Способ автоматизированной робастной классификации радиосигналов по структурно-временным параметрам
Владельцы патента RU 2450356:
Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования Московский технический университет связи и информатики (ФГОБУ ВПО МТУСИ) (RU)
Изобретение относится к технике связи и может быть использовано в системах радиомониторинга для автоматизированной классификации радиосигналов по структурно-временным параметрам. Техническим результатом изобретения является автоматизация и повышение робастности процесса классификации радиосигналов по структурно-временным параметрам. Способ включает этапы, на которых учебные данные подвергаются кластеризации, основанной на принципе конкуренции, которая обеспечивает построение набора эталонных векторов структурно-временных параметров известных классов радиосигналов с автоматической оценкой для каждого эталонного вектора значения σ, по этим данным производится построение вероятностной нейронной сети, с использованием построенной вероятностной нейронной сети производится оценка плотности распределения вероятности известных классов радиосигналов в области неизвестного (классифицируемого) сигнала и неизвестный сигнал отождествляется с классом, имеющим наиболее плотное распределение вероятности в области неизвестного сигнала.
Изобретение относится к технике связи и может быть использовано в системах радиомониторинга для автоматизированной классификации радиосигналов по структурно-временным параметрам.
Наиболее близким способом того же назначения к заявляемому изобретению по максимальному количеству сходных признаков является способ классификации радиосигналов по структурно-временным параметрам с использованием устройства типа вероятностной нейронной сети [Каллан Р. Основные концепции нейронных сетей.: Пер. с англ. - М.: Вильямс, 2003. - 288 с.], представляющего собой параллельную реализацию метода Байеса. Суть данного способа заключается в том, что для каждого образца (вектора структурно-временных параметров) радиосигнала можно принять решение на основе выбора наиболее вероятного класса из тех, которым мог бы принадлежать образец. Такое решение требует оценки функции плотности вероятности для каждого класса радиосигналов, которая рассчитывается в соответствии с выражением:
где х - классифицируемый образец;
nj - число образцов класса j в обучающей выборке;
хi - i-тый образец класса j;
σ - параметр, задающий ширину функций потенциала (допустимую дисперсию) и определяющий их влияние. Зарегистрированный радиосигнал идентифицируется с классом, который имеет в данной области признакового пространства наиболее плотное распределение вероятности.
Последовательность действий при известном способе классификации радиосигналов по структурно-временным параметрам заключается в следующем.
1. Производится построение (обучение) классификатора на основе вероятностной нейронной сети в результате выполнения следующих действий:
- измерение структурно-временных параметров радиосигналов различных классов, формирование учебных данных;
- построение по учебным данным вероятностной нейронной сети с выбранным экспертным путем значением ширины функции потенциала σ.
2. Производится классификация неизвестных сигналов с использованием построенного классификатора на основе вероятностной нейронной сети в результате выполнения следующих действий:
- измерение структурно-временных параметров неизвестного радиосигнала х;
- расчет функции плотности вероятности для каждого известного класса радиосигналов в области радиосигнала х в соответствии с выражением (1);
- определение класса неизвестного сигнала х по принципу: х∈j, если gj(x)=max.
Рассмотренный способ классификации радиосигналов по структурно-временным параметрам с использованием вероятностной нейронной сети принят за прототип.
К причинам, препятствующим достижению указанного ниже технического результата при использовании прототипа, относятся следующие недостатки. В известном способе необходимо проводить выбор значения σ экспертным путем. Трудность выбора заключается в том, что различные классы радиосигналов имеют различные значения внутриклассовой дисперсии. Второй причиной является низкая робастность известного способа.
В основу изобретения положена задача автоматизации выбора ширины функции потенциала для каждого класса радиосигналов и повышения робастности классификации за счет построения эталонных векторов структурно-временных параметров различных классов радиосигналов.
Поставленная задача достигается тем, что в отличие от известного способа классификации радиосигналов по структурно-временным параметрам с использованием устройства типа вероятностной нейронной сети, заключающегося в том, что по учебным данным, состоящим из векторов структурно-временных параметров сигналов различных классов, производится построение вероятностной нейронной сети с выбранным экспертным путем значением ширины функции потенциала σ, с использованием построенной вероятностной нейронной сети производится оценка плотности распределения вероятности известных классов радиосигналов в области неизвестного (классифицируемого) сигнала и неизвестный сигнал отождествляется с классом, имеющим наиболее плотное распределение вероятности в области неизвестного сигнала, в заявленном способе перед построением вероятностной нейронной сети учебные данные подвергаются процедуре кластеризации, основанной на принципе конкуренции, которая обеспечивает построение набора эталонных векторов структурно-временных параметров известных классов радиосигналов с автоматической оценкой для каждого эталонного вектора значения σ.
