一种基于机器学习的高效快速工业频谱认知方法技术

本发明专利技术涉及频谱感知技术，具体地说它是一种基于机器学习的高效快速工业频谱认知方法。该发明专利技术针对现有频谱感知方法处理工业复杂电磁环境下频谱大数据时存在的计算量大、速度慢、能耗高等问题，首先采用主成分分析(PCA)方法对工业频谱大数据进行降维处理，提取特征数据，降低数据处理复杂度，提高感知效率；然后采用单类支持向量机(OCSVM)对降维数据进行分类训练学习，并利用粒子群算法(PSO)对训练参数进行迭代优化，提高频谱认知准确度，避免陷入局部最优；最后，采用优化学习的工业频谱认知模型对实时工业频谱进行认知。本发明专利技术具有复杂度低、感知精度高和快速高能效的特点，可实现频谱感知到认知的跨越。

【技术实现步骤摘要】
一种基于机器学习的高效快速工业频谱认知方法
本专利技术涉及频谱感知技术，具体地说，它是一种基于机器学习的高效快速工业频谱认知方法。
技术介绍
5G技术的快速发展，将不仅满足传统人类通信的大带宽需求，而且可以满足机器通信的大连接、低时延、高可靠需求。因此，5G将支持工业无线控制，被认为是工业互联网的核心技术之一，将推动工业4.0的快速发展。然而，不同于商用5G技术，拥有纯净的授权频谱，可以供单一5G网络集中调度使用；工业应用缺乏授权频谱，只能使用公共接入的非授权频谱，必须与其他网络共享使用。因此，应用于工业场景的5G(即：工业5G)不可避免会受到其他网络的随机突发干扰。与此同时，工业环境下，温湿度、振动等情况多变，移动金属设备随机遮挡严重，造成了工业射频环境复杂多变，严重影响通信质量，难以保障工业通信的实时性和可靠性。为保证工业5G的通信质量，同时不对其他网络造成干扰，实现异构网络的和谐共存，工业5G必须首先进行频谱感知，确保所使用频谱质量可靠。传统的频谱感知方法包括能量检测、循环平稳特征检测、匹配滤波、协方差检测等。然而这些方法往往依靠固定的信道模型，难以处理宽带通信时的海量频谱状态数据。为此，压缩感知、小波变换等方法也应用于频谱感知，解决宽带频谱感知难题。但是，这些方法在处理工业频谱大数据时，具有计算量大、速度慢、能耗高等缺点，无法适用于动态多变的工业电磁环境。此外，现有方法主要是基于经典模型，仍停留在频谱感知的层面，没有达到频谱认知。
技术实现思路
本专利技术针对现有频谱感知方法处理工业频谱大数据时计算量大、速度慢、能耗高，难以实现复杂电磁环境的频谱认知问题，提出一种基于机器学习的高效快速工业频谱认知方法。该方法首先采用主成分分析(PCA)方法对工业频谱大数据进行降维处理，提取特征数据，降低数据处理复杂度，提高感知效率；然后采用单类支持向量机(OCSVM)对降维数据进行分类训练学习，并利用粒子群算法(PSO)对训练参数进行迭代优化，提高频谱认知准确度，避免陷入局部最优；最后，采用优化学习的工业频谱认知模型对实时工业频谱进行认知。该方法可以大幅降低频谱学习计算量，提高频谱认知速度，降低能耗。与传统的频谱感知方法相比，具有更高的感知灵敏度和较低的算法复杂度。本专利技术为实现上述目的所采用的技术方案是：一种基于机器学习的高效快速工业频谱认知方法，包括以下步骤：(1)工业频谱大数据采集：采集工业环境下的电磁频谱数据，并根据频谱是否被占用，建立频谱的二元分类模型；(2)PCA降维处理：利用PCA算法对采集到的电磁频谱数据进行降维处理，提取特征向量；(3)OCSVM数据训练：对于降维后的特征向量，通过求解关于频谱占用情况的二次规划问题，建立基于高斯核函数拉格朗日对偶分解问题，求解最佳分类超平面，得到频谱分类的决策函数；(4)PSO参数优化：采用PSO对OCSVM数据训练过程中的固有参数和高斯核函数参数进行迭代优化，得到优化后的分类决策函数作为频谱认知模型；(5)频谱认知：将待检测频谱信号进行PCA降维处理，然后输入到频谱认知分类模型中，得到频谱占用情况。