CN102857938A

CN102857938A - 认知无线电中频谱环境学习与预测

Info

Publication number: CN102857938A
Application number: CN201110181380XA
Authority: CN
Inventors: 冯奇; 叶芝慧
Original assignee: Individual
Current assignee: Individual
Priority date: 2011-06-30
Filing date: 2011-06-30
Publication date: 2013-01-02

Abstract

本发明涉及认知无线电中频谱环境学习机理研究，运用机器学习和预测的思想实现目标授权信道的频谱感知。针对不同业务类型的认知用户建立数学模型，并设定两种评价参数。研究发现信道平均错误概率和空闲状态概率存在对应关系，结果表明认知用户基于机器学习和预测的频谱感知性能较随机频谱感知有不同程度的改善。对于空闲和占用状态时间长度服从指数分布（且分布参数相同）的目标授权信道，空闲状态概率服从均匀分布。对于开展固定速率业务的认知用户，引入统计平均吞吐量作为其性能评价参数。随着样本容量的增加，吞吐量的估计值依概率收敛于统计平均值，并最终通过调整信道时间检测门限值，使单位时间内信息比特统计量在统计意义下达到最大。

Description

认知无线电中频谱环境学习与预测

技术领域

本发明涉及认知无线电中频谱环境学习机理研究，特别是针对频谱空闲和占用时间长度服从指数分布的认知无线电系统，运用机器学习和预测的思想实现目标授权信道的频谱感知。

背景技术

为了有效缓解频谱资源相对短缺的矛盾，认知无线电技术应运而生。机器学习是人工智能领域的重要研究方向。在认知无线电中，观察和学习是认知循环的两个重要方面。近年来，国内外对于认知无线电的研究大多集中在频谱感知技术方面的研究，目前传统的频谱感知方法主要包括匹配滤波器检测、能量检测、循环平稳特性检测以及在此基础之上的联合检测。然而，这些频谱感知方法存在以下缺陷：

(1) 主要侧重于频谱空洞检测，相对比较孤立，缺乏将频谱空闲概率、频谱检测效率、信道容量等多维环境信息进行综合检测的研究；

(2) 认知用户未能有效利用认知用户收集到的先验信息和样本信息，进而有针对性的接入目标授权信道；

(3) 针对不同业务类型的认知用户，未能分别建立数学模型和评价参数，从而客观地评价无线信道频谱感知策略的性能。

然而，运用机器学习理论进行频谱认知和管理是实现认知无线电技术的必然要求。通过实时的改变相应参数，来提高通信系统的可靠性和有效性。将认知无线电的学习引擎和推理引擎结合起来，让射频系统记忆过去的学习结果，从而在后续过程中迅速反应，以适应外界环境的变化。

发明内容

针对上述问题，本发明的目的是运用机器学习理论进行频谱认知和管理，从而提高认知用户基于机器学习和预测的频谱感知性能。

为了实现上述目的，本发明采取以下技术方案：

首先对无线频谱环境中的目标授权信道建立数学模型，认知无线电中频谱环境的变化可以理解为授权信道空闲和占用两种状态交替出现的过程，大量实测数据表明空闲和占用的时间长度相互独立且均服从指数分布。

为了客观地评价基于机器学习和预测的无线信道频谱感知策略的性能，针对不同业务类型(如64kbit/s话音业务、压缩的分组语音通信等)的认知用户，设定了丢包率和吞吐量两种评价标准。其中丢包率是开展固定速率业务的认知用户性能评估参数，吞吐量是开展可变速率业务的认知用户性能评估参数。

当认知用户通过机器学习来预测目标授权信道的状态时，研究发现信道平均错误预测概率和空闲状态概率存在对应关系，结果表明认知用户基于机器学习和预测的目标授权信道频谱感知性能较随机频谱感知有所改善，并且改善的程度与空闲状态概率有关。

