CN104092503A - 一种基于狼群优化的人工神经网络频谱感知方法 - Google Patents
一种基于狼群优化的人工神经网络频谱感知方法 Download PDFInfo
- Publication number
- CN104092503A CN104092503A CN201410334044.8A CN201410334044A CN104092503A CN 104092503 A CN104092503 A CN 104092503A CN 201410334044 A CN201410334044 A CN 201410334044A CN 104092503 A CN104092503 A CN 104092503A
- Authority
- CN
- China
- Prior art keywords
- wolf
- weight matrix
- neural network
- artificial
- perception
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明涉及一种基于狼群优化的人工神经网络频谱感知方法,决策中心依次打开各个子区域内的主用户信号模拟发射机,决策中心接收来自认知用户的本地检测结果,将接收的认知用户发送的本地检测信息及统计和计算的认知用户的检测概率信息,生成训练样本集,根据神经网络结构及训练样本生成神经网络测试函数;基于神经网络测试函数和训练后生成的神经元权值矩阵,运用狼群优化方法对权值矩阵进行优化处理,将优化后的权值矩阵输入神经网络工作模块中;认知用户对主用户信号进行检测,决策中心将接收到的认知用户的本地检测结果与累计的认知用户检测概率进行融合,融合值输入优化后的神经网络,判断主用户信号是否出现。
Description
技术领域
本发明涉及一种基于狼群优化的人工神经网络频谱感知方法。
背景技术
“认知无线电”最早是由Joseph Mitola于1999年提出,它以软件无线电为扩展平台,是一种新的智能无线通信技术。它能够感知周围的无线环境,通过对环境的理解、主动学习来实时调整传输参数等以适应外部无线环境的变化。频谱感知技术是指认知用户通过各种信号检测和处理手段来获取无线网络中的频谱使用信息。目前频谱感知技术的研究大多数集中在本地感知、协作感知和感知机制优化三个方面。
本地检测的方法,目前主要有三种,第一种是匹配滤波器检测,该方法检测性能最优,检测时间短,但是需要获取主用户信号的先验信息;第二种是循环平稳特性检测,该方法可以区分信号类型、低信噪比环境下也有较好的检测性能,但是计算复杂度较高检测时间较长;第三种方法就是能量检测的方法,实现简单、无需先验信息,受到广泛的应用,虽然精度低、性能易受信噪比不确定性影响、不能辨别干扰,但是应用在协作式频谱感知方面,作为认知用户的本地检测方法,能够很好的弥补这方面的问题。
协作频谱感知的融合算法,经典的有‘与’融合,‘或’融合以及‘K秩’融合等算法,用在协作频谱感知算法上都有非常明显的缺陷,如,‘与’融合对认知用户的本地检测有过高的要求,‘或’融合高虛警概率等,并且都不够智能,没有自主学习能力。
人工神经网络作为一门活跃的边缘性交叉学科,众多方面有着十分广泛的应用。人工神经网络是由多个简单(通常是自适应的)单元及其层次化组织所构成的大规模并行互联的网络,它以类似于生物神经系统的方式与真实世界中的对象进行交互。通过在线学习的方法来积累主用户信号的先验信息,在某个噪声波动范围内进行学习和训练以克服噪声不确定性的影响,使认知用户能够快速地,准确地感知“频谱空穴”(即判断主用户是否存在),伺机的接入频谱,达到提高频谱利用率的目的。一般将神经网络分为五类,单层前向网络、多层前向网络、反馈网络、随机神经网络以及竞争神经网络。而其中采用误差反向传播算法(Back—Propagation algorithm,BP算法)和反馈网络中的Hopfield神经网络已经被广泛应用于多种学科中,而自组织神经网络作为竞争神经网络的一种,相对于这些神经网络来说,更加的智能化,可以自主学习,可以将输出结果划分种类区域等,拥有其他神经网络不可比拟的优势。
狼群优化方法是在分析狼群的协作捕猎活动特点的基础上提出一种新的群体智能算法。该算法将人工狼群分为头狼、探狼和猛狼三种,其中头狼是以胜者为王的方式选出来的,探狼在一定范围内游走并寻找猎物,猛狼在头狼发出召唤时,向召唤发出方向进行奔袭并发起围攻。
与本发明最相关的现有技术为,在2012年1月北京邮电大学的柳青在硕士学位论文《基于竞争神经网络的的认知无线电协作频谱感知》中,提出了一种基于自组织神经网络的频谱感知方法,该方法检测的虚警概率为0,在低信噪比环境下,依然具有一定的感知正确概率,但是该正确概率并不高。
发明内容
本发明目的在于提供一种基于狼群优化的人工神经网络频谱感知方法,具有更优化的性能,能够有效提高感知正确概率。
