CN109245840A - 认知无线电系统中基于卷积神经网络的频谱预测方法 - Google Patents
认知无线电系统中基于卷积神经网络的频谱预测方法 Download PDFInfo
- Publication number
- CN109245840A CN109245840A CN201811198367.3A CN201811198367A CN109245840A CN 109245840 A CN109245840 A CN 109245840A CN 201811198367 A CN201811198367 A CN 201811198367A CN 109245840 A CN109245840 A CN 109245840A
- Authority
- CN
- China
- Prior art keywords
- output
- channel
- neural networks
- convolutional neural
- matrix
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 93
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 11
- 230000008447 perception Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000006854 communication Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
- H04W74/0841—Random access procedures, e.g. with 4-step access with collision treatment
- H04W74/085—Random access procedures, e.g. with 4-step access with collision treatment collision avoidance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
认知无线电系统中基于卷积神经网络的频谱预测方法，本发明经过较短时间训练即可获得较高预测准确度，属于信息与通信领域。本发明包括：以周期T对频带F进行不间断地频谱感知，从t0时刻起记录多个频谱感知的和它们对应的将t0+kT记为tk,k＝0,1,…；表示tk时刻频带F所有信道占用情况，表示从tk+T时刻起各信道的空闲的感知周期数；将和喂入卷积神经网络中，对卷积神经网络进行训练，在训练中，用于制作标签；步骤3、利用训练完成的卷积神经网络不断地根据各个时刻的预测出未来空闲概率最大的信道C。
Description
技术领域
本发明涉及信息与通信领域，具体涉及认知无线电系统中频谱感知后的一种空闲信道 智能分配算法。
背景技术
近些年来，无线通信技术飞速发展的同时，用户业务类型和业务需求也在不断地爆炸 式增长，这就导致了用户对无线电频谱资源的需求日益增加。然而，目前已授权频谱在时 间域、空间域、频率域、能量域的平均占用率都很低，频谱资源利用率普遍不高。频谱资 源紧张与频谱资源浪费的矛盾愈发突出。认知无线电技术(Cognitive Radio,CR)能够智 能地寻找当前频带中的空闲频谱接入，从而有效地提高频谱资源的利用率，受到了广泛的 关注并已有诸多相关研究成果。
其中频谱感知是CR系统中的重要基础，其主要功能是，一个处于地理空间中某一位 置的次用户(Secondary User，SU)在某一时刻对某一授权频段进行检测，寻找其中各个子频段中是否存在主用户(Primary User，PU)。频谱感知有两个关键点，其一是当判断 出授权频段内不存在PU时接入；其二是当检测到授权频段内已有PU或有PU准备接入， 要立刻退让。
一般来说，对于SU，一个授权频段是可以被划分为多个可用信道来接入的，通常情况下SU频谱感知的最终结果即是这描述些可用信道中是否存在PU，并且从目前PU对 于授权频段的占用率来看，这些信道中多数是不存在PU的(空闲)。在CR系统中，最 普遍被使用的工作流程是：SU首先进行频谱感知，感知出当前频段内的多个空闲信道， 之后随机选择一个信道接入传输，当检测到当前信道有PU重新接入时立即停止传输，再 重新感知其它空闲信道重传数据包。
但是，这种机制伴随着一个问题：如果当前频段中PU数量较多频繁接入退出信道或 存在大功率动态恶意干扰时SU有极大可能需要频繁地避让PU，重新频谱感知，重新接入，重传数据包。这就无疑会增加SU的资源消耗，降低SU的传输速率。另外，一旦对 PU重新接入信号发生漏检，还会与PU发生碰撞，干扰到PU通信。
对于上述问题，频谱预测技术是一个较好的解决方案。频谱预测技术的核心思想是 SU对历史频谱感知结果进行存储和分析，通过一定算法预测出未来一段时间某一信道中 被PU占用的可能性，从而通过预测结果更合理的选择信道接入或提前切换信道来避免数 据包传输残缺，避免和PU碰撞。可以预见地，如果SU能以较高准确率预测出未来一段 时间内信道被占用请款并合理的选择信道接入，可以实现降低SU通信过程中的碰撞概率 (碰撞率)，从而缩短SU感知用时，减少SU资源消耗，提高频谱资源利用率从而实现 提升通信系统整体性能。
