CN109379153A - 一种频谱感知方法 - Google Patents

Abstract

本发明属于无线通信技术领域，涉及一种频谱感知方法，更具体的说是涉及一种基于协方差感知的深度卷积神经网络架构的频谱感知方法。本发明的方法主要包括：采样：通过M元多天线系统采集N个时刻的观测向量，记为X；获取检测统计量：构建基于深度神经网络的检测统计量模型，采用步骤S1获得的数据进行训练，得到训练好的深度神经网络模型，根据获得的观测向量，获得检测统计量T(X)；判决：将检测统计量与阈值γ进行比较：如果T(X)>γ，判为主用户信号存在；否则，判为主用户信号不存在。

Description

一种频谱感知方法

技术领域

本发明属于无线通信技术领域，涉及一种频谱感知方法，更具体的说是涉及一种基于协方差感知的深度卷积神经网络架构的频谱感知方法。

背景技术

随着无线通信业务的飞速发展，人们对频谱资源有着越来越大的需求，巨大的频谱需求导致可用频谱资源越来越稀缺。传统的频率固定分配方式致使大部分现有频段的利用率偏低，这一现象在全球范围内也很普遍。面对频谱危机，认知无线电技术应运而生，它的基本思想是频谱共享或频谱复用。因此，检测频谱空穴的频谱感知技术成为认知无线电实现动态频谱接入的重要前提和核心环节。

检测统计量的设计直接影响着频谱感知的性能，现有的频谱感知算法主要利用基于统计模型的检测统计量进行检测。这些模型驱动算法的一个主要缺点就是算法性能高度依赖于检测统计量模型的准确性，一旦统计模型存在不确定度或者不能获得，算法的性能急剧下降或者失效。

发明内容

本发明的目的，就是针对上述问题，利用深度学习技术研究检测统计量的设计，提出一种基于协方差感知的深度卷积神经网络(Covariance Matrix-Aware DeepConvolutional Neural Network,CM-CNN)架构，并提出了基于CM-CNN的频谱感知算法。

本发明采用的技术方案为：

一种频谱感知方法，所述频谱感知方法基于协方差感知的深度卷积神经网络架构，其特征在于，包括以下步骤：

S1、采样：通过M元多天线系统采集N个时刻的观测向量，记为X；

S2、获取检测统计量：利用基于协方差感知的深度卷积神经网络架构，构建检测统计量模型，采用步骤S1获得的数据进行训练，得到训练好的深度神经网络模型，根据获得的观测向量，获得检测统计量T(X)；

所述基于协方差感知的深度卷积神经网络架构由一个输入层、多个卷积层和池化层、以及多个全连接层组成，其输入层S₀的采样协方差矩阵

是一个M×M的复数矩阵，可以用两个通道分别描述协方差矩阵的实部和虚部，令S₀(i；j；λ)表示第S₀层第λ个通道在位置(i；j)上的元素，得到：

S₀(i；j；0)＝(Real(R_x(N)))_i,j

S₀(i；j；1)＝(Imag(R_x(N)))_i,j

其中，Real(·)和Imag(·)分别表示实部和虚部，(·)_i,j表示第i行，第j列的元素；

CM-CNN的输出为：

其中，H₁和H₀分别代表主用户存在和主用户不存在两种假设检验：

H₁:x(n)＝s(n)+u(n)

H₀:x(n)＝u(n)

x(n)＝[x₁(n),x₂(n),…,x_M(n)]^T表示第n个观测向量，n＝0,1,…,N-1，其中x_m(n)是在第m个天线的第n个离散时间采样，m＝1,2,…,M，s(n)表示信号向量，u(n)表示均值为0，协方差为的独立同分布圆对称复高斯向量，表示噪声方差；

S3、判决：将检测统计量与阈值γ进行比较：如果T(X)>γ，判为主用户信号存在；否则，判为主用户信号不存在。

本发明提出了一种基于协方差感知的深度卷积神经网络(Covariance Matrix-Aware Deep Convolutional Neural Network,CM-CNN)架构，并将其应用于上述基于深度神经网络的检测机制，提出了基于CM-CNN的频谱感知算法，主要包括离线训练和在线检测，其特征在于：