实现本发明目的技术方案:
一种基于狼群优化的人工神经网络频谱感知方法,其特征在于:
步骤1:神经网络训练阶段;决策中心依次打开各个子区域内的主用户信号模拟发射机,决策中心接收来自认知用户的本地检测结果,将接收的认知用户发送的本地检测信息及统计和计算的认知用户的检测概率信息,生成训练样本集,将训练样本输入神经网络训练模块中进行训练;训练结束后,根据神经网络结构及训练样本生成神经网络测试函数;
步骤2:神经网络优化阶段;基于神经网络测试函数和训练后生成的神经元权值矩阵,运用狼群优化方法在神经网络优化模块中对权值矩阵进行优化处理,将优化后的权值矩阵输入神经网络工作模块中;
步骤3:神经网络工作阶段;认知用户对主用户信号进行检测,将本地检测结果发往决策中心,决策中心将接收到的认知用户的本地检测结果与累计的认知用户检测概率进行融合,融合值输入优化后的神经网络,判断主用户信号是否出现,并将检测结果发送给各认知用户。
认知用户频谱感知区域划分方法为,选定一块方形区域,均分成若干块子区域并编号,在同一时间内每块子区域内只存在一个认知用户。
神经网络网络结构分为输入神经元与输出神经元两层,输入神经元个数与子区域数量相等,输出神经元个数表示主用户出现情况。
认知用户采用能量检测方法对主用户信号进行检测;设置在环境中无主用户信号存在时的能量大小为能量检测的检测门限,当认知用户检测到的信号能量高于检测门限时,判定主用户存在,记为1,反之主用户不存在,记为0。
步骤1中,决策中心依次向各个子区域的主用户信号模拟发射机,发送打开关闭命令,在同一时间段内有且只有一个信号发射机工作,并接受若干次所有认知用户发送的本地检测结果,决策中心判断并累计计算各认知用户的本地检测概率。
步骤1、步骤2中所说的神经网络测试函数,其输入为神经网络权值矩阵,输出为频谱感知检测正确概率。
步骤2中,具体包括以下步骤,
步骤2.1:确定神经网络权值矩阵的定义域,该权值矩阵内元素的最小值到最大值所形成的区间,为该自组织神经网络权值矩阵的定义域;
步骤2.2:狼群的衍生,以当前神经网络训练后的得到的权值矩阵W表征一只人工狼的位置,并设为头狼;将生成的狼群分为两部分,第一部分在头狼周围生成V1只位置分别为的人工狼,并另D1=W,其中是一个各项大小为权值矩阵W内最大值的±0.01倍之间的随机数所组成的L×M阶矩阵,其中l1=1,2,…,V1;第二部分在一定范围内随机生成V2只位置分别为的人工狼,其中为各项大小在定义域内的随机数所组成的L×M阶矩阵,l2=1,2,…,V2,将D和F共同组成权值矩阵集合H,代表所有人工狼的位置,人工狼总数为V=V1+V2;
步骤2.3:分别将上述V组权值矩阵输入神经网络测试函数,并记录函数的输出结果,将其定义为人工狼所感知的猎物气味浓度C,输出结果越大,C越大。选出C最大的人工狼作为头狼,将头狼所代表的权值矩阵置换到H1位置;
步骤2.4:游走行为;从狼群中选出Tnum只探狼,其中Tnum为[V/(a+1),V/(a)]间的随机整数,a为探狼比例因各探狼以步长StepY=|maxj-minj|/S,朝h个方向,以Q′g(j)=Q(j)+sin(2π×g/h)×StepY(j)方式分别探出一步,其中Q(j)和Q′g(j)分别表示某只探狼在进行g方向上的游走前后所代表的权值矩阵的第j列,maxj(minj)表示该狼所代表的权值矩阵的第j列的最大值(最小值),S为步长因子,g=1,2,…,h;同时感知各个方向上的猎物气味浓度,选择浓度最浓的方向前进一步;若所有方向的猎物气味浓度,均小于当前位置,则保持原地不动;在游走过程中应确保每只人工狼所代表的权值矩阵中每个元素的数值的大小均在定义域内。若有某只探狼感知的猎物气味浓度Ct大于头狼所感知的浓度Clead时或者达到最大游走次数Tmax时,游走结束,进入步骤2.5;
步骤2.5:召唤行为;除头狼与探狼之外均为猛狼,各猛狼以StepB=2×|maxj-minj|/S为步长,以Zk+1(j)=Zk(j)+StepB(j)·[H1(j)-Zk(j)]/|H1(j)-Zk(j)|方式向头狼所在方向进行奔袭,其中Zk(j)表示某只猛狼在进行第k次奔袭时所代表的权值矩阵的第j列;在奔袭过程中通过不断计算每只猛狼与头狼之间的距离 并不断与判定距离 进行比较,当dis<dnear时,该猛狼停止奔袭,其中H1和E分别表示头狼与各猛狼所代表的权值矩阵,f为距离判定因子;在奔袭过程中每只猛狼不断感知猎物气味浓度,若有某只猛狼感知气味浓度Cm高于头狼感知气味浓度Clead,该猛狼成为头狼,重新发起召唤,所有猛狼改为向该狼进行奔袭;在奔袭过程中同样确保每个权值矩阵中每个元素的数值的大小定义域内,当所有猛狼停止奔袭或达到最大奔袭次数Tmax1时,进入步骤2.6;
