【摘要】：闡述了基于認(rèn)知無(wú)線(xiàn)傳感器網(wǎng)絡(luò)背景運(yùn)用支持向量機(jī)的可行性。針對(duì)低信噪比噪聲復(fù)雜性高的無(wú)線(xiàn)環(huán)境,單一的識(shí)別方法難以獲得相對(duì)準(zhǔn)確的結(jié)果�；陔[馬爾可夫模型(Hidden Markov Model,HMM)對(duì)傳統(tǒng)SVM頻譜感知算法進(jìn)行了優(yōu)化,采用多個(gè)分類(lèi)器集成降低識(shí)別錯(cuò)誤和增強(qiáng)識(shí)別魯棒性。采用最小二乘法將線(xiàn)性不等式約束轉(zhuǎn)化為線(xiàn)性約束得到最優(yōu)超平面來(lái)分割主信號(hào)和噪聲干擾,對(duì)主用戶(hù)狀態(tài)進(jìn)行決策,最后與傳統(tǒng)能量檢測(cè)算法比較性能。仿真結(jié)果表明,基于SVM頻譜感知性能更接近理論值,比能量檢測(cè)更為可靠與準(zhǔn)確,錯(cuò)誤率為1.6%,在低SNR下檢測(cè)概率比能量檢測(cè)高出18%,具有更優(yōu)的檢測(cè)性能與魯棒性。
【圖文】：

題。它是基于歷史數(shù)據(jù)建立一個(gè)分類(lèi)模型，把接受到的新數(shù)據(jù)經(jīng)過(guò)該分類(lèi)模型快速地做出分類(lèi)。其原理是將低維無(wú)法用線(xiàn)性模型分類(lèi)的空間，通過(guò)非線(xiàn)性轉(zhuǎn)換，得到一個(gè)高維線(xiàn)性特征空間，在高維線(xiàn)性特征空間中構(gòu)造一個(gè)線(xiàn)性的間隔超平面，使樣本點(diǎn)在空間內(nèi)被劃分區(qū)別開(kāi)。最大間隔超平面，使不同標(biāo)記的樣本更大可能正確分開(kāi)，并且使各被區(qū)別的樣本與間隔超平面的空間差距達(dá)到最遠(yuǎn)。本文關(guān)鍵研究點(diǎn)是在于改進(jìn)傳統(tǒng)支持向量機(jī)，將線(xiàn)性不等式約束轉(zhuǎn)化為等式約束，大大簡(jiǎn)便了運(yùn)算，從而提高ＣＲ系統(tǒng)的感知性能［１８］。圖１傳統(tǒng)支持向量機(jī)最優(yōu)超平面分割Ｆｉｇ．１Ｔｈｅｏｐｔｉｍａｌｈｙｐｅｒｐｌａｎｅｓｅｇｍｅｎｔａｔｉｏｎｏｆｔｒａｄｉｔｉｏｎａｌｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ給定一組數(shù)據(jù)訓(xùn)練集｛（ｘｉ，ｙｉ）｝ｎｉ＝１，…，Ｎ，ｘｉ∈Ｒｄ輸入特征空間的變量，Ｒｄ為ｄ維歐式空間；ｙｉ∈ｙ＝｛－１，＋１｝是輸出變量，本文對(duì)傳統(tǒng)ＳＶＭ學(xué)習(xí)算法進(jìn)行改進(jìn)，，當(dāng)ＣＲ系統(tǒng)在新的輸入ｘ′到來(lái)時(shí)能確定合適的輸出值ｙ′。按照最大化分類(lèi)間隔和最小化誤差平方和的原則，低信噪比特殊環(huán)境下頻譜感知到的數(shù)據(jù)信息最優(yōu)超平面可表示為：ｍｉｎｗ，ｂ，ｅ１２‖ｗ‖２＋γ２∑ｎｉ＝１ｅ２ｉｓ．ｔ．ｙｉ（ｗφ（ｘｉ）＋ｂ）＝１－ｅｉ，ｉ＝１，２，…，p蚿蘰危睿ǎ保┦街校海魘淺矯娣ㄏ蛄�；ｅｉ为误差麎�(mèng)蟛畛頭Ｒ蜃櫻滬眨ǎ┦鞘淙肟占淶教卣骺占淶模齲椋歟猓澹潁艉絲占溆成浜郟保梗蕁４常櫻鄭筒捎玫氖嵌

本文編號(hào)：2538228