自适应回归（共7篇）
自适应回归 篇1
数字图像在形成和传输等过程中,往往会受到噪声的污染,因此在对图像进行处理之前,消除图像的噪声是一个非常重要的预处理步骤。目前,在图像处理领域,常用的图像去噪方法有:小波变换去噪、中值滤波等。这些方法通常假设噪声模型已知,或者是高斯噪声,或者是椒盐噪声。因此它们只能适用于特定的噪声模型。比如,小波系数阈值化(小波收缩) 去噪法去除高斯噪声比较有效,而中值滤波对于去除图像中的椒盐噪声有比较好的效果。可是污染图像的噪声是随机的,很难事先确定噪声模型,如果选定一种方法进行图像处理,会使处理的结果时好时坏,效果不稳定。基于此,Hou和Koh[1]提出一种基于稳健回归的图像去噪方法BWMR(Biweight Midregression Method),不仅保持了良好的去噪性能,同时对于去除不同类型的噪声均具有较好的稳定效果。尽管如此,由于BWMR使用的是固定大小的滤波窗口,因此在图像变化很快的区域(边界)效果还不够理想;同时,由于使用了稳健回归来适应不同噪声模型,也导致在弱正态噪声的情况下的去噪性能与传统去噪方法相比有所下降。
为解决上述两个问题,在BWMR的基础上,提出一种基于稳健回归的自适应图像去噪方法。这种方法在保持了BWMR方法优点的同时,又加入了最优化滤波窗口的过程,能够最优的调节窗口的大小,从而达到改善性能的目的。
1 降噪模型
首先建立带噪声图像的数学模型
其中,g为包含噪声的图像,f为其原始图像,δ为加性噪声。此时,消除噪声的问题可以转化为如何根据含噪声图像g求取原始图像的一个估计
在大部分文献中,通常假设δ来自零均值的正态分布,现假设噪声来自一类更加广泛的噪声模型——混合高斯噪声模型
其中,N(0,σ2)表示均值为0,标准差为σ的正态分布(σ1<σ2);随机变量ε决定了两个正态分布各自取值的概率。符合混合高斯分布的随机变量以概率ε来自后一个正态分布,而以概率1-ε来自前一个正态分布。相比与高斯噪声模型来说,混合高斯噪声模型更接近真实的噪声过程。事实上,混合高斯噪声模型可以近似很大一部分的噪声模型,比如当ε=0时,它就是一个高斯噪声模型,而当σ1<<1<<σ2且ε>0时,它则是一个椒盐噪声。
2 自适应去噪方法
2.1 退化模型
利用回归来估计原始图像需要假设图像结构分段满足某个退化模型。换句话说,如果用一个p×q滤波窗口来对图像进行滤波,那么认为窗口中某点的像素灰度值f(i,j)与它在窗口中的位置(i,j)存在着一定的关系,可能是线性的,也可能是非线性的,这个关系就是一个退化模型。BWMR方法使用了一般的线性模型
现假设原始图像局部可近似为关于行列的一个低维的多项式[2]:
其中f(i,j)为像素灰度值,而i和l分别为该点在滤波窗口中所处的行数和列数(1≤i≤p,1≤j≤q),K为多项式的最高次数。
此时,滤波窗口内的降噪模型可写为
图像去噪的问题就转化为估计模型参数ak,l的问题,这是个典型的回归问题。如果用稳健回归方法来估计模型参数,就可以抵抗噪声的影响,从而得到较为准确的退化模型参数。再利用退化模型计算窗内某点的输出,就是该像素点去除噪声后的结果。让滤波窗口在图像中滑动,对每一个像素点都进行如上操作,就可以得到整幅去噪后的图像。
2.2 BWMR方法
BWMR因使用双权重中回归方法(Biweight Midregression)来估计线性退化模型参数而得名。它是一种利用稳健回归进行参数估计的典型方法,在各种噪声模型下都具有稳定的降噪性能,而且它实现简单,计算速度快,因此具有很高的实用价值。
设有一组输入输出样本(X1,y1),(X2,y2),…,(Xn,yn),其中Xi=(x1i,x2i,…,xti),则BWMR方法的计算过程如下:
1)规格化输入输出样本。记m
其中,MAD表示绝对离差中位数(Median of Absolute Deviation),是一个稳健的尺度估计:
式中med表示中位数运算。λ是一个常数,通常取值为9[3]。
2)剔除异常点。如果Uji或者Vi太大,就说明相应的xji和yi离数据的中心过远,可以被视作异常点。通过赋予它们0权重而使它们对回归不产生影响,而其余的数据点的权重为1
3)计算双权重中协方差(Biweight Midcovariance)。计算公式为:
4)计算位置估计。为了计算线性模型的截距a0,还需要对输入输出样本的位置参数μj进行估计,可由下式计算得到
其中MADNj=1.482 6 MADj,是加入校正因子后的尺度估计;ij1为满足(xji-m
5)计算模型参数。令双权重中协方差阵A为
另外,令矩阵C=(S(xj,xk))T为t×t的方阵。则线性模型参数(a0,a1,…,at)T的估计值由下式计算:
其中
BWMR法具有相当稳健的性质,去噪的效果比较出色,一般采用线性退化模型进行回归。观察多项式模型,可以发现,如果将高次项写作一个新的变量,则多项式模型就转化为线性模型。也就是说,多项式退化模型同样可以用BWMR方法来进行参数估计。
2.3 最优尺寸自适应窗
BWMR方法使用对称且固定大小的滤波窗口对图像进行滤波,这在一定程度上影响了该方法的性能。在进行降噪处理时,通常希望在图像平坦的地方能多取一些像素以提高回归的精度,而在图像起伏变化的区域又能够收缩滤波窗口,避免滤波窗口中包含边界点对回归造成错误影响。最优尺寸自适应窗[4]就是这样一种能够自适应调整滤波窗口大小的搜索技术。
最优尺寸自适应窗技术抛弃了滤波窗口对称的设计,认为窗口的四条边界可以独立的缩小和扩张。因此用这样的方法建立的窗口并不是以所要操作的某个像素点为中心,同时它的形状也不再保持正方形不变,而是会随着该像素点邻域内的信息在长方形和正方形之间变化。
当滤波窗口移动到图像中某个像素点(k,l)时,按如下步骤可构造该点的最优尺寸自适应窗。
1)将窗口大小设定为事先指定好的最大尺寸(例如9×9,以(k,l)为中心),求取窗口内所有像素点的局部信号方差σ
其中σ
2)如果σ
3)对四个方向的边界分别进行扩张操作。例如,首先计算扩张前窗口内的局部信号方差,若小于阈值T,说明窗口内没有包含图像边界,窗口左边界(也可以先处理其它三个边界)则向左移动一个像素,其余边界值不变;计算新窗口的局部信号方差并再次与阈值T进行比较,若小于T,则继续按照上述步骤扩张左边界;相反若大于T或者窗口宽度超过预先设定的最大值,则保留扩张前的左边界值,同时停止左边界的扩张。然后依次完成其余三个边界的扩张过程,就得到最优尺寸的自适应窗口。
