CN102523055A - Nakagami-m衰落信道下的合作频谱感知方法 - Google Patents

Abstract

本发明提出一种Nakagami-m衰落信道条件下的合作频谱感知方法。本发明通过两个环节来提高认知用户对授权频谱的感知效率。一是在认知用户处引入基于改进的反向传播神经网络实现的自适应均衡器，认知用户首先将接收到的经过衰落信道的信号送入自适应均衡器中进行处理，以提高接收信号的质量；二是在数据融合中心将Chair-Varshney准则的思想用于判决准则的改进算法，并采用基于L-M算法的BP神经网络来实现。上述两个环节中涉及的神经网络的结构可以根据Nakagami-m衰落信道的形式进行自适应调整，通过这两个环节的改进，能够有效地提高认知用户的频谱正确感知率，从而更合理、有效地使用授权频谱资源。

Description

Nakagami-m衰落信道下的合作频谱感知方法

技术领域

本发明属于认知无线电技术领域，尤其涉及一种Nakagami-m衰落信道下合作频谱感知方法。

背景技术

认知无线电是一种智能的频谱共享技术，无线终端具备足够的智能或认知能力，其通过对周围无线环境的历史和当前状况进行检测、分析、学习、推理和规划，并利用相应的结果自动调整相关发射参数或接收参数。实现认知无线电的关键技术之一是频谱感知，它也是认知用户与授权用户共享频谱的前提条件。在多径衰落信道条件下，由于接收到的信号的信噪比较低，单个认知节点很难获取精确的频谱空洞信息，因此，目前已提出多种关于多径衰落信道条件下的合作频谱感知方法，例如“Opportunistic Spectrum Access in FadingChannels Through Collaborative Sensing”公开一种基于能量检测和“k-out-of-n”判决准则的合作频谱感知方法。在该方法中，参与合作的n个认知用户经历独立同分布衰落，各认知用户采用能量检测的方法对共享频谱进行检测，并通过无错信道将采集到的有关频谱占用情况的信息传送给融合中心，融合中心根据“k-out-of-n”判决准则对频谱占用情况作出全局判决。

虽然上述合作频谱感知方法能允许认知用户接入授权用户频谱，提高频谱利用率，并且能够降低满足感知要求的时间和带宽，但是其只考虑Rayleigh多径衰落信道下合作感知方法，没有考虑其他多径衰落信道情况下的合作感知方法，而且融合中心采用的判决准则也不是最优的。

发明内容

本发明的目的在于提供一种Nakagami-m衰落信道下合作频谱感知方法，以解决现有合作频谱感知方法存在的仅适用单一多径衰落信道、融合中心采用的判决准则有待提高的问题。

为了实现上述目的，本发明提供的Nakagami-m衰落信道下的合作频谱感知方法，包括以下步骤：引入自适应均衡器：在认知用户节点处引入基于改进的第一BP神经网络实现的自适应均衡器，用于对接收到来自衰落信道的信号进行均衡处理，其中，第一BP神经网络中包括输入层、单隐层和输出层，网络连接方式为全连接；初始化权值：随机变量初始化第一BP神经网络中的各个连接权值，再根据下式重新对第一BP神经网络中的网络连接权值进行赋值：

其中，w_ji(n)为网络连接权值，

n₀为输入分量的个数，n₁为隐层神经元的个数；给定训练样本：利用训练样本

使第一BP神经网络训练收敛，训练样本是网络输入向量和网络期望输出向量组成的向量对；将输入向量

从第一BP神经网络的输入层输入，并将期望输出向量

输入到第一BP神经网络的输出层；计算第一BP神经网络实际输出对期望输出的误差值：输入向量

在输入到第一BP神经网络的输入层后，以前向传播的方式不断地经过第一BP神经网络的隐层传递到输出节点得到第一BP神经网络的输出信号y⁽³⁾(n)，输入信号在第一BP神经网络中前向传播的过程由以下两式定义： $v_j^{\left(l\right)}\left(n\right)=\underset{i=1}{\overset{m_0}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^{\left(l\right)}\left(n\right)y_i^{(l-1)}\left(n\right),$

其中，表示第一BP神经网络第n次迭代时神经元j前一层神经元i的输出信号，并且，当j是一个隐层神经元时，

是输入层神经元的输出信号，表示为x_i(n)，x_i(n)是输入向量

的第i个元素；当j是一个输出层神经元时，则可以通过下式计算出误差值：

其中，e_j(n)为误差值，d_j(n)为期望响应向量的第j个元素；判断误差值是否满足精度要求：根据下式计算网络的总平方误差E(n)，并将其与设定的网络学习目标值ε作比较：

若E(n)＞ε，则说明第一BP神经网络对期望输出的逼近程度未达到预定的要求，继续对网络连接权值进行调整；若E(n)＜ε，则说明达到预定的要求，迭代停止，第一BP神经网络进入收敛状态；利用误差值的反向传播更新网络连接权值：当第一BP神经网络的平方误差不满足收敛条件时，则根据下式反向计算第一BP神经网络各神经元的局部梯度值δ：在得到局部梯度值之后，利用下式更新网络连接权值：Δw_ji(n)＝αΔw_ji(n-1)+ηδ_j(n)y_j(n)，(0＜α＜1)，其中，η为BP算法的学习率，第一BP神经网络以η的步长依据梯度调节网络连接权值。

本发明能够提高对经过Nakagami-m衰落信道后的失真信号的检测概率，提高频谱正确感知率，改善频谱使用效率和合理性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明优选实施例实现自适应均衡器的BP神经网络结构示意图。

图2是本发明优选实施例神经元上的信号处理示意图。

图3是本发明优选实施例实现自适应均衡器的改进的BP神经网络学习算法流程图。

图4是本发明优选实施例实现融合中心最优融合准则的BP神经网络结构示意图。

图5是本发明优选实施例融合中心实现最优融合准则的BP神经网络学习算法流程图。

具体实施方式

下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决现有合作频谱感知方法存在的问题，本发明提出一种Nakagami-m衰落信道条件下的认知无线电合作频谱感知方法，Nakagami-m衰落涵盖了范围很广的一类多径衰落信道，通过改变衰落参数m，就可以模拟不同的多径衰落信道。本发明中，各认知用户仍采用能量检测方法对共享频谱的占用情况进行检测。由于授权用户信号经过多径衰落信道后会失真，致使认知用户无法正确判断授权用户的存在与否，因此本发明优选实施例通过两个环节来提高认知用户对授权频谱的感知效率。一是在认知用户处引入基于改进的反向传播(backpropagation，简称BP)神经网络实现的自适应均衡器，认知用户首先将接收到的经过衰落信道的信号送入自适应均衡器中进行处理，以提高接收信号的质量；二是在数据融合中心将Chair-Varshney准则的思想用于判决准则的改进算法，并采用基于Levenberg-Marquardt(L-M)算法的BP神经网络来实现。上述两个环节中涉及的神经网络的结构可以根据Nakagami-m衰落信道的形式进行自适应调整，通过这两个环节的改进，能够有效地提高认知用户的频谱正确感知率，从而更合理、有效地使用授权频谱资源。

图1-图5示出了本发明优选实施例为了提高认知用户对授权频谱的感知效率而两个环节所做的改进。在本发明优选实施例中，认知用户处的自适应均衡器是基于带有动量项的反向传播(BP)神经网络实现的，如图1所示，该BP网络由输入层1、单隐层2和输出层3构成，网络连接方式为全连接，即任意层上的神经元与它前一层上的所有节点都有连接，图1中的黑色圆表示神经元。本发明优选实施例选择单隐层的BP神经网络足以满足精确映射均衡滤波的要求，且能保证网络学习算法的最大实时性。BP算法通过输出端信号与期望输出信号的误差值，经过逐层反向迭代更新网络连接权值。由于BP算法存在收敛速度慢和目标函数存在局部极小值的问题，因此本发明优选实施例针对存在的问题对算法进行改进，在权值更新中加入“动量项”，保证算法不产生震荡的前提下，大大增加其沿梯度下降的速度，并且在目标函数梯度值很小的局部极小值附近也能通过之前的累积的“惯性”以较大的幅度降低均方误差，从而有效地解决了收敛速度慢和局部极小问题。另外，BP算法开始前对网络连接权值w_ji(n)的初始化也会影响网络的收敛速度。最初网络连接权值w_ji(n)的设置可能使得网络训练从与一些“饱和点”相对应的误差空间点上开始，当网络运行在这些点时，网络收敛所需的迭代次数会显著的增加。因此，本发明优选实施例对BP学习算法的网络权值的初始化方式作出改进，使学习算法能够有效避免误差曲面上“饱和点”的影响。改进的网络权值初始化方法基于Nguyen和Widrow提出的一种在只含有一个隐层的神经网络中的权值初始化方法，该方法可以显著地提高BP网络的训练速度。具体如下：

如图3的步骤S301，初始化权值，首先随机变量初始化BP神经网络中各个连接权值，再根据公式(1-1)重新对网络中的连接权值进行赋值。

$w_{\mathrm{ji}}=\mathrm{\γ}{w}_{\mathrm{ji}}/\sqrt{\underset{i=1}{\overset{n_1}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^2},---(1-1)$

其中，

n₀为输入分量的个数，n₁为隐层2的神经元的个数。

如步骤S302和S303，给定训练样本，利用训练样本

使神经网络训练收敛，训练样本是网络输入向量和网络期望输出向量组成的向量对。将输入向量

从神经网络的输入层1输入，并将期望输出向量

输入到神经网络的输出层3。训练样本可以分次输入到网络，并通过计算总的平均误差对神经网络的权值状态进行调整。

如步骤S304，计算网络实际输出对期望输出的误差值，输入样本

在输入到BP神经网络的输入层1后，以前向传播的方式不断地经过网络的隐层2传递到输出节点得到网络的输出信号y⁽³⁾(n)，输入信号在网络中前向传播的过程由下式(1-2)及(1-3)定义，即：

$v_j^{\left(l\right)}\left(n\right)=\underset{i=1}{\overset{m_0}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^{\left(l\right)}\left(n\right)y_i^{(l-1)}\left(n\right),---(1-2)$

其中，

表示网络第n次迭代时神经元j前一层网络神经元i的输出信号。当j是一个隐层2神经元时，是输入层1神经元的输出信号，可表示为x_i(n)，x_i(n)是输入向量

的第i个元素；当j是一个输出层3神经元时，则可以通过

计算出其误差信号，式中d_j(n)是期望响应向量

的第j个元素。图2示出了神经元j上的信号处理过程，当j为输出层3上的神经元时，y₁(n)，y₂(n).....y_i(n)表示隐层2神经元的输出信号，记为

为了区分不同层神经元的输出信号，将输出层3神经元j的输出信号记为

表示隐层2与输出层3间的连接权值。当j为隐层2神经元时，式(5-5)中的y₁(n)，y₂(n).....y_i(n)表示输入层1神经元的输出信号，记为

由于输出层3神经元只对信号进行传递而不做处理，因此，在网络训练过程中输入层1神经元的输出信号即为训练样本

中的输入向量

表示输入层1与隐层2之间的连接权值。表示神经元j的信号处理函数；d_j(n)表示神经元j在学习样本中的期望响应。

如步骤S305-S306，判断误差值是否满足精度要求，根据下式(1-4)计算网络的总平方误差E(n)，并将其与设定的网络学习目标值ε作比较：

$E\left(n\right)=\frac{1}{2}\underset{j\∈C}{\mathrm{\Σ}}{e}_j^2\left(n\right).---(1-4)$

若E(n)＞ε，则说明网络对期望输出的逼近程度未达到预定的要求，继续对网络权值进行调整。若E(n)＜ε，则说明达到预定的精度要求，迭代停止，网络进入收敛状态。ε代表了网络通过训练(学习)后对期望输入输出关系的逼近程度，ε越小，收敛的网络越逼近期望的函数关系，但是会显著地增加网络学习的时间，降低系统的实时性。

如步骤S307-S308，利用误差的反向传播更新网络连接权值，当网络的平方误差不满足收敛条件时，则根据式(1-5)反向计算网络各神经元的局部梯度值δ。

在得到局部梯度之后，利用下式(1-6)更新网络连接权值：

Δw_ji(n)＝αΔw_ji(n-1)+ηδ_j(n)y_j(n)，0＜α＜1。(1-6)

其中，η为BP算法的学习率，网络以η的步长依据梯度调节连接权值，增大η值能够提高网络的迭代速度，但是过大的学习率会导致学习算法的平方误差E(n)在网络学习过程中反复震荡而使网络无法收敛。式(1-6)中，第一项称为动量项，参数α在[0，1]之间取值，其作用是调节前次权值更新值对本次权值更新值的影响程度；第二项是BP算法的权值更新量，优化算法的基本思想是在BP算法的权值更新引入动量项，在保证算法稳定度的前提下提高网络收敛速度。

最后，n＝n+1网络进入一个新的迭代周期，网络输入一个新的样本数据，并重新执行上述步骤，直到神经网络输出信号误差满足设定的条件，或者达到预设的训练次数。

在合作频谱感知方法中，数据融合中心对来自各个认知节点的统计量进行融合处理，并由Chair-Varshney准则做出全局判决。数据融合准则采用BP神经网络来实现，由于Chair-Varshney准则是一种最优似然比融合准则，其判决逻辑可以看作是本地判决结果向量与一个0或1的整数的映射，因此如图4所示，构建一个具有n个神经元的输入层4、两个隐层5和6、1个神经元输出层7的BP神经网络，隐层5和6包含的神经元的个数可以通过仿真实验得出，网络的连接方式为全连接。由于实现最优融合准则的BP神经网络含有两个隐层5和6，为了提高网络的收敛效率，本发明优选实施例引入了牛顿迭代法的基本思想，同时为了控制牛顿迭代算法在收敛过程中出现的震荡和发散等问题，又引入了最速下降法。由于L-M算法兼具牛顿迭代法和梯度下降法的特点，因此BP神经网络的学习算法基于L-M算法进行设计，在保证算法收敛性的前提下能够尽可能地提高算法的收敛效率，具体参考图5所示。

如步骤S501，网络权值初始化，为了保证在神经网络的训练过程中目标函数E_A(n)的下降不会因为误差曲面上“饱和点”的影响而陷入停滞，在网络权值的初始化过程中，将网络中各权值初始化为在

内均匀分布的小数，F表示在这一权值所连神经元输入端的个数。然后初始化状态参数μ_k，其值在(0，1)之间取值。

如步骤S502，给定网络训练样本对，利用输入的训练样本对计算输出层神经元的误差向量

然后利用下式(2-1)计算当前连接向量

处的雅可比矩阵

并根据下式(2-2)对网络中的连接权值进行更新得到新的连接向量

$\stackrel{\→}{w}(n+1)=\stackrel{\→}{w}\left(n\right)-{[J^T\left(\stackrel{\→}{w}\left(n\right)\right)J\left(\stackrel{\→}{w}\left(n\right)\right)+{\mathrm{\μ}}_{k}I]}^{-1}{J}^T\left(\stackrel{\→}{w}\left(n\right)\right)v\left(\stackrel{\→}{w}\left(n\right)\right).---(2-2)$

