论文部分内容阅读
随着现代信息技术的快速发展,无线电频谱资源逐渐成为人类社会广泛使用的重要资源,然而各种干扰信号不断出现,无线电监测任务日益艰巨。异常信号的识别研究是无线电监测的重要任务之一,具有非常重要的理论价值和现实意义。无线电信号识别是经典的多分类问题,而支持向量机(SVM)则擅于解决高维分类问题,在诸多领域广泛应用。本文将支持向量机运用到无线电监测中,提出基于支持向量机的广播频段及C波段无线电异常信号识别方法,主要研究内容如下:1、讨论了支持向量机中几种核函数、模型建立和参数选择设置,分析它们对支持向量机分类效果的影响,选取不同的惩罚因子和核参数值进行无线电异常信号识别实验。实验结果表明,核函数的选择、参数的设置都对支持向量机的泛化能力有明显影响,直接决定无线电异常信号系统的识别效果。2、以广播频段为应用研究背景,通过设备采集数据,预处理后提取特征,建立支持向量机模型,选择最优参数,最终实现广播频段异常信号识别。为了验证基于支持向量机的无线电异常信号识别方法的可行性与有效性,应用BP神经网络分类法在同等条件下对比实验,结果表明:本文提取的特征及选用的优化参数方法在SVM分类中效果良好,且识别率高于传统神经网络分类方法。3、在二分类的基础上,以C波段几种异常信号作为研究对象,实现支持向量机多分类识别。主要构建了基于“一对一(OAO)”和“一对多(OAA)”两种多分类支持向量机分类模型,分析了两种算法的优缺点,并与BPNN进行对比实验。实验显示,虽然这两种支持向量机多分类方法分类结果不同,但是其分类准确率均明显高于BP神经网络。4、在C波段无线电信号识别实验中,为了进一步研究影响SVM识别性能的因素,本文选用不同的优化算法和核函数,通过对比研究发现,粒子群优化算法及径向基核函数对信号的识别率较高,且优于其他算法及核函数方法,是一种识别C波段异常信号的有效新方法。