现今，已有一些频谱预测的相关研究。比较成熟有效的频谱预测方法有3种，分别是 基于马尔科夫链的频谱预测，基于回归分析的频谱预测，基于神经网络的频谱预测。勃兰 登堡理工大学信息学研究所的Tabassam等人使用一阶马尔可夫模型基于当前PU对授权信道的占用情况来预测下一时刻的信道占用信息，预测准确率很低。田纳西科技大学库克维尔电气与计算机工程系制造研究中心的Chen等人利用实测Wi-Fi数据对隐马尔可夫模型进行了仿真，验证了其性能要优于基于一阶马尔可夫模型的频谱预测技术。南佛罗里达大学电气工程系的Gorcin等人对自回归频谱预测方法进行了理论推导，并利用自回归方法进行了频谱建模和预测，仿真结果表明，除了时间和频率信息，当加入地理位置信息时，可以进一步提高频谱预测的准确率。基于神经网络的频谱预测方法表现出了优于上述方法的性能并在近些年受到了广泛的研究。目前绝大多数有关神经网络应用于频谱预测的研究使用的神经网络模型大都是BP神经网络或改进的BP神经网络。新加坡南洋理工大学计 算机工程学院的Tumuluru等人采用了BP神经网络进行了频谱预测的研究，在其仿真实 验中BP神经网络表现出了较好的性能。中国科学院软件研究所综合信息系统实验室的 Bai针对BP神经网络的收敛速度缓慢和其结构具有不确定性等问题提出基于遗传算法和 动量算法的改进方案。在其仿真实验中，这种改进的BP神经网络的预测精度总是高于 BP神经网络，采用阈值间隔的方法可以进一步提高性能。
但是，现有频谱预测办法存在诸多问题，比如基于马尔科夫链的频谱预测和基于回归 分析的频谱预测预测准确率较低，在某些情况下碰撞率甚至要高于随机选择空闲信道接入 方法的碰撞率。而基于BP神经网络的频谱预测方法虽然预测准确率高于前两者，但需要 训练使用一个全连接的神经网络，训练阶段误差反向传播耗时和预测阶段数据前向传播耗 时都很长，且训练容易陷入局部最优，另外为获得较好泛化性还需要较多的训练样本。并 且，上述方法参数一旦确定下来不易更改，当频谱环境发生变化或者频段内存在动态恶意 干扰时预测准确率会下降，严重时方法可能会失效。
发明内容
针对上述不足，本发明提供一种卷积神经网络经过较短时间的训练即可获得较高预测 准确度及实时地更新网络参数以适应环境的动态变化的认知无线电系统中基于卷积神经网 络的频谱预测方法。
本发明的认知无线电系统中基于卷积神经网络的频谱预测方法，所述方法包括：
步骤1、以周期T对频带F进行不间断地频谱感知，从t0时刻起记录多个频谱感知的信道环境状态矩阵和它们对应的信道空闲时长矢量将t0+kT记 为tk,k＝0,1,…；
表示tk时刻频带F所有信道占用情况，表示从tk+T时刻起各信道的空闲的感知周期数；
步骤2、将记录的多个频谱感知结果矩阵和对应的喂入卷积 神经网络中，对卷积神经网络进行训练，在训练中，用于制作标签；
步骤3、利用训练完成的卷积神经网络不断地根据各个时刻的信道环境状态矩阵预测 出未来空闲概率最大的信道C。
优选的是，所述步骤2中，在卷积神经网络训练过程中，在预测一个感知周期后，在卷积神经网络不断地进行空闲概率最大的信道预测的同时，计算选择所述最优信道接入时的碰撞率，将最优信道接入时的碰撞率与随机选择信道接入时的碰撞率进行比较；当最优信道接入时的碰撞率低于随机选择信道接入时的碰撞率时，改用卷积神经网络作为接入信道选择策略。
优选的是，所述步骤3还包括，在利用卷积神经网络预测时，根据不断获得的信道环 境状态矩阵来训练修正卷积神经网络内的参数。
优选的是，所述步骤3还包括：若预测结果中可用频带的宽度超过设定值，将下 一段时间的所需感知的频带替换为预测结果中部分大概率空闲频段。
优选实施例中，所述步骤2包括：
步骤2.1、将单个信道环境状态矩阵S输入到未训练的卷积神经网络，进行前向传播， 卷积神经网络最终输出O，O用于表征未来一段时间内各信道空闲概率的相对大小；
步骤2.2：使用每个S对应的I制作标签label，标签为一个1×N的矢量且其中的所有 元素和为1，标签制作公式：
其中，n＝1，2,…,N，label_n是标签矢量中第n个元素的值，表示t时刻第n个信道内存在主用户，否则不存在；当时，label_n＝0；N个信道的S所对应的标 签L＝[label_1,label_2，…，label_N]；
在获得每个信道环境状态矩阵S和其对应的标签L后，将S输入卷积神经网络得到输 出O，利用L和所述输出O进行比对，获得误差，利用误差选定学习率后使用梯度下降 法完成对卷积神经网络内参数的训练。
优选的是，所述步骤2.1包括：
将单个信道环境状态矩阵S输入到未训练的卷积神经网络的卷积层：
conv_output＝W*S+b
其中，conv_output是单个信道环境状态矩阵S和卷积核W做卷积后，与对应的偏置项b求和后的矩阵；
之后，将conv_output输入池化层做池化处理：
pool_output＝max(S′)or(∑S′)/(p×p)
其中，矩阵S′是由conv_output矩阵划分成的数个不重叠的，大小为p×p的矩阵，再取S′中元素的最大值或平均值，按其原来在conv_output中的相对位置排列成 pool_output，称为最大值池化矩阵或平均值池化矩阵；
再之后，将pool_output中的每个元素代入激活函数：
或
其中x表示一个pool_output矩阵中的某个元素，act_output表示将这个元素带入激 活函数后的输出；
将激活函数后的输出按其原来在pool_output矩阵中的位置排列，得到激活函数的输 出矩阵activation_output；
而后，将activation_output矩阵输入全连接层，输出为fc_output；
最后，将fc_output输入softmax层进行分类，获得卷积神经网络的最终输出output， output中某一的元素output_n：
O＝[output_1，output_2,…,output_N]，fc_output_j表示fc_output中某一的元素；
Softmax层有将所有输出标准化的作用，使其和为1，且softmax层的输出具有表征未来一段时间内该信道空闲概率的作用。
优选的是，所述步骤2中，对卷积神经网络内参数训练时，学习率为learning_rate， 若当前误差不变，则学习率不变，若当前误差增加为迭代前的α倍，α>1，则将学习率调整为λ1×learning_rate，λ1<1，否则，将学习率调整为λ2×learning_rate，λ2>1。