基于协方差感知的深度CNN架构：CM-CNN由一个输入层、若干个卷积层和池化层、以及若干个全连接层组成。采样协方差矩阵R_x(N)的实部和虚部分别送入输入层的通道1和通道2(也可以是任何基于协方差矩阵的输入)，经过若干个隐藏层，到达最后一个全连接层，该全连接层作为输出，是一个2×1维的类分数向量，代表输入样本对应的两种假设概率。对于不同的多天线系统，天线个数和采样点个数可能改变采样协方差矩阵维度。由于CNN的可扩展性，仍可以基于所提出的CM-CNN架构，相应的改变输入维度，通过微调得到不同系统下的CM-CNN。因此，所提CM-CNN架构开发了一系列使用协方差矩阵(或基于协方差矩阵)作为输入的CNN模型。

基于CM-CNN的频谱感知算法：基于频谱感知模型，利用CM-CNN架构训练检测统计量，提出一种基于CM-CNN的频谱感知算法。该算法主要包括离线训练和在线检测：离线模块主要负责检测统计量设计，将采样协方差矩阵送入CM-CNN进行训练，设计基于CM-CNN的检测统计量T_CM-CNN；在线模块主要负责检测，将训练好的检测统计量与检测阈值进行比较，给出判决结果。

本发明的CM-CNN架构不局限于频谱感知系统，任何相关的检测或估计问题(如无线通信系统调制识别、信号检测与信道估计等问题)都可以使用。

本发明的有益效果为：本发明提出的CM-CNN架构可以充分捕捉协方差矩阵的特征，基于CM-CNN的频谱感知算法所取得的性能可以达到传统最优算法的性能；本发明理论上分析并证明了在信号为独立同分布的圆对称复高斯变量的情况下，所提算法的检测统计量等价于最优估计器-相关器算法的统计量。

附图说明

图1示出了基于模型驱动的频谱感知框架；

图2示出了本发明所提的CM-CNN架构；

图3示出了本发明所提的基于CM-CNN的频谱感知算法；

图4示出了本发明所提频谱感知算法的检测统计量分析框图；

图5示出了本发明所提频谱感知算法与传统算法在高斯噪声背景下的接收机工作特性曲线；

图6示出了本发明所提频谱感知算法与传统算法在海杂波背景下的接收机工作特性曲线。

具体实施方式

下面结合附图和仿真示例对本发明进行详细描述，以便本领域的技术人员能够更好地理解本发明。

考虑一个多天线认知无线电场景。如图1所示，一个认知无线电终端通过M元天线系统采集N个观测向量进行频谱感知。令x(n)＝[x₁(n),x₂(n),…,x_M(n)]^T表示第n个观测向量(n＝0,1,…,N-1)，其中x_m(n)是在第m个天线的第n个离散时间采样。因此，多天线下的频谱感知问题可以表示为一个二元假设检验问题：

其中，H₁和H₀分别代表主用户存在和主用户不存在两种假设检验，s(n)表示信号向量，u(n)表示均值为0，协方差为的独立同分布圆对称复高斯(CSCG)向量，表示噪声方差。

本发明提出了一种基于协方差感知的深度卷积神经网络(CM-CNN)架构，并将其应用于解决认知无线电的频谱感知问题，提出了一种基于CM-CNN的频谱感知算法。

(1)基于协方差感知的深度卷积神经网络(CM-CNN)架构(如图2)

输入层S₀：采样协方差矩阵

是一个M×M的复数矩阵。可以用两个通道分别描述协方差矩阵的实部和虚部。令S₀(i；j；λ)表示第S₀层第λ个通道在位置(i；j)上的元素，可以得到：

S₀(i；j；0)＝(Real(R_x(N)))_i,j (3)

和

S₀(i；j；1)＝(Imag(R_x(N)))_i,j (4)

