CN107276702B - 一种认知无线电网络中实时检测多主用户数目的方法 - Google Patents
一种认知无线电网络中实时检测多主用户数目的方法 Download PDFInfo
- Publication number
- CN107276702B CN107276702B CN201710580278.4A CN201710580278A CN107276702B CN 107276702 B CN107276702 B CN 107276702B CN 201710580278 A CN201710580278 A CN 201710580278A CN 107276702 B CN107276702 B CN 107276702B
- Authority
- CN
- China
- Prior art keywords
- matrix
- users
- covariance matrix
- estimated covariance
- real time
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种认知无线电网络中实时检测多主用户数目的方法,能够实时检测出主用户的数目。所述方法包括:对多个次用户接收到的主用户信号进行特征提取,得到两类特征向量;将得到的两类特征向量组成新的特征向量作为支持向量机的训练输入数据,新的特征向量对应的主用户信号个数作为支持向量机的训练输出数据,设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度;将得到的最优的惩罚因子和最优的核函数宽度作为支持向量机的模型参数,生成训练模型;将多个次用户实时接收到的主用户信号输入生成的训练模型,通过所述训练模型实时检测并估计出主用户的数目。本发明涉及无线通信技术领域。
Description
技术领域
本发明涉及无线通信技术领域,特别是指一种认知无线电网络中实时检测多主用户数目的方法。
背景技术
近年来,随着全球无线通信技术日新月异地发展,不同功能的新型无线电系统相继问世。加之目前无线通信系统采用的是静态(固定)频谱分配策略,频谱资源也越来越紧缺。认知无线电能够感知外界环境的变化,提高频谱利用率及系统容量,解决频谱短缺的问题。在认知无线电系统中,次用户在不对主用户产生影响的前提下,可以使用主用户的空闲频谱。为了避免对主用户产生影响,需要次用户及时的感知主用户频谱使用的状况。传统的频谱感知仅仅检测出主用户是否存在已经不能满足要求,还需要监测系统中正在工作的主用户的个数。
目前常用的信号个数(主用户数目)检测方法有:基于信息论准则(Akaiceinformation criterion,AIC)和最小描述长度(Minimum description length,MDL)以及基于盖氏圆半径(Gerschgorin disks Estimator,GDE)准则和基于典型关联分析技术(canonical correlation technique,CCT)的检测方法;然而这些方法需在网络中专门设立阵列天线来检测主用户的数目,且能够检测的信号的个数在小范围内,在信号个数多的情况下,检测效果差。
发明内容
本发明要解决的技术问题是提供一种认知无线电网络中实时检测多主用户数目的方法,以解决现有技术所存在的需在网络中专门设立阵列天线来检测主用户的数目,且检测主用户信号个数有限的问题。
为解决上述技术问题,本发明实施例提供一种认知无线电网络中实时检测多主用户数目的方法,包括:
S1,通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量:估计协方差矩阵的所有元素之和与估计协方差矩阵的迹的比值、估计协方差矩阵盖氏圆半径的均值;其中,所述估计协方差矩阵是由接收到的主用户信号确定的;
S2,将提取得到的两类特征向量组成新的特征向量作为支持向量机的训练输入数据,新的特征向量对应的主用户信号个数作为支持向量机的训练输出数据,设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度;
S3,将得到的最优的惩罚因子和最优的核函数宽度作为支持向量机的模型参数,生成训练模型;
S4,将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目。
进一步地,所述通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量包括:
S11,通过多个次用户接收主用户信号,根据接收到的主用户信号构造接收信号矩阵Z;