本发明的有益效果，当利用本发明的方法进行频谱预测时，卷积神经网络经过较短时 间的训练即可获得较高预测准确度，可以很快投入正式使用。并能实时地更新卷积神经网 络中的网络参数以适应环境的动态变化。本发明通过训练一个卷积神经网络(CNN)来实现上述目标。基本流程是，在获得一段时间的频谱感知结果后，利用频谱感知结果训练一个经过设计的神经网络。在完成训练后，将当前的频谱感知结果输入已被训练好的 CNN，根据CNN的输出来选择空闲信道接入。仿真实验结果表明，在不同的用户密度下， 使用基于CNN的频谱预测技术作为信道选择策略时，拥有比现有主流算法更低的碰撞率， 更快的训练速度，并拥有绝大多数现有频谱预测方法所不具备的动态环境适应能力。证实 了本发明方法的有效性、高效性和普适性。
附图说明
图1为本发明方法的原理示意图；
图2(a)至图2(d)为不同PU密度λ下本发明与BP神经网络作为信道选择的预测 方法、随机选择作为信道选择策略碰撞率对比曲线图；
图3(a)至图3(d)为在不同PU密度λ下本发明与BP神经网络作为信道选择策略， 随机选择作为信道选择策略碰撞率降低率对比曲线图；
图4为本发明在对抗恶意动态干扰时的躲避效果图。
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的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组 合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式建立系统数学模型。假设在一片地理区域内，有多个PU使用频段 F＝[f1,f2]进行通信。同时，有一定数量的SU欲使用相同的频段F进行通信。这些SU 不具备频谱感知能力，全部频谱感知任务交由区域内的一个具备认知能力的数据融合中心 A集中完成。数据融合中心A以周期T不断地对频段F进行频谱感知，并依据SU的通信 带宽需求将F分为N个信道分别记为c1,c2,…,cN。在t时刻，数据融合中心A通过一定办 法(如：能量检测)对当前频段F进行频谱感知，之后依据一定判决规则判决出信道 cn,(n＝1,2,…,N)内是否存在PU。若在t时刻，cn内不存在PU，即信道cn可用，记为否则记为并把在t时刻所有信道占用情况定义为t时刻的信道环境状态矢量 显然，这个1×n的矢量中的元素只有0或1。把t-(m-1)T时刻至t时 刻所有的环境状态矢量依序排列在一起定义为信道环境状态矩阵St：
显然，St是一个m×N的矩阵，其中元素也只有0或1。另外，定义一个1×N的信道 空闲时长矢量其中表示信道cn,(n＝1,2,…,N)从t+T 时刻起空闲的感知周期数(注：若则即，若t时刻信道cn内存在PU，则 )。定义其值等于在t时刻后，空闲时长最长的信道编号。定义其值等于 在t时刻后，空闲时长第二长的信道编号。依此类推。用数学模型表示算法目的是，若将 当前时刻记为tc。我们的问题是如何在已知的情况下，预测出并 利用这些预测结果合理分配资源，从而尽可能的减少SU与PU的碰撞，同时避免资源浪 费，最终达到提升系统整体性能的目的。本实施方式使用基于CNN的频谱预测技术可以 完成这个任务步骤。
本实施方式的认知无线电系统中基于卷积神经网络的频谱预测方法，所述方法包括：
步骤1、数据融合中心A以周期T对频带F进行不间断地频谱感知，从t0时刻起记录多个频谱感知的信道环境状态矩阵和它们对应的信道空闲时长矢量将t0+kT记为tk,k＝0,1,…；
表示tk时刻频带F所有信道占用情况，表示从tk+T时刻起各信道的空闲的感知周期数；
步骤2、加载设计好的未经训练的CNN，其中包括各个卷积层的卷积核和偏置，池化层，激活函数，全连接层，输出层。其中卷积层和全连接层内的参数均是按一定经验预 置的随机实数；将记录的多个频谱感知结果矩阵和对应的喂入卷 积神经网络中，对卷积神经网络进行训练，在训练中，用于制作标签；
步骤3、利用训练完成的卷积神经网络不断地根据各个时刻的信道环境状态矩阵预测 出未来空闲概率最大的信道C。
本实施方式首先通过一段时间的频谱感知获得一段时间内频带内各个信道被占用状 态。然后据此获得多个时刻的历史信道环境状态矩阵-未来信道空闲状态矢量对。而 后使用多个信道环境状态矩阵作为数据，以及它们对应的未来信道空闲状态矢量作为标签 训练CNN。最后获得训练好的CNN后，将当前时刻的信道环境状态矩阵输入训练好的CNN，即可输出有关未来信道空闲状态的预测。通过仿真，验证了本方法的有效性。证 实了本方法具有其他频谱预测方法不具备的一些功能以及一定程度上的性能提升。本实施 方式的方法应用场景为认知无线电系统内，可用于预测未来信道空闲状态，从而指导资源 分配和下一阶段频谱感知。
优选实施例中，本实施方式的步骤2中，在卷积神经网络训练过程中，在预测一个感 知周期后，在卷积神经网络不断地进行空闲概率最大的信道预测的同时，计算选择所述最 优信道接入时的碰撞率，将最优信道接入时的碰撞率与随机选择信道接入时的碰撞率进行 比较；当最优信道接入时的碰撞率低于随机选择信道接入时的碰撞率时，改用卷积神经网 络作为接入信道选择策略。
在训练的早期阶段通常碰撞率是要高于随机选择信道接入时的碰撞率的。此时可以选 择随机选择作为信道选择策略。当侦测到较长一段时间基于CNN的频谱预测技术作为信 道选择策略碰撞率低于随机选择信道接入时的碰撞率后再使用基于CNN的频谱预测技术 作为信道选择策略。
优选实施例中，本实施方式的步骤3还包括，在利用卷积神经网络预测时，根据不断 获得的信道环境状态矩阵来训练修正卷积神经网络内的参数。一方面可以继续降低碰撞 率：另一方面，当环境发生变化或环境内存在恶意干扰时继续训练可以使系统根据环境实 时调整参数以获得动态环境适应能力，保证系统的稳定性。
由于是使用带有数据融合中心的信道分配方法，在预测过程中可以按预测出来的未来 一段时间的信道空闲概率将信道排序。当有多个不同性质的SU申请接入时可以按用户重 要等级、业务重要程度或业务耗时合理安排信道资源分配。