其中，Real(·)和Imag(·)分别表示实部和虚部，(·)_i,j表示第i行，第j列的元素。

卷积层C₁：第一个卷积层有20个特征图，选择5×5的核与S₀层进行卷积，得到：

其中，C₁(i,j,λ)表示第C₁层第λ个特征图在位置(i；j)上的元素，K_λ表示对应于第λ个特征图的核，f_R(t)＝max(0,t)表示ReLU函数。

池化层S₁：第一个池化层由20个特征图组成：

S₁(i；j；λ)＝max(C₁(2i-1,2j-1,λ),C₁(2i-1,2j,λ),C₁(2i,2j-1,λ),C₁(2i,2j,λ))(6)

卷积层C₂：第二个卷积层由50个特征图组成：

池化层S₂：第二个池化层由50个特征图组成：

S₂(i；j；λ)＝max(C₂(2i-1,2j-1,λ),C₂(2i-1,2j,λ),C₂(2i,2j-1,λ),C₂(2i,2j,λ))

(8)

全连接层F₁：第一个全连接层F₁由500个神经元组成。

全连接层F₂：第二个全连接层F₂是一个2×1维的类分数向量，则CM-CNN的输出可以表示为

基于以上分析，表1描述了一种CM-CNN的实现方法

表1本发明所提CM-CNN超参数

(2)基于CM-CNN的频谱感知算法(如图3)

离线训练：给定训练集

其中，表示R_x(N)的集合，Z表示标签z的集合，而且z∈{0,1}表示H₀或H₁。这样，代表第k个训练集的样本(k＝1,2,…,K)。代价函数为

基于代价函数，可以通过反向传播算法逐步更新CM-CNN的参数，最终得到训练好的CM-CNN：

其中，表示以R为输入的训练好的CM-CNN，表示对应于H_i的类分数。由于类分数即为后验概率，可以根据贝叶斯定理得到条件概率。然后，基于奈曼皮尔逊定理的似然比检测，可以得到检测统计量

其中，而且定义为

接下来，需要定义检测阈值。令

可以得到T_CM-CNN在H₀情况下的表达式：

令

表示H₀下的数据集。将其送到训练好的CM-CNN，可以得到各个样本对应的T_CM-CNN|H₀的值。将这些值按降序排列，组成一个集合，记为因此，对应于的检测阈值可以表示为

其中，表示向下取最近整数，表示集合的第l个元素。

在线检测：将在线采样数据送至训练好的CM-CNN，得到检测统计量，通过与阈值比较进行判决，如图3。

算法步骤：基于CM-CNN的频谱感知算法

第1步：数据分组。给定N_S个标记的观察向量，将其分为K组：

{(X⁽¹⁾,z⁽¹⁾),(X⁽²⁾,z⁽²⁾),…,(X^(K),z^(K))} (19)

其中，

表示第k个样本(k＝1,2,…,K)。

第2步：建立训练集。用如下公式计算第k个样本协方差矩阵

进而可以得到训练集：

第3步：离线训练。给定训练集基于代价函数(11)，使用反向传播算法更新网络参数，得到一个训练好的CM-CNN。

第4步：检测阈值。将噪声数据集送到训练好的CM-CNN得到然后用公式(18)求出对于某一个虚警概率的检测阈值。

第5步：计算在线检测统计量。基于N个观测向量可以得到采样协方差矩阵：

将送入训练好的CM-CNN，得到检测统计量

第6步：在线判决。如果T_CM-CNN>γ，判为主用户存在；否则，判为主用户不存在。

(3)基于CM-CNN的频谱感知算法性能分析(如图4)

