短距離無線通信網絡異常信號識別算法

張 燕，劉 磊

(電子科技大學成都學院，四川 成都 611731)

1 引言

21世紀以來，短距離無線通信網絡信號在通信領域中占據著重要的地位，它給人類帶來了巨大的便利。像藍牙、IrDA等都是短距離無線通信的主要標準，有著高速率、容量大、成本低的特點。但由于無線通信的頻繁使用導致通信信道容易出現阻塞、錯綜等現象，這種現象會給短距離無線通信網絡造成不利的影響，為了解決這一問題，需要對短距離無線通信網絡異常信號進行識別。

在上述背景下，有學者提出了一種面向移動機器人路徑控制網絡的異常參數識別方法，該方法通過對機器人射頻識別量的計算，將異常參數進行整合，從而計算出網絡異常參數的特征，采用單分量控制信號模態分解方法對網絡參數的阻尼比數值進行計算，從而完成對網絡異常參數的識別，該方法計算網絡異常數據特征不完善，導致識別效果不理想。還有學者提出了大型船舶電力網絡異常輸電線路自動識別分析方法，該方法首先構建了網絡模擬模型對異常情況進行模擬，在模擬過程中采用傳感器采集異常信號，并對其進行特征提取，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，導致識別結果不準確。除此之外，賈振華等人提出基于參數估計的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行有效分析，并對信號在接收過程中發生異常信號的可能性進行總結，總結后識別了可能發生的異常信號。該方法在不同信噪比下的識別正確率較低，網絡信號覆蓋率較差，最終影響了信號識別結果。

為了解決上述方法中存在的問題，提出短距離無線通信網絡異常信號識別方法。

2 短距離無線通信網絡異常信號特征提取

無線通信網絡異常信號中存在不同形狀的頻譜，根據這一特點，采用相像系數法對短距離無線通信網絡異常信號進行特征提取。

設置

f

(

x

)和

g

(

x

)代表兩個連續正值實函數，同時滿足

f

(

x

)≥0、

g

(

x

)≥0兩個條件，那么此時的相像系數

C

定義為

(1)

上述正值實函數利用不等式進行調整，得到下式

(2)

通過相像系數表達式發現，當函數

f

(

x

)和

g

(

x

)與非零常數相乘時，

C

的值會保持不變。當兩個函數逐漸成正比時，

C

會得到最大值。采用相像系數法提取網絡異常信號特征時，需要對異常信號進行歸一化處理，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進行計算，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。

這時采用相像系數對網絡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絡信號進行判別，從而獲取無線通信網絡異常信號，并對無線通信網絡異常信號進行預處理，預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

)}的相像系數值進行計算

(5)

式中，

C

1代表相像系數值。3)對異常信號{

T

(

n

)}和{

G

(

n

)}的相像系數值進行計算

(6)

與式(5)相同，

C

2描述的是相像系數值。4)將相像系數值

C

1和

C

2相結合，構建成二維聯合特征向量，定義為：

C

=[

C

1，

C

2]。

3 短距離無線通信網絡異常信號識別

3.1 最小二乘支持向量機

根據上述獲取的短距離無線通信網絡異常信號特征，采用最小二乘支持向量機對網絡信號特征進行分類。

將獲取的網絡異常信號特征向量輸入到最小二乘支持向量機中，并給出一組大小相同的訓練集{

x

，

y

}，其中，

x

描述的是輸入，

y

描述的是輸出。根據非線性回歸方程

y

(

x

)=

f

(

x

)+e獲取估計模型：

y

(

x

)=

w

φ

(

x

)+

b

+e，其中，

w

描述的是權向量，

φ

(

x

)描述的是非線性函數，

b

描述的是偏差量，

e

描述的是誤差量，即擬合誤差。根據下式得到等式描述的優化問題

(7)

式中，

J

描述的是向量，

γ

描述的是懲罰系數，

w

描述的是系數向量。

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，

α

描述的是拉格朗日乘數，

a

描述的是向量。將懲罰參數

γ

作為最小二乘支持向量機模型的復雜度，主要用來平衡最小二乘支持向量模型和訓練誤差。對

w

、

b

、

e

、

α

分別進行微分，并令其等于0，那么得到的最優化條件用方程定義為

(10)

式中，?描述的是最優條件，

λ

描述的是系數。將

w

和

e

消除，最優解問題就會轉化成線性方程組

(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

。其中引入的核函數表達為

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。

由此獲得用于函數估計的最小二乘支持向量模型表達式

(13)

式中，

α

和

b

是式(10)的解。

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

(14)