步骤2.6:围攻行为;所有猛狼及探狼,以StepW=|maxj-minj|/(2×S)为步长,以O′(j)=O(j)+λ·StepW(j)·|H1(j)-O(j)|方式进行围攻并感知猎物气味浓度,其中O(j)和O′(j)分别表示某只人工狼在进行围攻前后所代表的权值矩阵的第j列,λ为[-1,1]间均匀分布的随机数;若当前位置浓度更高,则保持原权值矩阵不变,反之更新人工狼所代表的权值矩阵。在围攻过程中同样应确保每个权值矩阵中每个元素的数值的大小定义域内;所有人工狼重新感知猎物气味浓度,并按感知的浓度大小进行排序,感知浓度最高的设为头狼,排名靠后的Gnum只人工狼被淘汰并更新,其中Gnum为[V/(2×β),V/(β)]间的随机整数,β为更新比例因子,判断头狼所感知的猎物气味浓度是否达到最优精度要求,即其所代表的权值矩阵是否达到最优,或者达到最大迭代次数Kmax,进入步骤2.7;
步骤2.7:头狼所代表的权值矩阵即为当前最优权值矩阵,将该权值矩阵输入神经网络工作模块,神经网络进入工作期。
本发明具有的有益效果:
本发明有效结合了单节点频谱感知、协作式频谱感知,自组织竞争神经网络结构、狼群优化方法以及数据融合技术,有效提高了协作频谱感知的可靠性。应用本发明方法进行频谱感知,可以更加有效的判断主用户是否存在。本发明在神经网络训练阶段结束之后,将自组织神经网络的权值矩阵,运用狼群优化方法进行优化处理,进一步提高了自组织神经网络对频谱空穴的预测正确概率。由于采用协作式频谱感知,因此本发明可以减少实际的无线通信系统中存在的隐节点、深衰落和阴影效应等对单节点频谱感知的影响。
附图说明
图1为本发明协作式频谱感知认知无线电网络单元组成示意图;
图2为本发明协作式频谱感知方法流程图;
图3为本发明决策中心自组织神经网络结构示意图;
图4为本发明决策中心狼群优化方法的流程图;
图5为本发明与优化前神经网络的检验正确概率的结果比较示意图。
具体实施方式
如图1所示,本发明涉及的认知无线电网络单元包括一个决策中心,一个主用户,以及若干个认知用户。将频谱感知区域分成若干子区域。每个子区域内有且只有一个认知用户。主用户随机出现在任意子区域内(或者不出现)。
基于认知无线电的知识,决策中心、主用户、认识用户需满足以下条件
1)主用户在现有的体制下,可以在任意时刻不受限制的正常通信,不需要做任何的改变去适应该频谱感知系统。
2)认知用户只有在空闲频段接入通信,并在检测周期内不断的进行对主用户的频谱感
3)决策中心具有自组织神经网络模块,包含训练模块、优化模块和工作模块三部分,分别负责接收各认知用户发送的本地检测结果,进行人工神经网络训练,权值矩阵优化处理以及判断主用户是否存在,预测主用户出现位置。并将预测结果反馈给认知用户。
4)决策中心与认知用户之间的链路是双向的。
如图2所示,本发明基于狼群优化的人工神经网络频谱感知方法包括以下步骤:
步骤1:神经网络训练阶段;决策中心依次打开各个子区域内的主用户信号模拟发射机,决策中心接收来自认知用户的本地检测结果,将接收的认知用户发送的本地检测信息及统计和计算的认知用户的检测概率信息,生成训练样本集,将训练样本输入神经网络训练模块中进行训练;训练结束后,根据神经网络结构及训练样本生成神经网络测试函数。
认知用户频谱感知区域划分方法为,选定一块方形区域,均分成若干块子区域并编号,在同一时间内每块子区域内只存在一个认知用户。神经网络网络结构分为输入神经元与输出神经元两层,输入神经元个数与子区域数量相等,输出神经元个数表示主用户出现情况。
决策中心依次向各个子区域的主用户信号模拟发射机,发送打开关闭命令,在同一时间段内有且只有一个信号发射机工作,并接受若干次所有认知用户发送的本地检测结果,决策中心判断并累计计算各认知用户的本地检测概率。
认知用户采用能量检测方法对主用户信号进行检测;设置在环境中无主用户信号存在时的能量大小为能量检测的检测门限,当认知用户检测到的信号能量高于检测门限时,判定主用户存在,记为1,反之主用户不存在,记为0。
步骤2:神经网络优化阶段;基于神经网络测试函数和训练后生成的神经元权值矩阵,运用狼群优化方法在神经网络优化模块中对权值矩阵进行优化处理,将优化后的权值矩阵输入神经网络工作模块中;
步骤3:神经网络工作阶段;认知用户对主用户信号进行检测,将本地检测结果发往决策中心,决策中心将接收到的认知用户的本地检测结果与累计的认知用户检测概率进行融合,融合值输入优化后的神经网络,判断主用户信号是否出现,并将检测结果发送给各认知用户。
下面结合具体实施例,进一步说明本发明的有益效果。
假设该认知无线电网络单元中包含R个认知用户,决策中心保证在频谱感知划分的每个子区域内有且只存在一个认知用户,并将每个区域标号为1,2,…,R。假设该R个用户进入训练期,则训练与优化期内各认知用户及决策中心的操作步骤如下:
决策中心依次打开固定在各个区域内的模拟主用户信号的信号发射机,并保证在认知用户的一个检测周期T内,只有一台发射机工作,每台发射机的打开时间为z×T,z为整数,即决策中心对应每台发射机每个认知用户,将接收到z组本地检测结果,并在所有发射机均开启关闭一次后,继续接收z组检测时长的无发射机本地检测结果。第t个认知用户开机进行本地检测,本地检测方法采用能量检测,得到检测结果ut,检测到主用户信号存在则ut=1。反之ut=0,主用户不存在,t=1,2,…,R。