S12,对接收信号矩阵Z进行协方差矩阵分析,得到接收信号矩阵Z的估计协方差矩阵R;
S13,计算估计协方差矩阵R的迹和估计协方差矩阵R的所有元素之和,将估计协方差矩阵R的所有元素之和与估计协方差矩阵R的迹的比值作为次用户接收到的主用户信号的第一类特征向量;
S14,计算估计协方差矩阵R盖氏圆半径的均值并将其作为次用户接收到的主用户信号的第二类特征向量。
进一步地,所述接收信号矩阵Z表示为:
其中,Z是p×(1+j)维的矩阵,p为次用户的个数,i为起始采样点,j为继续采样点的数目,i+j为停止采样点,1+j为每个次用户接收信号的样本总数,zp(n)表示第p个次用户的接收信号的第n个采样点;
所述估计协方差矩阵R表示为:
其中,H表示矩阵的共轭,ZH表示接收信号矩阵Z的共轭矩阵,j为继续采样点的数目。
进一步地,所述计算估计协方差矩阵R盖氏圆半径的均值包括:
S141,对估计协方差矩阵R进行分块,得到子矩阵R1;
S142,对子矩阵R1进行特征值分解,得到酉矩阵U1;
S143,根据得到的酉矩阵U1,构造新的酉矩阵U,并根据构造得到的新的酉矩阵U,对估计协方差矩阵R进行酉变换得到矩阵S;
S144,根据矩阵S,得到估计协方差矩阵R的盖氏圆半径,根据得到的估计协方差矩阵R的盖氏圆半径,计算估计协方差矩阵R盖氏圆半径的均值。
进一步地,所述对估计协方差矩阵R进行分块,得到子矩阵R1表示为:
其中,子矩阵R1为估计协方差矩阵R的子矩阵,子矩阵R1由估计协方差矩阵R的前p-1行和p-1列构成;r为估计协方差矩阵R的第p列的前p-1个元素构成的向量;rH表示r向量的共轭向量;rpp表示估计协方差矩阵R的第p行第p列的元素;p为次用户的个数。
进一步地,所述对子矩阵R1进行特征值分解,得到酉矩阵U1表示为:
其中,U1表示酉矩阵,U1 H表示酉矩阵U1的共轭矩阵,D1表示由子矩阵R1的特征值组成的对角矩阵。
进一步地,所述酉矩阵U表示为:
所述根据构造得到的新的酉矩阵U,对估计协方差矩阵R进行酉变换得到矩阵S表示为:
其中,UH表示酉矩阵U的共轭矩阵,λi表示矩阵S的特征值,ρi表示估计协方差矩阵R的盖氏圆半径,ri=|ρi|。
进一步地,所述估计协方差矩阵R盖氏圆半径的均值表示为:
进一步地,所述设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度包括:
S21,随机产生包含核函数宽度γ与惩罚因子c的初始种群;
S22,将新特征向量一部分作为训练数据,设置支持向量机的类型、核函数类型,并根据随机产生的核函数宽度γ与惩罚因子c,通过支持向量机进行训练;
S23,将新特征向量另一部分作为测试数据,通过支持向量机进行预测,得到正确检测率与错误检测率;
S25,记录每一代的种群中最优的适应度以及其对应的核函数宽度γ与惩罚因子c;
S26,继续产生下一代种群,并通过选择、交叉、变异操作后返回继续执行S24,直到达到设置的最大进化代数停止产生下一代种群,获取最优适应度对应的核函数宽度γ与惩罚因子c分别作为最优的核函数宽度γ与最优的惩罚因子c。
进一步地,所述将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目包括:
S41,通过多个次用户实时接收主用户信号,对实时接收到的主用户信号进行特征提取,得到两类特征向量,将提取得到的两类特征向量组成新的特征向量;
S42,将组成的新特征向量作为输入数据输入生成的所述训练模型,所述训练模型输出的数据即为估计出的主用户的数目。
本发明的上述技术方案的有益效果如下:
上述方案中,通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量:估计协方差矩阵的所有元素之和与估计协方差矩阵的迹的比值、估计协方差矩阵盖氏圆半径的均值;将提取得到的两类特征向量组成新的特征向量作为支持向量机的训练输入数据,新的特征向量对应的主用户信号个数作为支持向量机的训练输出数据,设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度;将得到的最优的惩罚因子和最优的核函数宽度作为支持向量机的模型参数,生成训练模型;将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目。这样,基于支持向量机和遗传算法生成训练模型,并利用生成的训练模型实时估计出主用户的数目,无需在网络中专门设立阵列天线来检测主用户的数目,且能够适用于主用户的数目较多的情况,并且具有较高的正确检测率,能够提高认知无线电的工作效率。
