一种基于支持向量机的空域频谱感知方法

1.本发明涉及通信技术领域，更具体地，涉及一种基于支持向量机的空域频谱感知方法。


背景技术：

2.伴随着5g的到来，无线频谱资源随着爆炸式的用户增长将会变得越来越匮乏。然而，研究结果表明，在传统的固定频谱资源分配的模式下，频谱的利用率并不高。为此，认知无线电被学者提出。认知无线电采用动态频谱接入机制，非授权用户可以在授权用户空闲时接入频谱使用，使得频谱利用率得到了提升。频谱感知作为认知无线电的关键技术之一，可以帮助非授权用户检测可用频谱，其主要任务是检测频谱空穴，目前的研究大多在时域和频域进行检测，而信号空域还未得到充分利用。
3.在时频域中，现有的频谱感知算法可以分为三类：非盲检测算法、半盲检测算法和全盲检测算法。非盲检测算法需要信号和噪声的先验信息，比如匹配滤波检测法(matched filtering detection,mfd)和循环平稳特征检测法(cyclostationary detection,csd)。这类算法在已知信号和噪声先验信息的条件下是最优的，但在实际情况中这些条件通常未知。半盲检测算法比如能量检测法(energy detection,ed)，需要噪声功率的先验信息来确定检测阈值，这种方法不需要关于信号的先验信息，计算复杂度较低，但受噪声不确定性的影响。随着多天线技术的发展，学者们发现可以通过协方差矩阵及其特征值来反映信号的相关特性，于是全盲算法应运而生。典型的算法有最大-最小特征值检测法(maximum-minimum eigenvalue,mme)、基于协方差的检测算法(covariance-based detection,cav)以及广义似然比检测算法(general likelihoodratio test,glrt)等。这些全盲算法较好的减弱了噪声不确定性问题的影响，但是计算复杂度较高。
4.空域频谱感知的思想是从角度维度检测频谱空穴，即检测出授权用户信号的同时估计其信号来向角度。若授权用户未使用频段，那么非授权用户可以全方位接入频段使用；而当授权用户存在时，非授权用户可以根据获取的角度信息利用波束成形等技术避开授权用户的方向进行通信。如此一来，可以实现授权用户与非授权用户在同一时刻、同一频率接入频段，且不造成干扰，极大地提高了频谱利用率。现有的空域频谱感知方法分为两阶段和单阶段方法，两阶段方法将整个检测阶段分为感知和定位两个阶段，感知阶段大多利用传统的频谱感知方法来检测授权用户信号是否存在，定位阶段利用到达角估计算法得到授权用户信号的角度信息。由于在感知和定位阶段利用不同的算法模型，这种方法容易导致误差的传递。为此，近几年来逐渐展开了直接利用信号的空间特征信息构造新的检验统计量的单阶段算法的研究，比如最大—最小延迟相加谱值比检测(maximum-minimum delay-sum ratio,mmds)以及基于中心对称性的特征检测(central symmetry-based feature detection,csfd)。
5.此外，将机器学习算法用于频谱感知也是当下研究的一个热点。借助机器学习算法强大的特征表示能力，能在更低的信噪比下区分信号和噪声。这类方法的关键在于如何
提取有效的信号特征以及匹配适合的算法进行分类。近年来，不少学者提出利用深度学习算法，如卷积神经网络学习信号特征。然而，训练神经网络需要数据集的样本个数足够多，在实际中难以应用。
6.支持向量机算法(support vector machine,svm)借助凸优化技术解决二分类问题，需要的训练样本数比起神经网络要少很多。


技术实现要素：

7.本发明提供一种基于支持向量机的空域频谱感知方法，在低训练样本数的情况下，提高低信噪比下的检测性能。
8.为解决上述技术问题，本发明的技术方案如下：
9.一种基于支持向量机的空域频谱感知方法，包括以下步骤：
10.s1：m阵元均匀线阵获取接收数据；
11.s2：计算接收数据的第一特征和第二特征，所述第一特征为所述接收数据的空间谱最大值，所述第二特征为所述接收数据的前后两段数据的角度差；
12.s3：根据所述第一特征和第二特征，构造特征向量；
13.s4：将所述特征向量与对应的标签构成训练样本集，采用支持向量机算法训练所述样本集，得到支持向量机分类器；