将每个认知用户对各台发射机进行能量检测的本地检测结果发送到决策中心。
决策中心计算每个认知用户对每个区域内的发射机的检测概率,如第t个认知用户对第5区域内的发射机的本地检测结果之和为r,那么该认知用户对第5区域内的主用户检测概率为pt=r/z。
决策中心将ut和pt进行融合处理并与实际结果(即本地检测对应发射机所在位置),共同生成训练样本集,样本集内共有I=(R+1)×z组训练样本(存在无发射机开启情况)。
分别在(R+1)组训练样本中随机抽取一个训练样本,输入自组织神经网络训练模块进行训练,根据图3,首先对初始权值矩阵W(0)用小的随机值进行初始化及归一化处理,即W′(0)=W(0)/||W(0)||。第n次迭代时的学习速率η(n)=η(0)(1-n/N),其中N为总迭代次数。从中随机抽取一个训练向量归一化处理,Xi′=Xi/||Xi||,然后输入自组织神经网络训练模块中进行神经网络训练。各神经元输出结果Ui中最大值所对应的神经元即为获胜神经元,获胜神经元所对应的权值向量为Wj(n),j=1,2,…,M。将结果与期望输出向量Yi进行比较,若结果与期望相同,那么Wj(n+1)=Wj(n)+η(n)·((Xi′)T-Wj(n)),若输出结果与期望输出不同,那么Wj(n+1)=Wj(n)-η(n)·((Xi′)T-Wj(n)),直至每组训练样本均参与过训练,则训练结束
训练阶段结束后,进入神经网络的优化阶段,运用狼群优化方法对神经网络的权值矩阵进行优化处理,如图4所示具体优化方法如下:
步骤2.1:确定神经网络权值矩阵的定义域,该权值矩阵内元素的最小值到最大值所形成的区间,为该自组织神经网络权值矩阵的定义域;
步骤2.2:狼群的衍生,以当前神经网络训练后的得到的权值矩阵W表征一只人工狼的位置,并设为头狼;将生成的狼群分为两部分,第一部分在头狼周围生成V1只位置分别为的人工狼,并另D1=W,其中是一个各项大小为权值矩阵W内最大值的±0.01倍之间的随机数所组成的L×M阶矩阵,其中l1=1,2,…,V1;第二部分在一定范围内随机生成V2只位置分别为的人工狼,其中为各项大小在定义域内的随机数所组成的L×M阶矩阵,l2=1,2,…,V2,将D和F共同组成权值矩阵集合H,代表所有人工狼的位置,人工狼总数为V=V1+V2;
步骤2.3:分别将上述V组权值矩阵输入神经网络测试函数,并记录函数的输出结果,将其定义为人工狼所感知的猎物气味浓度C,输出结果越大,C越大。选出C最大的人工狼作为头狼,将头狼所代表的权值矩阵置换到H1位置;
步骤2.4:游走行为;从狼群中选出Tnum只探狼,其中Tnum为[V/(a+1),V/(a)]间的随机整数,a为探狼比例因各探狼以步长StepY=|maxj-minj|/S,朝h个方向,以Q′g(j)=Q(j)+sin(2π×g/h)×StepY(j)方式分别探出一步,其中Q(j)和Q′g(j)分别表示某只探狼在进行g方向上的游走前后所代表的权值矩阵的第j列,maxj(minj)表示该狼所代表的权值矩阵的第j列的最大值(最小值),S为步长因子,g=1,2,…,h;同时感知各个方向上的猎物气味浓度,选择浓度最浓的方向前进一步;若所有方向的猎物气味浓度,均小于当前位置,则保持原地不动;在游走过程中应确保每只人工狼所代表的权值矩阵中每个元素的数值的大小均在定义域内。若有某只探狼感知的猎物气味浓度Ct大于头狼所感知的浓度Clead时或者达到最大游走次数Tmax时,游走结束,进入步骤2.5;
步骤2.5:召唤行为;除头狼与探狼之外均为猛狼,各猛狼以StepB=2×|maxj-minj|/S为步长,以Zk+1(j)=Zk(j)+StepB(j)·[H1(j)-Zk(j)]/|H1(j)-Zk(j)|方式向头狼所在方向进行奔袭,其中Zk(j)表示某只猛狼在进行第k次奔袭时所代表的权值矩阵的第j列;在奔袭过程中通过不断计算每只猛狼与头狼之间的距离 并不断与判定距离 进行比较,当dis<dnear时,该猛狼停止奔袭,其中H1和E分别表示头狼与各猛狼所代表的权值矩阵,f为距离判定因子;在奔袭过程中每只猛狼不断感知猎物气味浓度,若有某只猛狼感知气味浓度Cm高于头狼感知气味浓度Clead,该猛狼成为头狼,重新发起召唤,所有猛狼改为向该狼进行奔袭;在奔袭过程中同样确保每个权值矩阵中每个元素的数值的大小定义域内,当所有猛狼停止奔袭或达到最大奔袭次数Tmax1时,进入步骤2.6;
