基于核空间优化支持向量机的合作频谱感知算法

在认知无线电网络中,由于噪声不确定性引起的聚类重叠,导致能量检测的性能明显降低.针对噪声不确定对频谱感知的影响,提出了一种基于核空间优化支持向量机的合作频谱感知算法.该算法融合了支持向量机和核空间优化相关理论,将感知用户收集的数据统计量组合成向量,使用Fisher准则对该向量集进行相关运算,得出使各类数据在高维空间中分...     

基于循环谱特征的楼宇室内频谱感知算法

针对目前楼宇室内环境中,信道多径衰落和噪声不确定性等低信噪比情况下主用户信号检测性能较低的问题,提出了一种基于支持向量机(SVM)的主用户信号频谱感知算法.该算法融合了循环平稳特征检测和SVM算法的特点,对信号循环平稳特征参数进行特征提取,作为训练样本和待测样本,再采用SVM算法分别对有无主用户情况下的信号进行分类检测.仿真实验表明与人工神经网络(ANN)和最大最小特征值法(MME)相比较,所提算法可在低信噪比情况下,有效地实现对主用户信号的感知,具有较好的稳健性.     

基于协作的动态频谱租赁序贯博弈

针对认知无线电频谱共享问题,在主用户与多接入感知用户共存的场景下,提出并分析了一种频谱租赁分层模型。该模型中感知用户间的竞争接入采用分布式异构机会功率控制方式;主从网络之间的竞争与协作采用序贯博弈。对博弈的完全信息模型给出了逆向归纳法求解方案,对不完全信息场景给出了一种近似求解方案。理论分析与仿真结果证明了所提出的模型与算法能够保证主用户的保留支付,并在两个层次(主从网络之间以及感知网络内)上公平的共享频谱。     

基于动态组稀疏重构的频谱感知算法

针对认知无线电网络中宽带频谱感知问题,提出了一种基于主用户信号频谱结构的频谱感知算法,简称为DGS-SS算法.该算法首先利用压缩感知理论对信号进行欠采样,然后利用主用户信号频谱的组稀疏结构修正重构过程中的频谱和残差支撑集,从而能够加快重构主用户信号频谱的收敛速度,而且也能够提高主用户信号频谱的重构精度,最后利用重构信号频谱给出频谱空穴的有效检测.仿真结果表明,所提算法不仅能在低压缩比下精确重建信号频谱,而且对噪声变化具有更强的鲁棒性,从而有效地提高了频谱感知性能.     

基于数据融合的协作频谱感知算法

协作的频谱感知使认知无线电(CR)网络对主用户进行可靠的检测,并避免了对主用户通信的干扰.数据融合是协作的频谱感知的关键技术.对基于"与"准则、"或"准则、最大后验概率准则和贝叶斯准则的数据融合算法进行了研究,采用这4种融合方法在认知无线电网络中进行协作频谱感知,并比较了它们的频谱检测性能.仿真结果显示最大后验概率准则和贝叶斯准则在认知无线电的环境中有优越的感知性能.     

认知异构网络中基于非理想频谱感知的凸优化资源分配算法

当前认知异构网络中无线频谱日益紧缺,而传统固定频谱分配模式日益成为限制无线通信性能的重要瓶颈,在非理想频谱感知情况下资源分配的问题尤为突出。为实现非理想频谱感知情况下无线资源的高效分配,提出一种基于认知异构网络的凸优化资源分配算法。该算法首先构建了基于主用户活跃度的用户到达模型,以精确描述认知网络中主用户的频谱使用状态,为认知用户分配资源提供依据;并通过认知异构网络干扰分析构建非理想频谱感知条件下的干扰容限条件,最后通过凸优化算法实现对认知网络中频谱资源的优化分配。仿真结果表明,在非理想频谱感知条件下,该算法能够有效降低系统平均时延,提升认知异构网络的传输速率和系统吞吐量。     

基于混合核函数的PSO-SVM分类算法

在数据挖掘中,支持向量机是被广泛应用的一种分类算法,其核函数的选择及参数的设定没有有效的标准。本文采用混合核函数构造兼顾学习能力和泛化性能的支持向量机算法,并利用粒子群算法来确定支持向量机的参数。应用基于混合核函数的PSO-SVM算法对一个经典的分类测试数据集进行分类,将该算法与单一核函数支持向量机算法的分类结果进行比较,结果表明所提出的算法的分类性能有明显提升。     

基于谱聚类算法的高速网络数据流快速分类方法研究

当前高速网络数据流分类处理时，忽略了冗余数据对分类结果的影响，使得分类结果 F1值较低。因此，提出了基于谱聚类算法的高速网络数据流快速分类方法。采用主成分分析法对高速网络数据流进行降维处理。对所有数据流相关性特征进行选择，去除冗余特征，保留有效的特征信息。应用支持向量机算法构建网络数据流快速分类模型，结合谱聚类算法对多数类样本进行聚类，组成新的数据集并将其输入到分类模型中得出相关的分类结果。实验结果表明，所提方法的平均F1值为0.95,F1值越大分类结果越准确，说明该方法能够满足高速网络数据流快速准确分类，具有优越的数据分类性能，应用价值更高。     

核PCA支持向量机算法研究

在核函数基础上,提出了一种融合支持向量机和核主元分析的核PCA支持向量机综合集成分类方法,给出了算法实现步骤。仿真实验表明了该算法具有很好的分类性能,特别适合于消除噪声情形的模式识别问题。     

协同频谱感知中的融合策略

在认知无线网络中,协作频谱感知从多个分布式认知用户中收集感知数据,有效地提高了检测的可靠性.如何利用多个认知用户的感知信息进行融合是协作频谱感知的关键技术.在当前的研究中,融合的方式可以分为两种:决策融合和数据融合,文中对基于决策融合和数据融合的5种融合准则算法进行了研究,采用这5种融合算法在认知无线电网络中进行协作频谱感知,并比较了它们的频谱检测性能.仿真结果显示,5种融合算法都可改善性能不佳的单个次用户的检测情况,并随着协作节点数的增大性能得到显著提高.其中,数据融合由于较决策融合接收到的数据值更加完整以换得更优越的感知性能.     

