CN109286458A - 基于模糊支持向量机的合作频谱感知方法 - Google Patents
基于模糊支持向量机的合作频谱感知方法 Download PDFInfo
- Publication number
- CN109286458A CN109286458A CN201811286532.0A CN201811286532A CN109286458A CN 109286458 A CN109286458 A CN 109286458A CN 201811286532 A CN201811286532 A CN 201811286532A CN 109286458 A CN109286458 A CN 109286458A
- Authority
- CN
- China
- Prior art keywords
- frequency spectrum
- energy
- data
- training
- support vector
- 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.)
- Pending
Links
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
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于模糊支持向量机的合作频谱感知方法,包括下列步骤:各个认知用户同时对感知信道进行感知,所有的SU传输自己感知到的能量值到融合中心FU,FU将各个能量值组合为能量向量,建立能量向量集;使用K‑means聚类算法计算训练能量向量集的两个数据类别中心点和,分别代表信道内有主用户和信道内没有主用户两种情况,通过计算训练数据点与对应类别数据中心点的欧氏距离大小,得到该数据点的隶属度参数;将训练能量向量集和与对应隶属度参数使用支持向量机训练,得到最优的频谱感知分类器。
Description
技术领域
本发明属于合作频谱感知领域,采用感知用户分布二维空间的通信模型来训练分类器,得到最优的频谱感知分类器。
背景技术
近年来,认知无线电技术由于可以提高频谱利用率而得到了越来越多的重视。通信设备使用认知无线电技术可以实时感知当前通信环境,智能快速的调整通信参数,并允许次用户(SecondUser,SU)在主用户(PrimaryUser,PU)没有占用该频段时接入该频段通信,最大化频谱资源利用率。频谱感知准确度对认知无线电系统性能至关重要。
传统的频谱感知算法分为独立式频谱感知算法和合作式频谱感知算法。独立式频谱感知算法主要有三种:能量法、循环平稳检测法和匹配滤波器检测法;合作式频谱感知算法是在独立式频谱感知算法的基础上,各个SU将感知结果提交到融合中心(FusionCenter,FC),并由FU通过某种规则计算得到频谱感知结果。判断规则主要分为两类:硬判决和软判决,硬判决:各个SU设备将感知结果(0或者1)传输给FU,由FU做出判断。也存在一种软化的硬融合算法,通过向FU传输两位数据(00,01,10,11),而不是(0,1)来提高频谱感知准确度。软判决:各个SU将感知数据传送到FU,由FU得出频谱感知结果。当SU和PU存在相对位置关系时,各个SU接受到的信号强度由于位置关系存在较大差异。相对于传统的合作频谱感知算法,基于学习的合作频谱感知算法由于学习特性可以有效的克服上述影响。将支持向量机(SupportVectorMachine,SVM)应用于频谱感知的主要原因:
[1]SVM和频谱感知都是将数据分为两类:SVM是根据数据点与分类面的相对位置将数据分为两类,合作频谱感知是将通信频段分为未被PU占用和已被PU占用两种情况。
[2]用于SVM训练和分类的数据向量是合作频谱感知中各个SU在单位时间内感知到的信号强度组成的能量向量。
[3]在复杂多变的通信环境下,SVM由于良好的学习特性,可以有效提升感知准确度。
发明内容
本发明提供一种基于模糊支持向量机的合作频谱感知方法,可以有效提升感知准确度。技术方案如下:
一种基于模糊支持向量机的合作频谱感知方法,包括下列步骤:
(1)各个认知用户同时对感知信道进行感知,认知无线电网络中的主用户PU共享同一频段通信,有N个次用户SU,SU均匀分布在二维空间中,M个PU也分布在二维空间中,并按一定概率占用频段通信,Yn为第n个SU的信号采样值,由PU信号采样和高斯噪声组成,所有的SU传输自己感知到的能量值到融合中心FU,FU将各个能量值组合为能量向量,建立能量向量集:Y=(Y1,...,YN)T;
(2)使用K-means聚类算法计算训练能量向量集的两个数据类别中心点和分别代表信道内有主用户和信道内没有主用户两种情况,通过计算训练数据点与对应类别数据中心点的欧氏距离大小,得到该数据点的隶属度参数sl;
(3)将训练能量向量集和与对应隶属度参数使用支持向量机训练,得到最优的频谱感知分类器f(x)=ωTx+b,x为待判断类别的能量向量,ω为分类面法向量,b为分类面与远点距离,ω和b代表分类面的位置,f(x)>0,频段可用,反之,频段不可用;
(4)在判决阶段,将待判决频段的数据采样能量向量输入到频谱感知分类器中,得到待判决频段频谱感知结果。
附图说明
图1本发明场景图。
图2本发明中频谱感知系统模型。
图3本发明中算法1伪代码。
图4使用本发明的算法性能对比图。
具体实施方式
下面结合附图对本发明所述的一种基于模糊支持向量机的合作频谱感知方法做进一步的描述。
在将SVM用于合作感知的过程中,所有的数据点对于分类面的确定权重是一样的,但在SU和PU分布在二维的空间中且存在相对的位置关系时,噪声和野点对数据分类面的影响较大。为了解决所有数据点对分类面的确定权重相同的问题,本发明将模糊支持向量机(Fuzzy SupportVectorMachine,FSVM)用于合作频谱感知。FSVM是SVM的变体,增加了隶属度参数,每个数据向量的隶属度参数表示该数据点对分类面的位置贡献程度大小。本发明使用K-means算法的思想计算出训练向量的中心点,再通过数据向量和中心点欧式距离得到该数据点的隶属度参数。在训练阶段,数据点和该数据点隶属度参数通过FSVM训练得到分类面。在判别阶段,将待分类数据与分类面比较,得到待分类数据的分类结果。
场景:假定认知无线电网络中的主用户(PU)共享同一频段通信,有N个次用户(SU),。SU均匀的分布在二维空间中,各个SU被相应的标记为n=1,...,N,位置向量代表第n个SU的位置,多个PU分布在二维空间中,并按一定概率占用频段通信。存在M个PU,标记为m=1,...,M,位置向量代表第m个PU的位置。Sm代表第m个PU的通信状态,Sm=1表示第m个PU处于通信状态,Sm=0代表第m个PU处于未通信状态。S=(S1,...,SM)T表示所有PU的通信状态每个SU感知的信号量提交到融合中心(FU),FU将各个能量值组合为能量向量。