现提出的去噪方法(称为OABR)在对某像素点进行操作时,首先使用最优尺寸自适应窗技术找到最优化大小的滤波窗口,然后利用BWMR方法估计出低维多项式模型(取K=2)的参数,最后将该像素点在操作窗中的位置坐标(行列数)代入模型计算输出,即得到该点去噪后的灰度值。
在使用最优尺寸自适应窗时,首先要在图中找到相对比较平坦的区域(灰度值变化平缓),然后用下式估计出该区域的噪声方差作为全图噪声方差的一个估计值
使用这个稳健的估计代替了原方法不稳健的估计值,提高了算法的抗干扰能力。
3 实验结果
为验证方法的去噪效果,选取了一幅大小为128×128 的clock图像,对原始图像施加混合高斯噪声得到加噪图像。分别利用BWMR方法、RMAW法[5]和提出的OABR法对图像进行降噪处理。RMAW法是最近提出的一种使用最优尺寸自适应窗的降噪方法,尤其是在弱正态噪声下(噪声方差较小),它的去噪效果非常理想。在使用RMAW和OABR的时候,自适应窗口允许的最小尺寸设定为与BWMR的窗口的尺寸相同,而自适应窗口的最大尺寸设定为9×9。
表1列出了不同ε和σ1值情况下,经三种方法处理后的降噪图像与原始图像之间的平均方差MSE,MSE值越小表明降噪后的图像越接近原始图像,降噪效果越好。
从表1中可以看出,当图像噪声为正态噪声时(ε=0),BWMR的去噪性能明显弱于另外两种使用了最优尺寸自适应窗的方法;RMAW方法在噪声方差较小时(σ1<10)表现出了更好的性能;尽管如此,OABR法与RMAW法的差距并不大,而且随着噪声方差的不断增大,OABR成为了性能最好的方法。
当噪声分布远离正态分布时(ε>0.05,σ1<30),三种方法都表现出了令人满意的性能。不过显而易见的是,在这种情况下,OABR始终保持着领先的降噪性能,而BWMR则成为排名第二的方法,RMAW反而落到了最后。
4 结论
提出了一种基于稳健回归的图像去噪方法OABR。该方法在BWMR法的基础上,结合了最优尺寸自适应窗策略,不仅弥补了BWMR法在弱正态噪声下性能的不足,而且通过避开边界干扰,提高了各种噪声水平下的降噪性能。仿真结果表明,该方法不仅能适用于高斯噪声的情况,而且在非高斯噪声下也具有令人满意的性能。
参考文献
[1] Hou Zujun, Koh T S . Image denoising using robust regression. IEEE Signal Processing Letters, 2004; 11(2): 243—246
[2] Koivunen V. A robust nonlinear filter for image restoration. IEEE Transactions on Image Processing, 1995; 4(5): 569—578
[3] Lax D A.Robust estimators of scale:finite-sample performance inlong-tailed symmetric distributions.Journal of The American Statisti-cal Association,1985;80(391):736—741
[4] Rabie T.Adaptive hybrid mean and median filtering of high-ISO;ong-exposure sensor Noise for digital photography.Journal of Elec-tronic Imaging,2004;13(2):264—277
[5] Rabie T. Robust estimation approach for blind denoising. IEEE Transaction Image Processing, 2005; 14(11): 1755—1765
自适应回归 篇2
在回归模型y = f ( x) + ui的经典假定中, 随机误差项ui无自相关, 即Cov ( ui, uj) = 0 ( i≠j) , 如果该假设不能满足, 就称ui和uj存在自相关, 即不同观测点上的误差项彼此相关. 此时, 如果依然用最小二乘法去估计参数, 会低估参数估计值的方差, 因此, 必须消除自相关的影响.
ut的一阶自回归形式为: ut= ρut - 1+ υt, 其中, ρ < 1, υt满足经典假定.
假设检验包括4个步骤: 第一步, 提出假设; 第二步, 构造适当的检验统计量, 并根据样本计算统计量的具体数值;第三步, 规定显著性水 平, 建立检验 规则; 第四步, 作出判断.
引理多元线性回归模型总体回归函数的一般形式为: Yt= β1+ β2X2t+ … + βkXkt+ ut.
多元线性回归模型的样本回归函数为:
其中: et是Yt与其估计Y^t之间的残差.
若记: Y = [y1, y2, …, y n]T, U = [u1, u2, …, u n]T,
B = [β1, β2, …, β k]T,
则总体回归模型的矩阵形式为: Y = XB + U, 样本回归函数的矩阵形式为: Y = X^B+ e.
多元模型中回归系数的检验采用t—检验, t统计量公式为
其中: βj是回归系数估计值, n是βj的标准差估计值, , ψjj是 ( X'X) - 1的第j个对角线元素.
二、线性自回归模型的假设检验
已知时间序列 {X t}: X1, X2, …, Xn, 建立线性自回归模型:
由引理, 回归系数的显著性检验中t统计量为:βj是回归系数的估计值, 是βj的标准差估计值ψjj是 ( X'X) - 1的第j个对角线元素.
三、幂函数自回归模型的假设检验
已知时间序列 {X t}, 建立幂函 数自回归 模型Xt=αXβt - 1expμt ( μt= ρμt - 1+ υt) , 则
用 ( 1) - ρ× ( 2) , 得
由引理, 回归系数的显著性检验中t统计量为:ψjj是 ( X'X) - 1的第j个对角线元素.
四、指数函数自回归模型的假设检验
已知时间序列 {X t}, 建立指数函数自回归模型Xt=αβXt - 1expμt ( μt= ρμt - 1+ υt) , 则
用 ( 1) - ρ× ( 2) , 得
基于自回归的高斯混合模型 篇3
关键词：高斯混合模型,自回归模型,EM算法,聚类
一、简介
聚类问题是当今统计学领域的热点研究问题之一, 统计学家已经发明了诸多成熟的算法。随着数据特别是生物中基因数据的快速增长, 人们逐渐发现数据中的一些内在的性质, 利用传统的聚类算法处理这些数据无法利用这些性质因而无法提供较高的准确率。为此, 研究人员更多的是针对一类特殊模型提出特殊的算法, 这实际上是聚类细化的问题, 例如, 作者提出了一个混合模型 (Mixture Model) 来对基因表达数据进行聚类分析, 该模型运用了在基于基因表达试验中的设计矩阵, 作者将算法运用到三种不同的数据上并取得了非常好的效果。同样在中, 作者提出了一个混合模型来对周期性的基因数据进行聚类研究。
二、模型介绍
混合模型 (Mixture Model) 是聚类算法中常用的模型, 具有较强的理论基础, 通过利用期望最大化算法, 可以迅速地求解。现在我们将混合模型的思想运用在基于自回归数据中。假设自回归数据可以分为c个类, 类符合参数为π= (π1, …, πc) 的多重分布 (Multinom ialDis tribution) , 其中类h是符合正态分布, 其期望为uh= (uh1, uh2, Luhm) 方差Sk=δk Rk, 其中
混合模型的参数为μ, ρ, δh, 其中μ代表了c个类的期望值向量, ρh代表了c个类的自回归系数 (ρ1…ρk…, ρc) 。
若数据点yi= (yi1, yi2, …, yim) , 用zhi表示yi的类指标, 这样很自然的有 (∑ch=1zhi=1) , 若zhj=1表示数据点yi是由类h来产生的, 那么它出现的概率为
数据点yi出现的概率为
若有n个数据点 (n个样本) y1, y2, …, yn, 则数据的对数似然函数为
现在我们的目标是要估计出参数μ, ρ, δ以极大化似然函数L (1) .首先考虑对式子 (1) 进行求导并设置导数为零, 但由于log函数中含有和的形式, 无法通过求导来得出结果。期望最大化算法对于处理这种情形是非常自然的, 在下一小节, 我们将介绍如何利用期望最大化算法 (EMAlgorithm) 解决上述优化问题。
如果参数μ, ρ, δh已经被正确的估计出来, 那么数据点yi来自于类h的后验概率为τhi=f (zhi=1|u, ρ, δh, yi) =
因此可以将数据点yi分配到τhi最大的那个类中, 这也是混合模型进行分类的标准。
三、实验结果
对自回归系数估计的实验
本部分将对算法来进行测试以证明有效性, 算法的一个非常重要的部分是对相关系数ρh的估计, 如果能保证这部分的正确性, 则算法的整体正确性会得到保证。为此我们首先进行如下的试验:对于ρ=0.1, 0.3, 0.7, 0.9, δ=0.3, 1, 1.5分别生成期望为0, 从而估计ρ和δ的值, 设置m=10, 每个实验进行10次, 结果在表中。
四、总结
本文提出了一个基于自回归模型的混合模型并利用期望最大化算法给出了这个算法的迭代过程, 具有较完善的理论基础。在实验部分, 通过测试多种自回归数据并对比常用的Kmeans和Mclust算法, 我们证实了算法在处理自回归数据上的高精度。算法应用在基于时间点的基因表达数据上, 我们未来的工作将集中于算法的应用并进行算法的模型选择问题研究。
参考文献
[1]Kim BR, Zhang L, Berg A, Fan J, and Wu R.A computational approach to the functional clustering of periodic gene-expression pro?les.Genetics, 180:821–834, 2008.
[2]C.Fraley and A.E.Raftery.Enhanced model-based clustering, density esti-mation, and dis-criminant analysissoftware:Mclust.J.Classif., 20 (2) :263286, 2003.
[3]Hironori Fujisawa.The maximum likelihood estimatorsin a multivariate nor-mal distribution with ar (1) covariance structure for monotone data.Annals of the Institute of Statistical Math-ematics, 48:423428, 1996.
自适应混合入侵防御 篇4
关键词：自适应,入侵防御系统,异常分类器,签名过滤系统,指令集随机化
1 引言
由于信息安全与网上信息对抗的需求,使得如何增强计算机系统和网络系统的安全性的研究成为了举世瞩目的焦点[1]。网络防御系统的目标是预先对入侵活动和攻击性网络数据进行拦截,避免其造成损失[2],但一个关键问题是网络防御系统对攻击行为不能自动做出一个可靠的,有针对性的及适应性的反应[3]。当溢出被一些未曾见过的攻击利用时,这个问题将会被放大。网络防御系统通常是由基于网络的IDS(Intrusion Detection System)的和包过滤防火墙组成,由于这些这些系统本身的缺点,使它们难以确定和描述新的攻击并智能化的应对它们。
由于IDS只能被动的检测攻击,而攻击防范往往是留给防火墙的任务。当然成功阻止一次确定的攻击通信需要一个灵活和明确的策略,此外大量的网络流量与签名进行匹配往往需要专业的硬件设备并假设这些签名准确的存在。另外加密流量和隧道流量成了IDS和防火墙共同的问题,因此无论是IDS还是防火墙都无法确定一个数据包在终端主机被进行了怎样的处理,从而导致它们做出错误的决定[4]。
这些阻碍促使我们将安全控制策略的放置更接近终端主机(例如,分布式防火墙)[5]。这种方法对系统安全性的保护不仅有利于企业级网络,而且还包括那些家庭网络用户。这种“纵深防御”表明传统的外围防御(如:防火墙)已被应用到基于主机的防护机制中。本文设计了这样一个系统,它采用混合异常检测及签名检测的方案,自适应地应对新的攻击。
2 自适应混合防御系统关键部件及技术
2.1 混合检测
一般情况下,检测系统仅仅依赖于签名并不能启用防御系统来应对前所未见的攻击行为。另外,基于异常的分类器可以识别新的行为,但往往无法分辨以前所未见的这些行为是“好”还是“坏”。这个盲点通常会导致较高误报率,并要求这些分类器进行过大量的训练。
混合检测系统以入侵防御系统IPS(Intrusion Prevention System)为基础:是一个有自动反应能力来阻止攻击行为的系统。我们的混合系统的核心是一种基于异常的分类器,它结合反馈信息调整其模型并自动生成已知恶意行为的签名。我们的异常检测是基于PayL[6],但也可用于其他分类器[7]。