14.s5：采用所述支持向量机分类器对授权用户状态进行分类，所述支持向量机分类器对授权用户信号存在与否给出检测结果并且当授权用户信号存在时输出授权用户信号的来向角度信息。
15.优选地，步骤s1中m阵元均匀线阵的阵元间距为d，并将阵元间距设置为半波长，具体为：
16.d＝λ/2
17.式中，λ为信号波长。
18.优选地，步骤s1中所述接收数据具体为：
19.x(n)＝[x1(n)，x2(n)，...，xm(n)]
t
[0020]
式中，x(n)为接收数据，x1(n)，x2(n)，...，xm(n)分别表示第一个阵元到第m个阵元的接收数据，其中，在计算接收数据的第一特征时，用到的接收数据采样个数为n；在计算接收数据的第二特征时，首先将接收数据分为前后两段，两段的长度相等，均为ns，两段数据存在重叠，数据覆盖率为nc，因此单次检测用到的接收数据样本个数n满足：
[0021]
n＝ns+(1-nc)ns[0022]
所述数据覆盖率nc具体为：
[0023][0024]
其中，d表示前后两段接收数据的重叠部分，两段数据的总长度减去重叠部分即为单次检测用到的数据样本长度。
[0025]
优选地，步骤s2中计算接收数据的第一特征，具体为：
[0026]
s2.1：计算接收数据的样本协方差矩阵
[0027]
s2.2：根据所述样本协方差矩阵计算接收数据的空间谱p(θi)＝ah(θi)r
x
(n)a(θi)，
i＝1，2，...，k，a(θi)为导向矢量；
[0028]
s2.3：根据所述空间谱得到空间谱最大值t1＝max{p(θi)}。
[0029]
优选地，步骤s2.2中根据所述导向矢量a(θi)的表达式为：
[0030][0031]
θi＝-90
°
+iδ，i＝1，2，...，k
[0032]
式中，θi为扫描角，δ为搜索间隔，k为总的搜索角度个数，k＝180
°
/δ-1。
[0033]
优选地，步骤s2中计算接收数据的第二特征，具体为：
[0034]
根据数据覆盖率ns，将接收数据分为前后两段，称为段a和段b，分别计算段a和段b的空间谱pa(θi)和pb(θi)；
[0035]
计算段a和段b的角度差：
[0036][0037]
式中，t2为段a和段b的角度差。
[0038]
优选地，步骤s3中根据所述第一特征和第二特征，构造特征向量t，具体为：
[0039]
t＝[t1，t2]
t
。
[0040]
优选地，步骤s4中将所述特征向量与对应的标签构成训练样本集，具体为：
[0041]
对所述特征向量标注标签fi，fi为“+1”时代表授权用户信号存在，fi为
“‑
1”代表授权用户信号不存在，形成训练集d＝{(ti，fi)|i＝1，2，
…
，l}，其中l代表数据集中的样本个数；
[0042]
优选地，步骤s4中采用支持向量机算法训练所述样本集，具体为：
[0043]
支持向量机分类器是训练一个超平面使得数据集正负样本的间隔最大，分类超平面的表达式为w
·
φ(ti)+b＝0，其中w和b分别表示加权向量和偏置，φ(
·
)是一个映射函数，将数据映射到高维空间，目标函数为：
[0044][0045]
s.t.fi[(w
·
φ(ti)+b)]≥1-ξi[0046]
ξi≥0，i＝1，2，
…
l
[0047]
式中，c为惩罚因子，ξi是一个松弛变量，fi为标签；
[0048]
使用拉格朗日乘子法将目标函数问题转化成其对偶问题，求解后得到最终的分类决策函数g(t)，表示为：
[0049][0050]
αi为拉格朗日乘子，k(
·
)为核函数，s为支持向量的个数。
[0051]
优选地，步骤s5中采用所述支持向量机分类器对授权用户状态进行分类，具体为：
[0052]
对接收信号进行采样后，提取出接收数据的第一特征和第二特征，并且构造特征向量输入至支持向量机分类器中，当支持向量机分类器输出“+1”时，检测结果为授权用户信号存在，并输出其来向角当分类器输出为
“‑
1”时，检测结果为授权用
户信号不存在。
[0053]
与现有技术相比，本发明技术方案的有益效果是：
[0054]