1、能量向量建立:假定频段带宽ω,感知时长τ,采样个数ωτ,Zn(i)代表SUn的第i个采样值。信号采样值由所有通信中的PU信号采样和高斯噪声组成:hm,n表示从PUm到SUn的信道增益,Xm(i)表示PU的传输信号,Nn(i)表示SU接收到的高斯噪声。Yn表示SUn的能量值:所有的SU传输自己感知到的能量值到FU,FU组成能量向量:Y=(Y1,...,YN)T,Yn服从自由度为q=2ωτ的非中心卡方分布,非中心参数:gm,n代表信道衰减,gm,n=|hm,n|2,ρm表示PUm的能量值,gm,n的计算公式:||·||表示欧几里得距离,PL(d)=d-α表示距离为d,路径损失参数为α的路径损失,ψm,n表示阴影衰落,νm,n表示多径衰落。本发明假定PU和SU是静态的,阴影衰落和多径衰落在采样过程中都是静态(ψm,n和νm,n不变)。
2、计算隶属度参数:K-means可以将训练能量数据集分为2类,C={ck|i=1,2},ck代表第k类数据的能量数据集,每一类数据ck都有一个类别中心点 其中N(T)表示集合T中向量的个数,K=2,K-mean算法的目标是使各类数据类内总距离最小。为了求数据类别中心点。我们使用图3算法1的迭代算法。则该类样本点距该类中心点的最大距离:距离模糊隶属度:
3、FSVM训练得到最优频谱感知系统参数:标准SVM是对所有的输入样本数据同等对待,对噪声点很敏感。FSVM对每个样本引入一个模糊隶属度参数。隶属度参数代表每个样本对分类超平面的贡献程度大小,与传统SVM相比,FSVM能更好地减少噪声点和野点的影响,提高分类精度。引入的隶属度参数sl(0<si<1,i=1,2,…,n),slδ(l)是FSVM中带权重的松弛因子。最优分类面的目标函数:
δ(l)≥0l=1,…,L
通过构造拉格朗日函数,得到上式的对偶规划:
通过对其对偶问题的求解求得分类面公式:
Claims (1)
1.一种基于模糊支持向量机的合作频谱感知方法,包括下列步骤:
(1)各个认知用户同时对感知信道进行感知,认知无线电网络中的主用户PU共享同一频段通信,有N个次用户SU,SU均匀分布在二维空间中,M个PU也分布在二维空间中,并按一定概率占用频段通信,Yn为第n个SU的信号采样值,由PU信号采样和高斯噪声组成,所有的SU传输自己感知到的能量值到融合中心FU,FU将各个能量值组合为能量向量,建立能量向量集:Y=(Y1,...,YN)T;
(2)使用K-means聚类算法计算训练能量向量集的两个数据类别中心点和分别代表信道内有主用户和信道内没有主用户两种情况,通过计算训练数据点与对应类别数据中心点的欧氏距离大小,得到该数据点的隶属度参数sl;
(3)将训练能量向量集和与对应隶属度参数使用支持向量机训练,得到最优的频谱感知分类器f(x)=ωTx+b,x为待判断类别的能量向量,ω为分类面法向量,b为分类面与远点距离,ω和b代表分类面的位置,f(x)>0,频段可用,反之,频段不可用;
(4)在判决阶段,将待判决频段的数据采样能量向量输入到频谱感知分类器中,得到待判决频段频谱感知结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811286532.0A CN109286458A (zh) | 2018-10-31 | 2018-10-31 | 基于模糊支持向量机的合作频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811286532.0A CN109286458A (zh) | 2018-10-31 | 2018-10-31 | 基于模糊支持向量机的合作频谱感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109286458A true CN109286458A (zh) | 2019-01-29 |
Family
ID=65174648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811286532.0A Pending CN109286458A (zh) | 2018-10-31 | 2018-10-31 | 基于模糊支持向量机的合作频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109286458A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110808797A (zh) * | 2019-10-12 | 2020-02-18 | 天津大学 | 一种基于概率向量和模糊支持向量机的协作频谱感知方法 |
CN112422213A (zh) * | 2020-11-11 | 2021-02-26 | 杭州电子科技大学 | 一种基于支持向量机的高效频谱感知方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045765B (zh) * | 2010-12-07 | 2013-09-25 | 南京邮电大学 | 认知的无线网络视频流传输方法 |
CN103795477A (zh) * | 2014-01-09 | 2014-05-14 | 南京邮电大学 | 基于支持向量机的宽带频谱压缩感知方法 |
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
CN107770108A (zh) * | 2017-10-23 | 2018-03-06 | 佛山科学技术学院 | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 |
CN108242961A (zh) * | 2017-12-29 | 2018-07-03 | 南京航空航天大学 | 基于集成学习的全双工认知无线电网络合作频谱感知方法 |
US20180284744A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for a noise pattern data marketplace in an industrial internet of things environment |
-
2018
- 2018-10-31 CN CN201811286532.0A patent/CN109286458A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045765B (zh) * | 2010-12-07 | 2013-09-25 | 南京邮电大学 | 认知的无线网络视频流传输方法 |
CN103795477A (zh) * | 2014-01-09 | 2014-05-14 | 南京邮电大学 | 基于支持向量机的宽带频谱压缩感知方法 |
