基于多特征关联和贝叶斯网络的通信信号分类识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109450834A(43)申请公布日2019.03.08(21)申请号201811273817.0(22)申请日2018.10.30(71)申请人北京航空航天大学地址100191北京市海淀区学院路37号(72)发明人丁文锐刘西洋刘春辉张多纳(74)专利代理机构北京永创新实专利事务所11121代理人姜荣丽(51)Int.Cl.H04L27/00(2006.01)G06K9/62(2006.01)G06K9/00(2006.01)权利要求书3页说明书8页附图4页(54)发明名称基于多特征关联和贝叶斯网络的通信信号分类识别方法(57)摘要本发明公开了一种基于多特征关联和贝叶斯网络的通信信号分类识别方法，属于通信信号处理技术领域。本发明针对信噪比波动范围大、训练样本不足等特点，对信号的时域、频域和空域的特征进行关联，并设计贝叶斯网络模型，通过结构学习和参数学习得到贝叶斯网络分类器，得到用户认知结果。本发明采用贝叶斯网络分类器进行认知分类，能够充分挖掘各个维度的特征之间的依赖关系，物理意义明确，适用于小样本情况和不完备数据集；采用先验和聚类结合进行离散化预处理的方法，可以最大程度的保留原始数据信息；采用随机抽样的方法对贝叶斯网络模型进行参数学习，在信噪比波动范围大和训练样本数量不足的情况下，仍然可获得很好的分类准确率。CN109450834ACN109450834A权利要求书1/3页1.基于多特征关联和贝叶斯网络的通信信号分类识别方法，其特征在于：具体步骤如下，第一步，构建包括多种调制方式在内的通信信号样本数据集，选择并提取通信信号的时域、频域和空域维度的特征；并将所述的通信信号样本数据集分为训练集、交叉验证集和测试集三部分；第二步，采用基于先验和聚类结合的方法对训练集数据进行离散化预处理；第三步，输入训练集，对贝叶斯网络模型进行结构学习，得到贝叶斯网络模型的有向无环图；第四步，对贝叶斯网络模型进行参数学习，得到各节点的条件概率分布表，构建出贝叶斯网络分类器；第五步，对交叉验证集和测试集的信号进行特征提取和离散化处理后，输入到第四步已训练好的贝叶斯网络分类器中，最终得到信号认知结果。2.根据权利要求1所述的基于多特征关联和贝叶斯网络的通信信号分类识别方法，其特征在于：所述的通信信号样本数据集包括2PSK、4PSK、8PSK、16QAM、64QAM、2FSK、4FSK、8FSK、2ASK、4ASK和8ASK共11种调制方式信号，样本标签分为主用户、次用户和非法用户共三类；从时域、频域和空域选取的特征分别为：频域特征“载波频率”；时域特征“平方谱单频分量”、“四次方谱单频分量”、“瞬时幅度绝对值的平均值”和“小波未幅度归一化处理的方差”；空域特征“来波方向”；选取通信信号的信噪比范围为10～30dB。3.根据权利要求1所述的基于多特征关联和贝叶斯网络的通信信号分类识别方法，其特征在于：第二步中所述的先验和聚类结合的方法，具体如下：2CN109450834A权利要求书2/3页其中，s为特征总个数，i＝0,1,2,…,s；n为迭代次数，j＝0,1,2,…,n；z为聚类类别数，l＝0,1,2,…,z；Di(x)表示训练集D中第x个样本的第i个特征的取值，Li(z)表示特征i中第z类中心点的取值，m(z)表示属于第z类的样本个数总和，Li'表示特征i的第z类中心点新的取值。4.根据权利要求1所述的基于多特征关联和贝叶斯网络的通信信号分类识别方法，其特征在于：第三步中所述的对贝叶斯网络模型进行结构学习，具体如下：3CN109450834A权利要求书3/3页其中，G(t)表示第t个贝叶斯网络模型的结构。5.根据权利要求1所述的基于多特征关联和贝叶斯网络的通信信号分类识别方法，其特征在于：第四步所述的进行参数学习，具体为，假设贝叶斯网络模型的参数θ服从Dirichlet分布，其先验分布概率为P(θ)；训练集D的先验分布概率为P(D)，根据贝叶斯公式，得参数θ的后验分布概率P(θ|D)为：其中，P(D|θ)为在已知参数θ的情况下，训练集D的后验概率；经过推算，节点i的参数θ最大后验估计为：其中，nijk为训练集D中节点为i时，在其父集合中选取的集合为j，且该集合j中的节点取值为k时的频数，nij为训练数据集D中节点为i时，在其父集合中选取的集合为j的频数；其中αijk为Dirichlet分布Dir(αij1,αij2，...αijk)中的超系数，αij为αijk对所有参数k的求和，q1为父节点集合的个数，n1和r分别为节点i和第j个父节点集的总取值个数；所有的变量节点的参数θ共同组成贝叶斯网络模型的条件概率分布表，当训练好贝叶斯网络模型的有向无环图和条件概率分布表后，贝叶斯网络