频谱感知中的K?D树KNN?SVM算法研究

摘要：

传统的特征值检测法需要计算信号检测统计量和检测阈值,在不同的应用场景下,需要运用不同的特征提取算法来提取信号特征,却难以找到合适的特征提取算法.基于此文中提出一种改进的基于特征向量的K?D树KNN?SVM联合分类器算法.该算法相比传统的特征值检测法,无需计算检测统计量和检测阈值,且在KNN部分将训练样本排列成K?D树结构,可以大大减少KNN部分的冗余计算,使得支持向量机在分类超平面模糊时,加快K近邻算法的搜索速度.仿真实验结果表明,在选定最佳参数的K?D树KNN?SVM联合分类器中,相比KNN或SVM频谱感知算法,其检测性能明显提高,且检测效率也比KNN?SVM高.

关键词：联合分类器;频谱感知;认知无线电;特征提取;机器学习;冗余计算;K-D树结构

所属期刊栏目：44

分类号：TN781⁃34(基本电子电路)

资助基金：国家自然科学基金;南通大学智能信息技术联合研究中心开放课题

在线出版日期：2021-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：7-13