式中，因為

σ

是和RFB相互關聯的參數，所以

σ

描述的是核參數。在最小二乘支持向量模型中，懲罰系數

γ

和核參數

σ

都屬于超參數。最小二乘支持向量機估計模型的構建程度取決于超參數的取值，若懲罰系數

γ

和核參數

σ

的取值不恰當，就會降低網絡異常信號識別準確率，因此，采用灰狼優化算法對超參數進行優化，從而完成對網絡異常信號的識別。

3.2 灰狼優化算法

1)等級分配

在灰狼優化算法中，

α

描述的是最優解，

β

描述的是次優解，

δ

描述的是第三最優解，而

ω

描述的是候選解。灰狼狩獵過程表示對解的優化尋優過程，而

α

、

β

、

δ

在算法中占據著主導地位。

2)包圍獵物

狼群對獵物進行狩獵期間首先會將獵物包圍起來，由下式對包圍過程進行描述

(15)

3)圍捕獵物

通常情況下，狼群在圍捕過程中

α

占據著最佳位置，將

α

、

β

和

δ

標記為變量最優解，而

ω

表示剩余的灰狼，經調整后，

α

、

β

和

δ

的最優解由下式求出

(16)

式中，

X

、

X

、

X

表示

α

、

β

和

δ

的目前位置，

C

、

C

、

C

描述的是三個隨機向量。那么當前解的最終位置為

(17)

式中，

A

、

A

和

A

描述的是隨機向量。

4)攻擊獵物

狼群攻擊獵物的過程就是結束尋優的過程，當

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，就能獲取最優解，若

A

>1，就需要開拓新的區域重新尋找最優解。

因為最小二乘支持向量機優于傳統的支持向量機，所以將最小支持向量機用作短距離無線通信網絡異常信號識別的分類器。在最小二乘支持向量機建模期間，超參數的取值對識別結果產生了影響，因此采用灰狼優化算法對超參數進行優化，從中獲取最優解，完成對短距離無線通信網絡異常信號的識別。

4 實驗與分析

為了驗證短距離無線通信網絡異常信號識別算法的整體有效性，需要對該方法進行實驗測試。

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

1)共采集600組短距離無線通信網絡信號進行實驗測試，其中包含異常信號400組，采用方法1、方法2、方法3分別進行異常信號識別測試，測試結果如圖1所示。

圖1 異常信號識別準確率測試

分析圖1中的數據可知，在識別600組短距離無線通信網絡信號中的異常信號期間，隨著網絡通信信號數量的增加，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的識別準確率最高。而方法2和方法3的波動軌跡不夠穩定，忽高忽低，因此可知方法1的識別異常信號效果最好，識別準確率最高。這是因為本文方法采用灰狼優化算法對超參數進行了優化，獲取了最優解，從而提高了網絡異常信號識別的準確率。

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行異常信號識別，識別正確率越高，說明識別精準度越高，具體的測試結果如表1所示。

表1 不同信噪比下的識別正確率測試

根據表1中的數據可知，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的識別效果差距較小；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，導致識別效果不穩定。由此可見，方法2的識別正確率僅次于方法1。這是因為本文方法運用灰狼算法優化最小二乘支持向量機方法對異常信號進行優化分類，從中獲取了識別最優解，使網絡異常信號識別精準度更高，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絡信號進行覆蓋性能測試，覆蓋率越高，說明覆蓋性能越強，實驗結果如圖2所示。

圖2 無線通信網絡信號覆蓋率

通過圖2中的數據可以看出，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的。方法3在測試期間，運動軌跡平穩，信號覆蓋率起伏緩慢，而方法2的運動軌跡低于方法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。這是因為本文方法在信號識別之前采用相像系數法對網絡異常信號進行特征提取，并對異常信號進行歸一化處理，根據處理結果獲取了網絡異常信號特征向量，為信號識別提供了基礎，有利于提升無線通信網絡信號覆蓋率。

5 結束語

現如今短距離無線通信網絡信號已成為通信領域的核心，但是無線通信網絡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絡異常信號進行有效識別。經調查發現，傳統的短距離無線通信網絡異常信號存在識別準確率差、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，提出短距離無線網絡異常信號識別方法，首先對無線通信網絡異常信號進行特征提取，提取后采用基于灰狼算法優化最小二乘支持向量機方法對異常信號進行優化分類，從而實現網絡異常信號的識別。該方法增強了網絡異常信號識別精準度，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，日后會進一步提升對短距離無線通信網絡異常信號識別的研究。