基于改進密度聚類與SVM的非法廣播信號識別研究

王朝衛(wèi)

(青海省廣播電視局 青海中波臺管理中心, 青海 西寧 810001)

0 引言

非法廣播俗稱“黑廣播”，不僅形式多樣，而且占用頻率，在缺少有效的信號識別技術(shù)的情況下，非法組織者采取改變發(fā)射位置或者頻繁切換頻率的手段來躲避追索，這給無線電行業(yè)的有序發(fā)展造成嚴重危害[1]。這種危害的表征，具體體現(xiàn)在以下幾點：其一，非法廣播信號具有欺騙性，嚴重擾亂公共秩序；其二，選用低劣的違法發(fā)射機對外發(fā)射無線信號，會對正常通信信號造成干擾。針對于此，必須引用先進的信號識別技術(shù)對非法廣播信號進行識別和追蹤，從而遏制非法廣播的肆意發(fā)展，達到無線電行業(yè)擁有正常秩序的目的。雖我國對識別非法廣播信號的文獻較少，但研究成果頗為豐富，已形成了一套完整的識別體系。。如杜利敏(2014)[2]利用聚類算法與ReliefF算法相結(jié)合的方法對無線點信號的特征進行提??；張自豪(2015)[3]為了對地空通信信號進行識別，運用結(jié)合了聚類算法與SVM算法的識別方法，這一策略不僅能夠達到信號識別的效果，而且可以有效規(guī)避外部信號的干擾；杜利敏(2017)[4]、Xuezhi He(2018)[5]、何學(xué)智(2018)[6]等學(xué)者在模式識別領(lǐng)域引入深度學(xué)習(xí)算法，實現(xiàn)了對各種無線電信號特征的準確提?。粚O潔(2018)[7]構(gòu)建了以狼群搜索算法為基礎(chǔ)的信號特征識別方法，相較于傳統(tǒng)算法表現(xiàn)出更高地識別率。同時研究發(fā)現(xiàn)在中頻測量數(shù)據(jù)中包含許多的孤立點及噪聲，使得對中頻信號的分類識別變得復(fù)雜，如采用傳統(tǒng)的單一SVM進行分類識別，難以達成理想效果。因此本研究嘗試在進行SVM分類識別前，結(jié)合中頻信號數(shù)據(jù)的多維特征，引入改進密度聚類對數(shù)據(jù)進行處理，以減少數(shù)據(jù)的維度。最后利用SVM算法對無線電信號進行識別并分類，為識別非法廣播信號提供了新途徑。

1 SVM分類原理

假設(shè)SVM分類器的訓(xùn)練樣本為{(xi,yi)},i=1,2,…,N,xi∈Rd式子中的xi含有d個不相同的特征，yi={-1,+1}，將非松弛變量ξi引入公式，i=1,2,…,N。為了實現(xiàn)不同類型樣本的分離來達到分類的效果，需要通過尋找最優(yōu)超平面來實現(xiàn)，具體數(shù)學(xué)描述[8-12]，如式(1)、式(2)。

(1)

s.t.yi=(ωTxi+b)≥1-ξi,i=1,2,…,N

(2)

式中，C指的是懲罰因子，它可以平衡分類邊界大小。

(3)

運用K(Xi,Yi)將核函數(shù)的樣本映射到高維空間，從而實現(xiàn)將兩類非線性問題轉(zhuǎn)化為一個線性分類問題的目的。

分類決策函數(shù)，如式(4)。

f(x)=sgn(∑yiαi*K(X,Xi)+b*)

(4)

2 密度聚類改進

2.1 密度聚類簡介

(5)

式中，dc指的是截斷距離，ρi可通過高斯核函數(shù)進行求解。根據(jù)上式，隨著ρi值的增大，與xi的間距在dc以內(nèi)的數(shù)據(jù)增多，反之則數(shù)據(jù)越少。

通過求解點i與其他高密度點的最小距離，從而推算出δi值，如式(6)。

(6)

從上述式子中可以看出，數(shù)據(jù)點xi為最大局部密度時，δi代表數(shù)據(jù)集S中xi與距離xi最大點的間距；反之，δi代表在局部密度大于xi的點內(nèi)，xi與距離xi最小點的間距。

密度聚類算法的實現(xiàn)過程分如下三步。

1、運用樣本數(shù)據(jù)計算歐式距離dij和截斷距離dc；

3、確立聚類中心并輸出結(jié)果。

2.2 密度聚類算法的改進

聚類算法實現(xiàn)分類有三個環(huán)節(jié)，分別為提取特征、計算相似度和確立聚類中心。在過去，人們通過歐式定理計算相似度，如式(7)。

(7)

能夠?qū)θ我獾臄?shù)據(jù)樣本xi與xj的空間距離進行計算，但在測量出的調(diào)頻信號數(shù)據(jù)不難發(fā)現(xiàn)，在整體樣本中不同樣本的分布具有差異性，那么其對距離產(chǎn)生的影響也隨之發(fā)生改變。由此可見，給予不同分布比例的樣本權(quán)重，對提高計算歐式距離準確性有積極作用。

基于此，對式(7)進行改進，如式(8)。

(8)

3 中頻測量信號特征提取

中頻測量，又名單頻測量，即依據(jù)對單一信號點進行監(jiān)測后得到的監(jiān)測結(jié)果判斷信號的頻譜信號正常與否。具體操作過程為：第一步，檢測人員向監(jiān)測設(shè)備發(fā)出數(shù)據(jù)監(jiān)測請求；第二步，對指定信號進行監(jiān)測；第三步，運用頻譜圖展示中頻信號參數(shù)的特征(例如頻率的寬帶和頻偏)。87.5-108 MHz頻段的光譜測量圖，深色區(qū)域表示在此頻段下的信號強度大，如圖1所示。

為了避免采樣信號中產(chǎn)生冗余數(shù)據(jù)，從連續(xù)采樣的x廣播信號中選取N個不同采樣點。從這N個采樣點中采集到的廣播信號十分復(fù)雜，選用傳統(tǒng)算法(比如去噪)進行信號預(yù)處理，需要占用較長時間。對此，本文通過提取關(guān)鍵特征的做法進行信號預(yù)處理，極大縮減了計算量。結(jié)合裴崢教授的研究成果，選擇以下關(guān)鍵特征[5]。

(9)

方差Var，如式(10)。

(10)

(11)

峭度K，如式(12)。

(12)

歸一化峰度Peak，如式(13)。

(13)

零中心歸一化絕對值標準差De，如式(14)。

(14)

4 結(jié)合改進密度聚類的中頻信號識別模型構(gòu)建

根據(jù)中頻測量數(shù)據(jù)提取不同頻率信號的關(guān)鍵特征，通過加權(quán)方式確定不同樣本的權(quán)重，引用歐氏定律計算距離，據(jù)此確定聚類中心，并建立起完成聚類的訓(xùn)練樣本。上述處理方法在極大程度上減少了訓(xùn)練樣本數(shù)量，消除了冗余數(shù)據(jù)對信號的干擾。運用SVM分類器將聚類后的數(shù)據(jù)樣本分類歸納為非法廣播信號和正常廣播信號。

中頻測量信號識別模型，如圖2所示。

圖2 非法廣播異常信號識別模型

以上模型是由3個部分構(gòu)成的，分別是信號樣本聚類、SVM訓(xùn)練和SVM分類器。在完成信號樣本聚類以后，根據(jù)計算出的ρi、δi值，建立起正常信號與非法信號的特征集合V1，如式(15)。

(15)

為了方便后續(xù)的分類識別，輸入樣本使用式(15)中的特殊參數(shù)。

5 仿真實驗

5.1 數(shù)據(jù)準備

選定某省廣播電視局中波臺管理中心的中頻數(shù)據(jù)監(jiān)測項目作為案例，對前文闡述的思路方法進行驗證。在實際操作過程中，為了保證某省廣播電視臺正常的參數(shù)監(jiān)測環(huán)境，包含信號的強度、帶寬以及頻率等等，需要運用相應(yīng)的監(jiān)測軟件對發(fā)出的中頻信號進行整點掃描，并將其結(jié)果保存于系統(tǒng)數(shù)據(jù)庫內(nèi)，從中篩選數(shù)據(jù)并建立訓(xùn)練樣本。選用密度聚類效果、非法廣播信號識別準確率和分類訓(xùn)練效率等指標對上述模型的優(yōu)劣進行評價。在穩(wěn)定的信噪比(S/N)下對該試驗進行驗證，并選擇200 kHz帶寬的R&S. EM100設(shè)備，并返回電平值。另外，出于保密要求，本次實驗對部分廣播信號數(shù)據(jù)進行了適當(dāng)處理。

5.2 參數(shù)設(shè)置

所選擇的300幀信號數(shù)據(jù)中包含了正常廣播信號和非法廣播信號，從中提取出六個關(guān)鍵性特征，并構(gòu)建300*6的六維特征空間。假設(shè)聚類密度閾值為ρ=0.5；SVM核函數(shù)采用徑向函數(shù)，并運用交叉驗證和網(wǎng)格搜索的方法訓(xùn)練各項參數(shù)，確定C=10 000,σ=0.05。

5.3 實驗結(jié)果

5.3.1 正常廣播信號聚類結(jié)果與頻譜圖

由R&S. EM100設(shè)備監(jiān)測獲得連續(xù)300幀信號數(shù)據(jù)，采用密度聚類算法，所得靜音信號聚類結(jié)果，如圖3所示。

圖3 密度聚類結(jié)果

上圖中的綠點和紅點均為聚類中心，據(jù)此對信號數(shù)據(jù)進行重新分配，如圖4所示。

圖4 靜音信號頻譜圖

5.3.2 非法廣播信號的聚類結(jié)果以及頻譜圖

在特定時間段采集300幀非法廣播信號，并利用密度聚類算法進行處理，所得該非法廣播信號的聚類結(jié)果，如圖5所示。

圖5 非法廣播信號聚類圖

在正常廣播信號中加入非法廣播信號，所得頻譜圖展示，如圖6所示。

圖6 加入非法廣播信號后的頻譜圖

分析可知，在正常廣播信號中加入非法廣播信號，頻譜圖中的靜音信號大為減少?；谶@一規(guī)律，可以根據(jù)頻譜圖中的靜音信號對非法廣播信號進行識別。

5.3.3 分類結(jié)果

針對聚類后的樣本，對比分析SVM、K-均值聚類+SVM、密度聚類+SVM的分類結(jié)果，從而證實本文算法的優(yōu)越性。在本次實驗中保持相關(guān)參量不變，實驗結(jié)果，如表1所示。

表1 分類結(jié)果對比

可見，與SVM、K-均值聚類+SVM等算法作對比，本文提出的改進密度聚類+SVM算法在信號識別的正確率和訓(xùn)練時間等方面都具有顯著優(yōu)勢。

6 總結(jié)

經(jīng)過對傳統(tǒng)DBSCAN聚類樣本縮減的了解和分析，本文為了減小采集樣本的數(shù)量，運用了引入聚類算法，因而提升SVM的分類訓(xùn)練效率和準確率。正常廣播段會受到中頻非法廣播段影響，致使正常廣播頻率中的靜音信號變少，為了徹底根除“黑廣播”這一頑疾，本文提出的改進密度聚類+SVM算法，能夠準確、高效地識別非法廣播信號，從而維持無線電行業(yè)的正常秩序。