附图说明
图1为本发明实施例提供的认知无线电网络中实时检测多主用户数目的方法的流程示意图;
图2为本发明实施例提供的移动认知无线电系统结构示意图;
图3为本发明实施例提供的认知无线电网络中实时检测多主用户数目的方法的详细流程示意图;
图4为本发明实施例提供的认知无线电网络中实时检测多主用户数目的方法与单独使用某一类特征向量的检测效果随主用户信号数目变化示意图;
图5为本发明实施例提供的认知无线电网络中实时检测多主用户数目的方法与仅采用支持向量机检测算法的检测效果对比示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的需在网络中专门设立阵列天线来检测主用户的数目,且检测主用户信号个数有限的问题,提供一种认知无线电网络中实时检测多主用户数目的方法。
如图1所示,本发明实施例提供的认知无线电网络中实时检测多主用户数目的方法,包括:
S1,通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量:估计协方差矩阵的所有元素之和与估计协方差矩阵的迹的比值、估计协方差矩阵盖氏圆半径的均值;其中,所述估计协方差矩阵是由接收到的主用户信号确定的;
S2,将提取得到的两类特征向量组成新的特征向量作为支持向量机的训练输入数据,新的特征向量对应的主用户信号个数作为支持向量机的训练输出数据,设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度;
S3,将得到的最优的惩罚因子和最优的核函数宽度作为支持向量机的模型参数,生成训练模型;
S4,将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目。
本发明实施例所述的认知无线电网络中实时检测多主用户数目的方法,通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量:估计协方差矩阵的所有元素之和与估计协方差矩阵的迹的比值、估计协方差矩阵盖氏圆半径的均值;将提取得到的两类特征向量组成新的特征向量作为支持向量机的训练输入数据,新的特征向量对应的主用户信号个数作为支持向量机的训练输出数据,设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度;将得到的最优的惩罚因子和最优的核函数宽度作为支持向量机的模型参数,生成训练模型;将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目。这样,基于支持向量机和遗传算法生成训练模型,并利用生成的训练模型实时估计出主用户的数目,无需在网络中专门设立阵列天线来检测主用户的数目,且能够适用于主用户的数目较多的情况,并且具有较高的正确检测率,能够提高认知无线电的工作效率。
本实施例中,S2中的训练输入数据和训练输出数据组成训练数据集,训练数据集的获得是通过设置主用户信号个数(也可以称为:主用户的数目)产生对应的主用户信号数据,然后把主用户信号个数和产生的主用户信号数据对应起来用于支持向量机训练,所述主用户信号个数是已知的。
本实施例中,作为一可选实施例,所述主用户及次用户是固定终端设备或是在指定范围内可自由移动的移动终端设备。
本实施例中,如图2所示,图2为移动认知无线电系统结构示意图,假设该移动认知无线电系统中有p个次用户(PU)和s个主用户(SU)以及一个数据融合中心(FusionCenter)。所有的用户在以数据融合中心为中心点的指定范围内都是可移动的,当然也可以不移动。
如图2所示,可以通过多个次用户接收主用户信号,并将接收到的主用户信号上传至数据融合中心,数据融合中心将所述多个次用户接收到的主用户信号联合起来进行特征提取,得到两类特征向量:第一、估计协方差矩阵R的所有元素之和与估计协方差矩阵R迹的比值;第二、估计协方差矩阵R盖氏圆半径的均值。
在前述认知无线电网络中实时检测多主用户数目的方法的具体实施方式中,进一步地,所述通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量包括:
S11,通过多个次用户接收主用户信号,根据接收到的主用户信号构造接收信号矩阵Z;
S12,对接收信号矩阵Z进行协方差矩阵分析,得到接收信号矩阵Z的估计协方差矩阵R;
S13,计算估计协方差矩阵R的迹和估计协方差矩阵R的所有元素之和,将估计协方差矩阵R的所有元素之和与估计协方差矩阵R的迹的比值作为次用户接收到的主用户信号的第一类特征向量;
