黃加增
(福州工商學(xué)院,福建 福州 350715)
在當(dāng)今社會(huì)中,信息時(shí)代已經(jīng)成為主流,無線通信技術(shù)依靠信息技術(shù)已經(jīng)逐漸地得到成熟與發(fā)展,通信信號(hào)就是信息傳遞的媒介。由于通信信號(hào)很容易受到干擾,以及影響通信信號(hào)的因素相對(duì)較多,基于粗糙集理論提出全新的通信信號(hào)識(shí)別方法,有利于提高通信信號(hào)識(shí)別效率,節(jié)約通信信號(hào)識(shí)別成本。
在進(jìn)行通信信號(hào)識(shí)別中,提取通信信號(hào)特征是實(shí)現(xiàn)識(shí)別的重要條件,通信信號(hào)具有多樣化的特點(diǎn),根據(jù)通信信號(hào)特征的不同,需要對(duì)通信信號(hào)進(jìn)行分類劃分。我們可以根據(jù)通信信號(hào)的信號(hào)譜線和信號(hào)波變換方式來提取通信信號(hào)特征。通信信號(hào)主要以電磁波的形式完成的,所以我們?cè)谶M(jìn)行特征提取時(shí),我們需要對(duì)接收到的電磁波時(shí)頻和波頻進(jìn)行處理,將處理過后的圖像進(jìn)行分析[1]。在通信信號(hào)傳輸?shù)倪^程中,通信信號(hào)很可能受到很多噪音影響,導(dǎo)致分析通信信號(hào)特征時(shí)具有不確定性,所以在上述預(yù)處理階段,也需要對(duì)傳輸?shù)碾姶挪ㄟM(jìn)行預(yù)處理。通信信號(hào)特征的選取是進(jìn)行通信信號(hào)識(shí)別的第一階段,是識(shí)別過程中的重要環(huán)節(jié),基于粗糙集理論設(shè)計(jì)的通信識(shí)別方法可以有效實(shí)現(xiàn)通信信號(hào)特征的提取,能夠避開多種影響因素,提高了提取通信信號(hào)特征參數(shù)的準(zhǔn)確性?;诖植诩耐ㄐ判盘?hào)識(shí)別方法可以通過信號(hào)頻率、信號(hào)波動(dòng)幅度和信號(hào)強(qiáng)弱來進(jìn)行分析,實(shí)現(xiàn)了多角度分析,精確提取。
基于粗糙集理論構(gòu)建的概率模型,能夠有效實(shí)現(xiàn)通信信號(hào)分類。概率模型是一種相對(duì)簡化的模型,操作性簡單方便,它能夠?qū)?fù)雜的信號(hào)分類問題簡單化,將無效數(shù)據(jù)信息進(jìn)行剔除,得到有效數(shù)據(jù)信息,能夠準(zhǔn)確提取通信信號(hào)特征實(shí)現(xiàn)通信信號(hào)精準(zhǔn)分類識(shí)別[2]。基于粗糙集構(gòu)建的概率模型具有靈活性,概率模型可以根據(jù)實(shí)際情況和實(shí)際問題,轉(zhuǎn)化運(yùn)行模式,根據(jù)問題的決策屬性選擇正確的程序運(yùn)行模式。通信信號(hào)可以從計(jì)算機(jī)中心歸一化瞬時(shí)幅度譜密度最大值、占用寬度和峰度這個(gè)三個(gè)角度進(jìn)行通信信號(hào)識(shí)別。其中通信信號(hào)瞬時(shí)幅度譜密度最大值,如式(1)所示。
式中,Qmax表示通信信號(hào)譜密度最大值;其中瞬時(shí)幅度信號(hào)用W表示;E表示對(duì)通信信號(hào)采樣的數(shù)量。測(cè)量出譜密度最大值,可以分析出通信信號(hào)受到的干擾程度。通信信號(hào)的峰度表示的就是概率密度分布曲線在平均值峰值高低的表現(xiàn)情況。計(jì)算通信信號(hào)峰度值,如式(2)所示。
式中,R表示峰度值;T、P分別表示通信輸入信號(hào)的幅度譜和通信信號(hào)頻率。峰度值能夠反映出通信信號(hào)在傳輸過程中呈現(xiàn)的正態(tài)分布情況。其中計(jì)算的通信信號(hào)占用寬度是指總功率在99%的寬帶占總寬帶的比例,通過寬度占比,分析出通信信號(hào)強(qiáng)度。
調(diào)制識(shí)別算法能夠有效實(shí)現(xiàn)通信信號(hào)分類,是實(shí)現(xiàn)通信信號(hào)識(shí)別的最終手段。調(diào)制識(shí)別算法能夠設(shè)置出弱分類器和強(qiáng)分類器兩種模式,將不同類型的通信信號(hào)劃分到弱分類器中,強(qiáng)分類器是將多個(gè)弱分類器相互結(jié)合而實(shí)現(xiàn)的,從而對(duì)通信信號(hào)進(jìn)行識(shí)別[3]。通信信號(hào)調(diào)制識(shí)別算法首先是對(duì)信號(hào)進(jìn)行分類,采用決策樹模型對(duì)通信信號(hào)樣本指數(shù)進(jìn)行計(jì)算,將通信信號(hào)樣本劃分為兩個(gè)集合計(jì)算公式如式(3)所示。