步骤2.6:围攻行为;所有猛狼及探狼,以StepW=|maxj-minj|/(2×S)为步长,以O′(j)=O(j)+λ·StepW(j)·|H1(j)-O(j)|方式进行围攻并感知猎物气味浓度,其中O(j)和O′(j)分别表示某只人工狼在进行围攻前后所代表的权值矩阵的第j列,λ为[-1,1]间均匀分布的随机数;若当前位置浓度更高,则保持原权值矩阵不变,反之更新人工狼所代表的权值矩阵。在围攻过程中同样应确保每个权值矩阵中每个元素的数值的大小定义域内;所有人工狼重新感知猎物气味浓度,并按感知的浓度大小进行排序,感知浓度最高的设为头狼,排名靠后的Gnum只人工狼被淘汰并更新,其中Gnum为[V/(2×β),V/(β)]间的随机整数,β为更新比例因子,判断头狼所感知的猎物气味浓度是否达到最优精度要求,即其所代表的权值矩阵是否达到最优,或者达到最大迭代次数Kmax,进入步骤2.7;
步骤2.7:头狼所代表的权值矩阵即为当前最优权值矩阵,将该权值矩阵输入神经网络工作模块,神经网络进入工作期。
优化处理之后,认知用户及决策中心进入工作期,具体操作步骤如下:
决策中心确认所有模拟发射机已经处于关闭状态,继续接收所有认知用户的本地检测结果,将该结果与各个认知用户的检测概率进行融合,并输入自组织神经网络工作模块,得到判定结果。
将判定结果反馈给各认知用户。
狼群优化过程即是寻找最优过程,本发明对神经网络的权值矩阵进行狼群优化,以频谱感知的正确概率作为寻优标准,都能保证该种频谱感知方法具有更优的性能。将进行狼群优化的人工神经网络频谱感知方法与无优化过程的频谱感知方法进行比较,如图5所示,将进行狼群优化迭代100次之后的权值矩阵与优化前的权值矩阵分别输入自组织神经网络检测函数,进行10次频谱感知检验,其相应的正确概率比较,可见本发明频谱感知方法,较无优化的方法在性能上有明显的提高。
Claims (7)
1.一种基于狼群优化的人工神经网络频谱感知方法,其特征在于:
步骤1:神经网络训练阶段;决策中心依次打开各个子区域内的主用户信号模拟发射机,决策中心接收来自认知用户的本地检测结果,将接收的认知用户发送的本地检测信息及统计和计算的认知用户的检测概率信息,生成训练样本集,将训练样本输入神经网络训练模块中进行训练;训练结束后,根据神经网络结构及训练样本生成神经网络测试函数;
步骤2:神经网络优化阶段;基于神经网络测试函数和训练后生成的神经元权值矩阵,运用狼群优化方法在神经网络优化模块中对权值矩阵进行优化处理,将优化后的权值矩阵输入神经网络工作模块中;
步骤3:神经网络工作阶段;认知用户对主用户信号进行检测,将本地检测结果发往决策中心,决策中心将接收到的认知用户的本地检测结果与累计的认知用户检测概率进行融合,融合值输入优化后的神经网络,判断主用户信号是否出现,并将检测结果发送给各认知用户。
2.根据权利要求1所述的基于狼群优化的人工神经网络频谱感知方法,其特征在于:认知用户频谱感知区域划分方法为,选定一块方形区域,均分成若干块子区域并编号,在同一时间内每块子区域内只存在一个认知用户。
3.根据权利要求2所述的基于狼群优化的人工神经网络频谱感知方法,其特征在于:神经网络网络结构分为输入神经元与输出神经元两层,输入神经元个数与子区域数量相等,输出神经元个数表示主用户出现情况。
4.根据权利要求3所述的基于狼群优化的人工神经网络频谱感知方法,其特征在于:认知用户采用能量检测方法对主用户信号进行检测;设置在环境中无主用户信号存在时的能量大小为能量检测的检测门限,当认知用户检测到的信号能量高于检测门限时,判定主用户存在,记为1,反之主用户不存在,记为0。
5.根据权利要求4所述的基于狼群优化的人工神经网络频谱感知方法,其特征在于:步骤1中,决策中心依次向各个子区域的主用户信号模拟发射机,发送打开关闭命令,在同一时间段内有且只有一个信号发射机工作,并接受若干次所有认知用户发送的本地检测结果,决策中心判断并累计计算各认知用户的本地检测概率。
6.根据权利要求5所述的基于狼群优化的人工神经网络频谱感知方法,其特征在于:步骤1、步骤2中所说的神经网络测试函数,其输入为神经网络权值矩阵,输出为频谱感知检测正确概率。
7.根据权利要求6所述的基于狼群优化的人工神经网络频谱感知方法,其特征在于:步骤2中,具体包括以下步骤,
步骤2.1:确定神经网络权值矩阵的定义域,该权值矩阵内元素的最小值到最大值所形成的区间,为该自组织神经网络权值矩阵的定义域;
步骤2.2:狼群的衍生,以当前神经网络训练后的得到的权值矩阵W表征一只人工狼的位置,并设为头狼;将生成的狼群分为两部分,第一部分在头狼周围生成V1只位置分别为的人工狼,并另D1=W,其中是一个各项大小为权值矩阵W内最大值的±0.01倍之间的随机数所组成的L×M阶矩阵,其中l1=1,2,…,V1;第二部分在一定范围内随机生成V2只位置分别为的人工狼,其中为各项大小在定义域内的随机数所组成的L×M阶矩阵,l2=1,2,…,V2,将D和F共同组成权值矩阵集合H,代表所有人工狼的位置,人工狼总数为V=V1+V2;
步骤2.3:分别将上述V组权值矩阵输入神经网络测试函数,并记录函数的输出结果,将其定义为人工狼所感知的猎物气味浓度C,输出结果越大,C越大。选出C最大的人工狼作为头狼,将头狼所代表的权值矩阵置换到H1位置;