S14,计算估计协方差矩阵R盖氏圆半径的均值并将其作为次用户接收到的主用户信号的第二类特征向量。
本实施例中,设采样点数数目为(1+j),数据融合中心对从次用户接收到的主用户信号进行特征提取,得到两类特征向量,具体步骤可以包括:
A11,通过p个次用户接收主用户信号,将p个次用户接收到的主用户信号构造成接收信号矩阵Z表示为:
其中,Z是p×(1+j)维的矩阵,p为次用户的个数,i为起始采样点(第i个采样点),j为继续采样点的数目,(i+j)为停止采样点(第(i+j)个采样点),(1+j)为每个次用户接收信号的样本总数,zp(n)表示中第p个次用户的接收信号的第n个采样点。
A12,对接收信号矩阵Z进行协方差矩阵分析,得到接收信号矩阵Z的估计协方差矩阵R:
其中,H表示矩阵的共轭,ZH表示接收信号矩阵Z的共轭矩阵,j为继续采样点的数目,(1+j)表示采样点的数目。
A13,根据接收信号矩阵Z的估计协方差矩阵R,得到估计协方差矩阵R的迹及估计协方差矩阵R的所有元素之和,并将估计协方差矩阵R的所有元素之和与估计协方差矩阵R迹的比值作为次用户接收到的主用户信号的第一类特征向量:
其中,sum(R)表示估计协方差矩阵R的所有元素之和,trace(R)表示估计协方差矩阵R的迹,diag(R)表示估计协方差矩阵R的对角线元素,sum(diag(R))表示估计协方差矩阵R的对角线元素之和。
A14,计算估计协方差矩阵R盖氏圆半径的均值并将其作为次用户接收到的主用户信号的第二类特征向量;其中,所述计算估计协方差矩阵R盖氏圆半径的均值可以包括:
S141,将接收信号矩阵Z的估计协方差矩阵R进行分块,得到子矩阵R1:
其中,子矩阵R1为估计协方差矩阵R的子矩阵,子矩阵R1由估计协方差矩阵R的前p-1行和p-1列构成;r为估计协方差矩阵R的第p列的前p-1个元素构成的向量;rH表示r向量的共轭向量;rpp表示估计协方差矩阵R的第p行第p列的元素,p为次用户的个数。
S142,对子矩阵R1进行特征值分解,得到酉矩阵U1:
其中,U1表示酉矩阵,U1 H表示酉矩阵U1的共轭矩阵,D1表示由子矩阵R1的特征值组成的对角矩阵。
S143,根据得到的酉矩阵U1,构造新的酉矩阵U,并根据构造得到的新的酉矩阵U,对估计协方差矩阵R进行酉变换得到矩阵S;其中,所述酉矩阵U表示为:
所述矩阵S表示为:
其中,UH表示酉矩阵U的共轭矩阵,λi表示矩阵S的特征值,ρi表示估计协方差矩阵R的盖氏圆半径,ri=|ρi|。
S144,根据矩阵S,得到估计协方差矩阵R的盖氏圆半径,根据得到的估计协方差矩阵R的盖氏圆半径,计算估计协方差矩阵R盖氏圆半径的均值;其中,所述估计协方差矩阵R盖氏圆半径的均值表示为:
本实施例中,将提取得到的第一类特征向量和第二类特征向量组成新的特征向量。如图3所示,在前述认知无线电网络中实时检测多主用户数目的方法的具体实施方式中,进一步地,所述设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度包括:
S21,随机产生包含核函数宽度γ与惩罚因子c的初始种群;
S22,将新特征向量一部分作为训练数据,设置支持向量机的类型、核函数类型,并根据随机产生的核函数宽度γ与惩罚因子c,通过支持向量机进行训练;
S23,将新特征向量另一部分作为测试数据,通过支持向量机进行预测,得到正确检测率与错误检测率;
S25,记录每一代的种群中最优的适应度以及其对应的核函数宽度γ与惩罚因子c;
S26,继续产生下一代种群,并通过选择、交叉、变异操作后返回继续执行S24,直到达到设置的最大进化代数停止产生下一代种群,获取最优适应度对应的核函数宽度γ与惩罚因子c分别作为最优的核函数宽度γ与最优的惩罚因子c。
本实施例中,S22中设置的支持向量机的类型可以为c-SVC、核函数类型可以为RBF核,核函数可以表示为:K(x,x′)=exp(-γ||x-x′||2),其中,c是惩罚因子,γ是核函数宽度,x是输入数据,x′为核函数的中心。
本实施例中,在S3中,将S2得到的最优的惩罚因子c和最优的核函数宽度γ作为支持向量机的模型参数,生成训练模型,即:所述S3生成的训练模型具有以下特点:
支持向量机的类型:c-SVC;
核函数的类型:RBF核;
最优的惩罚因子c;
最优的核函数宽度γ。
在前述认知无线电网络中实时检测多主用户数目的方法的具体实施方式中,进一步地,所述将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目包括:
S41,通过多个次用户实时接收主用户信号,对实时接收到的主用户信号进行特征提取,得到两类特征向量,将提取得到的两类特征向量组成新的特征向量;
S42,将组成的新特征向量作为输入数据输入生成的所述训练模型,所述训练模型输出的数据即为估计出的主用户的数目。
接着,为了更好地理解本发明实施例所述的认知无线电网络中实时检测多主用户数目的方法,以一个具体的实施例对本发明实施例所述的认知无线电网络中实时检测多主用户数目的方法进行详细说明:
步骤一、假设,移动认知无线电系统中有24个次用户接收工作环境中的主用户信号,正在工作的主用户个数为1到20。移动认知无线电系统中的次用户将接收到主用户信号传输给数据融合中心。
本实施例中,假设该移动认知无线电系统工作在楼房,车辆等地物较多的市区,网络中的信号传输无直视路径。并且假定所有的用户在以数据融合中心为圆心的100米范围内活动。所有的认知无线电移动终端均为手持终端,所有用户的移动速度限定在为0m/s~5m/s;
设采样点总数为500,所有次用户一次采样后,将信号采样数据传输给数据融合中心;数据融合中心对次用户采样到的信号进行特征提取,具体步骤如下:
1.1)数据融合中心接收到24个次用户的采样数据,以最后一次采样结束后,对有500个采样数据的信号处理为例。将次用户采样到的信号组成24×500维的矩阵Z为:
其中,Z是24×500维的矩阵,Zp(n)表示第p个次用户的接收到主用户信号的第n个采样点。
1.2)通过接收信号矩阵Z,求得接收信号矩阵Z的估计协方差矩阵为:
其中,H表示矩阵的共轭,ZH表示Z矩阵的共轭矩阵。
1.3)根据接收信号矩阵Z的估计协方差矩阵R,得到估计协方差矩阵R的迹及估计协方差矩阵R的所有元素之和,并将估计协方差矩阵R的所有元素之和与估计协方差矩阵R迹的比值作为次用户接收到信号的第一类特征向量:
1.4)计算估计协方差矩阵R盖氏圆半径的均值并将其作为次用户接收到信号的第二类特征向量:
1.41)将接收信号矩阵Z的估计协方差矩阵R进行分块,得到子矩阵R1
其中,子矩阵R1可以是由估计协方差矩阵R的前23×23个元素组成,;
1.42)对子矩阵R1进行特征值分解,得到酉矩阵U1
步骤二、利用步骤一得到的两类特征向量联合起来组成新的特征向量作为输入数据,每组新特征向量对应的主用户信号个数作为输出数据,设置支持向量机,并通过遗传算法得出最优的惩罚因子c和最优的核函数宽度γ,具体步骤包括:
2.2)通过遗传算法得出最优的惩罚因子c和最优的核函数宽度γ:
2.21)随机产生包含核函数宽度γ与惩罚因子c的初始种群,初始种群的取值范围为:0到100;
2.22)将新特征向量一部分作为训练数据,设置支持向量机的类型、核函数类型,并根据随机产生的核函数宽度γ与惩罚因子c,通过支持向量机进行训练;
2.23)将新特征向量另一部分作为测试数据,通过支持向量机进行预测,得到正确检测率与错误检测率;
2.25)记录每一代的种群中最优的适应度以及其对应的核函数宽度γ与惩罚因子c;
2.26)继续产生下一代种群,并通过选择、交叉、变异操作后返回继续执行步骤2.24,直到达到设置的最大进化代数停止产生下一代种群,获取最优适应度对应的核函数宽度γ与惩罚因子c分别作为最优的核函数宽度γ与最优的惩罚因子c,其中,交叉的概率可以为0.6,变异的概率可以为0.1,最大进化代数可以设为30。
本实施例中,第一类特征向量与第二类特征向量的组数与训练数据集的组数相对应,p个次用户接收到的信号为一组训练数据集,提取得到一个第一类特征向量和一个第二类特征向量,本实施例中,可以自行设置训练数据集的组数,例如,可以设置训练数据集的组数为50组,也就是说,可以得到50组新特征向量。
步骤三、将得到的最优的惩罚因子c和最优的核函数宽度γ作为支持向量机的模型参数,生成训练模型;所述训练模型具有以下特点:
支持向量机的类型:c-SVC;
核函数的类型:RBF核;
最优的惩罚因子c;
最优的核函数宽度γ。
步骤四、24个次用户实时接收主用户信号,根据步骤三生成的训练模型,将接收到主用户信号逐一输入所述训练模型,进行实时检测并估计出主用户的数目,具体步骤可以包括:
4.1),通过多个次用户实时接收主用户信号,对实时接收到的主用户信号进行特征提取,得到两类特征向量,将提取得到的两类特征向量组成新的特征向量;具体的:
将每个次用户实时接收到的主用户信号的样本总数控制在500,当第1个采样点到第500个采样点时,每个次用户接收到的主用户信号的样本个数从1累加至500;当达到第501个采样点时,每个次用户接收到的主用户信号的样本为第2个采样点到第501个采样点,接着是第3个采样点到第502个采样点,逐一进行。分别通过步骤一中所述的方法提取两类特征向量,并将两类特征向量联合起来组成新的特征向量。