遥感图像分类的多核SVDD算法

将K型核函数和指数径向基核函数分别与径向基核函数组合成多核函数,并利用其构造出性能更加优越的支持向量域描述(SVDD)算法.将提取的遥感图像各波段光谱特征组成特征向量,分别用基于径向基核函数和多核函数的SVDD算法进行遥感图像分类.仿真实验结果表明:改进核函数的SVDD分类算法提高了分类精度,缩短了训练时间.     

基于自适应核函数的支持向量数据描述算法

为进一步提高支持向量分类器的分类精度和运行速度,提出了基于自适应核函数的支持向量数据描述分类算法。该算法的核心思想为：根据信息几何中保角映射的方法构造数据驱动的核函数修正算法,然后再利用修正的核函数训练支持向量数据描述分类算法。试验结果表明,该方法具有较好的分类精度和较快的运行速度。     

基于核方法的分类算法比较研究

讨论基于核方法的分类算法的原理及其用于统计建模的一般步骤,研究了支持向量机和核Fisher线性判别分类算法的性能,数值实验表明基于核的分类算法与传统分类算法相比具有高精度,自适应的优点．     

认知无人机网络中多机协作频谱感知研究

多无人机协同工作模式在未来通信中有着重要的应用前景。结合频谱资源短缺的问题,建立认知无人机网络模型,并研究多机协作频谱感知性能,提出一种最佳融合准则来优化检测性能。针对无人机数量较多的大型认知无人机网络,提出一种快速高效的协作频谱感知算法,并比较该算法在瑞利衰落以及Nakagami衰落2种信道环境下的性能。仿真结果表明:①采用最佳融合准则可以使协作频谱感知总错误率达到最小;②快速协作频谱感知算法可以利用较少的无人机来保证协作频谱感知的检测准确度,避免了不必要的感知过程,减少了参与协作频谱感知的次级用户数量,降低了协作感知时间,从而节省了感知过程开销,而且相比于瑞利衰落信道,该算法在Nakagami衰落信道环境下具有更好的性能。     

一种基于数据独立性的SVC核参数选择方法

提出一种选择支持向量分类(Support Vector Classification,SVC)最优核参数的算法,称为MI(Maximum Isolation)算法,通过定义样本间的独立性,可以获得最优核参数和相应的最优学习模型。该算法可以在支持向量机训练之前得到最优的核参数,计算代价较小,实验证明所提出的算法简单有效。     

基于自编码神经网络的高分辨率距离像降维法

为了提高支持向量机(SVM)分类效率,大幅减少以高分辨率距离像(HRRP)功率谱为特征的支持向量机目标识别分类器的计算量,采用自编码神经网络深度学习方法,实现高维、非线性HRRP功率谱的数据降维。在此基础上,提出了Autoencoder-SVM模型,综合利用自编码神经网络的特征提取能力和SVM的分类能力。仿真结果显示,在HRRP功率谱降维方面,自编码神经网络的降维效果远好于核主成分分析和等距映射算法,其降维结果对SVM分类结果影响甚微,但大幅缩短了SVM的计算时间;同时,在隐层节点数相同的情况下,随着隐含层数的增加或者深度的增加,自编码神经网络数据降维或特征提取效果更好。     

基于KCPA提取特征和RVM的图像分类

为了得到更理想的图像分类结果,提高图像分类的效率,提出一种核主成分分析与相关向量机(RVM)相融合的图像分类算法.首先采集大量图像,建立图像数据库,并提取图像特征;然后采用核主成分分析对图像进行选择和降维,减少图像特征数量,消除作用较小的特征;最后通过相关向量机的训练构建图像分类器.采用3个图像数据集进行图像分类实验,实验结果表明,对于3种标准图像数据库的图像,该算法的图像分类正确率大于95%,远高于其他算法的图像分类正确率,且图像分类速度可以满足图像的实际应用要求.     

基于Fisher准则的SVM参数选择算法

支持向量机(support vector machine,SVM)分类性能主要受到SVM模型选择(包括核函数的选择和参数的选取)的影响,目前SVM模型参数选择的方法并不能较好地确定模型参数。为此基于Fisher准则提出了SVM参数选择算法。该算法利用样本在特征空间中的类别间的线性可分离性,结合梯度下降算法进行参数寻优,并基于Matlab实现选择算法。实验结果表明参数选择算法既提高了SVM训练性能,又大大减少了训练时间。     

基于核主成分分析和支持向量机的飞机舱音信号识别

为了提高飞机事故原因的调查准确性与实时性,提出了一种基于核主成分分析和支持向量机的舱音背景声识别方法.首先提取和分析了飞机驾驶舱话音记录器中所记录背景声信号的特征参数,然后分别以多项式核函数、sigmoid核函数和高斯核函数3种核函数作为内积,对3种核函数的降维特性进行了对比分析,最后将核方法与支持向量机结合,实现对舱音背景声的分类识别.实验结果表明:通过基于不同核函数的主成分分析方法与支持向量机的结合比较,确定以高斯核函数为内积的SVM分类方法具有较好的分类效果.