本发明根据信号的空域特性，提出了两种新的特征以区分信号和噪声，然后借助svm算法对提出的两个特征进行分类，通过使用合适的核函数将数据映射到高维空间，提高分类的准确度。利用信号来波方向在短时间内稳定的特点，将角度差作为特征提取出来，另外将空间谱最大值作为另一个特征，这两个特征即使在低信噪比下也能区分信号和噪声。当检测到授权用户信号时，本发明还能通过空间谱获取其角度信息。本发明所述方法与其他方法相比，在低信噪比下达到了更好的检测性能。
附图说明
[0055]
图1为本发明的方法流程示意图。
[0056]
图2为实施例提供的均匀线阵接收模型示意图。
[0057]
图3为实施例提供的数据覆盖率示意图。
[0058]
图4为本发明方法与ed算法、cav算法、wmusic-svm算法的检测性能对比示意图。
[0059]
图5为本发明方法与ed算法、cav算法、wmusic-svm算法的平均错误概率随信噪比的变化示意图。
[0060]
图6为本发明方法与只使用第一特征得到的svm分类器、只使用第二特征得到的svm分类器的平均错误概率随信噪比的变化示意图。
具体实施方式
[0061]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0062]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0063]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0064]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0065]
实施例1
[0066]
一种基于支持向量机的空域频谱感知方法，如图1所示，包括以下步骤：
[0067]
s1：m阵元均匀线阵获取接收数据；
[0068]
s2：计算接收数据的第一特征和第二特征，所述第一特征为所述接收数据的空间谱最大值，所述第二特征为所述接收数据的前后两段数据的角度差；
[0069]
s3：根据所述第一特征和第二特征，构造特征向量；
[0070]
s4：将所述特征向量与对应的标签构成训练样本集，采用支持向量机算法训练所述样本集，得到支持向量机分类器；
[0071]
s5：采用所述支持向量机分类器对授权用户状态进行分类，所述支持向量机分类器对授权用户信号存在与否给出检测结果并且当授权用户信号存在时输出授权用户信号的来向角度信息。
[0072]
实施例2
[0073]
本实施例在实施例1的基础上，继续公开以下内容：
[0074]
如图2所示，步骤s1中m阵元均匀线阵的阵元间距为d，并将阵元间距设置为半波长，具体为：
[0075]
d＝λ/2
[0076]
式中，λ为信号波长。
[0077]
步骤s1中所述接收数据具体为：
[0078]
x(n)＝[x1(n)，x2(n)，...，xm(n)]
t
[0079]
式中，x(n)为接收数据，x1(n)，x2(n)，...，xm(n)分别表示第一个阵元到第m个阵元的接收数据，其中，在计算接收数据的第一特征时，用到的接收数据采样个数为n；在计算接收数据的第二特征时，首先将接收数据分为前后两段，两段的长度相等，均为ns，两段数据存在重叠，数据覆盖率为nc，因此单次检测用到的接收数据样本个数n满足：
[0080]
n＝ns+(1-nc)ns[0081]
所述数据覆盖率nc具体为：
[0082][0083]
其中，d表示前后两段接收数据的重叠部分，两段数据的总长度减去重叠部分即为单次检测用到的数据样本长度。
[0084]
步骤s2中计算接收数据的第一特征，具体为：
[0085]
s2.1：计算接收数据的样本协方差矩阵
[0086]
s2.2：根据所述样本协方差矩阵计算接收数据的空间谱p(θi)＝ah(θi)r
x
(n)a(θi)，i＝1，2，...，k，a(θi)为导向矢量；
[0087]
s2.3：根据所述空间谱得到空间谱最大值t1＝max(p(θi)}。
[0088]
步骤s2.2中根据所述导向矢量a(θi)的表达式为：
[0089][0090]
θi＝-90
°
+iδ，i＝1，2，...，k
[0091]
式中，θi为扫描角，δ为搜索间隔，k为总的搜索角度个数，k＝180
°
/δ-1
[0092]
本实施例中，将信号来向角度的搜索区域定义为θ＝{θ|θ∈(-90