式中,U表示通信信號(hào)樣本指數(shù);I1和I2表示不同類型的兩個(gè)通信信號(hào)樣本集合;樣本集合的不確定性用P和A表示。通過調(diào)制識(shí)別算法是決策樹結(jié)構(gòu)的基礎(chǔ),計(jì)算出的通信樣本指數(shù)能夠有效利用到?jīng)Q策樹中,決策樹通過設(shè)置的弱分類器和強(qiáng)分類器對(duì)通信信號(hào)進(jìn)行重新排列組合,反復(fù)測(cè)試數(shù)據(jù)集,最終完成通信信號(hào)識(shí)別。
選用基于粗糙集的通信信號(hào)識(shí)別方法對(duì)通信信號(hào)進(jìn)行識(shí)別,測(cè)試基于粗糙集的通信信號(hào)識(shí)別方法的識(shí)別效果,將本文識(shí)別方法與傳統(tǒng)識(shí)別方法進(jìn)行比較,分析實(shí)驗(yàn)結(jié)果。開始實(shí)驗(yàn)之前,選用性能較好的通信信號(hào)采集器,提取通信信號(hào)參數(shù)特征,分別采取8組通信信號(hào),這8組通信信號(hào)分別用X1、X2、X3、X4、X5、X5、X7、X8表示。通信信號(hào)特征參數(shù)值,如表1所示。
表1 通信信號(hào)特征參數(shù)表
X7 FSK 短波 1549 1.2 X8 AM 中波 1164 1.15
根據(jù)表1可知,實(shí)驗(yàn)一共設(shè)置了8組通信信號(hào),每一種通信信號(hào)的特征參數(shù)不一樣,分別對(duì)這8組通信信號(hào)進(jìn)行識(shí)別。從基于粗糙集構(gòu)建的概率模型識(shí)別精準(zhǔn)性的角度出發(fā),結(jié)合通信信號(hào)的實(shí)際情況,對(duì)通信信號(hào)進(jìn)行處理分析。
根據(jù)上述實(shí)驗(yàn)前的準(zhǔn)備,分別對(duì)8組通信信號(hào)識(shí)別時(shí)間進(jìn)行比較,由于5組通信信號(hào)的特征參數(shù)不一樣,研究對(duì)象具有合理性,更能測(cè)量出本文方法與傳統(tǒng)通信信號(hào)識(shí)別方法的不同之處。實(shí)驗(yàn)結(jié)果,如圖1所示。
?
圖1 識(shí)別時(shí)間結(jié)果圖
根據(jù)圖1可知,本文方法通信信號(hào)識(shí)別方法與傳統(tǒng)通信信號(hào)識(shí)別方法對(duì)識(shí)別時(shí)間進(jìn)行比較,當(dāng)通信信號(hào)類型一致時(shí),本文方法識(shí)別時(shí)間曲線均在傳統(tǒng)識(shí)別方法曲線的下面,說明本文識(shí)別時(shí)間均比傳統(tǒng)識(shí)別方法識(shí)別時(shí)間短。經(jīng)計(jì)算,本文識(shí)別方法識(shí)別的平均時(shí)間為8.01s,傳統(tǒng)識(shí)別方法識(shí)別的平均時(shí)間為18.15s,本文方法識(shí)別時(shí)間比傳統(tǒng)方法識(shí)別時(shí)間快了10.14s?;诖植诩耐ㄐ判盘?hào)識(shí)別方法能夠有效控制識(shí)別時(shí)間,節(jié)省識(shí)別成本,提高了通信信號(hào)識(shí)別效果。
本文為了提高通信信號(hào)識(shí)別效果,以粗糙集理論為基礎(chǔ),提出全新的通信信號(hào)識(shí)別方法,基于粗糙集理論構(gòu)建的模型更加穩(wěn)定。本文以分類識(shí)別為主,根據(jù)通信信號(hào)特征不同,把通信信號(hào)劃分為不同種類的通信信號(hào)類型,測(cè)試基于粗糙集構(gòu)建的通信信號(hào)識(shí)別方法的正確率以及識(shí)別時(shí)間。本文在實(shí)驗(yàn)過程中發(fā)現(xiàn),有很多因素會(huì)影響到通信信號(hào)識(shí)別,在實(shí)驗(yàn)中沒有控制好影響因素,實(shí)驗(yàn)結(jié)果會(huì)產(chǎn)生一定的誤差,希望在下一次研究中著重分析影響因素,設(shè)置一個(gè)相對(duì)穩(wěn)定的實(shí)驗(yàn)環(huán)境,從多層面對(duì)通信信號(hào)進(jìn)行識(shí)別。