对于一个混合系统最大的障碍是反馈信息的来源。理想的情况下,它应该是自动化的并且对用户是透明的。例如,对垃圾邮件分类器的反馈可能是用户在自己的电子邮件点击按钮,通知客户端的邮件服务器,以考虑将其归类为垃圾邮件或不适当的电子邮件。这种反馈循环是一个网上监督式学习的实例,它将监督负担分配给了每一个系统用户。我们系统的反馈机制加强了无监督的网上学习。信息来源是基于X86模拟器,STEM[8],即以指令集随机化增强保护系统进程。
2.2 指令集随机化
ISR是创造一个独特的运行环境的过程并以此有效地阻止代码注入式攻击。创建这种环境的目的是在这个指令集执行一些可逆转换。
因为攻击者通过精心设计与所预期的执行环境相匹配,致使攻击者不会轻易改变他的攻击代码,而攻击代码与特殊环境的不匹配致使攻击代码在特殊环境执行无效,从而导致攻击失败。ISR方法以前已被证明在阻止代码注入式攻击上的成功[9,10],这种技术通常与空间地址混合来阻止“跳成libc”攻击。
指令集随机化需要执行环境有能力以终止在运行时随机的或解码的二进制指令流。对于机器代码,这一要求意味着,要么处理器硬件包含解码逻辑,要么该处理器以软件的形式出现。
ISR的实践形式,使我们能捕获注入代码和与它相关的被列为异常的输入。Barrantes等人[11]表明,在一些控制流字节切换(两个或三个指令)到注入代码的过程中,代码注入攻击被保护的二进制文件失败。因此,在程序停止执行时,指令指示器(有很高的几率)表明此代码是恶意代码。我们可以提取这些代码,并传送给我们的过滤器来创建一个新的签名并更新我们的分类器的模型。
3 设计与实现
FLIPS的设计基于两个主要部分:应用程序监管框架和过滤代理。该设计的一个主要目标是保持系统的模块化并可扩展部署在一个主机上。(图1显示了这种设计的高级视图。)受保护的程序可以是一个服务器等待请求或是接收客户端程序的输入,如果被视为恶意的将被过滤代理丢弃。如果监控器检测出被保护的程序出现了错误,这标志过滤器在更新其签名和模型。
过滤代理的主要功能是对输入进行评分和分级并选择性的进行丢弃,代理则是两个主要分类方案的混合。基于特征的过滤器可以对某个请求进行评分和丢弃如果它与已知的恶意数据相匹配,而基于异常的分类器则可以对输入程序进行评分和丢弃如果它超出了正常的模型范围。
应用程序监管框架的主要功能是阻止溢出,修复可能被利用的漏洞,并将溢出信息汇报给过滤器和分类器。监管框架可以包括些基于主机的监控器,由它们提供给代理各种补充的反馈信息。我们的原型实现是基于一种提供与代码注入式攻击有关信息的监控器。
请求从过滤代理通过,如果被认为是恶意的将被丢弃。包过滤防火墙为应用程序提供保护,只允许本地代理实例连接应用程序。应用程序处理这些请求并通过代理传回响应。如果某个输入引起代码注入攻击,监管框架会将注入代码连接到代理,代理将会更新其模型和签名。
3.1 HTTP代理和Pay L
HTTP代理是一个简单的对每个输入请求产生一个新的线程实例的HTTP服务器。在服务程序中,代理调用一系列对H T T P请求的过滤器对象。我们的默认过滤器执行维护三个基于签名的过滤器和一个分类器对象。PayL实现了分级界面以对每个基于异常的H T T P请求给予标记。当代理启动时,它创建一个PayL实例并提供给PayL一个traffc文件样本用以改进。
我们构建了一个HTTP代理(Apache)以保护HTTP服务器免受恶意请求的攻击,代理通过调用三个过滤机制及P a y L来决定如何处理每一个H T T P请求。
过滤器实现的核心是将其划分为两个子程序,checkRequest()程序执行基本过滤和分类工作。它维持4数据结构用以支持过滤功能。第一个为“可疑”输入要求清单(由PayL确定)。这一清单作为一个缓存为匹配以证实的恶意输入提供了良好的反馈机制,但值得注意的是,此清单并不用于删除请求。其余的数据集合形成一个三级过滤结构,在权衡复杂性的同时更加积极的实现过滤。这些清单并不是通过PayL确定而是通过反馈机制产生。第一层的过滤为直接匹配。该过滤器是最实惠的,即使略有质变但它却最有可能阻止恶意请求。第二个过滤器是一个反向查找过滤器,它们的存储请求由PayL的评分来决定。最后,由最长公共子串过滤器来提供昂贵但却是捕获恶意请求的最有效手段。
第二个组件作为代理的反馈机制,它是一个后台线程监听,关注来自于S T E M所包含的恶意二进制代码,此线程仅读取一个字节并检查它们是否与我们先前所熟知的“可疑”输入相匹配(如PayL分类),如果不是,那么该线程将会把检测范围扩大到之前见过的包含那些缓存较小的所有请求。匹配是目前最常用的子算法,如果匹配成功,则该请求将被用在上述筛选数据结构。如果没有,以此恶意字节序列为基础,一个新的请求将被创建并写入过滤器。
我们的监管架构是一个应用级程序库,它提供了一个模拟器在去随机性指令流和底层硬件正常执行的指令流之间自由切换的能力,如图3所示,将要被仿真的代码段将4个特殊标签包裹起来。
此程序为一个使用S T E M标签的实例。
STEM是一个x86模拟器,可以有选择地调用任意的代码段,允许我们在同一进程内部混合仿真及非仿真的执行。模拟器允许我们监测当执行指令时的随机处理错误,撤销由内部代码故障引起的内存变化,并模拟一个从上述调用函数返回的错误,我们的一个主要假设是我们能够在错误和异常集之间建立一个映射,这种错误和异常可能出现在程序的执行以及该程序代码处理的错误集。
3.3 ISR技术
主循环由仿真器读取,解码,执行以及每次撤销一个指令组成,在抓取指令之前每一项是随机发生的,由于x86架构包含可变长度的指令,在指令流翻译出足够的字节是解码成功的关键。否则,可能会产生无效的操作。为了使问题简化,我们假设每个指令的最大长度为(16字节)。16位字XOR'd伴随16位密钥,并复制到缓冲区。获取/解码函数读取缓冲区和提取一个指令。伴随处理指令的准确长度程序计数器是递增的。如果指令在1 5字节或更少的情况下,不必要的去随机将会发生,但这是可变长度指令不可避免的一个副作用。如果注入的代码位于执行路径的任何位置,异或函数会将其转换为一个非法操作码或指令,这样将会访问无效的内存地址。如果在仿真过程中发生异常,S T E M将会通知在指令指示器中的代码服务器,STEM每捕捉1KB的代码将会打开一个简单的TCP套接字代理,然后STEM将模拟一个从函数处返回的错误。
4 模拟实验
我们目的是表明主动防御和签名相结合是有价值的,甚至是一个相当优化的代理执行。我们的评估主要有三个目的:
1.表明该系统能够很好的进行分类。
2.表明该系统可以在端至端间执行。
3.表明该系统具有相对良好的性能。
第一个目标是为PayL计算出完整的ROC曲线。第二个目标是通过一个端对端的实验检验该系统检测攻击的速度。记录过滤器捕捉到的攻击字节,建立适当的过滤规则,并终止下一个此攻击实例。我们像代理发送由同样攻击组成的请求流并测量代理过滤的时间。第三个目标是测量代理服务器处理两种不同H T T P痕迹的额外时间。
Apache2.0.52作为一个简单的修改配置文件的基本生产服务器实例,关闭“KeepAlive”的属性设置,然后,一个简单的awk脚本重建HTTP请求。代理服务器由JAVA编写,与Linux平台下Sun JDK 1.5.0,并在Linux平台下Sun JVM 1.5.0上运行。代理服务器运行在双核至强2.0GHz处理器,1GB内存,操作系统为Fedora Core 3,内核版本2.6.10-1.770 FC3smp。生产服务器平台运行在双核至强2.8 H z处理器,1 G B内存,操作系统为Fedora Core 3,内核版本2.6.10-1.770FC3smp。代理服务器与生产服务器通过一个千兆以太网交换机连接,实验进行前对服务器进行重置,同样数据进行重复进行10次实验。
我们通过运行Apache web服务器和执行微基准测试在一些shell实用程序上,以此来评估STEM的性能。我们选择Apache flood httpd实验工具,以评估和比较非仿真和仿真的Apache版本处理请求的速度。在实验中,我们通过已处理的请求总数来决定测量性能,如表4所示,每秒处理请求的总数是由在一小段时间内所发送、处理的请求推测得到,而并不是意味我们的Apache实体每秒能够承受6000次请求。"emurand"符号表明STEM的(随机仿真)使用。
我们选择了一些常见的公式并测量有S T E M和没有S T E M情况下大负荷工作不同试验类型的性能。如预想中的一样,在仿真大部分应用时会对性能有很大影响。实验表明,仅在仿真潜在易受攻击的代码部分时存在明显超越整个系统仿真性能的情况。
PayL是一个基于内容的异常检测器。为了在FLIPS混合PayL,采用PayL在HTTP上的请求。在网络要求上测试PayL运营的有效性,收集了5MB的HTTP协议。这个数据集合有多种红色代码和其他恶意要求。作为底线标准,可以人工识别恶意入侵。接收机工作特性曲线如图4。
从图中可以看出,关于HTTP的PayL的分类结果比较普通。当所有的红色编码和尼姆达疑问被成功的防御,仍有许多看起来不是异常的入侵的查询,PayL不能辨认。如果P a y L工具来观察整个HTTP请求,包括实体自身,结果将更精确。PayL本身并不能保护服务器,并且需要更多的信息来调整其模型。
5 结束语
传统的入侵检测系统侧重于查明试图攻破计算机系统和网络。现有的入侵检测,无论是基于主机的IDS还是基于网络的IDS,在很大程度上都依赖于网络管理员的能力和直觉,需要人工地调整入侵检测系统。攻击事例和管理员的经验是入侵检测中最为重要的两个方面,IDS的开发与升级需要攻击事例和管理员经验这两方面长时间的原始积累。
我们提出FLIPS入侵防御系统,采用了异常分类组合方式和签名匹配二进制代码块注入攻击,此种混和式检测系统的反馈由STEM来提供,x86模拟器能够将指令集的执行随机化(ISR)。STEM可以识别插入的代码,自动恢复的攻击,并将攻击代码提交给异常和签名分类器。我们已经展示了FLIPS如何发现,制止,修复,并创建一个以前未知的攻击签名。虽然我们只展示了FLIPS对HTTP服务器保护的实现,然而FLIPS的机制也广泛适用于基于主机的入侵防御。
参考文献
[1]孙宇.网络入侵防御系统(IPS)架构设计及关键问题研究[D].天津:天津大学,2005.
[2]刘才铭.基于免疫的多通道入侵防御模型[J].计算机应用研究,2008,2(25):.
[3]R.E.OVERILL.How Re(Pro)active Should an IDSBe?In Proceedings of the 1st International Workshop onRecent Advances in Intrusion Detection(RAID)[C].Septem-ber 1998.
[4]M.HANDLEY,V.PAXSON,and C.KREIBICH.Network Intrusion Detection:Evasion,Tra?c Normalization,and End-to-End Protocol Semantics[C].In Proceedings ofthe USENIX Security Conference,2001.
[5]S.IOANNIDIS,A.D.KEROMYTIS,S.M.BELLOVIN,and J.M.SMITH.Implementing a Distributed Firewall.InProceedings of the 7th ACM International Conference onComputer and Communications Security(CCS)[C],2000,11:190-199.
[6]K.WANG and S.J.STOLFO.Anomalous Payload-based Network Intrusion Detection.In Proceedings of the 7thInternational Symposium on Recent Advances in IntrusionDetection(RAID)[C].,2004,9:203-222.
[7]C.KRUGEL,T.TOTH,and E.KIRDA.Service Spe-cific Anomaly Detection for Network Intrusion Detection.In Proceedings of the ACM Symposium on Applied Com-puting(SAC)[C],2002.
[8]S.SIDIROGLOU,M.E.LOCASTO,S.W.BOYD,andA.D.Keromytis.Building a Reactive Immune System forSoftware Services.In Proceedings of the USENIX AnnualTechnical Conference[C],2005,(6):149-161.
[9]E.G.BAntes,D.H.Ackley,S.Forrest,T.S.Palmer,D.Stefanovic,andD.D.Zovi.Randomized Instruction SetEmulation to Distrupt Binary Code Injection Attacks.InProceedings of the 10th ACM Conference on Computer andCommu-nications Security(CCS)[C],2003,10.
[10]G.S.Kc,A.D.Keromytis,and V.Prevelakis.Coun-tering Code-Injection Attacks With Instruction-SetRandomization.In Proceedings of the 10th ACM Confer-ence on Computer and Communications Security(CCS)[C],2003,10.
自适应回归 篇5
数字电视接收机的移动性,导致接收的OFDM符号产生多普勒频谱扩展,由此子载波间的正交性被破坏,从而引起载波间干扰(ICI)。
ICI直接导致了移动接收机系统性能的误码地板效应,这是OFDM系统在时变信道中的最大瓶颈,已有许多研究围绕ICI的抑制问题展开讨论。与无迭代的接收机相比,迭代接收机通过迭代过程,利用判决反馈的结果来修正信道估计的精度,通过初始步的预判决结果作为训练序列,来对信道进行更精确的拟合,从而减小误码率。本文从时域推导了采用Kalman滤波器进行判决反馈的均衡算法,以改善由于信道时变带来的误码率和降低复杂度。由于Kalman滤波算法是基于统计AR模型给出的状态方程,本文也分析了信道的时域的统计特性。
1 时变信道的时域统计AR模型
通常考虑信道系统函数的相关性,设信道冲激响应的相关函数为:
则当信道满足条件:
时,称信道为广义平稳(WSS)的。其中。这意味着以不同多普勒频移到达的信号是不相关的。当主要路径在时间上可以分辨出来时,于是得到
其中,和分别表示第l条路径的复数值幅度和时延的时变函数。信道的时变特性可以用有限参数的AR模型来描述,并且一阶AR模型可以对时变信道给出足够精确的辨识,因此信道模型可以表示为:
其中,a为AR模型参数,vn为高斯白噪声过程变量,其方差为。信道的快衰落是由于收发双方的相对移动产生的多普勒频移效应,引起信号相位的迅速变化形成的,按照Jakes衰落模型,第l径信道的相关函数可以表示为:
式中,fdTs为归一化的多普勒频偏,J0(·)为第一类零阶贝塞尔函数。利用式(5)中的相关函数求解Yule-Walker方程,可以求得a和
将式(6)表示成向量,得到如下状态空间模型:
其中,hn.l表示n时刻信道第l径复增益,,,wn是一均值为零,方差为的加性高斯白噪声。
2 基于Kalman滤波器的信道估计
2.1 算法描述
由状态空间模型式(8),在已得到接收序列N-1后,采用Kalman滤波算法[1]可以获得时变信道的递推估计值。
上式中,Qn+1为过程噪声vn+1的相关矩阵,由于信道的各径增益为统计独立的随机变量,所以Qn+1为对角矩阵且
但由于各径的未知,为此可以假设每一径都有相同的,则有:
为信道估计误差的协方差矩阵,其初始值可设为p0=I,在这种方法中,由于在接收端多普勒频偏fdTs和Qn+1未知,由式(6)给出的参数a未知,导致式(9)给出的Kalman滤波算法实用性受到限制。若引入en的最小均方误差作为代价函数,采用VFF-RLS算法可得到一种a的递推估计方法,下面是推导过程。
2.2 算法改进
考虑均方误差目标函数
为了使估计的均方误差最小,可以对目标函数取关于a的导数
令:对式(9)中第4个等式两边求导。
对式(9)中第3个等式两边求导,可得
令:,将(11)代入式(9)中第5个等式,并对它两边求导。
此处,,否则,通过式(12),可以用递归的自适应算法来计算参数a,
其中为收敛因子,指设定上限和下限的截断运算。
这样改进后,完整的Kalman滤波算法由下列各式给出:
这样只要设定相应参数的初始值,在σ2n已知的情况下,就能够得到信道的估计值,通常可以设定,a-和a+根据fdTs的范围由式(6)给出。
3 TDS-OFDM系统的Kalman均衡方法
3.1 系统模型
TDS-OFDM的基带传输模型如图1所示,整个系统采用伪随机PN序列代替传统的循环前缀,二进制数据在完成星座映射后得到频域的复数序列{X(n)},经过离散傅立叶反变换后得到时域数据序列{x(n)},插入PN序列{g(n)}后缀,经过快衰落时变信道传输后,得到接收序列{y(n)}。要恢复出原发送符号序列,通常对接收数据利用信道估计信息进行均衡,将均衡后的数据经过离散傅立叶变换后进行符号判决,得到发送序列的估计值。
3.2 信道初始值设定
若信道的最大多径时延小于PN序列的长度,则可以利用PN序列的自相关特性来估计信道的各径增益和最大多径时延[2]。设PN序列的长度为M,将PN序列和接收符号序列做自相关运算可得:
Rgw(k)是PN序列与噪声的相关项;Rgg(k-l)是PN序列自相关项,有以下性质:
对各径信道的估计可以通过对相关运算后的峰值搜索得到,步骤如下:
(1)搜索Rgy(k)(其中:)的最大值,χ0是峰值的位置,为了消除式(32)-1项的影响,在完成第一次搜索后,在原相关序列中消除的影响,得到:
(2)搜素的最大值,得到,同样按照式(31)方法处理,得到,继续搜索直到得到所有的峰值和位置值。最后得到信道初始参数值为:,,i为搜索的次数,观测向量可以从PN序列的第L+1个符号到第M个符号得到,共M-L个。
3.3 信道跟踪
利用发送符号中的已知序列,来对以上Kalman算法进行训练阶段的信道估计,可以得到各径不同时刻的信道估计值,训练阶段完成后,由于观测向量为未知符号序列,对后面各时刻的信道增益,本节采用二阶多项式来拟合每一径信道的变化,多项式的系数由训练阶段各时刻的估计值来确定。在完成信道跟踪后,对发送序列的检测由基于MMSE准则的时域均衡和判决反馈的联合算法给出,如图2所示。
对信道各径增益的时变特性,本文采用一个二阶多项式函数来近似,则第l径信道:
为近似误差,令,为训练结束后得到的估计值,系数由最小二乘公式得到。
所有时刻的信道估计值由下式给出:
对接收符号的均衡按照MMSE[3]方法进行。
3.4 仿真分析
按照瑞利衰落信道模型[4],在载波频率为1GHz频段进行了仿真,信道的多径时延功率服从COST 207标准,以典型城市(Tux)环境为例。OFDM参数设置按照我国的数字电视广播标准给出,子载波总数为3780,后缀采用PN255构成长度为420的序列,调制方式为QPSK,符号周期为555.6μs,设接收机最大移动速度为360km/h,则最大归一化多普勒频偏为0.1852。
图3、图4、图5分别给出了在移动速度为120km/h、240km/h、360km/h三种情况下的各均衡方法的误码率曲线,当移动速度为120km/h时,此时归一化多普勒频偏为0.0617,此时信道可以近似为平坦衰落信道,各种算法误码率相差不大,但是线性插值算法比较简单,且只需要在一个符号间隔内处理就可以进行,BE模型和二次多项式拟合需要接收两个符号间隔的时域序列,且参数计算相对复杂一些,Kalman算法更复杂一些。但当移动速度增加到240km/h时,此时归一化多普勒频偏为0.1235,信道的时变特性较明显,从图3较明显地看出BE模型由于考虑了信道的实际时变特性,具有一定的性能优势,线性插值算法具有较高的误码率,二次多项式拟合算法相比较而言,是一个折衷选择,因为不需要考虑信道的最大多普勒频移。Kalman均衡算法在信噪比较高的情况下,可以有效地均衡对信道估计误差带来的影响。当移动速度进一步增加到360km/h的情况下,从图5可以看出,其它三种算法对误码率的改善都有限,但本文给出的Kalman均衡算法仍然可以将误码率控制在10-2内。且Kalman均衡算法首先采用二次多项式预估计信道,再采用判决结果作为训练序列来对估计结果进行修正,不需要知道信道的任何参数信息。
图6比较了各种算法在信噪比为30d B的情况下各种均衡算法的性能和移动速度的关系。从图6看出,在移动速度较低的情况下,Kalman均衡算法没有任何性能优势。但当信道的时变特性较明显时,Kalman算法能够对信道估计的误差进行更加精确的消除。此时Kalman均衡算法具有很好的性能优势,随着移动速度的增加,信道估计的精度逐渐变差,为了得到更好的估计,需要提高信道模型的拟合精度,如采用更高阶的多项式拟合或采用Q值更高的BE模型,但是随着估计参数的增加,需要增加导频块的数目,在OFDM符号结构固定的情况下,只有靠增加接收的OFDM符号个数,即增加拟合的信道时间长度,这又会增加估计误差,所以基于以上考虑,本文给出的Kalman算法在不需知道信道参数特性的情况下,对信道给出了一个相对较好的跟踪。应当指出的是,Kalman均衡算法对信道的噪声干扰是比较敏感的,只有在信噪比相对较高的情况下才有较好的性能,在信噪比较低时,由于加性噪声的存在干扰了信道跟踪的精度,这点从以上误码率曲线图可以得到。
4 结论
本文详细分析了时变信道的时域统计特性,并由此得到了时域的基于AR模型的状态方程,在此基础上设计了Kalman滤波器来对时变信道进行均衡。当信道的时变特性较明显时,Kalman算法能够对信道估计的误差进行更加精确的消除,对由于信道时变带来的误码率给予一定程度的改善。当移动速度增加到360km/h的情况下,本文给出的Kalman均衡算法可以将误码率控制在10-2内,比起其它三种算法性能优势明显。仿真结果很好地验证了此算法的有效性,并且具有较低的复杂度。
参考文献
[1]Hye Mi Park,Jae Hong Lee.Estimation of time-variant channels for OFDM systems using Kalman and Wiener Filters[C]//IEEE 64th Vehicular Technology Conference,2006:1-5.
