調(diào)頻廣播主要是以無線發(fā)射的方式來傳播聲音等信號(hào),具有覆蓋范圍廣,易安裝,高音質(zhì),低成本等眾多特點(diǎn),相對(duì)于傳統(tǒng)有線廣播來說,具有無可替代的優(yōu)勢(shì)。本論文基于某無線電部門的立項(xiàng)課題,主要是針對(duì)廣播頻段(87 MHz到108 MHz),利用無線電監(jiān)測(cè)設(shè)備對(duì)廣播頻段的頻譜信號(hào)進(jìn)行掃描,對(duì)頻譜信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理,并基于結(jié)合機(jī)器學(xué)習(xí)算法,進(jìn)行信號(hào)特征提取以及無線電頻譜信號(hào)的分類處理,從而發(fā)現(xiàn)偽基站、黑廣播、考試作弊信號(hào)等異常信號(hào),主要的研究工作如下:首先,針對(duì)廣播頻段頻譜信息,進(jìn)行了相關(guān)的預(yù)處理算法,通過改進(jìn)型K-Means算法以及局部異常因子算法,達(dá)到了剔除包含毛刺信號(hào)的原始樣本數(shù)據(jù)的目的,并通過對(duì)頻譜信號(hào)進(jìn)行小波分析,將原始信號(hào)進(jìn)行小波分解與小波重構(gòu),從而實(shí)現(xiàn)了原始信號(hào)的消噪目的。其次,通過對(duì)廣播頻段頻譜信號(hào)特征的分析和大量的頻譜信號(hào)比對(duì),總結(jié)了頻譜信號(hào)個(gè)體特征提取方法,提取了11種廣播頻段的總體信號(hào)特征,最后提出利用灰色關(guān)聯(lián)度聚類分析來對(duì)頻譜信號(hào)的特征進(jìn)行提取,為后續(xù)分類算法提供一定的基礎(chǔ)。進(jìn)一步地,根據(jù)廣播頻段頻譜信息的特征,結(jié)合支持向量機(jī)和超限學(xué)習(xí)機(jī)的理論與實(shí)驗(yàn),通過將SVM、ELM以及組合式分類器進(jìn)行一系列對(duì)比發(fā)現(xiàn),本文提出的組合式分類算法對(duì)廣播頻段頻譜信息的分類效果較好。最后提出將梯度提升決策樹(GBDT)與logistic回歸(LR)特征融合的分類算法應(yīng)用在廣播頻段頻譜信號(hào)處理上,樣本仿真研究表明,該算法效果更好。
【學(xué)位單位】：武漢理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP181;TN93
【部分圖文】：

第 3 章 數(shù)據(jù)預(yù)處理及特征提取算法研究無線電廣播頻譜數(shù)據(jù)中，含有大量的高斯白噪聲以及其他干擾信號(hào)，要實(shí)現(xiàn)對(duì)頻譜的數(shù)據(jù)分類，需要對(duì)頻譜數(shù)據(jù)進(jìn)行預(yù)處理，得到較為完整的信號(hào)波形。此外廣播頻譜數(shù)據(jù)包含無線電中特有的一些數(shù)據(jù)參數(shù)，需要對(duì)頻譜的這些必要的特征進(jìn)行提取。3.1 頻譜數(shù)據(jù)預(yù)處理算法的研究與實(shí)現(xiàn)無線電廣播頻譜數(shù)據(jù)中包含著大量的毛刺數(shù)據(jù)，這些毛刺的幅度大小具有隨機(jī)性，分布也較為離散。這對(duì)數(shù)據(jù)的處理和分析造成了一定的困難，因此對(duì)頻譜噪聲的處理是非常必要的。

圖 3.6 小波重構(gòu)圖下面通過小波變換算法，對(duì)原始的頻譜信號(hào)進(jìn)行小波分解，然后將分解后的小波進(jìn)行小波重構(gòu)，最后將重構(gòu)完成的頻譜信號(hào)進(jìn)行平滑濾波，從而得到如圖 3.6 所示的消噪之后的頻譜信號(hào)，從對(duì)比的結(jié)果可以看出來，消噪前后形成了明顯的對(duì)比效果，說明了小波消噪算法對(duì)頻譜的預(yù)處理還是具有一定的效果的。C0H*C1D1G*H*...CjD2G*H*Cj+1Dj+1G*

頻譜特征數(shù)據(jù)的box可視化圖
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李敏;李華;程茂華;;一種自適應(yīng)子融合集成多分類器方法[J];計(jì)算機(jī)測(cè)量與控制;2019年04期

2 黎平;劉萍;張巡;范郁鋒;;基于分類器的身份證號(hào)碼識(shí)別研究[J];貴州科學(xué);2018年01期

3 王忠民;王科;賀炎;;一種基于多分類器融合的人體運(yùn)動(dòng)行為識(shí)別模型[J];計(jì)算機(jī)科學(xué);2016年12期

4 鄒洪俠;陶碩;;一種代價(jià)敏感的三類分類器評(píng)估方法的研究與應(yīng)用[J];通化師范學(xué)院學(xué)報(bào);2017年08期

5 牛明昂;王強(qiáng);崔希民;趙康年;柴鵬輝;;多分類器融合與單分類器影像分類比較研究[J];礦山測(cè)量;2016年04期

6 趙藝淞;王保云;黎曉路;王婷;;基于多分類器組合的城市不透水面提取研究[J];城市地理;2017年04期

7 何舒煒;;《垃圾分類器》[J];輔導(dǎo)員;2016年11期

8 李健蘋;游中勝;;一種新的多分類器融合方法[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

9 蘭遠(yuǎn)東;曾樹洪;;動(dòng)態(tài)加權(quán)投票的多分類器聚合[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2014年05期

10 林煜明;朱濤;王曉玲;周傲英;;面向用戶觀點(diǎn)分析的多分類器集成和優(yōu)化技術(shù)[J];計(jì)算機(jī)學(xué)報(bào);2013年08期

相關(guān)博士學(xué)位論文 前10條

1 孫宸;PolSAR圖像大間隔學(xué)習(xí)分類器設(shè)計(jì)及應(yīng)用[D];西安電子科技大學(xué);2017年

2 于愛華;基于壓縮感知人臉識(shí)別技術(shù)的研究[D];浙江工業(yè)大學(xué);2017年

3 雷浩川;多分類器集成的遙感影像分類研究[D];中國地質(zhì)大學(xué)(北京);2018年

4 馮曉東;基于軟概率的分類器動(dòng)態(tài)集成方法研究[D];重慶大學(xué);2018年

5 陳木生;基于欠采樣和不平衡集成分類的垃圾網(wǎng)頁檢測(cè)研究[D];南昌大學(xué);2018年

6 陳海霞;面向數(shù)據(jù)挖掘的分類器集成研究[D];吉林大學(xué);2006年

7 王衛(wèi)東;高維小樣本數(shù)據(jù)的特征提取及分類器算法研究[D];南京理工大學(xué);2007年

8 劉杰;乘員類型的自動(dòng)識(shí)別及其在智能乘員約束系統(tǒng)中的應(yīng)用[D];吉林大學(xué);2007年

9 吳尉林;可移植的穩(wěn)健口語理解方法研究[D];上海交通大學(xué);2007年

10 章軍;小生境粒子群優(yōu)化算法及其在多分類器集成中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 張中巖;基于集成分類器的微傅情感分類研究[D];廈門大學(xué);2017年

2 孫帥;廣播頻段頻譜信號(hào)處理的機(jī)器學(xué)習(xí)算法研究[D];武漢理工大學(xué);2018年

3 朱欣怡;離散屬性貝葉斯網(wǎng)絡(luò)分類器的研究[D];山東師范大學(xué);2018年

4 郝振華;基于視頻監(jiān)控的室內(nèi)智能火災(zāi)檢測(cè)技術(shù)研究[D];長安大學(xué);2018年

5 李小虎;連續(xù)屬性貝葉斯網(wǎng)絡(luò)分類器的學(xué)習(xí)與研究[D];山東師范大學(xué);2018年

6 后方帥;基于單音的西洋樂器音色識(shí)別方法研究[D];山東大學(xué);2018年

7 李經(jīng)善;基于低秩分解的分類算法設(shè)計(jì)與實(shí)現(xiàn)[D];揚(yáng)州大學(xué);2018年

8 孫銘;基于多分類器的不完整數(shù)據(jù)的分類關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

9 易子博;JavaScript惡意代碼檢測(cè)系統(tǒng)的防規(guī)避優(yōu)化技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2016年

10 曹啟云;基于生成對(duì)抗網(wǎng)絡(luò)的惡意代碼識(shí)別研究與應(yīng)用[D];北京化工大學(xué);2018年

本文編號(hào)：2839525