步骤2.4:游走行为;从狼群中选出Tnum只探狼,其中Tnum为[V/(a+1),V/(a)]间的随机整数,a为探狼比例因各探狼以步长StepY=|maxj-minj|S,朝h个方向,以Q′g(j)=Q(j)+sin(2π×g/h)×StepY(j)方式分别探出一步,其中Q(j)和Q′g(j)分别表示某只探狼在进行g方向上的游走前后所代表的权值矩阵的第j列,maxj(minj)表示该狼所代表的权值矩阵的第j列的最大值(最小值),S为步长因子,g=1,2,…,h;同时感知各个方向上的猎物气味浓度,选择浓度最浓的方向前进一步;若所有方向的猎物气味浓度,均小于当前位置,则保持原地不动;在游走过程中应确保每只人工狼所代表的权值矩阵中每个元素的数值的大小均在定义域内。若有某只探狼感知的猎物气味浓度Ct大于头狼所感知的浓度Clead时或者达到最大游走次数Tmax时,游走结束,进入步骤2.5;
步骤2.5:召唤行为;除头狼与探狼之外均为猛狼,各猛狼以StepB=2×|maxj-minj|S为步长,以Zk+1(j)=Zk(j)+StepB(j)·[H1(j)-Zk(j)]/|H1(j)-Zk(j)|方式向头狼所在方向进行奔袭,其中Zk(j)表示某只猛狼在进行第k次奔袭时所代表的权值矩阵的第j列;在奔袭过程中通过不断计算每只猛狼与头狼之间的距离 并不断与判定距离 进行比较,当dis<dnear时,该猛狼停止奔袭,其中H1和E分别表示头狼与各猛狼所代表的权值矩阵,f为距离判定因子;在奔袭过程中每只猛狼不断感知猎物气味浓度,若有某只猛狼感知气味浓度Cm高于头狼感知气味浓度Clead,该猛狼成为头狼,重新发起召唤,所有猛狼改为向该狼进行奔袭;在奔袭过程中同样确保每个权值矩阵中每个元素的数值的大小定义域内,当所有猛狼停止奔袭或达到最大奔袭次数Tmax1时,进入步骤2.6;
步骤2.6:围攻行为;所有猛狼及探狼,以StepW=|maxj-minj|/(2×S)为步长,以O′(j)=O(j)+λ·StepW(j)·|H1(j)-O(j)|方式进行围攻并感知猎物气味浓度,其中O(j)和O′(j)分别表示某只人工狼在进行围攻前后所代表的权值矩阵的第j列,λ为[-1,1]间均匀分布的随机数;若当前位置浓度更高,则保持原权值矩阵不变,反之更新人工狼所代表的权值矩阵。在围攻过程中同样应确保每个权值矩阵中每个元素的数值的大小定义域内;所有人工狼重新感知猎物气味浓度,并按感知的浓度大小进行排序,感知浓度最高的设为头狼,排名靠后的Gnum只人工狼被淘汰并更新,其中Gnum为[V/(2×β),V/(β)]间的随机整数,β为更新比例因子,判断头狼所感知的猎物气味浓度是否达到最优精度要求,即其所代表的权值矩阵是否达到最优,或者达到最大迭代次数Kmax,进入步骤2.7;
步骤2.7:头狼所代表的权值矩阵即为当前最优权值矩阵,将该权值矩阵输入神经网络工作模块,神经网络进入工作期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410334044.8A CN104092503B (zh) | 2014-07-15 | 2014-07-15 | 一种基于狼群优化的人工神经网络频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410334044.8A CN104092503B (zh) | 2014-07-15 | 2014-07-15 | 一种基于狼群优化的人工神经网络频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104092503A true CN104092503A (zh) | 2014-10-08 |
CN104092503B CN104092503B (zh) | 2016-08-17 |
Family
ID=51640188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410334044.8A Active CN104092503B (zh) | 2014-07-15 | 2014-07-15 | 一种基于狼群优化的人工神经网络频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104092503B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117769A (zh) * | 2015-09-14 | 2015-12-02 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