[2]Bowei Song,Lin Gui,et al.On channel estimation and equalization in TDS-OFDM based terrestrial HDTV broadcasting system[J].IEEE Transactions on Consumer Electronics,2005,51(8):790-797.
[3]Woo Kyung Soo,et,al.MMSE channel estimation for OFDM systems with transparent multi-hop relays[C]//IEEE 18th International Symposium on Personal,Indoor and Mobile Radio Communications,2007:1-4.
自适应回归 篇6
关于资产负债率的影响因素,从资产负债率的计算公式可以看出:资产负债率=负债总额/资产总额,而作为分子的负债总额大体等于应付账款、其他应付款、预收账款、应交税金的和,作为分母的资产总额大体等于货币资金、应收账款、存货、其他应收款、预付账款的和,即资产负债率主要受这9个因素的影响。
根据往年的数据,通过建立数学模型来分析预测未来月份的资产负债率,对一个企业的发展和稳定有着重要的作用,也是企业非常关心的一个指标。
本文通过选择合适的变量,建立资产负债率的向量自回归模型,在此基础上,利用Eviews5.0对影响资产负债率的因素进行实证分析,得到资产负债率的3阶滞后模型,这样就使影响资产负债率的因素线性化,在计算和预测资产负债率时,方便简单,并且提高了精度。
1 向量自回归模型的建立
1.1数据搜集与整理
现有某IT企业两年24个月(2007年1月—2008年12月)的资产负债表,每个月的资产负债表中详细给出了各个数据指标,我们从中提取出9个主要因素的值,并算出每个月的资产负债率,得到表1和表2。
1.2变量选择
根据观察上述9个主要因素近两年的变化趋势图,我们发现:有一些因素变化不大或基本无变化。比如:存货、其他应收款、预付账款,这说明这3个变量对资产负债率的影响有限或不起决定性作用,通过下面变量的选取可以验证这一点,故在选择变量时考虑舍去这三个变量。
另外我们希望建立资产负债率和各主要因素之间的线性关系模型,由于影响资产负债率的这9个因素与资产负债率呈非线性关系,这就使资产负债率的计算和预测复杂化。
为了寻求影响资产负债率的线性主要因素,我们对这9个变量的数据先进行预处理。由于存货、其他应收款、预付账款这三个变量变化不是很大,故我们选择如下变量:
undefined;
undefined;
undefined;
undefined。
这些变量作为影响资产负债率的主要因素,即作为关于资产负债率的向量自回归模型的外生变量。
1.3建立模型
向量自回归模型(VAR)是基于数据的统计性质建立模型,VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型,从而将单变量自回归模型推广到有多元时间序列变量组成的向量自回归模型。VAR模型是处理多个相关经济指标的分析与预测最容易操作的模型之一,分析经济指标的各影响因素对系统的动态影响,在多因素指标分析中有广泛的应用[2]。
VAR模型的数学表达式为:
yt=A1yt-1+...+Apyt-p+Bxt+εt t=1,2,...,T。
其中:yt是k维内生变量向量,xt是d维外生变量向量,p是滞后阶数,T是样本个数。k×k维矩阵A1,...,Ap和k×d维矩阵B是要被估计的系数矩阵。εt是维扰动向量。
资产负债率除了和以上四个变量有线性关系外,还可能与它的滞后有关系[3],所以我们构造关于资产负债率的向量自回归模型,首先应该确定资产负债率的滞后阶数。
因为模型是建立在小样本基础之上的,所以在选择滞后阶数p时,一方面为了反映所构造模型的动态特性,另一方面为了有足够的自由度,选用AIC准则,其计算方法可以由下式给出[4]:
undefined。
资产负债率=负债总额/资产总额n是向量维数,T是样本长度,p是滞后阶数,ln表示自然对数,det表示矩阵求行列式,∑p是当滞后阶数为p时,残差向量白噪声方差-协方差矩阵的估计。
根据AIC准则,确定关于资产负债率的向量自回归模型的滞后阶数为3,于是建立模型如下:
yt=α0+α1yt-1+α2yt-2+α3yt-3+β1x1+β2x2+β3x3+β4x4。
2 模型的求解与分析
根据已知的两年24个月的资产负债表算出每个月的资产负债率以及每个月的x1,x2,x3,x4,并根据所建立的关于资产负债率的向量自回归模型,利用Eviews5.0对该回归模型进行估计,获得的回归结果如表3所示。
这样就得到关于资产负债率3阶滞后的向量自回归模型:
yt=0.365 637+0.000 565yt-1+0.054 117yt-2+
0.462 599yt-3-0.035 610x1-0.029 270x2-
0.058 784x3-0.068 664x4。
(1) 从向量自回归模型的输出结果可以看出:
F值为2.259 288,模型总体上是成立的,D-W检验值为1.598 409,不存在自相关,R2值为0.548 846,说明模型的拟合优度不是很理想。这与影响因素的选择是有关系的,但这个模型已经达到我们预先要求的是线性模型的目标,总体还是可以的。
(2) 为了检验模型是否存在序列相关,我们进行LM检验,结果如表4所示:
由于F-统计量值和R2值的显著性概率都明显大于5%,所以认为模型不存在序列相关。
(3) 为了进一步验证模型是否存在异方差,我们进行怀特检验,结果如表5所示。
由于F-统计量值和R2值的显著性概率都明显大于5%,所以认为模型不存在异方差。
综上,我们根据AIC准则所确定的滞后阶数以及据此所建立的向量自回归模型是合理的,得到的回归结果是可靠的。
3 资产负债率的预测