4.2),将组成的新的特征向量作为输入数据,并根据步骤三所述的训练模型,得到输出数据即为估计主用户的数目。
如图4所示,图4描述了本实施例提供的认知无线电网络中实时检测多主用户数目的方法与单独使用某一类特征向量的检测效果随主用户信号数目变化示意图,第一类特征向量只采用估计协方差矩阵R的所有元素之和与估计协方差矩阵R迹的比值的方法,以及第二类特征向量只采用估计协方差矩阵R盖氏圆半径的均值的方法的检测效果随主用户信号个数的变化。图4中横坐标是主用户信号个数,纵坐标是正确检测率,该结果是在信噪比为0dB,采样点个数为500的情况下,同条件重复测试105次得出的。从图4可以看出,随着主用户信号个数的增加,正确检测率下降。但是在信噪比为0dB,主用户信号个数为10的情况下,正确检测率可以达到70%左右,在主用户信号个数为15的情况下,正确检测率仍然可以达到60%左右。这说明本发明提出的检测方法在多主用户数目的情况下是有效的,并且本发明提供的方法检测性能优于单独使用第一类特征向量、第二类特征向量的方法。
如图5所示,图5描述了实施例提供的认知无线电网络中实时检测多主用户数目的方法与仅采用支持向量机检测算法的检测效果对比示意图。图5中的横坐标是信噪比,纵坐标是正确检测率,该结果是在主用户信号个数为5,10,15,采样点个数为500的情况下,同条件重复测试105次得出的。图5中可以得知本发明实施例提供的检测多主用户的方法比仅采用支持向量机的算法正确检测率高。这说明本发明提出的检测方法中采用遗传算法求得最优参数能够提高检测正确率。同时,采用遗传算法求参数比人为设置参数更方便,更高效,并且能够达到更高的检测性能。
综上,在移动认知无线电系统中用协方差矩阵及盖氏圆半径作为提取特征,用遗传算法求得最优参数,然后通过支持向量机训练得到训练模型,根据训练模型,对多个次用户接收到的主用户信号,进行实时检测并估计出主用户的数目。主要有以下几个优点:
1.便于频谱资源管理,本发明实施例提供的认知无线电网络中实时检测多主用户数目的方法,能够实时检测出主用户的数目,可以更好地为频谱资源管理提供支持,进一步提高频谱利用率,并且为其他算法提供先验条件;
2.缩短多主用户个数检测的时间,本发明实施例提供的认知无线电网络中实时检测多主用户数目的方法,可以对次用户接收到的主用户信号逐一输入训练模型,进行实时检测主用户的数目,从而实现了快速估计主用户信号个数的目的;
3.实现主用户数目较大情况下的估计,由于在移动认知无线电系统中,主用户个数较多,本发明实施例提供的认知无线电网络中实时检测多主用户数目的方法,可以用于主用户信号个数较多的情况下的估计,并且有较高的检测正确率,从而能够提高认知无线电的工作效率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种认知无线电网络中实时检测多主用户数目的方法,其特征在于,包括:
S1,通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量:估计协方差矩阵的所有元素之和与估计协方差矩阵的迹的比值、估计协方差矩阵盖氏圆半径的均值;其中,所述估计协方差矩阵是由接收到的主用户信号确定的;
S2,将提取得到的两类特征向量组成新的特征向量作为支持向量机的训练输入数据,新的特征向量对应的主用户信号个数作为支持向量机的训练输出数据,设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度;
S3,将得到的最优的惩罚因子和最优的核函数宽度作为支持向量机的模型参数,生成训练模型;
S4,将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目;
其中,所述通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量包括:
S11,通过多个次用户接收主用户信号,根据接收到的主用户信号构造接收信号矩阵Z;
S12,对接收信号矩阵Z进行协方差矩阵分析,得到接收信号矩阵Z的估计协方差矩阵R;
S13,计算估计协方差矩阵R的迹和估计协方差矩阵R的所有元素之和,将估计协方差矩阵R的所有元素之和与估计协方差矩阵R的迹的比值作为次用户接收到的主用户信号的第一类特征向量;
S14,计算估计协方差矩阵R盖氏圆半径的均值并将其作为次用户接收到的主用户信号的第二类特征向量。
3.根据权利要求1所述的认知无线电网络中实时检测多主用户数目的方法,其特征在于,所述计算估计协方差矩阵R盖氏圆半径的均值包括:
S141,对估计协方差矩阵R进行分块,得到子矩阵R1;
S142,对子矩阵R1进行特征值分解,得到酉矩阵U1;
S143,根据得到的酉矩阵U1,构造新的酉矩阵U,并根据构造得到的新的酉矩阵U,对估计协方差矩阵R进行酉变换得到矩阵S;
S144,根据矩阵S,得到估计协方差矩阵R的盖氏圆半径,根据得到的估计协方差矩阵R的盖氏圆半径,计算估计协方差矩阵R盖氏圆半径的均值。
8.根据权利要求1所述的认知无线电网络中实时检测多主用户数目的方法,其特征在于,所述设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度包括:
S21,随机产生包含核函数宽度γ与惩罚因子c的初始种群;
S22,将新特征向量一部分作为训练数据,设置支持向量机的类型、核函数类型,并根据随机产生的核函数宽度γ与惩罚因子c,通过支持向量机进行训练;
S23,将新特征向量另一部分作为测试数据,通过支持向量机进行预测,得到正确检测率与错误检测率;
S25,记录每一代的种群中最优的适应度以及其对应的核函数宽度γ与惩罚因子c;
S26,继续产生下一代种群,并通过选择、交叉、变异操作后返回继续执行S24,直到达到设置的最大进化代数停止产生下一代种群,获取最优适应度对应的核函数宽度γ与惩罚因子c分别作为最优的核函数宽度γ与最优的惩罚因子c。
9.根据权利要求1所述的认知无线电网络中实时检测多主用户数目的方法,其特征在于,所述将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目包括:
S41,通过多个次用户实时接收主用户信号,对实时接收到的主用户信号进行特征提取,得到两类特征向量,将提取得到的两类特征向量组成新的特征向量;
S42,将组成的新特征向量作为输入数据输入生成的所述训练模型,所述训练模型输出的数据即为估计出的主用户的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580278.4A CN107276702B (zh) | 2017-07-17 | 2017-07-17 | 一种认知无线电网络中实时检测多主用户数目的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580278.4A CN107276702B (zh) | 2017-07-17 | 2017-07-17 | 一种认知无线电网络中实时检测多主用户数目的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107276702A CN107276702A (zh) | 2017-10-20 |
CN107276702B true CN107276702B (zh) | 2020-03-03 |
Family
ID=60072843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710580278.4A Active CN107276702B (zh) | 2017-07-17 | 2017-07-17 | 一种认知无线电网络中实时检测多主用户数目的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107276702B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567742A (zh) * | 2010-12-15 | 2012-07-11 | 中国科学院电子学研究所 | 一种基于自适应核函数选择的支持向量机自动分类方法 |
CN103973381B (zh) * | 2014-05-19 | 2016-01-20 | 西安电子科技大学 | 基于Cholesky矩阵分解的协作频谱检测方法 |
CN103973382B (zh) * | 2014-05-19 | 2016-04-27 | 西安电子科技大学 | 基于有限随机矩阵的频谱检测方法 |
CN106169945A (zh) * | 2016-07-04 | 2016-11-30 | 广东工业大学 | 一种基于最大最小特征值之差的协作频谱感知方法 |
-
2017
- 2017-07-17 CN CN201710580278.4A patent/CN107276702B/zh active Active
Non-Patent Citations (2)
Title |
---|