CN108805253A (zh) * | 2017-04-28 | 2018-11-13 | 普天信息技术有限公司 | 一种pm2.5浓度预测方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN110336631A (zh) * | 2019-06-04 | 2019-10-15 | 浙江大学 | 一种基于深度学习的信号检测方法 |
CN113128653A (zh) * | 2021-04-20 | 2021-07-16 | 江苏科技大学 | 一种混合群体智能的深度学习模型超参数优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7729450B2 (en) * | 2005-11-28 | 2010-06-01 | Nordnav Technologies Ab | Spread spectrum signal receiver |
CN102130732A (zh) * | 2011-04-01 | 2011-07-20 | 北京邮电大学 | 基于神经网络的认知无线电协同频谱检测方法 |
CN102523055A (zh) * | 2011-12-09 | 2012-06-27 | 北京科技大学 | Nakagami-m衰落信道下的合作频谱感知方法 |
CN102665221A (zh) * | 2012-03-26 | 2012-09-12 | 南京邮电大学 | 基于压缩感知与bp神经网络的认知无线电频谱感知方法 |
-
2014
- 2014-07-15 CN CN201410334044.8A patent/CN104092503B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7729450B2 (en) * | 2005-11-28 | 2010-06-01 | Nordnav Technologies Ab | Spread spectrum signal receiver |
CN102130732A (zh) * | 2011-04-01 | 2011-07-20 | 北京邮电大学 | 基于神经网络的认知无线电协同频谱检测方法 |
CN102523055A (zh) * | 2011-12-09 | 2012-06-27 | 北京科技大学 | Nakagami-m衰落信道下的合作频谱感知方法 |
CN102665221A (zh) * | 2012-03-26 | 2012-09-12 | 南京邮电大学 | 基于压缩感知与bp神经网络的认知无线电频谱感知方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117769A (zh) * | 2015-09-14 | 2015-12-02 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
CN105117769B (zh) * | 2015-09-14 | 2017-08-08 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
CN108805253A (zh) * | 2017-04-28 | 2018-11-13 | 普天信息技术有限公司 | 一种pm2.5浓度预测方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN110336631A (zh) * | 2019-06-04 | 2019-10-15 | 浙江大学 | 一种基于深度学习的信号检测方法 |
CN110336631B (zh) * | 2019-06-04 | 2020-10-13 | 浙江大学 | 一种基于深度学习的信号检测方法 |
CN113128653A (zh) * | 2021-04-20 | 2021-07-16 | 江苏科技大学 | 一种混合群体智能的深度学习模型超参数优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104092503B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Machine learning for networking: Workflow, advances and opportunities | |
Lin et al. | Dynamic spectrum interaction of UAV flight formation communication with priority: A deep reinforcement learning approach | |
He et al. | Deep learning based energy efficiency optimization for distributed cooperative spectrum sensing | |