除了分配信道躲避干扰，信道预测的结果还可以用于指导下一步的频谱感知，优选实施例中，本实施方式的步骤3还包括：若预测结果中可用频带的宽度超过设定值， 将下一段时间的所需感知频带替换为预测结果中部分大概率空闲频段。
当可用频带较宽的时候，宽带频谱感知的耗时是影响系统整体性能的重要因素。可以利用频谱预测预测未来空闲概率较大的频段，将下一段时间的全频带频谱感知替 换为部分大概率空闲频段频谱感知，以达到缩短频谱感知环节的耗时的目的，从而提 升系统整体性能，降低系统内资源消耗。
优选实施例中，本实施方式的步骤2包括：
步骤2.1、前向传播：
首先，将单个信道环境状态矩阵S输入到未训练的卷积神经网络的卷积层：
conv_output＝W*S+b
其中，conv_output是单个信道环境状态矩阵S和卷积核W做卷积后，与对应的偏置项b求和后的矩阵；
之后，将conv_output输入池化层做池化处理：
pool_output＝max(S′)or(∑S′)/(p×p)
其中，矩阵S′是由conv_output矩阵划分成的数个不重叠的，大小为p×p的矩阵，再取S′中元素的最大值或平均值，按其原来在conv_output中的相对位置排列成 pool_output，称为最大值池化矩阵或平均值池化矩阵；池化层可以起到降采样的作用， 从而减小计算量，减轻过拟合，增强神经网络的泛化性；
再之后，将pool_output中的每个元素代入激活函数：
或
其中x表示一个pool_output矩阵中的某个元素，act_output表示将这个元素带入激 活函数后的输出；
将激活函数后的输出按其原来在pool_output矩阵中的位置排列，得到激活函数的输 出矩阵activation_output；激活函数的意义在于将非线性因素引入整个神经网络模型中， 比起最原始的感知机只能逼近线性模型，CNN能更好地描述实际问题中最常见的非线性 模型。
而后，将activation_output矩阵输入全连接层，其公式和卷积层相同，也是输入数据 和各个权值的乘累加在补充上偏置，全连接层输出fc_output，它是一个1×N的矢量；
最后，将fc_output输入softmax层进行分类，获得卷积神经网络的最终输出output， output中某一的元素output_n：
n＝1,2,…,N，O＝[output_1,output_2，…,output_N]，fc_output_j表示fc_output 中某一的元素；
Softmax层有将所有输出标准化的作用，使其和为1，方便和标签对比求误差。且softmax层的输出具有表征未来一段时间内该信道空闲概率的作用；
在预测时，将当前时刻所有空闲信道对应的信道编号记为集合idle_t，找出最大的 output_n,(n∈idle_t)，此时n即为CNN预测出在未来空闲概率最大的信道C。
步骤2.2、反向传播：
首先，使用每个S对应的I制作标签label，与CNN中所使用的0-1序列型的标签不同。应用于频谱预测的标签应附带每个信道未来空闲时长的信息。根据设计的CNNsoftmax输出层的特性，标签应为一个1×N的矢量且其中的所有元素和为1。将I归一化可以使用 线性归一化方法或非线性归一化方法。在实际训练中发现线性归一化方法训练效果很差。 若直接使用softmax函数将I归一化后，在I中存在某个信道空闲时长较长时，其所对应 的标签近似为0-1序列。故使用下述标签制作公式：
其中，label_n是标签矢量中第k个元素的值，当时，label_n＝0；S所对应 的标签L＝[label_1,label_2,…,label_N]；实际应用时可根据空闲时长的差距调整取对数时对数的底；
在获得每个信道环境状态矩阵S和其对应的标签L后，将S输入卷积神经网络得到输 出O，利用L和所述输出O进行比对，获得误差，利用误差选定学习率后使用梯度下降 法完成对卷积神经网络内参数的训练。
关于CNN的训练，若在实际使用过程中发现神经网络训练耗时很慢或误差陷入震荡， 前者极大可能是由于学习率设置的较小，后者极大可能是由于学习率设置的过大。此时可 使用自适应学习率设置方法。优选实施例中，步骤2中，对卷积神经网络内参数训练时， 学习率为learning_rate，若当前误差不变，则学习率不变，若当前误差增加为迭代前的α 倍，α>1，则将学习率调整为λ1×learning_rate，λ1<1，否则，将学习率调整为 λ2×learning_rate，λ2>1。其中，参数α,λ1，λ2可根据实际情况自行设置。
图2(a)-(d)和图3(a)-(d)为不同PU用户密度λ情况下，本发明基于CNN 的频谱预测信道选择策略和基于BP神经网络的频谱预测信道选择策略，相比于随机选择 空闲信道的信道选择策略的碰撞率和碰撞率降低率百分比。考虑到现有频谱预测方法中以 基于BP神经网络的频谱预测方法最为成熟效果最好，故选择其与本发明方法进行对比。 仿真参数设置为：9个可用信道，根据200个感知周期的感知结果对未来各个信道空闲概 率进行预测。PU出现的位置是基于排队模型设计的，最终每次生成的信道状态矩阵中可 以保证每一时刻9个信道中存在PU的信道数是服从参数为λ的泊松分布的随机变量。其 中基于CNN的频谱预测信道选择策略的碰撞率是从训练过程中开始统计的，而基于BP神 经网络的频谱预测信道选择策略的碰撞率是在完成对BP神经网络的训练后进行测试统计 的。其中碰撞率的计算公式为：
其中jamming_rate(method)为应用某方法预测(或不预测)时的碰撞率，train_step 为CNN训练次数，jamming_times(train_step)为CNN训练次数为train_step时的相应方法 的碰撞次数。碰撞率降低率的公式为：
其中Δjamming_rate(method)为方法method的碰撞率降低率，jamming_rate_0为不 预测时的碰撞率。用与不预测时的碰撞率比较作为性能评估办法。显然，基于BP神经网络的方法性能评估标准要比本专利方法宽松。并且BP神经网络的训练数据量、训练用时 和单次预测用时都要远大于基于CNN的方法。即便如此，从100次蒙特卡洛实验的仿真结 果来看，在λ＝1,2,3,4的条件下本专利方法的碰撞率降低率都要大于基于BP神经网络的 频谱预测方法数倍甚至数十倍。