所述采集工业环境下的电磁频谱数据，在下述两种情况之一进行采集：空闲状态：待监测工业频谱空间内，工业无线系统均处于停机状态，；繁忙状态：待监测工业频谱空间内，工业无线系统均按工业需求运行。所述频谱分类二元模型如下：其中，x(t)代表无线电收发机接收到的宽带信号，v(t)代表噪声信号，s(t)代表其他工业无线系统的信号，h(t)代表信道增益，H0代表频谱空闲，未被其他工业无线系统占用；H1代表频谱繁忙，被其他同频段工业无线系统占用。所述PCA降维处理包括如下步骤：a.根据样本数量m及样本特征数n，建立工业频谱的原始数据矩阵其中，xi＝(x1i，x2i，…，xmi)T，i＝1，2，…，n表示工业频谱样本特征；b.对样本进行标准化处理，即将X的每一列进行零均值化处理，得到c.计算标准化样本的协方差矩阵及其特征值λ和特征向量W，满足CW＝λW；d.将每一个样本xi转化为新的样本yi＝WTxi，得到新的样本矩阵Y′＝(y1，y2，...，yn)；e.计算方差的贡献率其中，λi为特征值λ中的第i个元素，选取前k个主分量，确保其累积贡献率达到设定值以上，用k维特征代表原始的n维特征，实现数据降维，得到的降维后的矩阵为Y＝(y1，y2，...，yk)。所述工业频谱样本特征包括信号功率、时间、到达角、到达时间、同步信号、数据包大小、源地址、目的地址、转发地址、端口号。所述OCSVM数据训练包括以下步骤：a.建立关于频谱占用情况的二次规划问题其中，降维后的样本y1，…，ym∈Y，m是样本数量；Φ：Y→H表示原空间到特征空间的映射；ω和ρ分别为特征空间中所需超平面的法向量和偏移量；ν∈(0，1]为权衡参数，ξi为松弛变量，表示允许训练样本被错误分类的程度，R表示实数；b.建立拉格朗日函数其中αi，βi为拉格朗日因子；c.对ω，ρ，ξi分别求偏导数，得到d.构建高斯核函数K(yi，yj)＝＜Φ(yi)，Φ(yj)＞＝exp(-g||yi-yj||2)；其中，＜Φ(yi)，Φ(yj)＞表示求取Φ(yi)和Φ(yj)的内积，yi，yj分别表示降维后第i、j个样本，i、j＝1、2...m；e.求解对偶分解问题选取任一满足的参数α作为参数α*，计算出偏移量得到αi*对应的向量yi就是支持向量，并得到频谱分类的决策函数为其中，y表示输入样本，f(y)表示分类决策函数，sgn表示符号函数。所述PSO参数优化包括以下步骤：a.初始化最大迭代次数M；随机初始化粒子群U＝{u1，u2，...，uP}，P表示粒子总数，其中第p个粒子的速度为Vp＝(Vp1，Vp2，...，Vpk)T，位置为Sp＝(Sp1，Sp2，...，Spk)T，用于指向k个特征的位置，k为降维后的特征数，位置Spk＝(Spv，Spg)由两个分量构成，分别代表OCSVM固有参数v和高斯核函数参数g，其限定范围分别是[Svmin，Svmax]和[Sgmin，Sgmax]；Svmin，Svmax表示固有参数v的最小值和最大值；Sgmin，Sgmax表示高斯核函数参数g的最小值和最大值；b.基于分类决策函数f(y)，计算当前粒子的适应度值f(Sp)；c.更新个体极值及群体极值：若适应度值则否则其中h表示第h次迭代，表示第h次迭代时粒子的当前位置，表示第h次迭代时个体极值点的位置；计算Gh表示第h次迭代时整个粒子群的全局极值点位置即群体极值；d.更新粒子的速度和位置其中，表示第h次迭代时粒子p的速度，c1、c2为加速系数，r1，r2为[0，1]内均匀分布的随机数，ωpso为惯性权重；e.判断是否满足本文档来自技高网...

