CN109525994A - 基于支持向量机的高能效频谱感知方法 - Google Patents

Abstract

基于支持向量机(SVM，Support Vector Machine)的高能效频谱感知方法，首先计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量，然后利用特征向量离线训练SVM分类模型，基于模拟退火优化高斯核参数，最后计算接收信号的特征表示，使用SVM分类模型进行分类，判断信号是否包含主用户，从而判断频谱状态。

Description

基于支持向量机的高能效频谱感知方法

技术领域

本发明涉及认知无线电领域的频谱感知技术，特别是基于支持向量机的高能效频谱感知方法。

背景技术

通常，一段频谱只分配给主用户(PU)而感知用户无法接入这一频段。但是，主用户并不是一直占用这一频段，这样空闲的频段导致了较低的频谱利用率。频谱感知可以检测到未占用的频段，这样感知用户就可以在主用户未占用的时候利用这一频段，提高频谱利用率。

基于能量检测的频谱感知算法是最常用的感知模型。这种方案不需要获得关于主用户信号的先验知识。先后有研究人员提出了单阈值和双阈值的频谱感知算法。为了进一步改进频谱感知的检测性能，研究人员开始基于主用户信号的统计信息检测频谱状态。Wang等人考虑频谱利用率提出了一种软判决的频谱感知算法。Nguyen等人通过对真实频谱数据的观测，提出了一种隐马尔科夫模型。这些算法利用了信号的先验信息，因而获得了更好的检测性能。传统能量检测方案的不足在于，难以选择合适的阈值，以准确检测频带的占用情况。当认知用户周围环境的噪声发生变化时，例如当信噪比发生变化时，需要动态调整阈值以适应不同的场景。因此，频谱感知的一个重要研究问题就是阈值的动态调整问题。如果将能量检测统计量判断是否存在主用户看作一个二分类问题，则可以基于SVM来解决这一分类问题。

有研究人员指出仅仅根据单个感知用户的观测结果来判断频谱状态是不可靠的。所以，需要引入协作频谱感知(cooperative spectrum sensing，CSS)。协作频谱感知综合了多个感知用户的感知结果来对当前频谱的状态进行决策。由于感知用户的空间多样性，协作频谱感知可以克服信噪比退化问题。但是，协作频谱感知需要处理来自大量感知用户的数据，增加了系统的能耗和计算负担。

从机器学习的角度来看，根据能量检测统计量判断是否存在主用户是一个二分类问题。传统的能量检测算法本质上是建立了一个线性分类器，然后对统计量进行阈值化，最终得到判决结果。但是，当信噪比很低，采样点数很小时，二分类问题逐渐变得线性不可分。所以，考虑基于SVM来解决这一分类问题。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了基于支持向量机的高能效频谱感知方法，利用分类模型来进行频谱检测，以提升频谱感知的性能，基本思想是通过构建特征向量对信号进行表示，然后学习得到SVM模型来判断频谱的占用情况。

本发明的技术解决方案是：基于支持向量机的高能效频谱感知方法，包括如下步骤：

步骤1、计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量；

步骤2、利用特征向量离线训练SVM分类模型，然后基于模拟退火优化高斯核参数；

步骤3、计算接收信号的特征表示，使用SVM分类模型进行分类，判断信号是否包含主用户，从而判断频谱状态。

所述的计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量的方法为：

计算主用户信号和噪声的能量统计量为

其中，y(n)是接收信号的采样，N_s表示采样周期T内采样点的个数；

在采样周期T内从N_s个点中随机抽取M_s个点，计算能量统计量作为能量向量中的一个元素，重复n次进而得到n维的能量向量v^e∈Rⁿ，计算中心向量v^c中一个维度上的元素λ*为

其中，是没有主用户信号时的能量值的方差，为有主用户信号时的能量值的方差，μ₀是没有主用户信号时的能量值的均值，μ₁为有主用户信号时的能量值的均值，是噪声方差，γ是信噪比；

计算残差向量为v^r＝v^e-v^c，利用k-means聚类来对残差向量分组，得到两个聚类中心，将分组中距离聚类中心最远的向量为基向量，使用主用户信号聚类中的基向量对噪声的残差向量进行修正，噪声聚类的基向量对主用户信号的残差向量进行修正；

