資源描述：
《svm在通信信號(hào)處理中的研究與應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、第14卷第6期信息工程大學(xué)學(xué)報(bào)Vo1．14NO．62013年12月JournalofInformationEngineeringUniversityDec．2013DOI：10．3969／j．issn．1671-0673．2013．06．012SVM在通信信號(hào)處理中的研究與應(yīng)用劉學(xué)謙，于宏毅(信息工程大學(xué)，河南鄭州450001)摘要：統(tǒng)計(jì)學(xué)習(xí)理論(statisticallearningtheory，SLT)提出結(jié)構(gòu)風(fēng)險(xiǎn)最小化(structureriskmini．mization，SRM)準(zhǔn)則，克
2、服了人工神經(jīng)網(wǎng)絡(luò)(aretificialneuralnetwork，ANN)的模型過(guò)擬合和局部極小值問(wèn)題。支持向量機(jī)(supportvectormachine，SVM)作為其具體實(shí)現(xiàn)方式，具有良好的泛化能力、高維處理能力和非線性處理能力。在簡(jiǎn)要介紹SVM原理的基礎(chǔ)上，總結(jié)了其在通信信號(hào)處理領(lǐng)域的應(yīng)用，包括數(shù)字調(diào)制識(shí)別、多用戶檢測(cè)、信道均衡、信號(hào)重構(gòu)與相關(guān)參數(shù)估計(jì)、到達(dá)角(angleofarrival，AOA)與定位估計(jì)及其它6個(gè)方面，并指出了存在的問(wèn)題和值得進(jìn)一步研究的方向。關(guān)鍵詞：支持向量機(jī)；
3、通信信號(hào)處理；綜述；統(tǒng)計(jì)學(xué)習(xí)理論中圖分類號(hào)：TN911．23；TN911．5文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1671-0673(2013)06-0713-06ResearchandApplicationofSVMinCommunicationSignalProcessingLIUXue—qian．YUHong—yi(InformationEngineeringUniversity，Zhengzhou450001，China)Abstract：Statisticallearningtheory(SLT)p
4、roposesstructureriskminimization(SRM)principletoovercometheover—fittingandlocalminimumproblemsalwaysexistinginAretificialNeuralNetwork(ANN)．Asitsconcreteandsuccessfulimplementation，supportvectormachine(SVM)hasbettergeneralization，highdimensionandnonl
5、inearprocessingability．Atfirst，theoryofSVMispresentedbriefly．Thenitsapplicationsincommunicationsignalprocessingaresummarized，includingdigitalmodulationclassification，multiuserdetection，channelequalization，signalreconstructionandpa—rameterestimation，a
6、ngleofarrival(AOA)andlocalization，etc．Finally，existentissuesandfuturechallengesarepresented．Keywords：SVM；communicationsignalprocessing；review；SLT0引言在通信信號(hào)處理領(lǐng)域始終存在這樣的挑戰(zhàn)，即如何解決突發(fā)通信帶來(lái)的短數(shù)據(jù)量以及惡劣環(huán)境這個(gè)難題，而統(tǒng)計(jì)學(xué)習(xí)理論(statisticallearningtheory，SLT)恰恰是研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的
7、理論?。它與神經(jīng)網(wǎng)絡(luò)諸多機(jī)器學(xué)習(xí)方法相比，后者假設(shè)變量之間的關(guān)系模型已知，僅模型參數(shù)未知，因此存在模型過(guò)擬合以及局部極小值等一些難以解決的問(wèn)題，而前者是在模型完全未知情況下，僅通過(guò)對(duì)獨(dú)立同分布的小樣本數(shù)據(jù)進(jìn)行訓(xùn)練，挖掘其內(nèi)在的相互依賴關(guān)系。支持向量機(jī)(suppo~vectormachine，SVM)有著統(tǒng)收稿日期：2013-04·13：修回日期：2013-05-29基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61201380)作者簡(jiǎn)介：劉學(xué)謙(1984一)，男，博士生，主要研究方向?yàn)橥ㄐ胖械默F(xiàn)代信號(hào)處理
8、。7l4信息工程大學(xué)學(xué)報(bào)2013拄計(jì)學(xué)習(xí)理論的堅(jiān)實(shí)理論基礎(chǔ)，是借助于最優(yōu)化方法解決數(shù)據(jù)挖掘中若干問(wèn)題的有力工具，因此得到國(guó)內(nèi)外學(xué)者的高度關(guān)注，并逐漸應(yīng)用到通信信號(hào)處理的諸多領(lǐng)域當(dāng)中。學(xué)習(xí)問(wèn)題被看作是一個(gè)基于經(jīng)驗(yàn)數(shù)據(jù)進(jìn)行函數(shù)估計(jì)的一般性問(wèn)題，它可以劃分為模式識(shí)別、回歸估計(jì)和概率密度估計(jì)3個(gè)基本問(wèn)題。SVM作為模式識(shí)別的分類工具，在通信信號(hào)處理各個(gè)領(lǐng)域的應(yīng)用已較為廣泛，主要集中在數(shù)字調(diào)制方式識(shí)別和多用戶檢測(cè)等方面。而回歸估計(jì)和概率密度估計(jì)的應(yīng)用在近些年才陸續(xù)展開(kāi)并逐漸深入，尤其是在信道均衡方面。本文
