎環節,只有實時快捷的了解主用戶對頻譜使用的情況,才能在不對其造成額外幹擾的情況下實現無線頻譜的二次利用、提高無線頻譜利用率。
[0004]壓縮感知是一門新興技術,它利用了稀疏信號的自相關特性,使用少量的投影來還原信號。這些投影的地位是等價的,因而在傳輸中丟失若干不會造成嚴重後果。與傳統思路的高採樣速率相比,壓縮感知只簡單採集一部分數據(而非全部數據),將複雜的處理部分交給數據還原端來做,在儘量少的數據中提取儘量多的信息,大大降低了需要的採樣速率。
[0005]壓縮感知技術是傳統資訊理論的一個延伸,卻又為信號採集技術帶來了革命性的突破,它採用非自適應線性投影來保持信號的原始結構,以遠低於奈奎斯特頻率採樣信號,通過數值最優化問題準確重構。
[0006]但是壓縮感知重建算法是NP-hard問題,計算複雜度高,需要考慮個子空間的
聯合窮舉。用I1-最小算法來替代Itl-最小算法,可以在一定程度上降低複雜度,但是其算法複雜度也接近0(N2) (N表示信號長度)。特別對於寬帶信號重建過程耗時過長,不利於實時性應用。而本發明能很好地解決上面的問題。
【發明內容】
[0007]本發明目的在於提供基於支持向量機(SVM, Support Vector Machine)的寬帶頻譜壓縮感知方法,該方法引入壓縮感知理論以降低對模/數轉換器的要求,利用支持向量機代替信號重構過程,直接進行分類識別。壓縮採樣大量的已知頻譜佔用情況的信號樣本,利用支持向量機進行訓練,得到分類器參數,而後利用訓練好的分類器對壓縮後的觀測序列進行頻譜佔用情況判決。
[0008]本發明解決其技術問題所採取的技術方案是:本發明提供基於支持向量機(SVM, Support Vector Machine)的寬帶頻譜壓縮感知方法。該方法利用支持向量機代替壓縮感知中的重構過程,通過壓縮採集大量已知頻譜佔用情況的樣本,對於樣本進行數據預處理並訓練,得到分類器,利用分類器對未知頻譜段進行頻譜感知。該方法將計算複雜度從重構過程轉移到之前分類器的訓練上來,降低了頻譜感知時間,實現實時頻譜感知。
[0009]本發明提供了一種基於支持向量機的寬帶頻譜壓縮感知方法,該方法包括如下步驟:
[0010]步驟1:對於已知頻譜佔用情況的寬帶頻譜段利用壓縮感知進行壓縮採樣,得到大量的訓練樣本。
[0011]步驟2:對於訓練樣本進行數據預處理,即數據取絕對值,同時進行一定比例的尺度縮放。
[0012]步驟3:利用支持向量機對縮放後的訓練樣本進行訓練。該訓練既包括二元分類器訓練,即對於一整段頻段進行有無被主用戶佔用的二元分類器訓練,又包括對於寬頻段多信道多個主用戶不同佔用情況的多元分類器訓練,得到分類器。
[0013]步驟4:對於未知寬帶頻譜段利用壓縮感知進行壓縮採樣,使用與步驟2中相同的觀測矩陣得到測試樣本。
[0014]步驟5:將測試樣本進行數據預處理,採用同步驟2相同的方式進行數據處理。
[0015]步驟6:利用訓練好的分類器進行頻譜判決,得到頻譜佔用情況。
[0016]有益效果:
[0017]1、本發明引入壓縮感知理論使系統能以遠低於奈奎斯特採樣速率的速率無損採樣,降低對硬體的要求。
[0018]2、本發明降低了系統複雜度,實現了實時頻譜感知,同時提高了頻譜感知的精度。【專利附圖】
【附圖說明】
[0019]圖1為本發明的系統流程圖。
[0020]圖2為本發明的線性可分情況下的最佳分類線。