所述的N_s＝T/f_s，f_s是采样频率。

所述的主用户信号聚类中的基向量为离主用户训练数据最远的基向量。

所述的使用主用户信号聚类中的基向量对噪声的残差向量进行修正，使得噪声的残差向量小于0，噪声聚类的基向量对主用户信号的残差向量进行修正，使得主用户信号的残差大于0。

所述的利用特征向量离线训练SVM分类模型的方法为：

步骤B1、计算最优间隔分类器为

其中，向量x_i表示训练样本x_i(i＝1,...,m)，y_i表示样本i的类别y_i(i＝1,...,m)，ω和b是SVM分类器判决函数f(x)＝ω^Tx+b中控制分类边界的参数；

利用拉格朗日对偶将对偶问题改写为

s.t.α_i≥0,i＝1,...,m

进而得到目标函数为

其中，向量x表示测试样本，α＝{a_i}表示拉格朗日乘子，α_i是α的元素，m是样本数；

在离线训练时，产生主用户信号和噪声信号分别作为正负样本，利用SVM训练得到目标函数，然后根据目标函数来预测测试样本的类别。

所述的基于模拟退火优化高斯核参数的方法为：

(1)设置初始温度t₀，初始解σ₀，终止温度t_m；

(2)计算交叉验证时的错误率E(σ₀)，σ^*＝σ₀；

(3)令t_i＝αt_i-1，更新σ_i＝σ^*+β_i(B-A),σ^*∈[A,B],β_i∈[-1,1]；

(4)计算E(σ_i)，ΔE＝E(σ_i)-E(σ^*)；

(5)如果ΔE<0，σ^*＝σ_i；否则，按概率exp(-ΔE/t_i)，σ^*＝σ_i；

(6)重复步骤(3)-步骤(5)，直至t_i＝t_m，得到最优解σ^*。

一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现如权利要求1-权利要求7任一所述方法的步骤。

一种基于支持向量机的高能效频谱感知终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现如权利要求1-权利要求7任一所述方法的步骤。

本发明与现有技术相比的优点在于：

(1)本发明将频谱感知问题转化为分类问题，利用SVM分类模型来判断频谱状态(占用或未占用)。通过特征提取来对信号进行表示，修正特征向量使主用户信号的元素大于0，噪声小于0，增强了特征的表示效果。利用模拟退火算法来搜索模型的高斯核的最优参数，避免陷入局部最优；

(2)本发明相比于传统的能量检测算法，本发明提出的方法具有更高的检测率，有利于提高系统的吞吐量，由于系统的能效可以表示为吞吐量和固定能耗的比值，所以也提升了系统的能效。

附图说明

图1为为本发明整体系统组成框图；

图2为本发明评估的算法的错误检测概率实验结果；

图3为本发明在不同噪声不确定度下的错误检测概率实验结果；

图4为本发明的频谱感知方法应用到地面传感器网络时的能效实验结果。

具体实施方式

本发明针对现有技术的不足，利用分类模型来进行频谱检测，以提升频谱感知的性能，基本思想是通过构建特征向量对信号进行表示，然后学习得到SVM模型来判断频谱的占用情况。

本发明解决了基于能量检测的频谱感知算法由于未利用信号先验信息检测性能相对较差的问题，传统的能量检测算法本质上是建立了一个线性分类器，然后对统计量进行阈值化，最终得到判决结果。但是，当信噪比很低，采样点数很小时，二分类问题逐渐变得线性不可分。

因此考虑基于SVM模型来解决二分类问题，SVM利用高斯核函数扩展了特征空间的维度，使得在原特征空间不可分的问题在高维度下线性可分，因而可以实现频谱状态的准确检测。

本发明频谱感知方法步骤如下：

步骤A、对主用户信号和噪声计算能量统计量，然后进行信号特征提取构建特征向量对信号进行表示。该阶段具体步骤为：

步骤A1、计算主用户信号和噪声的能量统计量，即：

其中，y(n)是接收信号的采样，N_s表示采样周期T内采样点的个数。假设f_s是采样频率，那么采样点数可以表示为N_s＝T/f_s。

步骤A2、由能量统计量构造特征向量。在采样周期T内，从N_s个点中随机抽取M_s个点，计算能量统计量，作为能量向量中的一个元素。重复这一操作n次，得到一个n维的能量向量v^e∈Rⁿ。然后，通过最小化关于能量阈值的错误检测概率来计算中心向量v^c中一个维度上的元素为

