认知无线传感器网络新型SVM频谱感知策略
发布时间：2019-09-19 16:07
【摘要】：阐述了基于认知无线传感器网络背景运用支持向量机的可行性。针对低信噪比噪声复杂性高的无线环境,单一的识别方法难以获得相对准确的结果。基于隐马尔可夫模型(Hidden Markov Model,HMM)对传统SVM频谱感知算法进行了优化,采用多个分类器集成降低识别错误和增强识别鲁棒性。采用最小二乘法将线性不等式约束转化为线性约束得到最优超平面来分割主信号和噪声干扰,对主用户状态进行决策,最后与传统能量检测算法比较性能。仿真结果表明,基于SVM频谱感知性能更接近理论值,比能量检测更为可靠与准确,错误率为1.6%,在低SNR下检测概率比能量检测高出18%,具有更优的检测性能与鲁棒性。
【图文】：
题。它是基于历史数据建立一个分类模型，把接受到的新数据经过该分类模型快速地做出分类。其原理是将低维无法用线性模型分类的空间，通过非线性转换，得到一个高维线性特征空间，在高维线性特征空间中构造一个线性的间隔超平面，使样本点在空间内被划分区别开。最大间隔超平面，使不同标记的样本更大可能正确分开，并且使各被区别的样本与间隔超平面的空间差距达到最远。本文关键研究点是在于改进传统支持向量机，将线性不等式约束转化为等式约束，大大简便了运算，从而提高ＣＲ系统的感知性能［１８］。图１传统支持向量机最优超平面分割Ｆｉｇ．１Ｔｈｅｏｐｔｉｍａｌｈｙｐｅｒｐｌａｎｅｓｅｇｍｅｎｔａｔｉｏｎｏｆｔｒａｄｉｔｉｏｎａｌｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ给定一组数据训练集｛（ｘｉ，ｙｉ）｝ｎｉ＝１，…，Ｎ，ｘｉ∈Ｒｄ输入特征空间的变量，Ｒｄ为ｄ维欧式空间；ｙｉ∈ｙ＝｛－１，＋１｝是输出变量，本文对传统ＳＶＭ学习算法进行改进，，当ＣＲ系统在新的输入ｘ′到来时能确定合适的输出值ｙ′。按照最大化分类间隔和最小化误差平方和的原则，低信噪比特殊环境下频谱感知到的数据信息最优超平面可表示为：ｍｉｎｗ，ｂ，ｅ１２‖ｗ‖２＋γ２∑ｎｉ＝１ｅ２ｉｓ．ｔ．ｙｉ（ｗφ（ｘｉ）＋ｂ）＝１－ｅｉ，ｉ＝１，２，…，p蚿蘰危睿ǎ保┦街校海魇浅矫娣ㄏ蛄浚唬澹槲蟛睿沪梦蟛畛头Ｒ蜃樱沪眨ǎ┦鞘淙肟占涞教卣骺占涞模龋椋欤猓澹颍艉丝占溆成浜郏保梗荨４常樱郑筒捎玫氖嵌
本文编号：2538228
【图文】：
题。它是基于历史数据建立一个分类模型，把接受到的新数据经过该分类模型快速地做出分类。其原理是将低维无法用线性模型分类的空间，通过非线性转换，得到一个高维线性特征空间，在高维线性特征空间中构造一个线性的间隔超平面，使样本点在空间内被划分区别开。最大间隔超平面，使不同标记的样本更大可能正确分开，并且使各被区别的样本与间隔超平面的空间差距达到最远。本文关键研究点是在于改进传统支持向量机，将线性不等式约束转化为等式约束，大大简便了运算，从而提高ＣＲ系统的感知性能［１８］。图１传统支持向量机最优超平面分割Ｆｉｇ．１Ｔｈｅｏｐｔｉｍａｌｈｙｐｅｒｐｌａｎｅｓｅｇｍｅｎｔａｔｉｏｎｏｆｔｒａｄｉｔｉｏｎａｌｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ给定一组数据训练集｛（ｘｉ，ｙｉ）｝ｎｉ＝１，…，Ｎ，ｘｉ∈Ｒｄ输入特征空间的变量，Ｒｄ为ｄ维欧式空间；ｙｉ∈ｙ＝｛－１，＋１｝是输出变量，本文对传统ＳＶＭ学习算法进行改进，，当ＣＲ系统在新的输入ｘ′到来时能确定合适的输出值ｙ′。按照最大化分类间隔和最小化误差平方和的原则，低信噪比特殊环境下频谱感知到的数据信息最优超平面可表示为：ｍｉｎｗ，ｂ，ｅ１２‖ｗ‖２＋γ２∑ｎｉ＝１ｅ２ｉｓ．ｔ．ｙｉ（ｗφ（ｘｉ）＋ｂ）＝１－ｅｉ，ｉ＝１，２，…，p蚿蘰危睿ǎ保┦街校海魇浅矫娣ㄏ蛄浚唬澹槲蟛睿沪梦蟛畛头Ｒ蜃樱沪眨ǎ┦鞘淙肟占涞教卣骺占涞模龋椋欤猓澹颍艉丝占溆成浜郏保梗荨４常樱郑筒捎玫氖嵌
本文编号：2538228
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2538228.html