在得到上述关于资产负债率的向量自回归模型后,我们就可以根据历史数据对未来月份的资产负债率进行预测。已知2008年9月、10月、11月的资产负债率的数据,算出11月份的x1,x2,x3,x4值,代入上述模型,得到2008年12月份的资产负债率为0.698 2,公司的资产负债率的真实值为0.703 2相对误差率为0.72%;在知道了2008年10月、11月、12月的数据,以及12月份的x1,x2,x3,x4值后,代入上述模型,可以得到2009年1月份的资产负债率预测值为0.720 0,而公司2009年1月份的资产负债率的真实值为0.710 6,相对误差率为1.3%;取得了比较好的效果。
4 结论
作为企业关注的一个重要财务指标,资产负债率的计算和预测是很重要的方面,也是企业重点关注的。本文通过合理选择影响资产负债率的主要因素,化非线性为线性,建立基于资产负债率3阶滞后的向量自回归模型,并用此模型进行未来数据的预测,得到了比较精确的结果,为企业进行数据分析和掌握公司运行情况提供了一个有力的工具,有一定的应用价值。
摘要：资产负债率是检查企业财务状况的一个重要指标,它的预测是很多企业所关心的。由于影响资产负债率的因素很多,选取了4个影响资产负债率的线性主要因素。根据某公司两年的资产负债率数据,选择变量,建立向量自回归模型。对下一月份的资产负债率进行预测,取得了很好的结果,相对误差控制在1.5%以内。
关键词：向量自回归模型,相对误差,资产负债率
参考文献
[1]田天,王淑锐.对资产负债率指标的动态数学分析.中国管理信息化,2007:10(12):55—57
[2]高铁梅.计量经济分析方法与建模.北京:清华大学出版社,2006:249—250
[3]李庆华.运用向量自回归模型(VAR)分析存款准备金率的变动对开放式基金价格的影响.湖南理工学院学报(自然科学版),2008;21(2):20—23
短波电台自适应的实现 篇7
短波通信具有通信距离远、使用灵活机动、组网性能好的独特优点。
短波自适应通信网是覆盖范围广、技术先进、安全可靠、自动化程度高的中远距离无线电通信网。该系统对于提高通信能力和应急通信能力, 都具有十分重要的意义。短波系统采用了新型自适应控制器, 并开发了相应的主控软件, 配合508综合业务终端使用, 大大提高了自动化程度和综合性能。
二、短波自适应的工作原理
短波自适应电台可以通过链路质量分析 (LQA) 和自动链路建立 (ALE) 两种重要手段使通信在最佳信道上进行。
2.1链路质量分析 (LQA)
链路质量分析是一种实时信道质量估计技术。对信道LQA就是对信道参数进行测量和分析, 然后对信道的质量进行评分并将信道从最佳到最差排序。通信时可根据LQA矩阵中各信道的排列次序, 择优选取工作频率。
船与基站主要进行点对点通信, 两个电台之间进行双向的LQA的基本过程如下:
第一步, 探测呼叫。主叫台通过某一信道向目标台发出探测信号 (包括主叫台和目标台识别地址的编码信号) 。目标台识别后, 接受并测量其信号质量, 进行评分, 并记录下来。
第二步, 应答。目标台在同一信道上向主叫台发出应答信号, 其中包含来自主叫台探测信号的质量评分信息。主叫台接受并记录该信息, 同时对来自目标台的应答信号的质量进行测量、评分和纪录。这样, 主叫台就掌握了通过该信道双向传输信号的质量评分, 从而得到该信道的质量总评分。
第三步, 确认。主叫台再次通过该信道向目标台发出信号, 其中包含对该信道的质量总评分信息, 从而保证主叫台和目标台关于该信道的质量评分记录完全一致。至此, 对一个信道的双向LQA过程结束。双方又开始对另一个信道按上述“探测呼叫——应答——确认”这三个步骤进行双向LQA。
对所有信道逐个进行双向LQA, 就可得到每个信道的质量评分, 然后双方均按评分的高低顺序, 将所有的信道排序, 并存入存储器中。
2.2自动链路建立 (ALE)
在工作过程中, 主呼台的自适应控制器根据LQA的结果, 在LQA表中选出最佳信道进行呼叫。一旦双方信道沟通, 两个电台均会发出“建链成功”声音, 通知操作员可以进行通信。若是在所有信道上均无法沟通信道, 主呼台将显示相应的提示信息。
被呼自适应电台处于扫描状态, 接收机则对已编程入本台地址的全部信道和本台所属网络地址的信道集合进行循环扫描。当在某个信道上接收到呼叫信号时, 工控便自动停止扫描, 并在该信道上向主呼台发射响应信息, 当再次收到主呼台的“认可”信息后, 就完成了自动链路建立。
三、基于自适应的短波监控系统
传统的单一手键报通信是以手键为终端, 由经过专业训练的报务员敲击手键发报完成报文通信, 属于人工终端, 存在着很多弊端。自适应技术实现了信道建立和沟通联络的自动化, 而要实现短波真正的自动化, 508终端的自动化也是必不可少的。
自适应短波通信系统既可以用于点对点通信, 也可以用于多点之间组网通信, 收发信机主要用于发送和接受数据, 工作种类有上边带、下边带、调幅话、等幅报。
自适应控制器是此系统所以实现自适应通信的核心装置, 它能不断的进行信道扫描, 从中选择最佳信道进行建链, 确保通信成功。在原系统的基础上, 设备增加了终端控制设备508终端, 从而结束了以往单一手键报操作的历史, 它可在短波信道上完成数据传输、传真、声码语音通信等多种业务。
通过计算机监控台和508终端得以利用软件实现对硬件的灵活控制, 该监控软件分为应用程序软件和控制软件两部分, 应用程序软件提供终端的用户界面, 完成各种用户功能, 实现对硬件设备的管理和设置。
屏幕画面简洁, 明确醒目, 操作起来很方便, 操作人员无需专门训练也能很快上手。
四、不足之处和应对措施
自适应电台有时链路建立时间太长, 为了发报, 常常需要等上很长的时间。链路建立时间跟LQA的评估速度和信道数有关。我们所能做的就是尽可能的减少信道数目优化选择频率。
五、结束语
短波通信系统自适应监控的实现, 大大提高了短波通信系统的自动化程度, 实际应用过程中, 灵活的使用频率, 将更有力保障短波通信任务的完成。
摘要：本文总结了短波自适应通信的实现过程, 并就在实际应用中发现的问题提出了应对措施。
关键词：短波通信,自适应短波电台,508短波综合业务终端,LQA,ALE
参考文献
[1]短波系统改造”技术任务书.2006年1月