°
，90
°
)}，通过转换扫描角度可以得出每个角度下的空间谱值。
[0093]
步骤s2中计算接收数据的第二特征，具体为：
[0094]
根据数据覆盖率ns，将接收数据分为前后两段，称为段a和段b，分别计算段a和段b的空间谱pa(θi)和pb(θi)；
[0095]
计算段a和段b的角度差：
[0096][0097]
式中，t2为段a和段b的角度差。
[0098]
步骤s3中根据所述第一特征和第二特征，构造特征向量t，具体为：
[0099]
t＝[t1，t2]
t
。
[0100]
步骤s4中将所述特征向量与对应的标签构成训练样本集，具体为：
[0101]
对所述特征向量标注标签fi，fi为“+1”时代表授权用户信号存在，fi为
“‑
1”代表授权用户信号不存在，形成训练集d＝{(ti，fi)|i＝1，2，
…
，l}，其中l代表数据集中的样本个
数；
[0102]
步骤s4中采用支持向量机算法训练所述样本集，具体为：
[0103]
支持向量机分类器是训练一个超平面使得数据集正负样本的间隔最大，分类超平面的表达式为w
·
φ(ti)+b＝0，其中w和b分别表示加权向量和偏置，φ(
·
)是一个映射函数，将数据映射到高维空间，从而实现线性可分，该问题可以表示为一个凸优化问题，其目标函数为：
[0104][0105]
s.t.fi[(w
·
φ(ti)+b)]≥1-ξi[0106]
ξi≥0，i＝1，2，
…
l
[0107]
式中，c为惩罚因子，ξi是一个松弛变量用以缓解高维情况下的过拟合问题，fi为标签；
[0108]
使用拉格朗日乘子法将目标函数问题转化成其对偶问题，求解后得到最终的分类决策函数g(t)，表示为：
[0109][0110]
αi为拉格朗日乘子，(
·
)为核函数，s为支持向量的个数；
[0111]
步骤s5中采用所述支持向量机分类器对授权用户状态进行分类，具体为：
[0112]
对接收信号进行采样后，提取出接收数据的第一特征和第二特征，并且构造特征向量输入至支持向量机分类器中，当支持向量机分类器输出“+1”时，检测结果为授权用户信号存在，并输出其来向角当分类器输出为
“‑
1”时，检测结果为授权用户信号不存在。
[0113]
实施例3
[0114]
本实施例使用实施例1和实施例2的方法进行频谱感知，授权用户信号设置为模拟fm信号，非授权用户利用如图2所示的均匀线阵进行信号接收。将本发明方法的仿真结果与能量检测算法(ed)、基于协方差的检测算法(cav)以及最近的文献中同样利用svm对空间谱特征进行分类的方法(wmusic-svm，加权多信号分类算法)进行比较。以16阵元为例，在具体的实施过程中，设置仿真参数如下：授权用户信号设置为单个fm调制信号，信号频率为30mhz，信号到达角为30
°
，电磁波传播速度为3
×
108m/s，采样频率为300mhz，阵元个数为16个，阵元间距为5m；信道模型设置为nakagami-m信道(m＝1)，噪声类型为高斯白噪声，虚警概率为0.1，单次检测的采样数为1700，数据覆盖率为0.3；设置蒙特卡洛实验20000次，其中存在授权用户信号与只有噪声的两种情况各占一半；在训练阶段，选择径向基函数作为svm算法的核函数，训练集样本个数为840个，其中包含信噪比为-30db至-10db下各40个样本，并且存在授权用户信号与只有噪声的两种情况下样本数各占一半。
[0115]
将本发明所提出的新的方法与能量检测算法(ed)、基于协方差的检测算法(cav)以及最近的文献中同样利用svm对空间谱特征进行分类的方法(wmusic-svm)的检测性能对比，具体如下：如图4所示，proposed曲线对应本发明提出的新算法；ed曲线对应能量检测算
法；cav曲线对应基于协方差的检测算法；alg.[13]曲线对应最近的文献中同样利用svm对所提特征进行分类的方法(wmusic-svm)。四种方法的检测概率都随着信噪比的增加而增加，其中本发明提出的算法检测性能是最好的，在低信噪比下的检测概率比其他方法都高。甚至比起同样利用svm进行分类的wmusic-svm方法，本发明所提方法依旧有1-2db的性能优势，这也说明了所提出的两个新特征在低信噪比下也能很好地将信号与噪声区分开。