如步骤S506，利用更新后的权值向量

计算出此时的网络学习目标函数E_A(n)，将E_A(n)与网络学习的目标值ε作比较，当有E_A＜ε时网络学习收敛，退出程序。

如步骤S503-S505，将目标函数E_A(n)与前次迭代的目标函数E_A(n-1)做比较，如果E_A(n)＞E_A(n-1)，则更新μ_k值为

如果E_A(n)＜E_A(n-1)，则更新μ_k值为μ_k＝μ_kθ。

n＝n+1网络进入一个新的迭代周期，网络输入一个新的样本数据，并重新运行上述算法，直到神经网络学习目标函数E_A(n)满足设定条件E_A＜ε，网络学习算法收敛程序退出。

该算法虽然因计算网络权值向量的雅可比矩阵增加了每次迭代的运算复杂度，但对于具有双隐层的复杂神经网络结构而言，它能显著地降低训练过程中网络迭代收敛所需的次数，从而有效的保证了该神经网络对判决信号处理的实时性。

应用本发明优选实施例进行仿真的结果从以下几方面说明了其有效性：1.基于神经网络的自适应均衡器的误差，均衡误差参数表明的是经样本序列训练后BP神经网络的输出与期望输出之间的差值，可以用来衡量自适应均衡器对衰落信号的均衡效果。2.迭代次数，迭代次数表明神经网络学习算法的收敛速度，以保证频谱感知时间在规定的范围内。3.感知时间和带宽，感知时间和带宽参数表明在满足感知要求的条件下，认知用户检测授权频谱占用情况所需的时间和带宽，是衡量合作频谱感知方法有效性的度量之一。4.频谱正确感知率，频谱正确感知率参数表明认知用户对授权用户频谱空洞感知的正确率，频谱感知正确率越高，频谱的利用率就越高，认知用户与授权用于发生碰撞的可能性就越小。该参数与检测概率和虚警概率有关。

综上，本发明与现有合作频谱感知方法相比具有以下特点：考虑了Nakagami-m的各种衰落信道情况，根据信道特性的变化，能够进行自适应地调整对信号的均衡；用于频谱感知的时间短，感知正确率高。因此本发明适用于没有取得频谱授权使用的单位，可以使非授权用户与授权用户共享频谱，对于频谱的合理、充分使用很有效。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种Nakagami-m衰落信道下的合作频谱感知方法，其特征在于，包括以下步骤：

引入自适应均衡器：在认知用户节点处引入基于改进的第一BP神经网络实现的自适应均衡器，用于对接收到来自衰落信道的信号进行均衡处理，其中，第一BP神经网络中包括输入层、单隐层和输出层，网络连接方式为全连接；

初始化权值：随机变量初始化第一BP神经网络中的各个连接权值，再根据下式重新对第一BP神经网络中的网络连接权值进行赋值：

$w_{\mathrm{ji}}=\mathrm{\γ}{w}_{\mathrm{ji}}/\sqrt{\underset{i=1}{\overset{n_1}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^2},$

其中，w_ji(n)为网络连接权值，

n₀为输入分量的个数，n₁为隐层神经元的个数；

给定训练样本：利用训练样本

使第一BP神经网络训练收敛，训练样本是网络输入向量和网络期望输出向量组成的向量对；将输入向量从第一BP神经网络的输入层输入，并将期望输出向量

输入到第一BP神经网络的输出层；

计算第一BP神经网络实际输出对期望输出的误差值：输入向量

在输入到第一BP神经网络的输入层后，以前向传播的方式不断地经过第一BP神经网络的隐层传递到输出节点得到第一BP神经网络的输出信号y⁽³⁾(n)，输入信号在第一BP神经网络中前向传播的过程由以下两式定义：

$v_j^{\left(l\right)}\left(n\right)=\underset{i=1}{\overset{m_0}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^{\left(l\right)}\left(n\right)y_i^{(l-1)}\left(n\right),$