横向对比不同PU密度时，PU密度越大，各种预测方法的碰撞率降低率都有下降。而本专利方法的碰撞率降低率仍能维持在一个相对较高水平。而基于BP神经网络方法的碰撞率降低率在PU密度较大时已经几乎为0，和随机选择信道接入的碰撞率相差较小，算 法已基本失去意义。可见，本专利方法在进行频谱预测时预测准确率较高且PU密度越大 时本专利方法相对于传统算法优势越大。
图4为本发明在扫频干扰下的干扰躲避效果测试图。仿真条件设置为大功率干扰(图 中白色部分为信道被干扰，黑色部分为信道空闲)每个感知周期可以干扰4个信道，每两 个感知周期所覆盖信道向固定方向变化一次，14个感知周期可以遍历频带内所有信道一 次。用户需要使用9个感知周期的时间传输一个数据包，需要合理预测选择信道以保证传 输一个完整数据包期间不被干扰。仿真结果表明基于本专利方法，经过短暂的训练后，可 以保证在所设置的仿真条件下达到几乎100％的干扰躲避率。
本发明具有以下特点和显著进步：
(1)更短的训练时长就可以达到远低于现有主流算法的碰撞率。
(2)可以实时训练，从而具有较好的动态环境适应能力，并在此能力的支撑下获得现有主流算法所不具备的应对PU密度变化和躲避恶意动态干扰的能力。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例 仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多 修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范 围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要 求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他 所述实施例中。
Claims (7)
1.一种认知无线电系统中基于卷积神经网络的频谱预测方法，其特征在于，所述方法包括：
步骤1、以周期T对频带F进行不间断地频谱感知，从t0时刻起记录多个频谱感知的信道环境状态矩阵和它们对应的信道空闲时长矢量将t0+kT记为tk,k＝0,1,…；
表示tk时刻频带F所有信道占用情况，表示从tk+T时刻起各信道的空闲的感知周期数；
步骤2、将记录的多个频谱感知结果矩阵和对应的喂入卷积神经网络中，对卷积神经网络进行训练，在训练中，用于制作标签；
步骤3、利用训练完成的卷积神经网络不断地根据各个时刻的信道环境状态矩阵预测出未来空闲概率最大的信道C。
2.根据权利要求1所述的频谱预测方法，其特征在于，所述步骤2中，在卷积神经网络训练过程中，在预测一个感知周期后，在卷积神经网络不断地进行空闲概率最大的信道预测的同时，计算选择所述最优信道接入时的碰撞率，将最优信道接入时的碰撞率与随机选择信道接入时的碰撞率进行比较；当最优信道接入时的碰撞率低于随机选择信道接入时的碰撞率时，改用卷积神经网络作为接入信道选择策略。
3.根据权利要求1所述的频谱预测方法，其特征在于，所述步骤3还包括，在利用卷积神经网络预测时，根据不断获得的信道环境状态矩阵来训练修正卷积神经网络内的参数。
4.根据权利要求1所述的频谱预测方法，其特征在于，所述步骤3还包括：若预测结果中可用频带的宽度超过设定值，将下一段时间的所需感知的频带替换为预测结果中部分大概率空闲频段。
5.根据权利要求1或2所述的频谱预测方法，其特征在于，所述步骤2包括：
步骤2.1、将单个信道环境状态矩阵S输入到未训练的卷积神经网络，进行前向传播，卷积神经网络最终输出O，O用于表征未来一段时间内各信道空闲概率的相对大小；
步骤2.2：使用每个S对应的I制作标签label，标签为一个1×N的矢量且其中的所有元素和为1，标签制作公式：
其中，n＝1,2,…,N，label_n是标签矢量中第n个元素的值，表示t时刻第n个信道内存在主用户，否则不存在；当时，label_n＝0；N个信道的S所对应的标签L＝[label_1,label_2,…,label_N]；
在获得每个信道环境状态矩阵S和其对应的标签L后，将S输入卷积神经网络得到输出O，利用L和所述输出O进行比对，获得误差，利用误差选定学习率后使用梯度下降法完成对卷积神经网络内参数的训练。
6.根据权利要求5所述的频谱预测方法，其特征在于，所述步骤2.1包括：
将单个信道环境状态矩阵S输入到未训练的卷积神经网络的卷积层：
conv_output＝W*S+b
其中，conv_output是单个信道环境状态矩阵S和卷积核W做卷积后，与对应的偏置项b求和后的矩阵；
之后，将conv_output输入池化层做池化处理：
pool_output＝max(S′)or(∑S′)/(p×p)
其中，矩阵S′是由conv_output矩阵划分成的数个不重叠的，大小为p×p的矩阵，再取S′中元素的最大值或平均值，按其原来在conv_output中的相对位置排列成pool_output，称为最大值池化矩阵或平均值池化矩阵；
再之后，将pool_output中的每个元素代入激活函数：
或
其中x表示一个pool_output矩阵中的某个元素，act_output表示将这个元素带入激活函数后的输出；
将激活函数后的输出按其原来在pool_output矩阵中的位置排列，得到激活函数的输出矩阵activation_output；
而后，将activation_output矩阵输入全连接层，输出为fc_output；
最后，将fc_output输入softmax层进行分类，获得卷积神经网络的最终输出output，output中某一的元素output_n：
