CN107360577B

CN107360577B - 一种基于机器学习的频谱感知方法及装置

Info

Publication number: CN107360577B
Application number: CN201710706986.8A
Authority: CN
Inventors: 张顺超; 万频; 王永华; 张勇威; 肖逸瑞
Original assignee: Guangdong University of Technology
Current assignee: Foshan National Defense Science And Technology Industrial Technology Achievement Industrialization Application And Promotion Center
Priority date: 2017-08-17
Filing date: 2017-08-17
Publication date: 2021-01-26
Anticipated expiration: 2037-08-17
Also published as: CN107360577A

Abstract

本发明公开了一种基于机器学习的频谱感知方法，提取训练信号的RMET特征；利用所述RMET特征确定特征向量，利用K‑medoids算法与所述特征向量确定分类器；在当前频道获取测试信号，提取所述测试信号的测试RMET特征；利用所述分类器对所述测试RMET特征进行分类，通过分类结果计算检测概率。可见，本发明实施例提供的一种基于机器学习的频谱感知方法，使用RMET作为特征，然后用K‑medoids算法进行分类，训练好分类器后再将测试信号的数据导入分类器进行分类得到分类结果。利用RMET与K‑medoids结合感知频道是否可用，提高了检测的准确性。

Description

一种基于机器学习的频谱感知方法及装置

技术领域

本发明涉及无线电技术领域，更具体地说，涉及一种基于机器学习的频谱感知方法及装置。

背景技术

随着无线电技术的进步和发展，各行各业对无线电频率的需求越来越多，频谱资源匮乏的问题日益严重。目前，频谱资源采用国家统一分配授权的管理模式，将频谱分为两种类型：授权频段和非授权频段。其中，授权频段占据着大部分频谱资源，如电视广播频段，但不少授权频段处于空闲状态；开放使用的非授权频段占整个频谱资源的很少一部分，如无线局域网、无线城域网等无线网络大多使用非授权频段在工作，该频段上的用户很多，业务量也很大，无线电频段已基本趋于饱和。所以说，频谱资源的匮乏并不是真正意义上的频谱资源不足，更多是由频谱利用率过低造成的。

想要提高频谱的利用率，首先要找到准确的频谱检测的方法。目前比较经典的频谱检测方法有能量检测算法，但是，在能量检测算法中由于判决门限比较难确定，在低信噪比环境下容易受到噪声不确定性影响产生误判从而导致检测性能急剧下降，即使是能够自适应的门限值，检测器也不能做出正确的判断，因此频谱的检测结果不够准确。

因此，如何得到准确的频谱检测结果，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于机器学习的频谱感知方法及装置，以得到准确的频谱检测结果。

为实现上述目的，本发明实施例提供了如下技术方案：

一种基于机器学习的频谱感知方法，包括：

提取训练信号的RMET特征；

利用所述RMET特征确定特征向量，利用K-medoids算法与所述特征向量确定分类器；

在当前频道获取测试信号，提取所述测试信号的测试RMET特征；

利用所述分类器对所述测试RMET特征进行分类，通过分类结果计算检测概率。

其中，所述提取训练信号的RMET特征，包括：

在已知网络中确定训练信号；其中，所述已知网络包括有主用户使用的网络与无主用户使用的网络；

根据所述训练信号得到一个感知时间段内多个次用户的第一感知矩阵；

将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵；

计算得到每组第二感知矩阵的RMET特征。

其中，将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵之后，还包括：

将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵；

则所述计算得到每组第二感知矩阵的RMET特征，包括：

计算得到每组第三感知矩阵的RMET特征。

其中，利用所述RMET特征确定特征向量，利用K-medoids算法与所述特征向量确定分类器，包括：

S401，利用所述RMET特征确定特征向量；

S402，在所述特征向量中随机确定medoid与非medoid；

S403，将所述特征向量中的非medoid分配到与所述非medoid距离最近的medoid，形成簇内数据集合，其中所述medoid为簇心，所述非medoid为簇内的普通点；