Благодаря введению в известный способ совокупности существенных отличительных признаков заявляемый способ позволяет автоматизировать и повысить робастность процесса классификации радиосигналов по структурно-временным параметрам.
Процедура предварительной кластеризации позволяет автоматически формировать набор эталонных векторов структурно-временных параметров известных классов радиосигналов, являющихся усредненным значением векторов параметров известных классов радиосигналов. Построенная по эталонным векторам вероятностная нейронная сеть обладает робастностью при решении задачи классификации за счет того, что сформированные эталонные векторы являются оптимальной оценкой истинных структурно-временных параметров радиосигналов различных классов.
Кроме того, рассчитанные по результатам кластеризации значения дисперсии сформированных кластеров используются в качестве значений ширины функции потенциала при построении вероятностной нейронной сети, что позволяет автоматизировать процесс классификации, так как не требуется выбирать значения ширины функции потенциала экспертным путем.
Способ автоматизированной робастной классификации радиосигналов по структурно-временным параметрам заключается в последовательном выполнении следующих действий.
1. Производится построение (обучение) классификатора на основе вероятностной нейронной сети, заключающееся в последовательности выполнения следующих действий:
1.1 Измеряются структурно-временные параметры радиосигналов для формирования учебных данных {Х}i, i=1…N, где N - количество учебных образцов.
1.2 Проводится кластеризация набора учебных векторов структурно-временных параметров радиосигналов {X}. Кластеризация производится следующим образом:
1.2.1 Формируется набор эталонных векторов {Y}i, i=1…N, проинициализированных случайными значениями.
1.2.2 Случайным образом выбирается один из векторов обучающей выборки {X}i.
1.2.3 Определяется вектор-победитель {Y}c, который наиболее похож на вектор входов. Под похожестью понимается расстояние между векторами в евклидовом пространстве.
1.2.4 Производится корректировка набора эталонных векторов {Y}i по формуле:
Yi(t+1)=Yi(t)+hci(t)·(X(t)-Yi(t)),
где t - номер эпохи. Функция h(t) называется функцией соседства, которая делится на функцию расстояния и функцию скорости обучения и определяется как:
h(t)=h(||rc-ri||,t)·α(t),
где r определяет положение вектора в выборке, 
- функция расстояния, θ{t} - радиус обучения, d=||rc-ri|| - расстояние между вектором-победителем и i-тым вектором, 
- функция скорости обучения, А и В - константы скорости. На первоначальном этапе выбираются достаточно большие значения скорости обучения А, В и радиуса обучения θ{t), что позволяет расположить векторы {Y} в соответствии с распределением примеров в учебных данных, а затем производится точная подстройка векторов {Y}, когда значения параметров скорости обучения много меньше начальных.
1.2.5 Осуществляется возврат к этапу 1.2.2, пока t не достигнет заданной величины Т. Для успешной реализации способа T>1000.
По результатам кластеризации формируется набор эталонных векторов структурно-временных параметров радиосигналов {Y}, j=1…M, где М - количество полученных эталонных образцов, причем M<N, и соответствующие им дисперсии σj.
1.3 Проводится построение по эталонным данным {Y} вероятностной нейронной сети с соответствующей каждому вектору (образцу) σj.
2. Проводится классификация неизвестных сигналов с использованием построенного классификатора на основе вероятностной нейронной сети, заключающаяся в последовательности выполнения следующих действий:
2.1 Производится измерение структурно-временных параметров неизвестного радиосигнала х.
2.2 Рассчитывается функция плотности вероятности для каждого известного класса радиосигналов в области радиосигнала х в соответствии с выражением (1).
2.3 Определяется класс неизвестного сигнала х по принципу: x∈j, если gj(x)=max.
Преимущество изобретения состоит в том, что по сравнению с прототипом заявленный способ позволяет решать задачу классификации радиосигналов по структурно-временным параметрам полностью в автоматическом режиме и снижает вероятность принятия ложного решения (классификации), обусловленного случайными флуктуациями радиосигналов, на 10-20%, то есть повышения робастности классификации.
Способ автоматизированной робастной классификации радиосигналов по структурно-временным параметрам, заключающийся в том, что по учебным данным, состоящим из векторов структурно-временных параметров сигналов различных классов, производится построение вероятностной нейронной сети с выбранным экспертным путем значением ширины функции потенциала σ, с использованием построенной вероятностной нейронной сети производится оценка плотности распределения вероятности известных классов радиосигналов в области неизвестного (классифицируемого) сигнала и неизвестный сигнал отождествляется с классом, имеющим наиболее плотное распределение вероятности в области неизвестного сигнала, отличающийся тем, что перед построением вероятностной нейронной сети учебные данные подвергаются кластеризации, основанной на принципе конкуренции, которая обеспечивает построение набора эталонных векторов структурно-временных параметров известных классов радиосигналов с автоматической оценкой для каждого эталонного вектора значения σ.