CN110521234A (zh) | 使用深度学习进行网络自优化的方法和系统 | |
CN104092503A (zh) | 一种基于狼群优化的人工神经网络频谱感知方法 | |
CN111371644B (zh) | 基于gru的多域sdn网络流量态势预测方法及系统 | |
Liu et al. | Pattern-aware intelligent anti-jamming communication: A sequential deep reinforcement learning approach | |
Sharma et al. | AIEMLA: artificial intelligence enabled machine learning approach for routing attacks on internet of things | |
CN103428704B (zh) | 一种频谱感知方法及装置 | |
CN107333294A (zh) | 一种结合AdaBoost和支持向量机的链路质量预测方法 | |
CN109543818A (zh) | 一种基于深度学习模型的链路评估方法和系统 | |
Shamsi et al. | A channel state prediction for multi-secondary users in a cognitive radio based on neural network | |
Pradhan et al. | Cooperative spectrum sensing in cognitive radio network using multiobjective evolutionary algorithms and fuzzy decision making | |
Einy et al. | Network intrusion detection system based on the combination of multiobjective particle swarm algorithm-based feature selection and fast-learning network | |
Zhu et al. | Cost-effective active sparse urban sensing: Adversarial autoencoder approach | |
Liu et al. | Dynamic multichannel sensing in cognitive radio: Hierarchical reinforcement learning | |
Mohammed et al. | Cooperative Cognitive Radio Sensing-Optimization: status, challenges and future Trends | |
CN117240523A (zh) | 一种基于结构信息原理的网络欺骗账户的检测方法 | |
Clarkson | Applications of neural networks in telecommunications | |
Tian et al. | Network intrusion detection method based on high speed and precise genetic algorithm neural network | |
Wu et al. | Least-squares support vector machine-based learning and decision making in cognitive radios | |
Barreto et al. | Competitive neural networks for fault detection and diagnosis in 3G cellular systems | |
Zhang et al. | Accurate spectrum prediction based on joint lstm with cnn toward spectrum sharing | |
Mehta et al. | Adaptive Cross-Layer Optimization Using Mimo Fuzzy Control System in Ad-hoc Networks. | |
Manjunath et al. | Adaptive Task Scheduling Procedure By Using Improvised Q-Learning Technique In Internet Of Things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |