CN110224771B - 基于bp神经网络与信息几何的频谱感知方法及装置 - Google Patents

基于bp神经网络与信息几何的频谱感知方法及装置 Download PDF

Info

Publication number
CN110224771B
CN110224771B CN201910554936.1A CN201910554936A CN110224771B CN 110224771 B CN110224771 B CN 110224771B CN 201910554936 A CN201910554936 A CN 201910554936A CN 110224771 B CN110224771 B CN 110224771B
Authority
CN
China
Prior art keywords
neural network
training
spectrum sensing
preset
sampling data
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.)
Active
Application number
CN201910554936.1A
Other languages
English (en)
Other versions
CN110224771A (zh
Inventor
杜凯旋
王永华
万频
蒋艺杰
张毓仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910554936.1A priority Critical patent/CN110224771B/zh
Publication of CN110224771A publication Critical patent/CN110224771A/zh
Application granted granted Critical
Publication of CN110224771B publication Critical patent/CN110224771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于BP神经网络与信息几何的频谱感知方法，包括：对待感知信号进行采样，得到各采样数据，并划分为预设数量个采样数据组，计算各采样数据组对应的协方差矩阵，计算对应的概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点；获取对噪声协方差矩阵训练得到的黎曼均值；计算各坐标点与黎曼均值之间的测地线距离；利用BP神经网络对各测地线距离进行分类，得到频谱感知结果。本申请提高了频谱感知的检测效率和稳定性，较大地提高了频谱感知的准确度。本发明还公开了一种基于BP神经网络与信息几何的频谱感知装置、设备及存储介质，具有相应技术效果。

Description

基于BP神经网络与信息几何的频谱感知方法及装置
技术领域
本发明涉及频谱感知技术领域，特别是涉及一种基于BP神经网络与信息几何的频谱感知方法、装置、设备及计算机可读存储介质。
背景技术
无线电通信频谱是一种宝贵的资源，随着无线通信技术的高速发展，频谱资源贫乏的问题日益严重，然而绝大多数国家的频谱资源利用率却不容乐观。频谱感知是实现认知无线电的关键技术，频谱感知过程实质是次用户(SU)根据对待检测频段上主用户(PU)信号的分析，判断是否存在频谱空洞，如果存在频谱空洞就进行频谱的接入和利用，反之则继续寻找其他空闲的频段。传统的频谱感知方法主要有能量检测、匹配滤波和、循环特征检测和随机矩阵检测方法。但实际环境中感知用户所接收到的感知信号包括噪声，这会影响传统频谱感知方法的检测性能。
现有技术中主要是将信息几何的方法应用在频谱感知上，结合信息几何和预先设定的判决门限得到对待感知信号的感知结果，但是其判决门限的选取是通过公式计算得到的，计算过程相对比较复杂。并且采用判决门限的方法，往往总会存在偏差，并对检测性能造成影响，频谱感知的准确度低。
综上所述，如何有效地解决判决门限的计算过程复杂，且存在偏差，频谱感知的准确度低等问题，是目前本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种基于BP神经网络与信息几何的频谱感知方法，该方法提高了频谱感知的检测效率和稳定性，较大地提高了频谱感知的准确度；本发明的另一目的是提供一种基于BP神经网络与信息几何的频谱感知装置、设备及计算机可读存储介质。
为解决上述技术问题，本发明提供如下技术方案：
一种基于BP神经网络与信息几何的频谱感知方法，包括：
对接收到的待感知信号进行预设次数采样，得到各采样数据；将各所述采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各所述采样数据组对应的协方差矩阵；