O＝[output_1,output_2,…,output_N]，fc_output_j表示fc_output中某一的元素；
Softmax层有将所有输出标准化的作用，使其和为1，且softmax层的输出具有表征未来一段时间内该信道空闲概率的作用。
7.根据权利要求5所述的频谱预测方法，其特征在于，所述步骤2中，对卷积神经网络内参数训练时，学习率为learning_rate，若当前误差不变，则学习率不变，若当前误差增加为迭代前的α倍，α>1，则将学习率调整为λ1×learning_rate，λ1<1，否则，将学习率调整为λ2×learning_rate，λ2>1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811198367.3A CN109245840B (zh) | 2018-10-15 | 2018-10-15 | 认知无线电系统中基于卷积神经网络的频谱预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811198367.3A CN109245840B (zh) | 2018-10-15 | 2018-10-15 | 认知无线电系统中基于卷积神经网络的频谱预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109245840A true CN109245840A (zh) | 2019-01-18 |
| CN109245840B CN109245840B (zh) | 2021-02-02 |
Family
ID=65052877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811198367.3A Active CN109245840B (zh) | 2018-10-15 | 2018-10-15 | 认知无线电系统中基于卷积神经网络的频谱预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109245840B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110138480A (zh) * | 2019-03-11 | 2019-08-16 | 全球能源互联网研究院有限公司 | 训练频谱感知模型的方法及系统、频谱感知方法及系统 |
| CN111010695A (zh) * | 2019-12-12 | 2020-04-14 | 国网新疆电力有限公司信息通信公司 | 基于信道空闲时长预测的信道分配方法 |
| CN111431645A (zh) * | 2020-03-30 | 2020-07-17 | 中国人民解放军国防科技大学 | 一种基于小样本训练神经网络的频谱感知方法 |
| CN111614421A (zh) * | 2020-05-19 | 2020-09-01 | 重庆邮电大学 | 一种基于非监督式机器学习分类算法的频谱感知方法 |
| CN111726217A (zh) * | 2020-06-29 | 2020-09-29 | 中南大学 | 基于深度强化学习的宽带无线通信自主选频方法及系统 |
| CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
| CN112383369A (zh) * | 2020-07-23 | 2021-02-19 | 哈尔滨工业大学 | 基于cnn-lstm网络模型的认知无线电多信道频谱感知方法 |
| CN112688746A (zh) * | 2020-12-14 | 2021-04-20 | 中山大学 | 一种基于时空数据的频谱预测方法 |
| CN112702132A (zh) * | 2020-12-23 | 2021-04-23 | 重庆邮电大学 | 一种基于卷积神经网络分类器的宽带频谱感知方法 |
| CN113014340A (zh) * | 2021-02-22 | 2021-06-22 | 南京邮电大学 | 一种基于神经网络的卫星频谱资源动态分配方法 |
| CN113095162A (zh) * | 2021-03-24 | 2021-07-09 | 杭州电子科技大学 | 一种基于半监督深度学习的频谱感知方法 |
| CN114128348A (zh) * | 2019-07-16 | 2022-03-01 | 华为技术有限公司 | 一种预测异频信息的深度学习方法 |
| WO2022142573A1 (zh) * | 2020-12-29 | 2022-07-07 | 华为技术有限公司 | 一种信道接入方法和装置 |
| CN115209418A (zh) * | 2022-06-13 | 2022-10-18 | 海南大学 | 一种基于预训练基础模型的智能宽带频谱感知技术 |
| CN115276854A (zh) * | 2022-06-16 | 2022-11-01 | 宁波大学 | 基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法 |
| CN115276856A (zh) * | 2022-06-16 | 2022-11-01 | 宁波大学 | 一种基于深度学习的信道选择方法 |
| CN115549823A (zh) * | 2022-11-23 | 2022-12-30 | 中国人民解放军战略支援部队航天工程大学 | 一种无线电环境地图预测方法 |
| CN118041471A (zh) * | 2024-04-11 | 2024-05-14 | 成都信息工程大学 | 基于机器学习逻辑回归算法的频谱感知方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103517283A (zh) * | 2012-06-29 | 2014-01-15 | 电信科学技术研究院 | 认知无线电系统中的频谱感知方法和设备 |
| CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
-
2018
- 2018-10-15 CN CN201811198367.3A patent/CN109245840B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103517283A (zh) * | 2012-06-29 | 2014-01-15 | 电信科学技术研究院 | 认知无线电系统中的频谱感知方法和设备 |
| CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZHU HAN等: "Spectrum Occupancy Prediction in Coexisting Wireless Systems Using Deep Learning", 《2018 IEEE 88TH VEHICULAR TECHNOLOGY CONFERENCE (VTC-FALL)》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110138480A (zh) * | 2019-03-11 | 2019-08-16 | 全球能源互联网研究院有限公司 | 训练频谱感知模型的方法及系统、频谱感知方法及系统 |
| CN114128348B (zh) * | 2019-07-16 | 2023-05-23 | 华为技术有限公司 | 一种预测异频信息的深度学习方法 |
| CN114128348A (zh) * | 2019-07-16 | 2022-03-01 | 华为技术有限公司 | 一种预测异频信息的深度学习方法 |
| CN111010695A (zh) * | 2019-12-12 | 2020-04-14 | 国网新疆电力有限公司信息通信公司 | 基于信道空闲时长预测的信道分配方法 |
| CN111431645B (zh) * | 2020-03-30 | 2022-02-08 | 中国人民解放军国防科技大学 | 一种基于小样本训练神经网络的频谱感知方法 |
| CN111431645A (zh) * | 2020-03-30 | 2020-07-17 | 中国人民解放军国防科技大学 | 一种基于小样本训练神经网络的频谱感知方法 |
| CN111614421A (zh) * | 2020-05-19 | 2020-09-01 | 重庆邮电大学 | 一种基于非监督式机器学习分类算法的频谱感知方法 |
| CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
| CN111726217A (zh) * | 2020-06-29 | 2020-09-29 | 中南大学 | 基于深度强化学习的宽带无线通信自主选频方法及系统 |
| CN112383369A (zh) * | 2020-07-23 | 2021-02-19 | 哈尔滨工业大学 | 基于cnn-lstm网络模型的认知无线电多信道频谱感知方法 |
| CN112688746A (zh) * | 2020-12-14 | 2021-04-20 | 中山大学 | 一种基于时空数据的频谱预测方法 |
| CN112688746B (zh) * | 2020-12-14 | 2021-11-30 | 中山大学 | 一种基于时空数据的频谱预测方法 |
| CN112702132A (zh) * | 2020-12-23 | 2021-04-23 | 重庆邮电大学 | 一种基于卷积神经网络分类器的宽带频谱感知方法 |
| WO2022142573A1 (zh) * | 2020-12-29 | 2022-07-07 | 华为技术有限公司 | 一种信道接入方法和装置 |
| CN113014340A (zh) * | 2021-02-22 | 2021-06-22 | 南京邮电大学 | 一种基于神经网络的卫星频谱资源动态分配方法 |
| CN113095162A (zh) * | 2021-03-24 | 2021-07-09 | 杭州电子科技大学 | 一种基于半监督深度学习的频谱感知方法 |
| CN115209418A (zh) * | 2022-06-13 | 2022-10-18 | 海南大学 | 一种基于预训练基础模型的智能宽带频谱感知技术 |
| CN115276854A (zh) * | 2022-06-16 | 2022-11-01 | 宁波大学 | 基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法 |
| CN115276856A (zh) * | 2022-06-16 | 2022-11-01 | 宁波大学 | 一种基于深度学习的信道选择方法 |
| CN115276856B (zh) * | 2022-06-16 | 2023-09-29 | 宁波大学 | 一种基于深度学习的信道选择方法 |
| CN115276854B (zh) * | 2022-06-16 | 2023-10-03 | 宁波大学 | 基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法 |
| CN115549823A (zh) * | 2022-11-23 | 2022-12-30 | 中国人民解放军战略支援部队航天工程大学 | 一种无线电环境地图预测方法 |
| CN115549823B (zh) * | 2022-11-23 | 2023-04-07 | 中国人民解放军战略支援部队航天工程大学 | 一种无线电环境地图预测方法 |
