32009字硕士毕业论文基于主成分分析和WFCM的C波段无线电信号识别原理研究
论文类型：硕士毕业论文
论文字数：32009字
论点：信号,特征,异常
论文概述：
本文是无线电论文，主要提出了一种基于主成分分析法的信号分类方法来提取特征。对目前常用的根据专家经验选取特征的方法进行改进，最大可能的刻划无线电信号保证信息的完整性。详细介
论文正文：
第一章导言
1.1研究背景和意义
无线电监测是获取频谱数据和维持无线电波秩序的重要手段。这对保障国家安全和人民的日常生活具有重要意义。日常监控作为无线电监控的基础，其主要任务是定期向无线电管理部门的工作人员提供直观、结论性的报告，包括频带利用率、各业务频带的背景状态、信道占用等信息。为射频分配、规划和协调的管理提供技术支持。为了保持无线电波在空的正常传输，从而有效保护国家安全，服务于社会稳定和经济建设，通过日常监测及时发现并消除有害干扰。目前，无线监控网络的智能化水平不高。它主要依靠监控人员的知识和经验来分析信号。这不仅要求无线电监控人员具有高水平的业务，而且增加了工作量。由于无线电异常信号的信号特征不容易准确描述，而且其发生时间是随机的，因此不容易监测。随着需要监控的数据越来越多，传统的数据处理方法已经不能满足日益复杂的数据分析需求。因此，借助计算机的高速处理速度和新的数据挖掘技术，自动分析异常信号具有重要的理论意义和实用价值。
1.2国内外研究现状
为了确保能够发现异常信号，许多专家学者做出了困惑的努力，取得了大量的研究成果。将模糊集理论和神经网络理论应用于异常信号分析是目前研究的热点。文献[12]提出了一种基于模糊模式识别的无线电智能分析方法，该方法通过模糊聚类对C波段异常信号进行分类。文献[13]使用模糊C均值来处理数据，提取信号属性特征并将其归一化，并使用有序加权聚合算子来识别信号。该方法已成功应用于广播频段异常信号的识别。文献[14]将支持向量机引入到C波段异常信号类型识别中，并采用径向基函数优化参数选择。文献[15]采用改进的BP神经网络识别异常信号，取得了良好的识别效果。这些方法大多根据专家经验选择信号的几个频域特征作为输入指标。在实际应用中，由于相同的信号特征在不同类型的无线电信号分析中发挥不同的作用，所以为所有信号选择相同的信号特征将导致一些信号的一些重要特征的丢失。如何在选择较少特征维数的同时最大限度地保证信息的完整性，是一个值得深入研究的问题。
……
第二章初步知识
2.1模糊集合论
任何概念都由它的内涵和外延组成。概念的扩展是集合1...有些概念在特定情况下有明确的外延。例如，“偶数”概念的扩展是所有自然数被2整除的集合。然而，有些概念没有明确的标准和界限，也没有明确的外延。我们称这些概念为模糊概念。客观世界中有许多这样的概念，比如“漂亮”、“高”、“密切相关”等等。对于这些概念，如果给定一个明确的限制，回答“是”或“否”与客观情况不一致。例如，“如果身高超过180厘米，他就高”，而张三是179厘米高，所以说张三不高显然是不合理的。为了定量描述模糊概念，美国计算机和控制论专家扎德于1965年在经典集合[的基础上发表了一篇关于模糊数学的开创性论文。扎德首次引入模糊集的概念，将经典集合论中的集的特征函数推广到区间为[OJ的函数。这样，我们不仅可以表达具有明确外延(隶属度为0或1)的经典集合，还可以表达没有明确外延的模糊概念“
2.2模糊聚类分析(FCM)
。一般来说，直接求解目标函数/(英尺工厂)是非常困难的，我们可以用迭代运算方法来计算其近似解。J.CBezdek在1977年证明了用模糊异数据算法迭代求解模糊分类矩阵和和聚类中心矩阵f是可行的，迭代过程最终是收敛的。具体算法如下。
第三章特征提取......12
3.1基于主成分的收益提取......12
3.2主成分分析中的奇异值分解应用....14
3.3本章概述................................16
第四章C波段异常信号的分类方法...........................................17
4.1c波段异常信号分类方法..........................................17
4.2实验性............................19
4.3模糊碳均值(WFCM)................................21
基于熵权方法4.3.1基于熵权的权重计算.................................................21
结论和展望...................28
第四章C波段异常信号的分类方法
4.1 C波段异常信号的分类方法
在对C波段信号的监测中，该波段常见的异常信号有单载波、单频点、雷达、千干扰信号等。通过大量的无线电监测，相关部门获得了异常信号样本库。因此，通过聚类分析技术对无线电监测数据(训练集)进行聚类分析，然后通过判断异常信号与聚类中心的距离，将异常信号划分为最接近异常信号的聚类中心类型，判断异常信号的类别，实现对C波段异常信号的监测。为了尽可能简化聚类分析的计算过程，首先必须对数据进行降维。在特征空范围内，异常信号可视为相对于正常信号的孤立点。
4.2实验
用频谱分析仪采集了四种测量的C波段无线电异常信号。以频率点能量值为样本数据，在每pa 401个采样点采集四种异常信号。样本数据分为两组:训练样本集和测试样本集。每个信号的训练样本和测试样本的数量是100。这四个信号共有400个训练样本集和400个测试样本集。频谱图如下:
实验结果表明，基于主成分分析的信号识别方法比直接基于专家经验的特征提取具有更好的分类精度，但精度仍有待提高。原因是虽然主成分分析法保证了每个特征的完整性，但是当使用传统的模糊C均值方法进行聚类时，每个属性的特征被认为是同等重要的。然而，在实践中，这些特征的重要性是不同的。为了解决这一问题，在模糊C均值中引入熵权方法，利用各指标的信息量客观有效地对特征进行加权。
……
结论和前景
无线电的发展导致了日益复杂的电磁环境。同时，还有许多异常信号:包括非法信号和不规则信号。它给无线电监测带来了越来越多的困难。传统的数理统计方法已经不能满足数据分析的需要。为了尽可能保证无线电信号特性的完整性，提高监测的准确性。提出了一种基于主成分分析的信号分类方法来提取特征。改进了基于专家经验选择特征的方法，以尽可能地表征无线电信号，确保信息的完整性。详细介绍了模糊C均值和熵权方法。将熵权方法引入模糊聚类，以减少属性特征不同重要性带来的影响。具体内容如下:1 .介绍了C波段异常信号分类研究的背景和意义。2研究了主成分分析法。从信息利用率出发，采用主成分分析法提取信号的主成分，改进了目前常用的专家经验选择特征的方法。确保信息的完整性。3将熵权方法引入模糊C均值。熵权用于定义权值，通过加权表达每个维度特征的重要性，解决特征对分类贡献不均匀的问题。4.将本文提出的基于主成分分析和WFCM的异常信号分类方法与基于专家经验的特征选择方法进行了比较。通过比较两个实验结果的准确性，验证了该方法的有效性。
……
参考文献(省略)