Eigenvalue-Based Spectrum Sensing Algorithms for Cognitive Radio;Yonghong Zeng等;《IEEE TRANSACTIONS ON COMMUNICATIONS》;20090630;第57卷(第6期);全文 * |
一种新的认知无线电主用户信号识别方法;王超等;《电波科学学报》;20091231;第24卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107276702A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Exploiting fingerprint correlation for fingerprint-based indoor localization: A deep learning-based approach | |
Cui et al. | Received signal strength based indoor positioning using a random vector functional link network | |
Bisio et al. | Smart probabilistic fingerprinting for WiFi-based indoor positioning with mobile devices | |
CN107395301B (zh) | 一种基于k均值算法的频谱感知方法与装置 | |
US20170280299A1 (en) | Device localization based on a learning model | |
WO2009038271A1 (en) | Method for automatic clustering, and method and apparatus for multipath clustering in wireless communication using the same | |
WO2020215783A1 (zh) | 定位方法、装置及存储介质 | |
CN111898578B (zh) | 人群密度的获取方法、装置、电子设备 | |
CN110059770B (zh) | 基于位置预测的自适应任务分发方法、装置及相关组件 | |
CN110224771B (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
CN108513259A (zh) | 电子装置、楼层定位方法和计算机可读存储介质 | |
CN113391824A (zh) | 计算卸载方法、电子设备、存储介质以及计算机程序产品 | |
CN109525994A (zh) | 基于支持向量机的高能效频谱感知方法 | |
CN113037410A (zh) | 信道识别方法、装置、传输方法、传输设备、基站、介质 | |
CN116973797A (zh) | 电池组一致性的判断方法、装置、设备及存储介质 | |
CN116170066B (zh) | 一种面向低轨卫星物联网的负载预测方法 | |
Gao et al. | Deep learning based location prediction with multiple features in communication network | |
CN107276702B (zh) | 一种认知无线电网络中实时检测多主用户数目的方法 | |
CN106936527B (zh) | 一种基于双门限的多用户合作频谱感知方法 | |
CN107613500A (zh) | 一种不确定环境下的无线频谱共享方法 | |
KR102390190B1 (ko) | 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치 | |
CN116680992A (zh) | 建立电芯容量预测模型的方法、装置、计算机设备及介质 | |
Ghozali et al. | Indoor positioning system using regression-based fingerprint method | |
CN113543017B (zh) | 毫米波车联网的波束切换方法及相关设备 | |
CN115729707A (zh) | 用于边缘计算系统的模型训练方法、装置、设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |