[发明专利]一种基于机器学习的高效快速工业频谱认知方法

权利要求书

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，x_i＝(x_1i,x_2i,…,x_mi)^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x_i转化为新的样本y_i＝W^Tx_i，得到新的样本矩阵Y'＝(y₁,y₂,...,y_n)；

e.计算方差的贡献率其中，λ_i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,...,y_k)。

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。