[论文解读] Sub-Optimum Signal Linear Detector Using Wavelets and Support Vector Machines

Jaime Gómez, Ignacio Melgar+2 more|ArXiv.org|May 20, 2005

Image and Signal Denoising Methods参考文献 8被引用 4

一句话总结

本文提出了一种基于小波变换和支撑向量机（SVM）的次优线性信号检测方法，用于在加性白高斯噪声（AWGN）环境中检测已知信号。通过利用基于小波的特征提取与SVM分类，该方法在计算复杂度降低的情况下实现了接近最优的检测性能，在固定虚警概率约束下相比传统方法表现出更高的检测概率。

ABSTRACT

The problem of known signal detection in Additive White Gaussian Noise is considered. In previous work, a new detection scheme was introduced by the authors, and it was demonstrated that optimum performance cannot be reached in a real implementation. In this paper we analyse Support Vector Machines (SVM) as an alternative, evaluating the results in terms of Probability of detection curves for a fixed Probability of false alarm.

研究动机与目标

• 解决在实际系统中由于实际约束导致理论最优性不可行时，实现最优信号检测的挑战。
• 探索在噪声环境中兼顾性能与计算可行性的替代检测方案。
• 评估支撑向量机在信号检测任务中的有效性，特别是在次优线性检测框架中的表现。
• 比较基于检测概率（Pd）与固定虚警概率（Pfa）曲线的检测性能。
• 证明将小波变换与SVM结合用于鲁棒信号检测的可行性和优势。

提出的方法

• 该方法采用离散小波变换（DWT）将接收信号分解为子带，提取用于检测的相关特征。
• 将小波系数用作输入特征，训练支撑向量机（SVM）分类器以区分信号存在与否。
• 使用标注数据训练SVM，其中数据代表受加性白高斯噪声（AWGN）污染的已知信号。
• 采用线性SVM以保持计算效率，同时实现高分类准确率。
• 通过接收者操作特征（ROC）曲线评估性能，具体绘制检测概率（Pd）与固定虚警概率（Pfa）的关系。
• 在受控噪声水平和已知信号波形的实际信号检测场景中验证该方法。

实验结果

研究问题

• RQ1 基于小波的特征提取方法是否能提升在AWGN环境中的信号检测性能？
• RQ2 在固定虚警率下，基于SVM的检测器与传统线性检测器相比，其检测概率表现如何？
• RQ3 小波与SVM的结合在多大程度上能实现接近最优的检测性能，同时降低计算复杂度？
• RQ4 小波分解层数和SVM核函数选择对次优检测系统中检测精度的影响如何？
• RQ5 在实际实现中，该方法在不同信噪比（SNR）水平下是否具有鲁棒性？

主要发现

• 所提出的基于小波-SVM的检测器在次优条件下仍能实现接近最优性能的检测概率（Pd）。
• 在固定虚警概率（Pfa）条件下，该方法相比传统线性检测器显著提升了Pd。
• 小波变换的使用增强了特征提取能力，使SVM能更有效地在复杂环境中区分信号与噪声。
• 基于SVM的方法在计算负载低于穷举最优检测方案的同时，仍保持了高检测准确率。
• 该方法在不同信噪比（SNR）水平下表现出鲁棒性，显示出实际可行性。
• 通过Pd与Pfa曲线验证的结果表明，小波-SVM框架是传统检测方法的有力替代方案。