[0116]
另外，为了同时考虑检测概率与虚警概率，本实施例提出用平均错误概率来衡量所提方法的整体检测性能，其表达式为pe＝p(h0)p
fa
+p(h1)(1-pd)，其中p(h0)和p(h1)分别为无信号和有信号情况的先验概率，p
fa
表示虚警概率，pd为检测概率。如图5所示，四种方法的平均错误概率都随着信噪比的增加而降低，最终趋于稳定。相比起其他三种方法，本发明提出的新方法的平均错误概率下降最快并且在低信噪比下的数值最低，这也说明了所提方法的整体检测性能也是最优秀的。
[0117]
上述实施例表明在授权用户信号为模拟fm信号，信道环境为nakagami-m信道(m＝1)且非授权用户接收信号的信噪比较低的情况下，本发明所述方法可以达到较好的检测性能。
[0118]
本实施例还测试了对本发明所提出的两个空域特征分别使用svm算法，得到其检测性能，并且与本发明所提出的整体方法的检测性能进行对比，验证了所提方法的有效性。以16阵元为例，分别对第一特征和第二特征标注标签，形成两个训练集，利用svm算法分别对两个训练集进行训练，得到两个svm分类器，对实时采样数据提取出第一特征后，并输入至对应的svm分类器中，得到分类结果；对实时采样数据提取出第二特征后，并输入至对应的svm分类器中，得到分类结果。
[0119]
将所提的两个空域特征分别使用svm算法后测试其检测性能，并且与所提的整体方法的检测性能进行对比，具体如下：如图6所示，proposed曲线对应本发明提出的新算法；mvss-svm曲线对应使用所提特征1得到的svm分类器；aad-svm曲线对应使用所提特征2得到的svm分类器。可以看出，aad-svm曲线在信噪比为-30db至-27db下的平均错误概率低于mvss-svm曲线，而随着信噪比的升高，mvss-svm曲线表现更好。另外，在所有的信噪比下，proposed曲线对应的平均错误概率数值都是最低的。这就说明所提方法充分学习到了两个特征，达到了最优的检测性能。
[0120]
上述实施例表明本发明所提方法能充分利用到两个特征，进一步验证了本发明所提方法的有效性。
[0121]
相同或相似的标号对应相同或相似的部件；
[0122]
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0123]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

技术特征：
1.一种基于支持向量机的空域频谱感知方法，其特征在于，包括以下步骤：s1：m阵元均匀线阵获取接收数据；s2：计算接收数据的第一特征和第二特征，所述第一特征为所述接收数据的空间谱最大值，所述第二特征为所述接收数据的前后两段数据的角度差；s3：根据所述第一特征和第二特征，构造特征向量；s4：将所述特征向量与对应的标签构成训练样本集，采用支持向量机算法训练所述样本集，得到支持向量机分类器；s5：采用所述支持向量机分类器对授权用户状态进行分类，所述支持向量机分类器对授权用户信号存在与否给出检测结果并且当授权用户信号存在时输出授权用户信号的来向角度信息。2.根据权利要求1所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s1中m阵元均匀线阵的阵元间距为d，并将阵元间距设置为半波长，具体为：d＝λ/2式中，λ为信号波长。3.根据权利要求2所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s1中所述接收数据具体为：x(n)＝[x1(n),x2(n),
…
,x
m
(n)]
t
式中，x(n)为接收数据，x1(n),x2(n),
…
,x
m
(n)分别表示第一个阵元到第m个阵元的接收数据，其中，在计算接收数据的第一特征时，用到的接收数据采样个数为n；在计算接收数据的第二特征时，首先将接收数据分为前后两段，两段的长度相等，均为n
s
，两段数据存在重叠，数据覆盖率为n
c
，因此单次检测用到的接收数据样本个数n满足：n＝n
s
+(1-n
c
)n
s
所述数据覆盖率n
c
