一种新的基于检测学习的自动调制分类方法外文翻译资料

 2021-11-24 10:11

英语原文共 17 页

一种新的基于检测学习的自动调制分类方法

摘要:自动调制分类(AMC)是一种用于识别调制类型的重要技术。 在协同场景下,通过已知调制方案的信号训练字典集。然后根据稀疏表示对非合作环境中接收的信号的调制方案进行分类。 此外,我们提出了一种名为FBCDL的新方法。 此外,证明了FBCDL的收敛性,并且我们发现我们提出的方法实现了更低的复杂度。 实验结果表明

我们提出的FBCDL比传统方法具有更好的分类精度。

关键词:调制分类; 非合作情景; 字典学习; 稀疏系数

引言:自动调制分类(AMC)是一种用于识别调制类型的重要技术[1]。由于其在各种情况下的广泛应用,如无人机(UAV)通信[2],卫星通信[3],毫米波通信[4],[5],5G技术[6],[7]等,AMC在通信技术中发挥着重要作用。存在各种广泛使用的AMC方法,其基于两种方法:基于似然的(LB)和基于特征的(FB)方法.LB方法获得似然函数的最优,其可被视为一种最大似然估计算法。特别是,平均似然比测试(ALRT)方法[8]用未知参数的平均值替换未知参数。另一方面,广义似然比检验(GLRT)[9]将最大似然估计与最大似然分类相结合。然而,LB方法的计算复杂度通常较高,其分类精度对噪声和不完全同步敏感[ 2]。

FB方法首先提取接收数据的特征,用于对调制方案进行分类,然后对调制进行分类键入这些功能。 它们的分类精度在理论上可能不是最优的[2],但执行时间通常比LB方法快。 [10]中采用的特征是频域中接收信号的峰值。 高阶累积量

(HOC)在许多作品中被广泛使用,例如,[11]和[12]。 与频域中接收信号的峰值相比,HOC对噪声更稳健。然而,[11]中的方法的性能在高调制阶数上降低。

AMC也采用机器学习方法,因为它们可以解决各种情况下的问题。 在[13]中,遗传编程和K-最近邻(GPKNN)分类在非合作环境中的调制方案。 [12]使用

支持向量机(SVM)解决AMC问题。 然而,基于GP-KNN和SVM的分类准确度

分类会被干扰降级。

字典学习(DL)算法广泛应用于各个领域,例如图像分类,目标跟踪等[14]。字典学习方法首先在合作环境中获得由接收信号设置的字典。然后根据训练的字典集[15]近似接收非合作场景中接收的信号。 [16]中的最优方向法(MOD)实现了优化问题的最优化。但是,MOD对噪声敏感,其计算复杂度通常高于其他方法。 [17]提出了K-SVD,它通过最小化误差矩阵来逐列训练字典集。 [18]中K-means(SGK)的序贯推广通过与K-SVD不同的策略逐列训练字典集。然而,MOD,K-SVD和SGK不能保证它们的收敛[14]-[18]。为了解决上述字典学习分类器的这些问题,[19]采用了一种可以保证收敛的称为块近端梯度(BPG)的方法。但是,BPG对干扰很敏感。

在本文中,进行了一个新的AMC框架。 我们在协作环境中训练由接收信号设置的字典,然后通过其稀疏矩阵的大分量识别调制类型。 我们设计了一个字典学习分类器快速块坐标下降字典。 学习FBCDL。 FBCDL可以保证收敛,而传统的字典学习方法[14] - [18]则不能。 此外,我们比较了各种方法的复杂性,FBCDL实现了比其他分类器更低的计算复杂度和更快的训练时间。 实验结果表明,我们提出的FBCDL比传统方法具有更好的分类精度。

2.系统模型

该文件概述如下。 在第二节中,我们介绍了系统模型和信道参数估计策略。 第三节提出了我们的AMC框架。 然后第四节介绍了字典学习方法。 我们证明FBCDL可以收敛到与第IV节中的其他AMC方法相比,速度更快。 第五部分进行实验以研究其性能我们提出的方法与各种AMC分类器。 在第六节中,我们得出结论。

2.1信号模型

对于n = 1,...,N,令s(n)为无噪声信号序列的第n个元素0。 第n个接收信号可以表示为 其中a,w,theta;是信道增益,频率和相位都不匹配。设V(n)表示复合加性高斯白噪声(AWGN)服从

调制池中有M种不同的调制类型Theta;=Theta;,...,Theta;[m],其中Theta;[m],m = 1,...,M是第m个调制方案。 令r和fAMC分别表示属于第m调制类型和分类函数的信号。 AMC算法通过设m =famc(r)来估计调制方案,其中m表示估计的调制类型。 设T表示接收信号r = [r(1),...,r(N)] T0属于第m调制方案的假设m。 正确分类概率(PCC)的表达是

2.2命令集

我们采用接收信号的实部和虚部作为AMC的特征[13]。在本文中,我们假设每个符号以相同的概率生成。因此,每种调制类型都有其唯一的顺序统计量。我们定义Re(r(n))和Im(r(n)),n = 1,...,N0,分别作为实部和虚部。

