張 燕，劉 磊

(電子科技大學(xué)成都學(xué)院，四川 成都 611731)

1 引言

21世紀(jì)以來，短距離無線通信網(wǎng)絡(luò)信號在通信領(lǐng)域中占據(jù)著重要的地位，它給人類帶來了巨大的便利。像藍(lán)牙、IrDA等都是短距離無線通信的主要標(biāo)準(zhǔn)，有著高速率、容量大、成本低的特點(diǎn)。但由于無線通信的頻繁使用導(dǎo)致通信信道容易出現(xiàn)阻塞、錯綜等現(xiàn)象，這種現(xiàn)象會給短距離無線通信網(wǎng)絡(luò)造成不利的影響，為了解決這一問題，需要對短距離無線通信網(wǎng)絡(luò)異常信號進(jìn)行識別。

在上述背景下，有學(xué)者提出了一種面向移動機(jī)器人路徑控制網(wǎng)絡(luò)的異常參數(shù)識別方法，該方法通過對機(jī)器人射頻識別量的計算，將異常參數(shù)進(jìn)行整合，從而計算出網(wǎng)絡(luò)異常參數(shù)的特征，采用單分量控制信號模態(tài)分解方法對網(wǎng)絡(luò)參數(shù)的阻尼比數(shù)值進(jìn)行計算，從而完成對網(wǎng)絡(luò)異常參數(shù)的識別，該方法計算網(wǎng)絡(luò)異常數(shù)據(jù)特征不完善，導(dǎo)致識別效果不理想。還有學(xué)者提出了大型船舶電力網(wǎng)絡(luò)異常輸電線路自動識別分析方法，該方法首先構(gòu)建了網(wǎng)絡(luò)模擬模型對異常情況進(jìn)行模擬，在模擬過程中采用傳感器采集異常信號，并對其進(jìn)行特征提取，組合成異常信號特征向量，利用模糊聚類方法識別異常信號特征，該方法采集的異常信號存有誤差，導(dǎo)致識別結(jié)果不準(zhǔn)確。除此之外，賈振華等人提出基于參數(shù)估計的BPSK/PM遙測異常信號識別方法研究，該方法對遙測信號的特征進(jìn)行有效分析，并對信號在接收過程中發(fā)生異常信號的可能性進(jìn)行總結(jié)，總結(jié)后識別了可能發(fā)生的異常信號。該方法在不同信噪比下的識別正確率較低，網(wǎng)絡(luò)信號覆蓋率較差，最終影響了信號識別結(jié)果。

為了解決上述方法中存在的問題，提出短距離無線通信網(wǎng)絡(luò)異常信號識別方法。

2 短距離無線通信網(wǎng)絡(luò)異常信號特征提取

無線通信網(wǎng)絡(luò)異常信號中存在不同形狀的頻譜，根據(jù)這一特點(diǎn)，采用相像系數(shù)法對短距離無線通信網(wǎng)絡(luò)異常信號進(jìn)行特征提取。

設(shè)置

f

(

x

)和

g

(

x

)代表兩個連續(xù)正值實(shí)函數(shù)，同時滿足

f

(

x

)≥0、

g

(

x

)≥0兩個條件，那么此時的相像系數(shù)

C

定義為

(1)

上述正值實(shí)函數(shù)利用不等式進(jìn)行調(diào)整，得到下式

(2)

通過相像系數(shù)表達(dá)式發(fā)現(xiàn)，當(dāng)函數(shù)

f

(

x

)和

g

(

x

)與非零常數(shù)相乘時，

C

的值會保持不變。當(dāng)兩個函數(shù)逐漸成正比時，

C

會得到最大值。采用相像系數(shù)法提取網(wǎng)絡(luò)異常信號特征時，需要對異常信號進(jìn)行歸一化處理，此時異常信號為：{

G

(

n

)，

n

=1，2，…，

N

}。式中，

G

(

n

)描述的是處理后的異常信號，

N

描述的是長度。引入兩個信號序列對相像系數(shù)進(jìn)行計算，定義如下

矩形信號序列定義為

(3)