| CN118041471A (zh) * | 2024-04-11 | 2024-05-14 | 成都信息工程大学 | 基于机器学习逻辑回归算法的频谱感知方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109245840B (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109245840A (zh) | 认知无线电系统中基于卷积神经网络的频谱预测方法 | |
| Li et al. | Artificial bee colony algorithm with memory | |
| US20230385617A1 (en) | Signal processing method for neuron in spiking neural network and method for training said network | |
| Amjady et al. | Day-ahead electricity price forecasting by modified relief algorithm and hybrid neural network | |
| Zhu et al. | Prediction of total organic carbon content in shale reservoir based on a new integrated hybrid neural network and conventional well logging curves | |
| Zhou et al. | Fine tuning support vector machines for short-term wind speed forecasting | |
| Amjady et al. | Electricity market price spike analysis by a hybrid data model and feature selection technique | |
| CN109302262A (zh) | 一种基于深度确定梯度强化学习的通信抗干扰方法 | |
| CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
| CN112329948B (zh) | 一种多智能体策略预测方法及装置 | |
| Zhang et al. | A hybrid biogeography-based optimization and fireworks algorithm | |
| Chen et al. | Group‐based chaos genetic algorithm and non‐linear ensemble of neural networks for short‐term load forecasting | |
| CN110417607B (zh) | 一种流量预测方法、装置及设备 | |
| CN104091206B (zh) | 基于演化博弈论的社交网络信息传播预测方法 | |
| CN109544197A (zh) | 一种用户流失预测方法和装置 | |
| CN107517481A (zh) | 一种基站负载均衡的管理方法及系统 | |
| CN110069815A (zh) | 指标体系构建方法、系统及终端设备 | |
| CN110519816A (zh) | 一种无线漫游控制方法、装置、存储介质及终端设备 | |
| CN110232444A (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
| Pilát et al. | Aggregate meta-models for evolutionary multiobjective and many-objective optimization | |
| CN106600042A (zh) | 一种手机用户上网时段预测方法 | |
| Yang et al. | Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM | |
| Lai et al. | Understanding drivers' route choice behaviours in the urban network with machine learning models | |
| Wu et al. | Automatic fuzzy model identification for short-term load forecast | |
| CN114124260A (zh) | 基于复合2d-lstm网络的频谱预测方法、装置、介质及设备 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Jia Min Inventor after: Zhang Liang Inventor after: Sun Jintian Inventor after: Guo Qing Inventor after: Ren Guanghui Inventor after: Liu Xiaofeng Inventor after: Gu Xuemai Inventor before: Guo Qing Inventor before: Sun Jintian Inventor before: Jia Min Inventor before: Ren Guanghui Inventor before: Liu Xiaofeng Inventor before: Gu Xuemai |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |