針對低信噪比條件下主用戶信號檢測概率低的問題,提出一種基于循環(huán)平穩(wěn)特征主成分分析與極限梯度提升算法(eXtreme Gradient Boosting,XGBoost)的主用戶信號頻譜感知算法。在信號各循環(huán)頻率不為零值的情況下,提取能量最大的信號循環(huán)譜,通過PCA對循環(huán)譜特征進行降維處理,生成訓(xùn)練樣本和測試樣本。利用訓(xùn)練完成的XGBoost算法對待檢測的信號進行分類,實現(xiàn)主用戶信號是否存在檢測。實驗結(jié)果表明:與支持向量機算法、隨機森林算法和傳統(tǒng)循環(huán)譜算法相比較,該算法在低信噪比和低虛警率情況下具有更優(yōu)的檢測性能。 

【文章來源】：計算機應(yīng)用與軟件. 2020年04期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

模型在各信噪比測試數(shù)據(jù)上AUC值

圖2為在信噪比分別為-12 dB、-16 dB情況下基于XGBoost、RF、SVM的循環(huán)平穩(wěn)特征算法與傳統(tǒng)循環(huán)平穩(wěn)特征算法ROC曲線的比較,可以看出基于機器學(xué)習(xí)的改進算法在各虛警率處均明顯高與傳統(tǒng)算法。而基于XGBoost的改進算法在各信噪比的檢測概率均優(yōu)于基于SVM和RF的改進算法。如表2所示,在虛警率為0.01、0.03、0.05、0.07處,測試數(shù)據(jù)-12 dB時,XGBoost改進算法的檢測概率相對于SVM改進算法分別提升8.53%、5.34%、5.92%、5.17%,相對于RF改進算法分別提升7.62%、7.31%、6.81%、3.62%。如表3所示,測試數(shù)據(jù)為-16 dB時,XGBoost改進算法的檢測概率相對于SVM改進算法分別提升13.48%、13.95%、12.18%、9.48%,相對于RF改進算法分別提升13.11%、11.03%、16.25%、12.84%。這說明XGBoost改進算法在低虛警率情況下提升明顯。表2 SNR為-12 dB,各算法在低虛警率處檢測概率比較 算法 1% 3% 5% 7% XGBoost 0.847 8 0.942 1 0.967 3 0.972 3 SVM 0.781 1 0.894 3 0.913 2 0.924 5 RF 0.787 7 0.878 0 0.905 7 0.938 4 XHP 0.295 4 0.440 8 0.501 6 0.558 3

圖3為在虛警率為0.05的情況下,當(dāng)信噪比大于等于-8 dB時,各算法均達到或接近100%的檢測概率。在信噪比小于等于-10 dB時,基于機器學(xué)習(xí)的改進算法大幅優(yōu)于傳統(tǒng)的循環(huán)。XGBoost算法在低信噪比時也全面優(yōu)于SVM算法和RF算法,在信噪比為-14 dB、-16 dB、-18 dB、-20 dB時,XGBoost算法相對于SVM算法分別提升了11.05%、12.21%、20.36%、23.53%,相對于RF算法分別提升了12.42%、14.54%、11.13%、12.24%。這說明XGBoost算法有更好的抗噪聲能力。6 結(jié) 語


本文編號：2925333