一种基于非高斯性测度的认知无线电频谱感知新方法

针对认知无线网络中小尺度授权用户的频谱检测问题,提出一种新的基于非高斯性测度的频谱感知新方法.由于在某一频段内,授权用户信号的出现会使得认知用户接收信号功率谱密度的统计分布特性发生显著改变,因此,利用峭度和偏度设计一个非高斯性测度统计量,进而提出利用非高斯性测度统计量来检测认知用户接收信号功率谱密度统计分布特性的变化,从而可以实现对认知无线网络中具有低发射功率的小尺度授权用户的准确检测.仿真实验结果表明,本文所提方法具有较好的频谱感知性能,并且对噪声的不确定性具有较好的鲁棒性.

一种改善支撑向量域描述性能的核优化算法

支撑向量域描述(Support vector domain description,SVDD)是一种重要的数据描述算法,其性能受核参数的影响很大.基于最优核参数应导致特征空间中映射数据的分布是一个超球形区域的思想,提出一种核参数优化算法.首先,基于训练样本在特征空间所张成的子空间的一组标准正交基,给出一种描述映射数据分布的方法,回避了映射数据不可表示的难题;其次,基于最大熵原则的非高斯性测度,构造了一个估计数据分布逼近超球形区域程度的判别准则,用以确定最优核参数.基于仿真数据与实测数据的实验验证了本文方法的有效性。

一种K-means聚类和超球结合的多类分类算法

针对现有的多类分类算法效率低下的问题,提出一种K-means聚类算法和超球结合的多类分类算法。对每一类样本,先使用K-means算法获得子类;再在各个子类上构造最小超球,由此对每类都获得一个超球集;这些超球将样本空间分割,根据样本点所在空间的位置综合得到决策函数,用于对输入样本点进行类别判断。从理论上分析该方法能够有效提高分类的速度和准确率。