【技术保护点】
1.一种基于机器学习的高效快速工业频谱认知方法，其特征在于，包括以下步骤：/n(1)工业频谱大数据采集：采集工业环境下的电磁频谱数据，并根据频谱是否被占用，建立频谱的二元分类模型；/n(2)PCA降维处理：利用PCA算法对采集到的电磁频谱数据进行降维处理，提取特征向量；/n(3)OCSVM数据训练：对于降维后的特征向量，通过求解关于频谱占用情况的二次规划问题，建立基于高斯核函数拉格朗日对偶分解问题，求解最佳分类超平面，得到频谱分类的决策函数；/n(4)PSO参数优化：采用PSO对OCSVM数据训练过程中的固有参数和高斯核函数参数进行迭代优化，得到优化后的分类决策函数作为频谱认知模型；/n(5)频谱认知：将待检测频谱信号进行PCA降维处理，然后输入到频谱认知分类模型中，得到频谱占用情况。/n

【技术特征摘要】
1.一种基于机器学习的高效快速工业频谱认知方法，其特征在于，包括以下步骤：
(1)工业频谱大数据采集：采集工业环境下的电磁频谱数据，并根据频谱是否被占用，建立频谱的二元分类模型；
(2)PCA降维处理：利用PCA算法对采集到的电磁频谱数据进行降维处理，提取特征向量；
(3)OCSVM数据训练：对于降维后的特征向量，通过求解关于频谱占用情况的二次规划问题，建立基于高斯核函数拉格朗日对偶分解问题，求解最佳分类超平面，得到频谱分类的决策函数；
(4)PSO参数优化：采用PSO对OCSVM数据训练过程中的固有参数和高斯核函数参数进行迭代优化，得到优化后的分类决策函数作为频谱认知模型；
(5)频谱认知：将待检测频谱信号进行PCA降维处理，然后输入到频谱认知分类模型中，得到频谱占用情况。


2.根据权利要求1所述的一种基于机器学习的高效快速工业频谱认知方法，其特征在于，所述采集工业环境下的电磁频谱数据，在下述两种情况之一进行采集：
空闲状态：待监测工业频谱空间内，工业无线系统均处于停机状态，；
繁忙状态：待监测工业频谱空间内，工业无线系统均按工业需求运行。


3.根据权利要求1所述的一种基于机器学习的高效快速工业频谱认知方法，其特征在于，所述频谱分类二元模型如下：



其中，x(t)代表无线电收发机接收到的宽带信号，v(t)代表噪声信号，s(t)代表其他工业无线系统的信号，h(t)代表信道增益，H0代表频谱空闲，未被其他工业无线系统占用；H1代表频谱繁忙，被其他同频段工业无线系统占用。


4.根据权利要求1所述的一种基于机器学习的高效快速工业频谱认知方法，其特征在于，所述PCA降维处理包括如下步骤：
a.根据样本数量m及样本特征数n，建立工业频谱的原始数据矩阵



其中，xi＝(x1i,x2i,…,xmi)T,i＝1,2,…,n表示工业频谱样本特征；
b.对样本进行标准化处理，即将X的每一列进行零均值化处理，得到



c.计算标准化样本的协方差矩阵及其特征值λ和特征向量W，满足CW＝λW；
d.将每一个样本xi转化为新的样本yi＝WTxi，得到新的样本矩阵Y'＝(y1,y2,...,yn)；
e.计算方差的贡献率其中，λi为特征值λ中的第i个元素，选取前k个主分量，确保其累积贡献率达到设定值以上，用k维特征代表原始的n维特征，实现数据降维，得到的降维后的矩阵为Y＝(y1,y2,...,yk)。


5.根据权利要求1所述的一种基于机器学习的高效快速工业频谱认知方法，其特征在于，所述工业频谱样本特征包括信号功率、时间、到达角、到达时间、同步信号、数据包大小、源地址、目的地址、转发地址、端口号。


6.根据权利要求1所述的一种基于机器学习的高效快速工业频谱认知方法，其特征在于，所述OCSVM数据训练包括以下步骤：
a.建立关于频谱占用情况的二次规划问题



其中，降维后的样本y1,…,ym∈Y，m是样本数量；Φ:Y→H...

【专利技术属性】
技术研发人员：许驰，李琳，曾鹏，于海斌，金曦，夏长清，刘晓宇，
申请(专利权)人：中国科学院沈阳自动化研究所，沈阳智能机器人国家研究院有限公司，沈阳智能机器人创新中心有限公司，
类型：发明
国别省市：辽宁;21