S404，利用公式

更新每个簇内数据集合的medoid；其中m_k为所述medoid，S_K为所述簇内数据集合，x_i、y_j为所述非medoid；

S405，判断更新后的medoid是否与更新前的medoid一致；

S406，若是，则停止，确定分类器；

S407，若否，则将更新后的medoid作为medoid，返回S403。

其中，所述通过分类结果感知所述当前频道是否可用并计算检测概率之后，还包括：

利用所述分类结果计算虚警概率。

一种基于机器学习的频谱感知装置，包括：

RMET特征提取模块，用于提取训练信号的RMET特征；

分类器训练模块，用于利用所述RMET特征确定特征向量，利用K-medoids算法与所述特征向量确定分类器；

测试RMET特征提取模块，用于在当前频道获取测试信号，提取所述测试信号的测试RMET特征；

感知模块，用于利用所述分类器对所述测试RMET特征进行分类，通过分类结果计算检测概率。

其中，所述RMET特征提取模块，包括：

信号接收单元，用于在已知网络中确定训练信号；其中，所述已知网络包括有主用户使用的网络与无主用户使用的网络；

感知矩阵获取单元，用于根据所述训练信号得到一个感知时间段内多个次用户的第一感知矩阵；

分组单元，用于将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵；

RMET特征获取单元，用于计算得到每组第二感知矩阵的RMET特征。

其中，还包括：

分解单元，用于将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵之后，将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵；

则所述RMET特征获取单元具体用于：

计算得到每组第三感知矩阵的RMET特征。

其中，所述分类器训练模块，包括：

特征向量确定单元，用于利用所述RMET特征确定特征向量；

Medoid确定单元，用于在所述特征向量中随机确定medoid与非medoid；

分配单元，用于将所述特征向量中的非medoid分配到与所述非medoid距离最近的medoid，形成簇内数据集合，其中所述medoid为簇心，所述非medoid为簇内的普通点；

更新单元，用于利用公式

判断单元，利用判断更新后的medoid是否与更新前的medoid一致；若否，则将更新后的medoid作为medoid，继续调用所述更新单元；

分类器确定单元，用于当更新后的medoid与更新前的medoid一致时，确定分类器。

其中，还包括：

虚警概率计算模块，用于所述通过分类结果感知所述当前频道是否可用并计算检测概率之后，利用所述分类结果计算虚警概率。

通过以上方案可知，本发明一种基于机器学习的频谱感知方法，提取训练信号的RMET特征；利用所述RMET特征确定特征向量，利用K-medoids算法与所述特征向量确定分类器；在当前频道获取测试信号，提取所述测试信号的测试RMET特征；利用所述分类器对所述测试RMET特征进行分类，通过分类结果计算检测概率。

可见，本发明实施例提供的一种基于机器学习的频谱感知方法，使用RMET作为特征，然后用K-medoids算法进行分类，训练好分类器后再将测试信号的数据导入分类器进行分类得到分类结果。利用RMET与K-medoids结合感知频道是否可用，提高了检测的准确性。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种基于机器学习的频谱感知方法流程图；

图2为本发明实施例公开的一种提取训练信号的RMET特征的流程图；

图3为本发明实施例公开的一种具体的基于机器学习的频谱感知方法实验效果图；

图4为本发明实施例公开的一种确定分类器的流程图；

图5为本发明实施例公开的一种基于机器学习的频谱感知方法的模型图；

图6为本发明实施例公开的一种基于机器学习的频谱感知装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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。

本发明实施例公开了一种基于机器学习的频谱感知方法及装置，以得到准确的频谱检测结果。

参见图1，本发明实施例提供的一种基于机器学习的频谱感知方法，具体包括：

S101，提取训练信号的RMET特征；

具体地，在训练时，首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。

利用训练信号得到在一个感知时间段内多个次用户的感知矩阵，从而得到训练信号的协方差矩阵，利用协方差矩阵得到训练信号的RMET特征。

需要说明的是，感知矩阵需要根据实际情况分为预设组数的矩阵，从而得到预设组数个的RMET特征，从而得到特征向量，以便利用特征向量确定分类器。例如，有9个次用户，则将次用户分为3组，也就是将感知矩阵分为3组得到3组感知矩阵，从而得到3个RMET特征，那么特征就构成了一个三维的特征向量，可以利用这个三维的向量进行计算确定分类器。

