林 偉

(陸軍軍官學(xué)院，合肥 230031)

通信信號的識別與分類關(guān)系密切，信號分類是信號識別的基礎(chǔ)。然而，現(xiàn)代電磁環(huán)境日趨復(fù)雜，新的通信體制通信信號不斷涌現(xiàn)，信號分類和識別難度越來越大?！胺诸悊栴}”已成為人工智能中的一個重要研究方向。如何根據(jù)現(xiàn)代通信信號的特點(diǎn)，選擇合適的分類方法識別通信信號已經(jīng)成為一個迫切需要解決的難題。

關(guān)于分類問題，國內(nèi)外許多專家都進(jìn)行了廣泛、深入的研究，并取得了一些可喜的成果，如貝葉斯分類、決策樹分類法等。但是，貝葉斯分類必須已知先驗概率和類別個數(shù)，不便用于通信信號分類［1］;由于通信信號存在不便量化的非數(shù)值型特征參數(shù)，有時不便進(jìn)行神經(jīng)計算，神經(jīng)網(wǎng)絡(luò)分類方法有時受到限制［2］;支持向量機(jī)是目前分類效率較高的方法，但算法復(fù)雜度相應(yīng)提高，對非數(shù)值型數(shù)據(jù)處理也不合適［3］;決策樹的訓(xùn)練耗費(fèi)很大，運(yùn)算復(fù)雜度太高［4］。所以，用以上一種單純分類方法對通信信號分類不能最優(yōu)。

根據(jù)通信信號特征參數(shù)的特點(diǎn)，給出了一種將粗糙集理論與覆蓋算法的概率模型結(jié)合起來的模式分類方法，這種方法實際上是將粗糙集和覆蓋算法的概率模型相結(jié)合的兩級復(fù)合分類方法。第1 級分類利用粗糙集進(jìn)行粗分，該理論在屬性約簡、消除冗余信息等方面有優(yōu)勢，能針對特征參數(shù)中非數(shù)值型參數(shù)簡化信號屬性，提取其核心屬性，針對核心屬性，根據(jù)分類目的進(jìn)行粗分;第2 級分類借助覆蓋算法概率模型細(xì)分，用覆蓋算法構(gòu)造神經(jīng)網(wǎng)絡(luò)，引入高斯有限混合模型，對數(shù)值型特征參數(shù)，具有良好的分類性能，能實現(xiàn)精確分類，對粗分后的子集進(jìn)行精確分類。

1 粗糙集與覆蓋算法概率模型相結(jié)合的分類方法的實現(xiàn)

粗糙集理論與覆蓋算法在模式分類中各有優(yōu)勢。粗糙集方法能簡化規(guī)則，消除冗余信息;覆蓋算法的概率模型能提高分類精度。在解決實際問題時，可以根據(jù)決策屬性選擇解決方法。設(shè)決策屬性為D，條件屬性C =C1∪C2，其中C1是非數(shù)值型條件屬性，C2是數(shù)值型條件屬性，有3 種方法供選擇:

方法1 若D=f(C1)，即D 只由C1決定，可用粗糙集方法;

方法2 若D=f(C2)，即D 由C2唯一決定，可用覆蓋算法的概率模型;

方法3 若D=f(C1∪C2)，即D 由C1和C2共同決定，則采用二者相結(jié)合的方法。

例如，一信息表是一個班的學(xué)生基本情況表，若D =性別，則用方法1;若D=全體學(xué)生平均成績，則用方法2;若D=男女學(xué)生的平均成績，則用方法3。

方法3 具體實現(xiàn)步驟:

1)基于粗糙集的非數(shù)值型條件屬性約簡:

①求出決策屬性D 的非數(shù)值型條件屬性C 的正區(qū)域POSC(D);

②對每一個非數(shù)值型條件屬性ci，計算POSC-{ci}(D)，若POSC-{ci}(D)=POSC(D)，則ci是可約去的，否則，ci不可約去，從而得非數(shù)值型條件屬性的核CORE(C);

③求含CORE(C)的最小集合P，使得POSP(D)=POSC(D)，得C 的最小約簡P。

2)將輸入空間的學(xué)習(xí)樣本約簡為只含core［］中核值屬性的樣本，得簡化的學(xué)習(xí)樣本。

3)對數(shù)據(jù)粗分類，根據(jù)需求篩選出滿足非數(shù)值型條件屬性的子集。

4)基于覆蓋算法的概率模型的海量數(shù)據(jù)挖掘算法的分類。

給定m 類分類的訓(xùn)練樣本集K={K1，K2，…，Km}，算法實現(xiàn)具體步驟:

①利用覆蓋算法，求出各類的覆蓋組{C1，C2，…，Cm}:

a)將所有點(diǎn)投影到Sn上(中心在原點(diǎn)，半徑為R，R ＞

b)若K1(開始時i =1)非空，作一覆蓋m，j=1，2，…，gi，它只覆蓋K1的點(diǎn)，被Cij 覆蓋Ki的子集為Kij(j=1，2，…，gi);

c)若Ki被覆蓋完，i=i+1，若i ＞m，則轉(zhuǎn)至h，否則，任取Ki中尚未被覆蓋的一點(diǎn)ai;

e)求C(ai)所覆蓋點(diǎn)的重心，將其映射到球面上，設(shè)投影點(diǎn)為，按④中公式求，求得球形領(lǐng)域C);

g)求ai的平移點(diǎn)，并求對應(yīng)的球形領(lǐng)域C)，若C)覆蓋的點(diǎn)數(shù)大于C(ai)所覆蓋的點(diǎn)數(shù)，轉(zhuǎn)到e)，否則，得到C(ai)的一個覆蓋，轉(zhuǎn)步c);

h)樣本學(xué)習(xí)結(jié)束，得到覆蓋組。

②以覆蓋的中心為高斯核函數(shù)的均值，取半徑為方差，對每覆蓋引入高斯核函數(shù);立有限混合概率模型;

④利用文獻(xiàn)［5］中給出求解最大似然的迭代EM 算法進(jìn)行最大似然擬合;

⑤訓(xùn)練結(jié)束將得到p 個球形領(lǐng)域，所有訓(xùn)練樣本被分成m 類不同覆蓋集合K={K1，K2，…，Km}，其中Ki=Ki1∪Ki2∪…∪Kij(i=1，2，…，m，p≥m)。

方法3 的步驟1 和2 降低了輸入數(shù)據(jù)的維數(shù)，步驟3 減少后續(xù)覆蓋算法的樣本個數(shù)，步驟4 具有較高的分辨能力，因此方法3 既快速又準(zhǔn)確。

2 通信信號分類實驗

實驗用某型號接收機(jī)接收并采集通信信號，提取其特征參數(shù)，如表1 所示，信號U1、信號U2 和信號U3 的特征是從采集廣播電臺的數(shù)據(jù)中提取的，信號U4 和信號U5 是自己用某型號電臺發(fā)射信號，經(jīng)接收和采集而提取的。表1、2 中，U為論域，即信號個體;Xi(i=1，2，…)為信號屬性，其中X1為調(diào)制樣式，X2為信號的頻率波段，X3為頻率(kHz)，X4為強(qiáng)度(信號歸一化功率)，X5為帶寬(kHz)，X6為調(diào)制參數(shù)，X7為信號應(yīng)用領(lǐng)域;Y 為決策屬性，即結(jié)果。

C={X1，X2，…，Xn}為條件屬性集，∩(C -X7)=∩C，所以X7為C 中可省略的，同理約簡其他冗余屬性，得到約簡后的屬性集Score={X1，X2，…，X6}，如表2 所示。

表1 通信信號的部分特征

表2 是完備屬性集，因為∩(C -{Xi})≠∩C，即Xi是不可省略的(i =1，2，…，6)。與表1 相比，信號的屬性個數(shù)減少了，即輸入數(shù)據(jù)維數(shù)降低了。因此，可以根據(jù)需求，利用非條件屬性進(jìn)行粗分類。若需求為X1=“AM”，X2=“中波”，經(jīng)過粗分類，只有信號U1 和信號U2 滿足要求，接著對這2 個信號用覆蓋算法概率模型細(xì)分，其他3 個信號就不再作細(xì)分的考慮。因此減少了進(jìn)行覆蓋計算的樣本數(shù)，對大規(guī)模模式分類具有重要的意義。

實驗在不同時間分別大量接收并采集表1 中的所有信號，提取其特征向量，用方法1、方法2 和方法3 比較，結(jié)果如表3 所示。

表3 通信信號分類與識別結(jié)果

通過表3，可以發(fā)現(xiàn)采用粗糙集和覆蓋算法覆蓋模型相結(jié)合的方法比單獨(dú)使用粗糙集或覆蓋算法概率模型，在所用時間和正確率上都有大幅度的提高，說明這種方法是有效的。

3 結(jié)束語

分類是識別的基礎(chǔ)，是人工智能研究的一個重要課題。關(guān)于分類問題，國內(nèi)外許多專家都進(jìn)行了廣泛、深入的研究，并取得了一些可喜的成果，但是，沒有一種分類方法對所有事物的分類都適用，沒有一種方法對任何分類問題都最優(yōu)。本文分析了常用的分類方法的優(yōu)缺點(diǎn)，根據(jù)通信信號的特點(diǎn)，提出了基于粗糙集和覆蓋算法的概率模型的通信信號分類方法。首先利用粗糙集能夠進(jìn)行屬性約簡、消除冗余信息等方面有優(yōu)勢，簡化特征參數(shù)中非數(shù)值型參數(shù)的信號屬性，提取其核心屬性;然后再借助覆蓋算法概率模型具有良好的分類性能，對數(shù)值型參數(shù)細(xì)分，對粗糙集約簡后的最小屬性子集進(jìn)行分類。最后給出了算法的實現(xiàn)步驟，對實際信號進(jìn)行了分類實驗，實驗效果證明提出的方法是適用的。

［1］Heckman D，Geiger D，Chickering D.Learning Bayesian networks:the combination of knowledge and statistical data.Machine Learning［J］.1995，20(3):197-243.

［2］張鈴，張鈸.人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用［M］.杭州:浙江科學(xué)技術(shù)出版社，1997.

［3］崔偉東，周志華，李星.支持向量機(jī)研究［J］.計算機(jī)工程與應(yīng)用，2001(1):58-61.

［4］Hunt E B，Marin J，Stone P T. Experiments in Induction［J］.Academic Press，1966，63:227-230.

［5］Dempster A P，Laird N M，Rubin D B.Maximum likelihood from incomplete data using the EM algorithm(with discussion)［J］.R Stat Soc Ser B，1977，39:1-38.

［6］陳敏. OPNET 網(wǎng)絡(luò)仿真［M］. 北京:清華大學(xué)出版社，2004.

［7］王文博，張金文.OPNET Modeler 與網(wǎng)絡(luò)仿真［M］.北京:人民郵電出版社，2003.

［8］劉建國，柯鈺，鐘京立.軍事通信網(wǎng)絡(luò)基礎(chǔ)教程［M］.北京:北京航空航天大學(xué)出版社，2001.

［9］張玉，楊曉靜.地域通信網(wǎng)網(wǎng)絡(luò)性能的計算機(jī)仿真研究［J］.計算機(jī)工程，2004(8):51-54.

［10］何非常.軍事通信［M］.北京:國防工業(yè)出版社，2000:24-75.

［11］岳偉甲，劉昌錦.一種基于VC ++的通信信號仿真軟件設(shè)計［J］.四川兵工學(xué)報，2011(5):92-95.