分别计算各所述协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将所述概率分布函数族映射为矩阵流形，得到各所述协方差矩阵在所述矩阵流形中分别对应的坐标点；
获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，所述噪声协方差矩阵由所述待感知信号所在环境的噪声信号构成；
分别计算各所述坐标点与所述黎曼均值之间的测地线距离；
利用BP神经网络对各所述测地线距离进行分类，得到对所述待感知主用户信号的频谱感知结果。
在本发明的一种具体实施方式中，利用BP神经网络对各所述测地线距离进行分类，包括：
将各所述测地线距离按预设比例划分为测试集和训练集；
利用所述训练集对所述BP神经网络进行训练，得到训练后BP神经网络；
利用所述训练后BP神经网络对所述测试集中的各所述测地线距离进行分类。
在本发明的一种具体实施方式中，利用所述训练集对所述BP神经网络进行训练，包括：
利用最速下降法通过将所述训练集进行反向传播对所述BP神经网络进行训练。
在本发明的一种具体实施方式中，利用最速下降法通过将所述训练集进行反向传播对所述BP神经网络进行训练，包括：
将所述训练集从所述BP神经网络的输入层传入，经所述BP神经网络的各隐层处理；
获得通过所述BP神经网络的输出层输出的处理结果；
判断所述处理结果是否在预设的期望输出范围内；
若所述处理结果不在预设的期望输出范围内，则计算所述处理结果与所述期望输出范围对应的输出标签的差值；
将所述处理结果通过各所述隐层反传到所述输入层，并将所述差值按预设分摊规则分摊到各所述隐层、所述输入层及所述输出层，以对各层的权值进行修正。
在本发明的一种具体实施方式中，获取通过预先对噪声协方差矩阵训练得到的黎曼均值，包括：
获取通过利用梯度下降算法预先对噪声协方差矩阵训练得到的黎曼均值。
一种基于BP神经网络与信息几何的频谱感知装置，包括：
矩阵计算模块，用于对接收到的待感知信号进行预设次数采样，得到各采样数据；将各所述采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各所述采样数据组对应的协方差矩阵；
坐标点获得模块，用于分别计算各所述协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将所述概率分布函数族映射为矩阵流形，得到各所述协方差矩阵在所述矩阵流形中分别对应的坐标点；
黎曼均值获得模块，用于获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，所述噪声协方差矩阵由所述待感知信号所在环境的噪声信号构成；
距离计算模块，用于分别计算各所述坐标点与所述黎曼均值之间的测地线距离；
感知结果获得模块，用于利用BP神经网络对各所述测地线距离进行分类，得到对所述待感知主用户信号的频谱感知结果。
在本发明的一种具体实施方式中，所述感知结果获得模块包括：
距离划分子模块，用于将各所述测地线距离按预设比例划分为测试集和训练集；
网络训练子模块，用于利用所述训练集对所述BP神经网络进行训练，得到训练后BP神经网络；
距离分类子模块，用于利用所述训练后BP神经网络对所述测试集中的各所述测地线距离进行分类。
在本发明的一种具体实施方式中，所述网络训练子模块包括：
处理单元，用于将所述训练集从所述BP神经网络的输入层传入，经所述BP神经网络的各隐层处理；
处理结果输出单元，用于获得通过所述BP神经网络的输出层输出的所述处理结果；
判断单元，用于判断所述处理结果是否在预设的期望输出范围内；
差值计算单元，用于当确定所述处理结果不在预设的期望输出范围内时，计算所述处理结果与所述期望输出范围对应的输出标签的差值；
权值修正单元，用于将所述处理结果通过各所述隐层反传到所述输入层，并将所述差值按预设分摊规则分摊到各所述隐层、所述输入层及所述输出层，以对各层的权值进行修正。
一种基于BP神经网络与信息几何的频谱感知设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如前所述基于BP神经网络与信息几何的频谱感知方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述基于BP神经网络与信息几何的频谱感知方法的步骤。
应用本发明实施例所提供的方法，对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵；分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点；获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成；分别计算各坐标点与黎曼均值之间的测地线距离；利用BP神经网络对各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。通过利用有监督学习BP神经网络对通过信息几何计算得到的测地线距离进行分类，避免了对判决门限的复杂计算，提高了频谱感知的检测效率和稳定性，较大地提高了频谱感知的准确度。
相应的，本发明实施例还提供了与上述基于BP神经网络与信息几何的频谱感知方法相对应的基于BP神经网络与信息几何的频谱感知装置、设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。
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为本发明实施例中基于BP神经网络与信息几何的频谱感知方法的一种实施流程图；
图2为本发明实施例中基于BP神经网络与信息几何的频谱感知方法的另一种实施流程图；
图3为本发明实施例中基于BP神经网络与信息几何的频谱感知方法的另一种实施流程图；
图4为分别利用本发明实施例所提供的基于BP神经网络与信息几何的频谱感知方法与现有的频谱感知方法进行频谱感知的频谱检测性能对照图；
图5为本发明实施例中一种基于BP神经网络与信息几何的频谱感知装置的结构框图；
图6为本发明实施例中一种基于BP神经网络与信息几何的频谱感知设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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做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。
实施例一：
参见图1，图1为本发明实施例中基于BP神经网络与信息几何的频谱感知方法的一种实施流程图，该方法可以包括以下步骤：
S101：对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵。
在对接收到的待感知信号进行频谱感知时，可以对其进行预设次数采样，得到各采样数据，并将各采样数据按预设划分规则划分为预设数量个采样数据组，分别计算各采样数据组对应的协方差矩阵。例如，在认知无线电网络中单个次用户对主用户的待感知信号检测的情况，可以用统计学中的二元假设模型表示为：
Figure BDA0002106621970000061
其中，x(k)是次用户在k时刻接收到的信号，s(k)表示接收到的授权用户信号，n(k)表示接收到的噪声，H0表示感知的是噪声的情况，H1表示感知的是信号的情况。假设噪声n(k)是独立同分布、均值为0、方差为
Figure BDA0002106621970000062
的高斯白噪声，s(k)是主用户发送的信号。则在两种假设下，数据x分别服从分布N(0,Rn)和N(0,(Rs+Rn))，Rn表示噪声矢量n(k)的协方差矩阵，Rs表示随机信号s(k)的协方差矩阵。
假设认知网络中具有M个次用户，并且M个次用户采集的信号构成一个向量矩阵X＝[x1,x2...,xM]，其中，xi＝[xi(1),xi(2)...,xi(N)]T表示第i个次用户的信号采样值，N为采样次数。因此X是一个N×M维的矩阵：
Figure BDA0002106621970000063
矩阵X的每一个列向量为各次用户分别对应的协方差矩阵R。
需要说明的是，预设次数可以根据实际情况进行设定和调整，本发明实施例对此不做限定。
S102：分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点。
在计算得到各采样数据组对应的协方差矩阵之后，可以分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点，从而把传统信号的检测问题转化为了统计流形上的几何问题。对于计算得到的任意一个协方差矩阵，一般其服从零均值高斯分布，可以分别计算各协方差矩阵对应的概率分布函数，则其分布表达式可以表示为：
Figure BDA0002106621970000071
从而得到由各协方差矩阵R∈Cn×n参数化得到的概率分布族S＝{p(x|R)|R∈Cn ×n}，其中，Cn×n为n×n向量空间的开集。
在获得概率分布族S之后，根据信息几何理论，在一定的拓扑结构下，概率分布族S可以构成一个可微的流形，并称之为统计流形，协方差矩阵R为该流形的坐标。由于流形S的参数R为协方差矩阵，则又可以称S为矩阵流形，得到各协方差矩阵R在矩阵流形中分别对应的坐标点。两种假设分布p(x|H0)和p(x|H1)分别对应流形上的两个点，并且这两个点对应的坐标为Rn和Rs+Rn。
S103：获取通过预先对噪声协方差矩阵训练得到的黎曼均值。
其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成。
可以预先获取待感知信号所在环境的噪声信号，得到由各噪声信号构成的多个噪声协方差矩阵，对各噪声协方差矩阵进行训练，得到黎曼均值，获取该黎曼均值。对各噪声协方差矩阵训练得到黎曼均值的过程可以表示为：
将N个噪声协方差矩阵映射到矩阵流形，得到矩阵流形上N个信号点，Rk(k＝1,2,3,,,N)，对于目标函数：
Figure BDA0002106621970000072
使得目标函数J(R)取最小值时所对应的点，即为黎曼均值：
Figure BDA0002106621970000073
例如，对于任意两个点R1和R2的情况，
Figure BDA0002106621970000074
等于连接R1和R2的测地线的中点，其黎曼均值为：
Figure BDA0002106621970000081
S104：分别计算各坐标点与黎曼均值之间的测地线距离。
在得到各协方差矩阵分别对应的坐标点，并训练得到由待感知信号所在环境的噪声信号构成的各噪声协方差矩阵的黎曼均值之后，可以分别计算各坐标点与黎曼均值之间的测地线距离(Geodesic Distance，GD)，通过采用测地线距离的大小用来衡量信号之间的差异，测地线距离越小，说明其与噪声信号相似度越高，待感知信号很可能是噪声；测地线距离越大，说明其与噪声信号的相似度越低，待感知主用户信号很可能是用户信号。
S105：利用BP神经网络对各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。
在计算得到各坐标点与黎曼均值之间的测地线距离之后，可以将各测地线距离作为BP(Back Propagation)神经网络的输入样本，利用BP神经网络对各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，其能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。通过利用这种有监督学习-BP神经网络和信息几何结合进行频谱感知，避免了对判决门限的复杂计算，提高了频谱感知的检测效率和稳定性，较大地提高了频谱感知的准确度。
应用本发明实施例所提供的方法，对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵；分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点；获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成；分别计算各坐标点与黎曼均值之间的测地线距离；利用BP神经网络对各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。通过利用有监督学习BP神经网络对通过信息几何计算得到的测地线距离进行分类，避免了对判决门限的复杂计算，提高了频谱感知的检测效率和稳定性，较大地提高了频谱感知的准确度。
需要说明的是，基于上述实施例一，本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例一中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在下文的改进实施例中不再一一赘述。
参见图2，图2为本发明实施例中基于BP神经网络与信息几何的频谱感知方法的另一种实施流程图，该方法可以包括以下步骤：
S201：对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵。
S202：分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点。
S203：获取通过预先对噪声协方差矩阵训练得到的黎曼均值。
其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成。
S204：分别计算各坐标点与黎曼均值之间的测地线距离。
S205：将各测地线距离按预设比例划分为测试集和训练集。
在分别计算各坐标点与黎曼均值之间的测地线距离之后，可以将各测地线距离按预设比例划分为测试集和训练集。通过利用测试集对BP神经网络进行训练，以降低BP神经网络对测地线距离进行分类的误差率。
S206：利用最速下降法通过将训练集进行反向传播对BP神经网络进行训练，得到训练后BP神经网络。
在将各测地线距离按预设比例划分为测试集和训练集之后，可以利用最速下降法通过将训练集进行反向传播对BP神经网络进行训练，得到训练后BP神经网络。通过最速下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值，提升利用BP神经网络对各测地线距离进行分类的准确性。
S207：利用训练后BP神经网络对测试集中的各测地线距离进行分类。
在利用最速下降法通过将训练集进行反向传播对BP神经网络进行训练，得到训练后BP神经网络之后，可以利用训练后BP神经网络对测试集中的各测地线距离进行分类，从而使得最终的分类结果更加准确，提升频谱感知的准确性。
参见图3，图3为本发明实施例中基于BP神经网络与信息几何的频谱感知方法的另一种实施流程图，该方法可以包括以下步骤：