其中，Q为标准正态分布右尾函数，P_m＝1-P_d表示误检概率，P_d表示检测正确的概率，而P_f表示虚警概率。表示主用户信号出现的概率，表示接收端信号没有主用户的概率。通过求导，可以得到解析解：

其中，是没有主用户信号时的能量值的方差，为有主用户信号时的能量值的方差，μ₀是没有主用户信号时的能量值的均值，μ₁为有主用户信号时的能量值的均值，λ*是一个标量，是噪声方差，γ是信噪比。

这样，残差向量可以表示为v^r＝v^e-v^c。利用k-means聚类来对残差向量分组，分组数目设为2。这样可以得到两个聚类中心。对于每一个聚类，距离聚类中心最远的向量选为基向量。主用户信号聚类中的基向量(离主用户训练数据最远的基向量)用于对噪声的残差向量进行修正，即进行减法运算；类似地，噪声聚类的基向量对主用户信号进行修正。通过上面的步骤，主用户信号的残差向量的元素值基本大于0，而噪声基本小于0。

步骤B、利用特征向量离线训练SVM分类模型，基于模拟退火优化高斯核参数。

步骤B1、通过求解以下最优化问题，可以得到最优间隔分类器：

其中，向量x_i表示训练样本i，y_i表示样本i的类别。利用拉格朗日对偶，该公式的对偶问题可以写为以下形式

s.t.α_i≥0,i＝1,...,m

此时，目标函数可以表示为

其中，向量x表示测试样本。可以看出，在进行预测时，预测结果可以通过计算训练样本与测试样本之间的内积得到。同样，在训练时，优化目标也与训练样本之间的内积<x_i,x>有关。

因为最优间隔分类器可以用内积表示，所以考虑用核来替换这些内积，得到SVM分类器。可以认为核函数将原向量映射到了一个无限维的特征空间。常用的一种核为高斯核：

在离线训练时，产生一组主用户信号和噪声信号，分别作为正负样本，利用SVM训练得到目标函数。然后根据目标函数来预测测试样本的类别，即是否为主用户。

步骤B2、高斯核中有一个超参数σ。σ的选取直接影响到SVM分类器的分类准确性。这里考虑利用模拟退火算法来调整参数σ。模拟退火算法(simulated annealing，SA)常常用来寻找NP问题的最优解。在利用模拟退火求解最优的σ时，可以将温度t作为控制变量，交叉验证时的错误率作为内能E，温度t_i下求得一个解σ_i。模拟退火的基本目标是，逐渐降低控制变量t，使得交叉验证时的错误率(内能E)也逐渐减小，最终趋近全局最小值。该过程的基本流程为：

步骤C、对接收信号计算特征表示，基于步骤B中训练得到的分类模型进行分类，判断信号是否包含主用户，从而判断频谱状态。

如图1所示为本发明整体系统组成框图，首先进行离线训练，产生一组主用户信号和噪声信号，进行能量检测及特征提取，训练得到SVM的判决函数。在训练过程中利用模拟退火算法得到最优的核函数的参数，然后将接收信号作为判决函数的输入，判断是否存在主用户信号；

如图2所示为本发明评估的算法的错误检测概率实验结果，由于本发明提出的算法(SA-SVM)利用了离线数据训练的到模型，所以可以学习数据的信息，在检测性能上要好于单阈值(baseline)和双阈值(DTED)的基于能量检测的频谱感知算法。当SNR小于-6dB时，双阈值方法的检测性能要差于单阈值，这说明，当接收信号受噪声的影响较小时，双阈值方案往往会比较准确。这是因为当信号的质量较差时，复杂的判决准则往往无法很好地区分频谱状态；

如图3所示为本发明在不同噪声不确定度下的错误检测概率实验结果，由于用户周围环境中的噪声在不断变化，所以有必要研究噪声不确定性对感知算法的影响。假设噪声功率的真实值的变化范围为其中α≥1是噪声因子，是期望的理想噪声功率，β是α的平方根，反应信号幅度的变化，实验中β取三个值1，1.05和1.1，所以α的取值为1，1.1025和1.21。在不同的噪声不确定度下，SA-SVM的检测性能都好于其他两种方案，这说明了提出的方案对噪声不确定性具有鲁棒性；

如图4所示为本发明的频谱感知方法应用到地面传感器网络时的能效实验结果，将频谱感知算法应用到地面传感器网络中，评估算法对系统能效的影响，相比于其他两种方案，提出的算法检测率更高，真实的可用频段更加充足，网络可以提供更大的覆盖范围，具有更高的吞吐量，所以本发明达到一定吞吐量所需的能耗降低，能效提高的要求。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (9)

1.基于支持向量机的高能效频谱感知方法，其特征在于包括如下步骤：

步骤1、计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量；

步骤2、利用特征向量离线训练SVM分类模型，然后基于模拟退火优化高斯核参数；

步骤3、计算接收信号的特征表示，使用SVM分类模型进行分类，判断信号是否包含主用户，从而判断频谱状态。

2.根据权利要求1所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量的方法为：

计算主用户信号和噪声的能量统计量为

其中，y(n)是接收信号的采样，N_s表示采样周期T内采样点的个数；

在采样周期T内从N_s个点中随机抽取M_s个点，计算能量统计量作为能量向量中的一个元素，重复n次进而得到n维的能量向量v^e∈Rⁿ，计算中心向量v^c中一个维度上的元素λ^*为

其中，是没有主用户信号时的能量值的方差，为有主用户信号时的能量值的方差，μ₀是没有主用户信号时的能量值的均值，μ₁为有主用户信号时的能量值的均值，是噪声方差，γ是信噪比；

计算残差向量为v^r＝v^e-v^c，利用k-means聚类来对残差向量分组，得到两个聚类中心，将分组中距离聚类中心最远的向量为基向量，使用主用户信号聚类中的基向量对噪声的残差向量进行修正，噪声聚类的基向量对主用户信号的残差向量进行修正。

3.根据权利要求2所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的N_s＝T/f_s，f_s是采样频率。

4.根据权利要求3所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的主用户信号聚类中的基向量为离主用户训练数据最远的基向量。

5.根据权利要求4所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的使用主用户信号聚类中的基向量对噪声的残差向量进行修正，使得噪声的残差向量小于0，噪声聚类的基向量对主用户信号的残差向量进行修正，使得主用户信号的残差大于0。

6.根据权利要求5所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的利用特征向量离线训练SVM分类模型的方法为：

步骤B1、计算最优间隔分类器为

其中，向量x_i表示训练样本x_i(i＝1,...,m)，y_i表示样本i的类别y_i(i＝1,...,m)，ω和b是SVM分类器判决函数f(x)＝ω^Tx+b中控制分类边界的参数；

利用拉格朗日对偶将对偶问题改写为

s.t.α_i≥0,i＝1,...,m

进而得到目标函数为

其中，向量x表示测试样本，α＝{a_i}表示拉格朗日乘子，α_i是α的元素，m是样本数；

在离线训练时，产生主用户信号和噪声信号分别作为正负样本，利用SVM训练得到目标函数，然后根据目标函数来预测测试样本的类别。

7.根据权利要求6所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的基于模拟退火优化高斯核参数的方法为：

(1)设置初始温度t₀，初始解σ₀，终止温度t_m；

(2)计算交叉验证时的错误率E(σ₀)，σ^*＝σ₀；

(3)令t_i＝αt_i-1，更新σ_i＝σ^*+β_i(B-A),σ^*∈[A,B],β_i∈[-1,1]；

(4)计算E(σ_i)，ΔE＝E(σ_i)-E(σ^*)；

(5)如果ΔE<0，σ^*＝σ_i；否则，按概率exp(-ΔE/t_i)，σ^*＝σ_i；

(6)重复步骤(3)-步骤(5)，直至t_i＝t_m，得到最优解σ^*。

8.一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现如权利要求1-权利要求7任一所述方法的步骤。

9.一种基于支持向量机的高能效频谱感知终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1-权利要求7任一所述方法的步骤。