考虑主用户信号协方差为R_s＝αI_M(α为任意正数)的情况，当采样点数足够大时，采样协方差矩阵变为一个对角阵，也即，

其中，是信号方差，σ²代表接收采样点的方差，它可以为或因此，输入层可以表示为

基于输入，可以进一步将第C₁层第λ个特征图在位置(i；j)上的元素表示为

令

表示一个常数，可以将(26)重新写成

因此，如果令表示训练好的CM-CNN的C₁层，可以得到齐次性：

类似的，如果将C₁到F₁层看作一个子网络：那么子网络也具有齐次性：

如图4所示，令表示F₁和F₂之间的权值，可以将CM-CNN的输出最终表示为：

其中，

是softmax函数，是一个常数。基于此，检测统计量可以表示为：

当采样点数非常大时，能量检测的检测统计量趋于σ²，也即

因此，T_CM-CNN可以被表示为：

其中，β＝MNτ是一个常数。因此，所提CM-CNN算法在R_s＝αI_M时等价于能量检测，也就是说，所提算法的性能在R_s＝αI_M时应该接近于最优理论值。

图5和图6给出了相关CSCG信号在高斯噪声和海杂波背景模型下的ROC曲线仿真结果，CM-CNN算法采用表1所用参数，E-C、MED、ED、BCED以及CAV分别表示估计器-相关器算法、最大特征值检测、能量检测、盲结合能量检测以及协方差绝对值算法。从仿真结果，可以看出，无论随机产生数据还是实际海杂波数据，所提CM-CNN算法的接收机工作特性(ReceiverOperating Characteristic,ROC)曲线性能都远远高于传统的模型驱动检测算法，所提算法的ROC曲线基本上与最优的E-C算法保持一致。特别的，在海杂波背景下，所提算法可以得到90.1％或更高的检测概率，这一结果超出传统算法8倍。

Claims (2)

1.一种频谱感知方法，所述频谱感知方法基于协方差感知的深度卷积神经网络架构，其特征在于，包括以下步骤：

S1、采样：通过M元多天线系统采集N个时刻的观测向量，记为X；

S2、获取检测统计量：利用基于协方差感知的深度卷积神经网络架构，构建检测统计量模型，采用步骤S1获得的数据进行训练，得到训练好的深度神经网络模型，根据获得的观测向量，获得检测统计量T(X)；

所述基于协方差感知的深度卷积神经网络架构由一个输入层、多个卷积层和池化层、以及多个全连接层组成，其输入层S₀的采样协方差矩阵

是一个M×M的复数矩阵，可以用两个通道分别描述协方差矩阵的实部和虚部，令S₀(i；j；λ)表示第S₀层第λ个通道在位置(i；j)上的元素，得到：

S₀(i；j；0)＝(Real(R_x(N)))_i,j

S₀(i；j；1)＝(Imag(R_x(N)))_i,j

其中，Real(·)和Imag(·)分别表示实部和虚部，(·)_i,j表示第i行，第j列的元素；

CM-CNN的输出为：

其中，H₁和H₀分别代表主用户存在和主用户不存在两种假设检验：

H₁:x(n)＝s(n)+u(n)

H₀:x(n)＝u(n)

x(n)＝[x₁(n),x₂(n),…,x_M(n)]^T表示第n个观测向量，n＝0,1,…,N-1，其中x_m(n)是在第m个天线的第n个离散时间采样，m＝1,2,…,M，s(n)表示信号向量，u(n)表示均值为0，协方差为的独立同分布圆对称复高斯向量，表示噪声方差；

S3、判决：将检测统计量与阈值γ进行比较：如果T(X)>γ，判为主用户信号存在；否则，判为主用户信号不存在。

2.根据权利要求1所述的一种基于深度神经网络的频谱感知方法，其特征在于，所述步骤S2中对基于协方差感知的深度卷积神经网络CM-CNN进行训练的具体方法为：

设训练集为：

其中，表示R_x(N)的集合，Z表示标签z的集合，且z∈{0,1}表示H₀或H₁，代表第k个训练集的样本(k＝1,2,…,K)；

代价函数为：

基于代价函数，通过反向传播算法逐步更新CM-CNN的参数，得到训练好的CM-CNN为：

其中，表示以R为输入的训练好的CM-CNN，表示对应于H_i的类分数；

令

表示H₀下的数据集，将其送到训练好的CM-CNN，得到各个样本对应的T_CM-CNN|H₀的值，将这些值按降序排列，组成一个集合，记为则对应于的检测阈值表示为：

其中，表示向下取最近整数，表示集合的第l个元素；

然后将采样数据送至训练好的CM-CNN，得到检测统计量：

进入步骤S3。