S102，利用所述RMET特征确定特征向量，利用K-medoids算法对所述特征向量进行二分类，得到分类器；

具体地，利用RMET特征得到向量后需要利用K-medoids算法对特征向量进行训练分类将最终的结果作为分类器。

S103，在当前频道获取测试信号，提取所述测试信号的测试RMET特征；

S104，利用所述分类器对所述测试RMET特征进行分类，通过分类结果计算检测概率。

具体地，分类器训练完成后，接收需要检测的频道的信号作为测试信号。将测试信号利用分类器进行分类，最终确定频道是否可用。需要说明的是，利用分类结果计算检测概率，也就是计算检测性能指标。

同时，还可以进一步对分类结果计算，计算其虚警概率，以便知道主用户不存在时，系统错误的以为主用户存在的概率。

通过以上方案可知，本发明实施例提供的一种基于机器学习的频谱感知方法，使用RMET作为特征，然后用K-medoids算法进行分类，训练好分类器后再将测试信号的数据导入分类器进行分类得到分类结果。利用RMET与K-medoids结合感知频道是否可用，提高了检测的准确性。

本发明实施例提供一种具体的基于机器学习的频谱感知方法，区别于上述实施例，本发明实施例对上述实施例中S101作了具体的限定，其他步骤内容与上述实施例大致相同，具体内容可以参考上述实施例，此处不再赘述，具体地，参见图2，S101包括：

S201，在已知网络中确定训练信号；其中，所述已知网络包括有主用户使用的网络与无主用户使用的网络；

具体地，在训练时，首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。训练信号可以表示为

其中s_i(n)表示主用户(PU)信号，w_i(n)表示均值为0，方差为σ²高斯白噪声信号。H₀表示为信号不存在，H₁表示为信号存在；M为次用户的个数，每个次用户的采样点数为N。

S202，根据所述训练信号得到一个感知时间段内多个次用户的第一感知矩阵；

具体地，X_i＝[x_i(1)x_i(2)....x_i(N)]表示第i个SU的采样矩阵，则在一个感知时间段内M个次用户的感知矩阵可以表示为

S203，将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵；

具体地，将用户分组，得到分组后的感知矩阵。分组个数根据实际情况设定。假设有9个次用户协作感知，采样点为1000，预设分成3组；那么这9个次用户采集的数据就是一个9行1000列的矩阵X，

分成三组：

组一：

组二：

组三：

S204，计算得到每组第二感知矩阵的RMET特征。

具体地，每组都可以算协方差矩阵，求得RMET特征，然后构造一个三维的特征向量。从而利用这个特征向量得到分类器。

为了提高分类效果，从而进一步提高频谱感知的准确性，本发明实施例提供一种具体的基于机器学习的频谱感知方法，基于上述实施例，本发明实施例在S203后还包括：

将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵；

则所述计算得到每组第二感知矩阵的RMET特征，包括：

计算得到每组第三感知矩阵的RMET特征。

具体地，假设第i个SU用户的采样的信号向量为X_i＝[x_i(1)x_i(2)...x_i(N)]。将X_i分解成I和Q两部分，表达式如下：

其中f_c是携带频率，f_s是采样频率。所以上述实施例中分解后的组一的感知矩阵可以表示为：

组二、组三也进行同样分解，利用分解后的感知矩阵得到新的协方差矩阵，从而得到RMET特征。新的协方差矩阵中确保了接收信号存在的时间、空间或相位相关(I和Q分量)之间的信号相关性的最大利用，因此分解后得到的RMET特征值更能反映当前信号的具体信息，提高了分类效果，从而提高了检测的性能。

参考图3，为本实施例的实验效果图，其中P_d为检测概率，P_f为虚警概率。可以看出，在SNR＝-12条件下，用RMET作为特征的检测效果比用能量作为特征的检测效果好。而且加上信号分解后，其检测性能有了进一步的提升。

本发明实施例提供一种具体的基于机器学习的频谱感知方法，区别与上述实施例，本发明实施例对上述实施例中的S102做了具体地限定于说明，其他步骤内容与上述实施例内容大致相同，具体可以参照上述实施例对应部分，此处不再赘述。参考图4，具体地，S102包括：

S401，利用所述RMET特征确定特征向量；

S402，在所述特征向量中随机确定medoid与非medoid；

具体地，随机选取K个特征向量作为初始的medoid，其余的特征向量为非medoid。

具体地，将是非medoid的特征向量通过计算分配到距离其最近的medoid，形成簇内数据集合，其中所述medoid为簇心，所述非medoid为簇内的普通点。

S404，利用公式

S405，判断更新后的medoid是否与更新前的medoid一致；

具体地，利用公式

更新当前的medoid，判断更新前后的medoid是否相同，也就是，medoid是否不再变化了，如果不再变化，则可以停止。

S406，若是，则停止，确定分类器；

具体地，medoid不再变化时确定分类器，分类器的公式为

如果满足该式则判定A^*＝1，如果不满足则判定A^*＝0。

需要说明的是，让S＝1和S＝0分别表示PU的状态。频道的可用性A可以被定义为：

当A＝0表示频道不能使用，A＝1表示频道可以使用。

S407，若否，则将更新后的medoid作为medoid，返回S403。

具体地，如果更新后的medoid和更新前的medoid不同，在需要继续更新medoid，将本次更新后的medoid作为medoid，返回S403继续分配和更新。

本发明实施例提供一种具体的基于机器学习的频谱感知方法。

参考图5所示的分类模型，本发明实施例具体包括：

第1步，获取训练信号；

在训练时，首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。

具体地，假设在认知无线电网络中有K个SU而且每个SU的采样点数为N。H₀表示为信号不存在，H₁表示为信号存在。因此接收的训练信号可由

表示。

其中s_i(n)表示主用户(PU)信号，w_i(n)表示均值为0，方差为σ²高斯白噪声信号。

第2步，确定第一感知矩阵；

具体地，假设X_i＝[x_i(1)x_i(2)....x_i(N)]表示第i个SU用户的采样矩阵，则在一个感知时间段内的感知矩阵可以表示为

第3步，将次用户分组，从而得到每组次用户的RMET特征。

需要说明的是，可以根据感知矩阵得到协方差矩阵，从而得到RMET特征。

上述感知矩阵的协方差矩阵可以表示为

选取

作为信号的RMET特征。其中λ_max为协方差矩阵的最大特征值，Tr(R(N))为矩阵的迹。将次用户分组后，利用上述方法得到每组的MME特征T，具体用户组与T的对应关系如表1所示。

表1

需要说明的是，可以将上述的采样向量X_i＝[x_i(1)x_i(2)....x_i(N)]进行IQ分解，扩充维数，从而矩阵的维数得到扩充。具体地，对X_i＝[x_i(1)x_i(2)....x_i(N)]向量进行的IQ分解的表达式为

其中f_c是携带频率，f_s是采样频率。所以分解后的感知矩阵可以表示为：

与经典样本协方差矩阵R(N)相比，新的样本协方差矩阵R_Y(N)确保了接收信号中存在的时间，空间或相位相关(I和Q分量)之间的信号相关性的最大利用。

通过上述IQ分解的方法，将用户分组，得到多个感知矩阵后，可以将每个矩阵中的向量均进行IQ分解，从而利用IQ分解后感知矩阵得到新的协方差矩阵和新的RMET特征，具体用户组与T和新的T之间的对应关系如表2所示，其中GRMET表示进行IQ分解后得到的特征值。

表2

第4步，利用K-medoid算法确定分类器；

计算方法具体可以参考上述实施例中的S401至S407，此处不再赘述。

第5步，确定测试矩阵的特征值；

具体地，在未知网络中采集测试信号，确定测试信号的测试矩阵和特征值，从而得到特征向量，其中计算测试信号的特征值与计算训练信号的特征值的步骤大体相同，具体可以参考第1步至第3步，此处不再赘述。根据特征值，可以定义测试矩阵为

其中，L表示训练特征的个数。

第6步计算检测结果；

将测试矩阵导入分类器中，从而得到分类结果，利用公式

确定检测概率P_d和虚警概率P_f。

下面对本发明实施例提供的一种基于机器学习的频谱感知装置进行介绍，参考图6，本发明实施例提供一种基于机器学习的频谱感知装置，具体包括：

RMET特征提取模块501，用于提取训练信号的RMET特征；

RMET特征提取模块501利用训练信号得到在一个感知时间段内多个次用户的感知矩阵，从而得到训练信号的协方差矩阵，利用协方差矩阵得到训练信号的RMET特征。

分类器训练模块502，用于利用所述RMET特征确定特征向量，利用K-medoids算法与所述特征向量确定分类器；

具体地，分类器训练模块502利用RMET特征得到向量后需要利用K-medoids算法对特征向量进行训练分类将最终的结果作为分类器。

测试RMET特征提取模块503，用于在当前频道获取测试信号，提取所述测试信号的测试RMET特征；

感知模块504，用于利用所述分类器对所述测试RMET特征进行分类，通过分类结果计算检测概率。

具体地，分类器训练完成后，接收需要检测的频道的信号作为测试信号。测试RMET特征提取模块503提取测试信号的RMET特征，利用分类器进行分类，感知模块504最终确定频道是否可用。需要说明的是，利用分类结果计算检测概率，也就是计算检测性能指标。

通过以上方案可知，本发明实施例提供的一种基于机器学习的频谱感知装置，RMET特征提取模块501提取训练信号的RMET作为特征，然后分类器训练模块502用K-medoids算法进行分类，训练好分类器后再将测试信号的数据导入分类器进行分类得到分类结果。感知模块504利用RMET与K-medoids结合感知频道是否可用，有效提高了检测的准确性。

本发明实施例提供一种具体的基于机器学习的频谱感知装置，区别于上述实施例，本发明实施例对上述实施例中RMET特征提取模块501作了具体的限定，其他模块内容与上述实施例大致相同，具体内容可以参考上述实施例，此处不再赘述，具体地，RMET特征提取模块501包括：

具体地，在训练时，信号接收单元首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。训练信号可以表示为

具体地，X_i＝[x_i(1)x_i(2)....x_i(N)]表示第i个SU的采样矩阵，则在一个感知时间段内M个次用户的感知矩阵可以表示为：

具体地，分组单元将用户分组，得到分组后的感知矩阵。分组个数根据实际情况设定。假设有9个次用户协作感知，采样点为1000，预设分成3组；那么这9个次用户采集的数据就是一个9行1000列的矩阵X，

分成三组：

组一：

组二：

组三：

具体地，每组都可以算协方差矩阵，从而利用RMET特征获取单元求得RMET特征，然后构造一个三维的特征向量。从而利用这个特征向量得到分类器。

为了提高分类效果，从而进一步提高频谱感知的准确性，本发明实施例提供一种具体的基于机器学习的频谱感知装置，基于上述实施例，本发明实施例还包括：

则所述RMET特征获取单元具体用于：

计算得到每组第三感知矩阵的RMET特征。

本发明实施例提供一种具体的基于机器学习的频谱感知装置，区别与上述实施例，本发明实施例对上述实施例中的RMET特征提取模块501做了具体地限定于说明，其他模块内容与上述实施例内容大致相同，具体可以参照上述实施例对应部分，此处不再赘述。具体地，RMET特征提取模块501包括：

特征向量确定单元，用于利用所述RMET特征确定特征向量；

具体地，Medoid确定单元随机选取K个特征向量作为初始的medoid，其余的特征向量为非medoid。

具体地，分配单元将是非medoid的特征向量通过计算分配到距离其最近的medoid，形成簇内数据集合，其中所述medoid为簇心，所述非medoid为簇内的普通点。

更新单元，用于利用公式

具体地，更新单元利用公式

更新当前的medoid，判断单元判断更新前后的medoid是否相同，也就是，medoid是否不再变化了，如果不再变化，则可以停止。如果更新后的medoid和更新前的medoid不同，在需要继续更新medoid，将本次更新后的medoid作为medoid，返回S403继续分配和更新。

具体地，分类器确定单元在medoid不再变化时确定分类器，分类器的公式为

如果满足该式则判定A^*＝1，如果不满足则判定A^*＝0。

当A＝0表示频道不能使用，A＝1表示频道可以使用。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。