进一步研究发现，如果无线频谱环境中目标授权信道的空闲和占用状态时间长度相互独立，且均服从指数分布，则目标授权信道空闲状态概率密度函数仅与其占空比有关。特别地，当目标授权信道的占空比为1时，空闲状态概率服从均匀分布。这为用指数分布来拟合频谱空闲和频谱占用时间找到了理论依据。对于开展固定速率业务的认知用户，引入统计平均吞吐量作为其性能评价参数。据此可以得到在统计意义下基于机器学习和预测的平均吞吐量表达式，并发现随着样本容量的增加，吞吐量的估计值依概率收敛于统计平均值，这样在实际中就可以通过增加样本容量来逼近统计平均吞吐量。最终通过调整认知无线电系统的信道时间检测门限值，使单位时间内信息比特吞吐量在统计意义下达到最大。

本发明由于采取上述技术方案，其具有以下优点：

(1) 运用机器学习理论进行频谱认知和管理，体现了认知无线电技术的本质要求；

(2) 认知用户充分利用认知用户搜集到的先验信息和样本信息，进而有针对性的接入目标授权信道；

(3) 综合考虑频谱空闲概率、频谱检测效率、信道容量等多维环境信息，有利于提高对周围频谱环境的预测精度；

(4) 针对不同业务类型的认知用户，分别建立数学模型和评价参数，从而可以更为客观地评价无线信道频谱感知策略的性能；

(5) 按照本发明中选取信道时间检测门限的依据，可以使单位时间内信息比特吞吐量在统计意义下达到最大。

附图说明

图1是认知循环观察和学习环节示意图。

图2是认知用户预测目标授权信道的一般模型示意图。

图3是认知用户基于机器学习和预测的无线信道频谱感知流程图。

图4是固定速率认知用户接入目标授权信道流程图。

图5是可变速率认知用户接入目标授权信道流程图。

具体实施方式

认知无线电中观察和学习是认知循环的重要内容，图1给出了认知循环观察和学习环节的示意图，这两部分密切相关，相互作用，从而更有效地实现频谱环境的认知。

在认知循环的观察环节主要包括宽带射频前端、快速频率合成和高速数字信号处理三个部分。宽带射频前端部分由低噪声宽带滤波、宽带放大和混频模块组成，采用多次变频的超外差式结构与全波段低噪声宽带器件，抑制交调、互调等干扰。快速频率合成部分采用直接数字频率合成(DDS)模块，保证频率合成器的高速扫描和快速锁定。高速数字信号处理部分包括数字下变频(DDC)模块和数字信号处理(DSP)模块，通过DDC和DSP解调，设计FFT采样点数和解调的采样频率进一步提高分析精度。

在认知循环的学习环节主要有数据选择、数据净化、属性转换、自主学习、知识库以及执行六个部分组成。其中，数据选择、数据净化和属性转换都归结为数据预处理。自主学习模块的目的在于对输入的特征参量进行准确的分类，以期在具体应用中提高系统多项性能。知识库中存储的是分类准则，学习模块依据知识库中的分类准则作出判定。即使经过了数据预处理，自主学习模块获得的信息也可能是不完全的，因此执行模块的另一个重要任务就是通过执行效果验证判定结果的正确性，同时对知识库的分类准则作出修正，保留正确的准则，修正或者删除错误的准则。最终将机器学习的结果运用到频谱感知中去。

在本发明中，假设无线频谱环境中的授权信道相互独立，认知用户每个时隙都会根据机器学习的结果对N个目标授权信道进行预测。图2给出了认知用户预测目标授权信道状态的一般模型。图中OFF和ON表示授权信道空闲和占用两种不同状态。实测数据表明，OFF和ON的时间长度相互独立且均服从指数分布，其均值分别为a和b。所以，认知无线电中频谱环境的变化可以理解为授权信道空闲和占用两种状态交替出现的过程。

如图3所示，认知用户基于机器学习和预测的无线信道频谱感知一般步骤可以归纳如下：

(1) 认知用户根据已经收集到的目标授权信道的状态信息，运用机器学习算法预测下一个时隙目标信道为空闲或占用的概率；

(2) 认知用户将下一个时隙目标授权信道的空闲概率从高到低排列并按照此顺序进行无线信道的频谱感知；

(3) 认知用户将在检测到的第一个空闲信道上传输数据，同时完成剩余目标信道的检测并记录相关信息。

考虑到外界频谱环境的变化以及学习算法本身的局限性，认知用户对未来时隙信道状态的预测不可能做到百分之百准确。为了研究问题的方便，定义下列参数如表1所示。

表1 无线信道频谱环境相关参数定义

符号	定义	属性	取值范围
				N	认知用户进行频谱感知的信道数	常量	固定取值
K	空闲信道数	随机变量	0≤K≤N
				L	预测为空闲状态，实际为占用的信道数	随机变量	0≤L≤N－K
M	预测为占用状态，实际为空闲的信道数	随机变量	0≤M≤K