其中，

表示第一BP神经网络第n次迭代时神经元j前一层神经元i的输出信号，并且，当j是一个隐层神经元时，

是输入层神经元的输出信号，表示为x_i(n)，x_i(n)是输入向量

的第i个元素；当j是一个输出层神经元时，则可以通过下式计算出误差值：

$e_j\left(n\right)=d_j\left(n\right)-y_i^{\left(3\right)}\left(n\right),$

其中，e_j(n)为误差值，d_j(n)为期望响应向量

的第j个元素；

判断误差值是否满足精度要求：根据下式计算网络的总平方误差E(n)，并将其与设定的网络学习目标值ε作比较：

$E\left(n\right)=\frac{1}{2}\underset{j\∈C}{\mathrm{\Σ}}{e}_j^2\left(n\right),$

若E(n)＞ε，则说明第一BP神经网络对期望输出的逼近程度未达到预定的要求，继续对网络连接权值进行调整；若E(n)＜ε，则说明达到预定的要求，迭代停止，第一BP神经网络进入收敛状态；

利用误差值的反向传播更新网络连接权值：当第一BP神经网络的平方误差不满足收敛条件时，则根据下式反向计算第一BP神经网络各神经元的局部梯度值δ：

在得到局部梯度值之后，利用下式更新网络连接权值：

Δw_ji(n)＝αΔw_ji(n-1)+ηδ_j(n)y_j(n)，(0＜α＜1)，

其中，η为BP算法的学习率，第一BP神经网络以η的步长依据梯度调节网络连接权值。

2.根据权利要求1所述的Nakagami-m衰落信道下的合作频谱感知方法，其特征在于，还包括以下步骤：

n＝n+1网络进入一个新的迭代周期，第一BP神经网络输入一个新的样本数据，并重新执行初始化权值的步骤至利用误差值的反向传播更新网络连接权值的步骤，直到第一BP神经网络输出信号误差满足设定的条件，或者达到预设的训练次数。

3.根据权利要求1所述的Nakagami-m衰落信道下的合作频谱感知方法，其特征在于，训练样本分次输入到第一BP神经网络，并通过计算总的平均误差对第一BP神经网络的权值状态进行调整。

4.根据权利要求1所述的Nakagami-m衰落信道下的合作频谱感知方法，其特征在于，还包括以下步骤：

输入信息至数据融合中心：认知用户节点完成信号均衡及频谱占用情况检测后将相关信息送入数据融合中心，数据融合中心将Chair-Varshney准则用于判决准则的改进算法，并采用基于L-M算法的第二BP神经网络实现；第二BP神经网络包括具有n个神经元的输入层、两个隐层及1个神经元输出层，网络连接方式为全连接；

网络权值初始化：将网络中各权值初始化为在

内均匀分布的小数，F表示在这一权值所连神经元输入端的个数，然后初始化状态参数μ_k，μ_k在(0，1)之间取值；

给定网络训练样本对：利用输入的训练样本对计算输出层神经元的误差向量

然后利用下式计算当前连接向量

处的雅可比矩阵

并根据下式对网络中的连接权值进行更新得到新的连接向量

$\stackrel{\→}{w}(n+1)=\stackrel{\→}{w}\left(n\right)-{[J^T\left(\stackrel{\→}{w}\left(n\right)\right)J\left(\stackrel{\→}{w}\left(n\right)\right)+{\mathrm{\μ}}_{k}I]}^{-1}{J}^T\left(\stackrel{\→}{w}\left(n\right)\right)v\left(\stackrel{\→}{w}\left(n\right)\right);$

利用更新后的权值向量

计算出此时的网络学习目标函数E_A(n)，将E_A(n)与网络学习的目标值ε作比较，当有E_A＜ε时网络学习收敛，退出程序，当E_A＜ε时转入下一步骤；

将目标函数E_A(n)与前次迭代的目标函数E_A(n-1)做比较，如果E_A(n)＞E_A(n-1)，则更新μ_k值为

如果E_A(n)＜E_A(n-1)，则更新μ_k值为μ_k＝μ_kθ。

5.根据权利要求4所述的Nakagami-m衰落信道下的合作频谱感知方法，其特征在于，还包括以下步骤：

n＝n+1网络进入一个新的迭代周期，网络输入一个新的样本数据，并重新运行上述算法，直到神经网络学习目标函数E_A(n)满足设定条件E_A＜ε。

Images