【具體實施方式】
[0021]下面結合說明書附圖對本發明作進一步的詳細說明。
[0022]如圖1所示,本發明的系統流程圖主要包括頻段信號採集、採樣信號數據預處理、分類器訓練、頻譜佔用情況分類判決等四部。頻段信號採集部分,利用壓縮感知技術對已知先驗情況的寬帶信號進行採樣,得到大量的訓練數據,同樣對未知的寬帶信號進行採樣,得到測試數據。數據預處理部分,為了降低系統計算複雜度,同時提高訓練得到的分類器的準確性,對採樣的信號取絕對值並且進行同比例縮放。分類器訓練部分,根據具體需求進行二元、多元分類器訓練,得到判決分類器。頻譜佔用情況分類判決,利用訓練好的分類器,對測試數據進行分類判決,實現頻譜感知的目的。
[0023]訓練樣本的採集,設已知頻譜佔用情況頻段信號Xjraini長度為N,觀測矩陣為隨機高斯矩陣Φ e Rmw,其中M是壓縮感知中觀測數。壓縮採樣後數據y_traini可表示為:
[0024]y_traini = Φ X^raini (1)
[0025]其中,i = 1,2,...,η,η表示大量訓練樣本的個數,訓練樣本採樣時使用同一個觀測矩陣Φ。測試樣本的採集,同樣設未知情況的頻段信號X_tesh長度為N,觀測矩陣使用訓練樣本採樣時使用的同一個觀測矩陣Φ。壓縮採樣後數據y_tes\_可表示為:
[0026]y_testj = C>x_trainj (2)
[0027]其中,j = 1, 2,..., m, m表示測試樣本的個數。
[0028]考慮到無線信道上存在噪聲,則:[0029]x_traini = x—trair^+w (3)
[0030]x_testj = x_testj+w (4)
[0031 ] 其中,w表示高斯白噪聲,
【權利要求】
1.一種基於支持向量機的寬帶頻譜壓縮感知方法,其特徵在於,所述方法包括以下步驟: 步驟1:對於已知頻譜佔用情況的寬帶頻譜段利用壓縮感知進行壓縮採樣,得到大量的訓練樣本; 步驟2:對於訓練樣本進行數據預處理,即數據取絕對值,同時進行一定比例的尺度縮放; 步驟3:利用支持向量機對縮放後的訓練樣本進行訓練;該訓練既包括二元分類器訓練,即對於一整段頻段進行有無被主用戶佔用的分類器訓練,又包括對於寬頻段多信道多個主用戶佔用情況的多元分類器訓練,得到分類器; 步驟4:對於未知寬帶頻譜段利用壓縮感知進行壓縮採樣,使用與步驟2中相同的觀測矩陣得到測試樣本; 步驟5:將測試樣本進行數據預處理,採用同步驟2相同的方式進行數據處理; 步驟6:利用訓練好的分類器進行頻譜判決,得到頻譜佔用情況。
2.根據權利要求1所述的一種基於支持向量機的寬帶頻譜壓縮感知方法,其特徵在於:所述方法的步驟2和步驟4中訓練樣本與測試樣本的壓縮採樣使用相同的觀測矩陣。
3.根據權利要求1所述的一種基於支持向量機的寬帶頻譜壓縮感知方法,其特徵在於:所述方法的步驟3中分類器的訓練可根據不同的需求進行二元、多元分類器訓練。
4.根據權利要求1所述的一種基於支持向量機的寬帶頻譜壓縮感知方法,其特徵在於:所述方法引入支持向量機取代壓縮感知理論中的信號重構過程,對觀測序列直接進行分類識別。
【文檔編號】H04W16/14GK103795477SQ201410010588
【公開日】2014年5月14日 申請日期:2014年1月9日 優先權日:2014年1月9日
【發明者】呂斌, 楊震 申請人:南京郵電大學