为了客观地评价基于机器学习和预测的无线信道频谱感知策略的性能，针对不同业务类型的认知用户，设定了丢包率和吞吐量两种评价标准。其中丢包率是开展固定速率业务的认知用户性能评估参数，吞吐量是开展可变速率业务的认知用户性能评估参数。

如图4所示，对于开展固定速率业务的认知用户，其每个时隙内传输的比特信息是一定的。信道时间检测门限S定义为在不发生丢包的条件下，单位时隙内认知用户能够检测信道数的最大值。如果认知用户在检测了S(1≤S≤N)个目标信道后仍未找到空闲信道，为了保证可靠传输，认知用户不会在该时隙传输数据。为了简化计算，同时又不失一般性，假设无线频谱环境中N个目标授权信道的空闲状态概率均为P。

当认知用户随机选择目标授权信道时，无需对下一个时隙目标信道的状态进行学习和预测。认知用户能否在规定时间检测门限之前接入取决于目标授权信道的空闲状态概率。此时，认知用户的平均丢包率可以表示为：

(1)

当认知用户通过机器学习来预测目标授权信道的状态时，将会根据预测的结果安排下一个时隙频谱感知的顺序。定义P _E为认知用户平均错误预测概率，它是衡量认知用户学习和预测水平的重要参数。假设认知用户对于目标授权信道状态的预测结果只依赖于该信道的空闲状态概率P。若无线频谱环境中目标授权信道的空闲状态概率为P，则认知用户对该信道的平均错误预测概率P _E＝2P(1－P)。

一般地，通过机器学习来预测无线频谱环境中目标授权信道状态，需要考虑的属性变量除了目标信道空闲状态概率外，还有信道容量、频谱感知效率等其他参数。综合考虑上述因素，实际中认知用户的平均错误预测概率P _E一般不高于P _E＝2P(1－P)。

对于给定的时间检测门限S，认知用户的丢包率是随机变量K、L、M的联合概率分布F _K, M, L(k, m, l)的函数。当K＞N－S时，认知用户在选择了N－K个占用状态信道后，必然会选择空闲状态信道，该情况下认知用户不会发生丢包。根据K、L、M三者之间的相对关系，丢包率可以分成下列三种情形分别讨论。

情形1：K≤N－S, M＝K, L≥S

该情形下，认知用户根据预测结果检测到的S个信道状态均为占用，在该时隙必然发生丢包。此时，认知用户的丢包率为

(2)

情形2：K≤N－S, M＝K, L＜S

该情形下，认知用户在选择了被错误预测为空闲的L个目标信道后，需要在剩下的N－L个信道中选择其中的S－L个，而这其中有N－K－L个是被占用信道。如果在时间检测门限S到来之前未找到空闲信道，则仍有可能发生丢包。此时，认知用户的丢包率为

(3)

情形3：K≤N－S, M＜K, L≥S

该情形下，认知用户从被预测为空闲状态K－M＋L个目标信道中进行选择，其中有L个信道是被错误预测的。如果在时间检测门限S到来之前正好选择的都是被错误预测的信道，则仍有可能发生丢包。此时，认知用户的丢包率为

(4)

综合考虑上述三种情形，认知用户基于机器学习和预测的目标授权信道频谱感知的平均丢包率为

(5)

特别地，当认知用户的预测概率达到百分之百时，认知用户可以确知未来时隙目标信道状态的真实情况，从而直接接入空闲信道。在该情况下，认知用户发生丢包的唯一可能是该时隙内无线频谱环境中所有的目标信道都为占用状态。此时，认知用户的平均丢包率为

(6)