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
US20180284744A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for a noise pattern data marketplace in an industrial internet of things environment |
CN107770108A (zh) * | 2017-10-23 | 2018-03-06 | 佛山科学技术学院 | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 |
CN108242961A (zh) * | 2017-12-29 | 2018-07-03 | 南京航空航天大学 | 基于集成学习的全双工认知无线电网络合作频谱感知方法 |
Non-Patent Citations (2)
Title |
---|
VAIBHAV KUMAR等: "K-mean clustering based cooperative spectrum sensing in generalized к-μ fading channels", 《IEEE》 * |
聂勇等: "基于支持向量机和噪声估计的宽带频谱感知方法", 《电子测量技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110808797A (zh) * | 2019-10-12 | 2020-02-18 | 天津大学 | 一种基于概率向量和模糊支持向量机的协作频谱感知方法 |
CN112422213A (zh) * | 2020-11-11 | 2021-02-26 | 杭州电子科技大学 | 一种基于支持向量机的高效频谱感知方法 |
CN112422213B (zh) * | 2020-11-11 | 2022-06-14 | 杭州电子科技大学 | 一种基于支持向量机的高效频谱感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Device-free presence detection and localization with SVM and CSI fingerprinting | |
Zhou et al. | CSI fingerprinting with SVM regression to achieve device-free passive localization | |
Wang et al. | Deep learning for signal demodulation in physical layer wireless communications: Prototype platform, open dataset, and analytics | |
WO2022057268A1 (zh) | 基站节能策略确定方法、装置以及存储介质 | |
CN106792808A (zh) | 一种基于信道状态信息的室内环境下视距路径识别方法 | |
CN103763706B (zh) | 基于分簇的协作频谱感知模糊融合方法 | |
CN110460401B (zh) | 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法 | |
He et al. | State-aware rate adaptation for UAVs by incorporating on-board sensors | |
CN108242961B (zh) | 基于集成学习的全双工认知无线电网络合作频谱感知方法 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN108242946A (zh) | 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法 | |
EP4084365A1 (en) | Channel identification method and apparatus, transmission method, transmission device, base station, and medium | |
CN107451605A (zh) | 一种基于信道状态信息和支持向量机的简单目标识别方法 | |
CN113727420B (zh) | 一种多模接入网络选择装置及方法 | |
CN109286458A (zh) | 基于模糊支持向量机的合作频谱感知方法 | |
Norouzi et al. | Adaptive modulation recognition based on the evolutionary algorithms | |
Zhang et al. | Utilizing CSI and RSSI to achieve high-precision outdoor positioning: A deep learning approach | |
Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
Tsai et al. | Refined autoencoder-based CSI hidden feature extraction for indoor spot localization | |
CN108055096B (zh) | 基于信号和噪声特征检测的频谱感知方法 | |
CN115066698A (zh) | 用于主分量载波的使用信道测量数据的装置、方法和计算机程序 | |
Sanam et al. | Device free indoor localization using discriminant features of CSI a canonical correlation paradigm | |
CN110365434A (zh) | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 | |
CN116047404A (zh) | 一种基于Pmusic谱峰图的到达角测量方法 | |
Chen et al. | SVM and decision stumps based hybrid AdaBoost classification algorithm for cognitive radios |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |
|
RJ01 | Rejection of invention patent application after publication |