式中，

U

(

n

)描述的是矩形信號序列，

M

描述的是信號，也是預(yù)處理后異常信號

G

(

n

)的最大值。

三角形信號序列定義為

(4)

式中，

T

(

n

)描述的是三角形信號序列。

這時采用相像系數(shù)對網(wǎng)絡(luò)異常信號特征提取的具體步驟如下所示：

1)首先對短距離無線通信網(wǎng)絡(luò)信號進(jìn)行判別，從而獲取無線通信網(wǎng)絡(luò)異常信號，并對無線通信網(wǎng)絡(luò)異常信號進(jìn)行預(yù)處理，預(yù)處理后的異常信號序列用

G

(

n

)表示。2)對異常信號{

U

(

n

)}和{

G

(

n

)}的相像系數(shù)值進(jìn)行計算

(5)

式中，

C

1代表相像系數(shù)值。3)對異常信號{

T

(

n

)}和{

G

(

n

)}的相像系數(shù)值進(jìn)行計算

(6)

與式(5)相同，

C

2描述的是相像系數(shù)值。4)將相像系數(shù)值

C

1和

C

2相結(jié)合，構(gòu)建成二維聯(lián)合特征向量，定義為：

C

=[

C

1，

C

2]。

3 短距離無線通信網(wǎng)絡(luò)異常信號識別

3.1 最小二乘支持向量機(jī)

根據(jù)上述獲取的短距離無線通信網(wǎng)絡(luò)異常信號特征，采用最小二乘支持向量機(jī)對網(wǎng)絡(luò)信號特征進(jìn)行分類。

將獲取的網(wǎng)絡(luò)異常信號特征向量輸入到最小二乘支持向量機(jī)中，并給出一組大小相同的訓(xùn)練集{

x

，

y

}，其中，

x

描述的是輸入，

y

描述的是輸出。根據(jù)非線性回歸方程

y

(

x

)=

f

(

x

)+e獲取估計模型：

y

(

x

)=

w

φ

(

x

)+

b

+e，其中，

w

描述的是權(quán)向量，

φ

(

x

)描述的是非線性函數(shù)，

b

描述的是偏差量，

e

描述的是誤差量，即擬合誤差。根據(jù)下式得到等式描述的優(yōu)化問題

(7)

式中，

J

描述的是向量，

γ

描述的是懲罰系數(shù)，

w

描述的是系數(shù)向量。

令式(7)滿足等式約束：

y

=

w

φ

(

x

)+

b

+e，

i

=1，2，…，

N

(8)

(9)

式中，

L

描述的是常數(shù)，

α

描述的是拉格朗日乘數(shù)，

a

描述的是向量。將懲罰參數(shù)

γ

作為最小二乘支持向量機(jī)模型的復(fù)雜度，主要用來平衡最小二乘支持向量模型和訓(xùn)練誤差。對

w

、

b

、

e

、

α

分別進(jìn)行微分，并令其等于0，那么得到的最優(yōu)化條件用方程定義為

(10)

式中，?描述的是最優(yōu)條件，

λ

描述的是系數(shù)。將

w

和

e

消除，最優(yōu)解問題就會轉(zhuǎn)化成線性方程組

(11)

式中，

y

=[

y

；…；

y

]，

α

=[

α

；…；

α

]，

I

描述的是單位矩陣，

Ω

描述的是方陣，用

Ω

描述第

m

行中第

n

列元素，即

Ω

=

K

(

x

，

x

)

m

，

n

=1，…，

N

。其中引入的核函數(shù)表達(dá)為

Ω

=

φ

(

x

)

φ

(

x

)=

K

(

x

，

x

)

(12)

式中，

i

，

l

=1，2，…，

N

。

K

(

x

，

x

)描述的是核函數(shù)。

由此獲得用于函數(shù)估計的最小二乘支持向量模型表達(dá)式

(13)

式中，

α

和

b

是式(10)的解。

由于徑向基核函數(shù)RFB在處理非線性參數(shù)時有著顯著的效果，這時RBF的方程表達(dá)式為

(14)

式中，因?yàn)?p>σ

是和RFB相互關(guān)聯(lián)的參數(shù)，所以

σ

描述的是核參數(shù)。在最小二乘支持向量模型中，懲罰系數(shù)

γ

和核參數(shù)

σ

都屬于超參數(shù)。最小二乘支持向量機(jī)估計模型的構(gòu)建程度取決于超參數(shù)的取值，若懲罰系數(shù)

γ

和核參數(shù)

σ

的取值不恰當(dāng)，就會降低網(wǎng)絡(luò)異常信號識別準(zhǔn)確率，因此，采用灰狼優(yōu)化算法對超參數(shù)進(jìn)行優(yōu)化，從而完成對網(wǎng)絡(luò)異常信號的識別。

3.2 灰狼優(yōu)化算法

1)等級分配

在灰狼優(yōu)化算法中，

α

描述的是最優(yōu)解，

β

描述的是次優(yōu)解，

δ

描述的是第三最優(yōu)解，而

ω

描述的是候選解?；依轻鳙C過程表示對解的優(yōu)化尋優(yōu)過程，而

α

、

β

、

δ

在算法中占據(jù)著主導(dǎo)地位。

2)包圍獵物

狼群對獵物進(jìn)行狩獵期間首先會將獵物包圍起來，由下式對包圍過程進(jìn)行描述

(15)

3)圍捕獵物

通常情況下，狼群在圍捕過程中

α

占據(jù)著最佳位置，將

α

、

β

和

δ

標(biāo)記為變量最優(yōu)解，而

ω

表示剩余的灰狼，經(jīng)調(diào)整后，

α

、

β

和

δ

的最優(yōu)解由下式求出

(16)

式中，

X

、

X

、

X

表示

α

、

β

和

δ

的目前位置，

C

、

C

、

C

描述的是三個隨機(jī)向量。那么當(dāng)前解的最終位置為

(17)

式中，

A

、

A

和

A

描述的是隨機(jī)向量。

4)攻擊獵物

狼群攻擊獵物的過程就是結(jié)束尋優(yōu)的過程，當(dāng)

a

的取值從2到0逐漸線性遞減，最終

A

的取值范圍為：(-2

a

，2

a

)。若

A

<1，就能獲取最優(yōu)解，若

A

>1，就需要開拓新的區(qū)域重新尋找最優(yōu)解。

因?yàn)樽钚《酥С窒蛄繖C(jī)優(yōu)于傳統(tǒng)的支持向量機(jī)，所以將最小支持向量機(jī)用作短距離無線通信網(wǎng)絡(luò)異常信號識別的分類器。在最小二乘支持向量機(jī)建模期間，超參數(shù)的取值對識別結(jié)果產(chǎn)生了影響，因此采用灰狼優(yōu)化算法對超參數(shù)進(jìn)行優(yōu)化，從中獲取最優(yōu)解，完成對短距離無線通信網(wǎng)絡(luò)異常信號的識別。

4 實(shí)驗(yàn)與分析

為了驗(yàn)證短距離無線通信網(wǎng)絡(luò)異常信號識別算法的整體有效性，需要對該方法進(jìn)行實(shí)驗(yàn)測試。

采用短距離無線通信網(wǎng)絡(luò)異常信號識別算法(方法1)、基于參數(shù)估計的BPSK/PM遙測異常信號識別方法研究(方法2)、大型船舶電力網(wǎng)絡(luò)異常輸電線路自動識別分析方法(方法3)對網(wǎng)絡(luò)異常信號進(jìn)行識別測試。

1)共采集600組短距離無線通信網(wǎng)絡(luò)信號進(jìn)行實(shí)驗(yàn)測試，其中包含異常信號400組，采用方法1、方法2、方法3分別進(jìn)行異常信號識別測試，測試結(jié)果如圖1所示。

圖1 異常信號識別準(zhǔn)確率測試

分析圖1中的數(shù)據(jù)可知，在識別600組短距離無線通信網(wǎng)絡(luò)信號中的異常信號期間，隨著網(wǎng)絡(luò)通信信號數(shù)量的增加，方法1的識別效果要總體高于方法2和方法3，說明方法1的識別準(zhǔn)確率最高。而方法2和方法3的波動軌跡不夠穩(wěn)定，忽高忽低，因此可知方法1的識別異常信號效果最好，識別準(zhǔn)確率最高。這是因?yàn)楸疚姆椒ú捎没依莾?yōu)化算法對超參數(shù)進(jìn)行了優(yōu)化，獲取了最優(yōu)解，從而提高了網(wǎng)絡(luò)異常信號識別的準(zhǔn)確率。

2)利用方法1、方法2和方法3在不同加性高斯白噪聲條件下進(jìn)行異常信號識別，識別正確率越高，說明識別精準(zhǔn)度越高，具體的測試結(jié)果如表1所示。

表1 不同信噪比下的識別正確率測試

根據(jù)表1中的數(shù)據(jù)可知，方法1并沒有受到不同信噪比的影響，其識別正確率始終要優(yōu)于方法2和方法3，方法2與方法3相比，方法2的識別正確率大多在70%到75%之間，與方法1的識別效果差距較??；而方法3的識別正確率時而增大時而減小，可見方法3受到了不同信噪比條件的影響，導(dǎo)致識別效果不穩(wěn)定。由此可見，方法2的識別正確率僅次于方法1。這是因?yàn)楸疚姆椒ㄟ\(yùn)用灰狼算法優(yōu)化最小二乘支持向量機(jī)方法對異常信號進(jìn)行優(yōu)化分類，從中獲取了識別最優(yōu)解，使網(wǎng)絡(luò)異常信號識別精準(zhǔn)度更高，提升了識別效果。

3)通過方法1、方法2和方法3分別對短距離無線通信網(wǎng)絡(luò)信號進(jìn)行覆蓋性能測試，覆蓋率越高，說明覆蓋性能越強(qiáng)，實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 無線通信網(wǎng)絡(luò)信號覆蓋率

通過圖2中的數(shù)據(jù)可以看出，隨著時間的逐漸增加，方法1在三個方法中信號覆蓋率是最優(yōu)的。方法3在測試期間，運(yùn)動軌跡平穩(wěn)，信號覆蓋率起伏緩慢，而方法2的運(yùn)動軌跡低于方法1和方法3，可見方法2的通信信號覆蓋性能最差，方法1的覆蓋性能最強(qiáng)。這是因?yàn)楸疚姆椒ㄔ谛盘栕R別之前采用相像系數(shù)法對網(wǎng)絡(luò)異常信號進(jìn)行特征提取，并對異常信號進(jìn)行歸一化處理，根據(jù)處理結(jié)果獲取了網(wǎng)絡(luò)異常信號特征向量，為信號識別提供了基礎(chǔ)，有利于提升無線通信網(wǎng)絡(luò)信號覆蓋率。

5 結(jié)束語

現(xiàn)如今短距離無線通信網(wǎng)絡(luò)信號已成為通信領(lǐng)域的核心，但是無線通信網(wǎng)絡(luò)信號給人類帶來便利的同時，也會帶來不利的影響，如信道阻塞、信號繁雜等，為了解決這一問題，需要對短距離無線通信網(wǎng)絡(luò)異常信號進(jìn)行有效識別。經(jīng)調(diào)查發(fā)現(xiàn)，傳統(tǒng)的短距離無線通信網(wǎng)絡(luò)異常信號存在識別準(zhǔn)確率差、不同信噪比條件下識別正確率低和信號覆蓋性能差的問題。通過上述問題，提出短距離無線網(wǎng)絡(luò)異常信號識別方法，首先對無線通信網(wǎng)絡(luò)異常信號進(jìn)行特征提取，提取后采用基于灰狼算法優(yōu)化最小二乘支持向量機(jī)方法對異常信號進(jìn)行優(yōu)化分類，從而實(shí)現(xiàn)網(wǎng)絡(luò)異常信號的識別。該方法增強(qiáng)了網(wǎng)絡(luò)異常信號識別精準(zhǔn)度，解決了目前方法中存在的問題，但該方法的識別效果還不夠理想，日后會進(jìn)一步提升對短距離無線通信網(wǎng)絡(luò)異常信號識別的研究。