Odporna klasyfikacja sygnałów FSK za pomocą modelu regresji liniowej

• Autorzy: Gajo Z. , Linczuk M.

Warianty tytułu

EN

Robust classification of FSK signals by means of linear regression

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono odporną regułę decyzyjną utworzoną na bazie modelowania regresyjnego, służącą do klasyfikacji znanych sygnałów w obecności zakłóceń impulsowych modelowanych rozkładami a-stabilnymi o ciężkich ogonach. Reguła ta prowadzi do zadawalających rezultatów klasyfikacji nawet dla szumów o dużej impulsowości i dla stosunkowo niewielkich stosunków sygnału do szumu, co potwierdziły badania symulacyjne. Ze względu na trudności numeryczne związane z modelowaniem regresyjnym ograniczeniem metody jest wymaganie liniowej niezależności klasyfikowanych sygnałów. Nie naruszając tego założenia, w pracy przedstawiono przykłady zastosowania metody dla sygnałów FSK.

EN

In this paper, a robust decision rule based on regression model and dedicated to classification of known signal in impulsive noise described by heavy-tailed a-stable distribution, is presented. The simulation results confirmed that this rule gives satisfactory results even for the large impulsiveness noise and/or relatively small signal to noise ratio. Due to the numerical burden associated with regression model the presented method is restricted to the set of linearly independent signals. With this restriction in mind we presented an example of the classification results for FSK signals.

Słowa kluczowe

PL

odporna klasyfikacja; testowanie hipotez; zakłócenia impulsowe; rozkłady a-stabilne

EN

robust classification; hypothesis testing; impulsive disturbances; a-stable distribution

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2009
• Tom: Vol. 50, nr 8
• Strony: 57--61
• Opis fizyczny: Bibliogr. 11 poz., wykr.

Twórcy

autor

Gajo Z.

autor

Linczuk M.

• Politechnika Warszawska, Instytut Systemów Elektronicznych

Bibliografia

• [1] Van Trees H. L.: Detection, Estimation and Modulation Theory, Part 1, New York, Wiley 1968.
• [2] Hossjer O., Mettiji M.: Robust Multiple Classification of Known Signals in Additive Noise - An Asymptotic Weak Signal Approach. IEEE Trans. Information Theory, vol. 39, no 2, March 1993, pp. 594-608.
• [3] Martin R. D., Schwartz S. C.: Robust detection of known signal in nearly Gaussian noise. IEEE Trans. Information Theory, vol. 17, no 1, Jan. 1971, pp. 50-56.
• [4] Huber P. J.: Robust estimation of location parameter. Ann. Math. Statist., vol. 35, 1964, pp. 73-101.
• [5] Middleton D.: Statistical physical models of electromagnetic interference. IEEE Trans. Electromagnetic Compatibility, vol. 19, no 8, Aug. 1977, pp. 106-127.
• [6] Middleton D.: Non-Gaussian Noise models in signal processing for telecommunications: New methods and results for class A and class B noise models. IEEE Trans. Information Theory, vol. 45, no 4, May 1999, pp. 1129-1149.
• [7] Shao M., Nikias C. L.: Signal processing with fractional lower order moments: Stable process and their applications. Proc. of the IEEE, vol. 81, no 4, July 1993, pp. 986-1010.
• [8] Nikias C. L., Shao M.: Signal Processing with Alpha-Stable and Applications. NY, Wiley, 1995.
• [9] Zolotarev W. M.: Mellin Stieltjes transforms in probability theory. Theory of Probability and Applications, vol. 2, no 4, pp. 433-460, 1973.
• [10] Huber P. J.: Robust Regression: asymptotics, conjectures and Monte Carlo. Ann. Statist, vol. 1, pp. 799-821, 1973.
• [11] Holland P. W., Welsch R. E.: Robust regression using iteratively reweighted least squares. Comm. on Statist., A 6 (9), pp. 813-827, 1977.