此即目标授权信道频谱感知平均丢包率性能的上界。

由此可见，认知用户的丢包率随着目标授权信道空闲状态概率的增加而减少，基于机器学习和预测的目标授权信道频谱感知的丢包率性能始终位于目标授权信道随机频谱感知和目标授权信道频谱感知性能上界之间。这说明基于机器学习和预测的无线信道频谱感知在性能方面有所改善。进一步研究发现当目标授权信道的空闲状态概率在0或1附近时，丢包率性能有较大幅度的提高，而当空闲状态概率在0.5附近时，丢包率性能提高幅度较小。原因是空闲状态概率在0或1附近的平均错误预测概率较低，而在0.5附近的错误概率较高。需要指出的是，上述结论是在假设所有目标授权信道空闲状态概率均相同的情况下得到的，这样的条件对于预测判决来说是最不利的，所以实际中丢包率性能要比上述结果更好些。

对于开展可变速率业务的认知用户发生丢包的唯一可能是所有的目标信道均被占用。此时，认知用户的平均丢包率为

(7)

如图5所示，对于开展可变速率业务的认知用户，其每个时隙内传输的比特信息是变化的，所以该情况下认知用户发生丢包的唯一可能是所有目标信道均被占用。与丢包率研究中的重要参数信道时间检测门限S不同，在吞吐量的研究中，认知用户检测到第一个空闲信道所消耗的时间将直接决定比特信息的有效传输时间。设无线频谱环境中授权系统的时隙长度为T _S，认知用户在目标信道上的平均检测时间为t _S，该时间与具体的频谱感知技术有关。为了研究问题的方便，假设无线频谱环境中N个目标授权信道的信道容量均为C _t。

当认知用户随机接入目标授权信道时，无需对下一个时隙目标信道状态进行学习和预测。认知用户的检测到第一个空闲信道所消耗的时间完全依赖于目标授权信道的空闲状态概率。此时，认知用户的平均吞吐量可以表示为

(8)

当认知用户通过机器学习来预测无线频谱环境中目标授权信道的状态时，将会根据预测的结果安排下一个时隙目标信道频谱感知的顺序。为了计算认知用户用于频谱检测所消耗的时间，根据K、M两者之间的相对关系，吞吐量可以分成下列两种情形分别讨论

情形1：1≤K≤N, M＝K

该情形下，认知用户在选择了被错误预测为空闲状态的L个占用信道后，将从剩下的N－L个信道中进行选择，直到检测出第一个空闲信道时接入。此时，认知用户在发现第一个空闲信道之前所检测的平均目标信道数为

(9)

情形2：1≤K≤N, M＜K

该情形下，认知用户在被预测为空闲状态的K－M＋L个目标信道中进行选择，其中有L个目标信道是被错误预测的。此时，认知用户在发现第一个空闲信道之前所检测的平均目标信道数为

(10)

上述两种情形由于存在空闲信道，认知用户在该时隙不会发生丢包。但当所有目标信道均被占用时将发生丢包事件，此时认知用户的吞吐量为0。综合考虑上述情形，认知用户基于机器学习和预测的目标授权信道频谱感知的平均吞吐量可以表示为

(11)

特别地，当认知用户的正确预测概率达到百分之百时，认知用户可以确知未来时隙目标信道状态的真实情况。在该情况下，只要目标授权信道中存在空闲信道，认知用户就能在第一时间检测到空闲信道。此时，认知用户的平均吞吐量可以表示为

(12)

此即目标授权信道频谱感知平均吞吐量性能的上界。

由此可见认知用户的吞吐量随着目标授权信道空闲状态概率的增加而增加，基于机器学习和预测的目标授权信道频谱感知的丢包率性能始终位于目标授权信道随机频谱感知和目标授权信道频谱感知性能上界之间。这说明基于机器学习和预测的无线信道频谱感知在性能方面有所改善。与丢包率研究结论类似，当目标授权信道的空闲状态概率在0或1附近时，吞吐量性能有较大幅度的提高，而当空闲状态概率在0.5附近时，吞吐量性能提高幅度较小。

对于开展固定速率业务的认知用户在不发生丢包的情况下任意时隙的吞吐量均为恒定值。设开展固定速率业务的认知用户单位时间内需要传输的信息比特数为R，于是可以得到其平均吞吐量为