设N = 2N,接收信号r变换为

由于属于相同调制方案的信号具有相同的顺序统计,我们可以利用顺序统计来对调制方案进行分类[13]。

作为一项新功能,命令统计数据在本文中用作AMC的功能,根据不同的调制格式具有唯一的命令统计数据。此外,命令统计计算的计算复杂度低于其他广泛使用的特征。

2.3估计频率和频率阶段设定

由于某些通道参数会严重降低分类精度[20],因此在使用AMC框架之前应该减少这些参数。 我们估计频率偏移为 设r表示消除了频率偏移的信号。 相位偏移为

  1. 我们建提议的AMC框架

我们在本节中介绍了我们的框架,因为字典学习方法对干扰是稳健的[14]。 表示为D的字典集由协作环境中的已知信号训练。 然后我们通过常数D计算稀疏系数。

3.1训练阶段

让集合R表示在协作环境中接收的L个已知信号。 我们将Y = [y,...,y]定义为特征矩阵。 设y为Y的第l列,在合作场景中从r中提取。 字典集表示为D = [d,...,d]isin;real;Ntimes;M,D列被定义为字典原子。 在训练阶段,L远大于M以避免过度拟合。 特征矩阵Y给出为Y = DX W [15],其中X = [x,...,x]isin;Mtimes;L表示稀疏系数。 通常,大多数X的元素接近于零。 令Wisin;Ntimes;L表示噪声和干扰。

我们的AMC框架包括两个阶段,即培训阶段和分类阶段。 在训练阶段,在协作场景中接收的信号(表示为R)用于导出字典集D.然后将字典集D设置为常数并用于识别调制类型。我们导出稀疏矩阵 通过贪心算法在非合作环境中接收的信号并对其调制方案进行分类。 我们将字典集D的列定义为字典原子Dm。m = 1,...,M。 第m个字典d是属于第m个调制类型的信号的模糊矢量。

问题I

其中||.||和lambda;,lambda;gt; 0分别是L-范数和罚分的权衡。为了保证我们提出的方法的收敛性,对应于y的l稀疏表示,l表示为x,应该是有界的。 因此,我们设定 其中 是一个常量。我们采用 和 系列[23],因为 可以导出一个稀疏矩阵,并且 规范可以使数值结果在训练阶段保持稳定[14]。

3.2分类阶段

设 为非合作场景下接收的L信号。

设 表示R的特征矩阵。

我们采用字典集 来获得稀疏矩阵,表示为X,使用正交匹配追踪(OMP)[24]。

对于属于非合作环境中的第m调制类型的 ,x的第m个元素具有较大的幅度,而其他元素在实践中较小。 我们将在非合作场景中接收的信号的调制类型分类为 其中m是X集合中第m行的元素。

我们采用[25]中提到的基于字典学习的AMC框架。在本文中,我们利用问题I中的优化问题,因为问题I的约束可以保证最优的存在。

备注1.以前的一些作品[26]-[29]采用了优化问题,没有约束如下:

问题II

问题II不存在最佳。

证明:设 表示问题II的最优值。

对于任何alpha;gt;1,让 将Z代入问题II,我们有

我们可以发现,对于任何alpha;gt;1,当且仅当 我们利用最优值,即D *和X *来近似Y时,等式 成立。近似误差 应该足够小,并且 不能在实践中满足。 另一方面,如果 ,我们可以发现 不是最优的,这表明问题II不存在最优。

  1. 我们建议的字典学习方法

在这里,我们提出了一种称为快速块坐标下降字典学习(FBCDL)的算法,该算法收敛到最优。然后我们计算FBCDL的复杂性。

4.1获取字典

令X(k)和D(k)= [d(k),1,...,d(k),M]分别表示在第k次迭代中导出的稀疏系数X和字典集D的结果。 d表示D中的第m个字典原子。 我们将d(0)初始化为属于第m调制类型的信号特征的理论值。

为了满足问题I中的约束,我们设置了 。稀疏系数,表示为 ,给出为

其中 是 中第m列第l行的元素。问题I中目标函数的可导出分量是:

让a成为非光滑函数,A表示集合。给定 和tgt;0,近端算子定义为:

稀疏系数X和字典集D给出为[30]:

其中

分别表示稀疏表示 和 以及字典集D的可行集合,步长t和t更新为:

都是步长。 令 为第k次迭代中的第m行稀疏表示 ,

并且 为单位矩阵。

设 为迹线。从(3a)和(3b), 和 , 由下式更新:

此外,问题I我也可以给出另外一种解法

其中 和 都是指示函数,定义为

逼近0,我们可以得出:

为了使得FBCDL的更新。我们证明引理1和引理2如下。我们为任何矩阵 定义了 ,由下式给出

引理1. 的Frecheacute;t次微分,设为 即:

证明:对于所有的 和 ,根据[31]-[33], 的次微可设为 ,可由下式得出:

如果有 ,我们可以得出:

相似的,如果 ,我们可以得出:

如果 ,我们可以得出:

对于任何 和 ,上式应该永远是非负的。

因此,我们需要考虑: 以及

接下来我们证明引理2

引理2:设 和 的次微分为 和 。一种可行的值由下式给出: 和

证明:我们首先证明了 的微分始终满足

因为

为了证明 我们假设 已知

对于任何一个向量 ,对应 的次微分表示为 ,记为

若 且

我们可以选择集合 中任意一个向量来保持上述的不等号方向

若 且

我们有

因此对应 的次微分表示为 ,记为

在 时,始终有

如果 ,对于 有

换句话说如果 ,当,有

相似得,我们有 因此 对于 是一个新的解决方案。

综上所述,我们可以得出

因此,得证

因为 相似的,我们证出

从而得出

设 为给出的投影

对于任何矩阵 我们将给定 的软阈值函数定义为 ,由此给出

其中 和 分别表示 和 的第 个元素。根据引理1,稀疏系数给出为

其中 和 分别为 和 的第l

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。