具体为：其中，d表示前后两段接收数据的重叠部分，两段数据的总长度减去重叠部分即为单次检测用到的数据样本长度。4.根据权利要求3所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s2中计算接收数据的第一特征，具体为：s2.1：计算接收数据的样本协方差矩阵s2.2：根据所述样本协方差矩阵计算接收数据的空间谱p(θ
i
)＝a
h
(θ
i
)r
x
(n)a(θ
i
)，i＝1,2,
…
,k，a(θ
i
)为导向矢量；s2.3：根据所述空间谱得到空间谱最大值t1＝max{p(θ
i
)}。5.根据权利要求4所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s2.2中根据所述导向矢量a(θ
i
)的表达式为：θ
i
＝-90
°
+iδ，i＝1,2,
…
,k
式中，θ
i
为扫描角，δ为搜索间隔，k为总的搜索角度个数，k＝180
°
/δ-1。6.根据权利要求5所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s2中计算接收数据的第二特征，具体为：根据数据覆盖率n
s
，将接收数据分为前后两段，称为段a和段b，分别计算段a和段b的空间谱p
a
(θ
i
)和p
b
(θ
i
)；计算段a和段b的角度差：式中，t2为段a和段b的角度差。7.根据权利要求6所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s3中根据所述第一特征和第二特征，构造特征向量t，具体为：t＝[t1,t2]
t
。8.根据权利要求7所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s4中将所述特征向量与对应的标签构成训练样本集，具体为：对所述特征向量标注标签f
i
，f
i
为“+1”时代表授权用户信号存在，f
i
为
“‑
1”代表授权用户信号不存在，形成训练集d＝{(t
i
,f
i
)∣i＝1,2,
…
,l}，其中代表数据集中的样本个数。9.根据权利要求8所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s4中采用支持向量机算法训练所述样本集，具体为：支持向量机分类器是训练一个超平面使得数据集正负样本的间隔最大，分类超平面的表达式为w
·
φ(t
i
)+b＝0，其中w和b分别表示加权向量和偏置，φ(
·
)是一个映射函数，将数据映射到高维空间，目标函数为：s.t.f
i
[(w
·
φ(t
i
)+b)]≥1-ξ
i
ξ
i
≥0,i＝1,2,
…
l式中，c为惩罚因子，ξ
i
是一个松弛变量，f
i
为标签；使用拉格朗日乘子法将目标函数问题转化成其对偶问题，求解后得到最终的分类决策函数g(t)，表示为：α
i
为拉格朗日乘子，(
·
)为核函数，s为支持向量的个数。10.根据权利要求9所述的基于支持向量机的空域频谱感知方法，其特征在于，步骤s5中采用所述支持向量机分类器对授权用户状态进行分类，具体为：对接收信号进行采样后，提取出接收数据的第一特征和第二特征，并且构造特征向量输入至支持向量机分类器中，当支持向量机分类器输出“+1”时，检测结果为授权用户信号存在，并输出其来向角当分类器输出为
“‑
1”时，检测结果为授权用户信号不存在。

技术总结
本发明公开一种基于支持向量机的空域频谱感知方法，包括以下步骤：S1：M阵元均匀线阵获取接收数据；S2：计算接收数据的第一特征和第二特征，所述第一特征为所述接收数据的空间谱最大值，所述第二特征为所述接收数据的前后两段数据的角度差；S3：根据所述第一特征和第二特征，构造特征向量；S4：将所述特征向量与对应的标签构成训练样本集，采用支持向量机算法训练所述样本集，得到支持向量机分类器；S5：采用所述支持向量机分类器对授权用户状态进行分类。本发明根据信号的空域特性，提出了两种新的特征以区分信号和噪声，然后借助SVM算法对提出的两个特征进行分类，通过使用合适的核函数将数据映射到高维空间，提高分类的准确度。度。度。


技术研发人员：姜园 汤荔豪 赵磊
受保护的技术使用者：中山大学
技术研发日：2023.04.12
技术公布日：2023/8/14