(13)

式中，P _ave是认知用户的平均丢包率。

认知用户丢包率和吞吐量的关系与通信系统的可靠性和有效性类似。在前面关于固定速率用户丢包率的研究中，始终假设认知用户的信道时间检测门限S为恒定值。理论分析表明，认知用户的丢包率与时间检测门限S紧密相关，并随着时间检测门限值的增加而减小。然而，认知用户的时间检测门限值的增加也会直接导致信息比特的有效传输时间减少。因此，如何处理好这对矛盾，使单位时隙内信息比特吞吐量在统计意义下达到最大，具有重要意义。

在之前的研究中，假设目标授权信道的空闲和占用状态时长相互独立，且均服从指数分布，其均值分别为a和b，即空闲状态时间长度X概率密度函数

，占用状态时间长度Y概率密度函数

。定义目标授权信道的占空比

，它是表征目标授权信道平均空闲程度的物理量。根据概率论中两个随机变量函数的分布的相关知识，可以计算出空闲状态概率

的概率密度函数

。若无线频谱环境中目标授权信道的空闲和占用状态时间长度相互独立，且均服从指数分布，则目标授权信道空闲状态概率密度函数f(p)仅与其占空比t有关。特别地，当目标授权信道的占空比t＝1时，空闲状态概率P服从均匀分布。

对于开展固定速率业务的认知用户，为了更有效地评价认知用户的传输性能，引入统计平均吞吐量作为其性能评价参数。根据香农定理，为了保证可靠传输，信息比特传输速率R不超过信道容量C _t。于是得到在统计意义下认知用户基于机器学习和预测的平均吞吐量表达式为

(14)

若目标授权信道的空闲和占用状态时长均值相同，即当占空比t＝1时，

。该情况下认知用户的统计平均吞吐量表达式可以简化为

(15)

由此可见，随着样本容量n的增加，序列

依概率收敛于。这样，在实际中就可以通过增加样本容量来逼近统计平均吞吐量。同时发现，信道时间检测门限的选取对统计平均吞吐量将产生重要影响。因此，可以通过调整信道时间检测门限值以期最大化认知用户的平均吞吐量。

Claims

1.针对频谱空闲和占用时间长度服从指数分布的认知无线电系统，运用机器学习和预测的思想实现目标授权信道的频谱感知，其特征在于根据认知循环观察和学习环节的一般模型，认知用户基于机器学习和预测的无线信道频谱感知一般步骤可以归纳如下：

2.根据权利要求1所述的运用机器学习和预测的思想实现目标授权信道频谱感知，其特征在于针对不同业务类型的认知用户，设定了丢包率和吞吐量两种评价标准，其中丢包率是开展固定速率业务的认知用户性能评估参数，吞吐量是开展可变速率业务的认知用户性能评估参数。

3.根据权利要求1所述的运用机器学习和预测的思想实现目标授权信道频谱感知，其特征在于信道平均错误预测概率和空闲状态概率存在对应关系，若无线频谱环境中目标授权信道的空闲状态概率为P，则认知用户对该信道的平均错误预测概率P _E＝2P(1－P)，由此可得，认知用户基于机器学习和预测的频谱感知性能较随机频谱感知有不同程度的改善。

4.根据权利要求1所述的运用机器学习和预测的思想实现目标授权信道频谱感知，其特征在于找到了用指数分布来拟合频谱空闲和频谱占用时间的理论依据，若无线频谱环境中目标授权信道的空闲和占用状态时间长度相互独立，且均服从指数分布，则目标授权信道空闲状态概率密度函数仅与其占空比有关，特别地，当目标授权信道的占空比为1时，空闲状态概率服从均匀分布。

5.根据权利要求2所述的丢包率和吞吐量两种评价参数，其特征在于对于开展固定速率业务的认知用户，引入统计平均吞吐量作为认知用户有效性的重要指标，随着样本容量的增加，吞吐量的估计值依概率收敛于统计平均值，并最终通过调整信道时间检测门限值，可以使单位时间内信息比特统计量在统计意义下达到最大。