S301：对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵。
S302：分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点。
S303：获取通过利用梯度下降算法预先对噪声协方差矩阵训练得到的黎曼均值。
其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成。
为保证预先求得的黎曼均值的准确性，可以对预先获取的噪声信号进行多次采样，得到大量的采样数据，并将采样数据划分成多个数据组，对每个数据组计算对应的噪声协方差矩阵，从而得到多个噪声协方差矩阵R，对应矩阵流行上多个坐标点。对于N(N>2)个坐标点的情况，可以利用梯度下降算法预先对多个噪声协方差矩阵训练得到的黎曼均值，黎曼均值的计算表达式为：
Figure BDA0002106621970000101
其中，τ为迭代步长，i为迭代步数，k为坐标点的序数。
S304：分别计算各坐标点与黎曼均值之间的测地线距离。
S305：将各测地线距离按预设比例划分为测试集和训练集。
S306：将训练集从BP神经网络的输入层传入，经BP神经网络的各隐层处理。
在将各测地线距离按预设比例划分为测试集和训练集之后，可以将训练集从BP神经网络的输入层传入，经BP神经网络的各隐层处理。例如，设得到的测地线距离数量为10个，设置BP神经网络的神经元个数也为10个。可以通过公式：
Figure BDA0002106621970000111
来确定隐藏层节点个数N。式中，m是输入层节点数，n是输出层节点数，a代表1～10之间的常数。在确定隐藏层节点数时，从一开始选用较少的隐藏层节点，如果学习一段时间后效果不好，则再增加隐藏层节点个数，这样反复学习后直到得到比较合适的隐藏层节点数，本发明实施例经过多次的试验最终把隐藏层节点数设为9。
S307：获得通过BP神经网络的输出层输出的处理结果。
在利用各隐层对各测地线距离进行处理之后，通过BP神经网络的输出层输出的处理结果，获取该处理结果。
S308：判断处理结果是否在预设的期望输出范围内，若是，则跳过步骤S309和步骤S310，直接执行步骤S311，若否，则执行步骤S309。
因为BP神经网络为有监督学习，所以在训练过程中可以预先设置输出标签，如把无主用户信号的标签设置为0，有主用户信号的标签设置为1，并设置对应的期望输出范围，在获取到输出层输出的处理结果之后，可以判断处理结果是否在预设的期望输出范围内，若是，则说明BP神经网络当前已经能够对计算得到的测地线距离进行很好的分类，可以跳过步骤S309和步骤S310，直接执行步骤S311，若否，则说明BP神经网络当前对计算得到的测地线距离进行分类还存在相对较大的误差，可以执行步骤S309，继续对BP神经网络进行训练。
S309：计算处理结果与期望输出范围对应的输出标签的差值。
在确定处理结果不在预设的期望输出范围内之后，可以计算处理结果与期望输出范围对应的输出标签的差值。
S310：将处理结果通过各隐层反传到输入层，并将差值按预设分摊规则分摊到各隐层、输入层及输出层，以对各层的权值进行修正。
在确定处理结果不在预设的期望输出范围内，并计算处理结果与期望输出范围对应的输出标签的差值之后，可以转入误差的反向传播阶段，将处理结果通过各隐层反传到输入层，并将差值按预设分摊规则分摊到各隐层、输入层及输出层，以对各层的权值进行修正。使用最速下降法学习训练规则，通过反向传播来不断调整网络的权值和阈值，使BP神经网络的误差平方和最小。
S311：利用训练后BP神经网络对测试集中的各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。
在通过对BP神经网络不断训练使得处理结果在预设的期望输出范围内之后，可以利用训练后BP神经网络对测试集中的各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果，较大地提升了频谱感知的准确性。
参见图4，图4为分别利用本发明实施例所提供的基于BP神经网络与信息几何的频谱感知方法与现有的频谱感知方法进行频谱感知的频谱检测性能对照图，图中的Pd是检测概率，Pfa是虚警概率。IG-BP表示的是本发明实施例提出的BP神经网络与信息几何结合的算法，MME表示的是基于最大最小特征值的频谱感知方法。IG-BP在SNR＝-18～SNR＝-12的区间中，SNR每隔0.01用10个次用户感知10次，分别感知噪声以及含有噪声的信号的能量值，然后计算出相应的测地距离。MME由于方法的限制，需要通过设置固定的信噪比，然后在该信噪比下进行仿真，因此把SNR设为SNR＝-18～SNR＝-12的平均值SNR＝-15，选用10个SU进行仿真。MME和IG-BP算法的ROC曲线表明，本文提出的方法比传统设置阈值分类的算法感知性能要好。
相应于上面的方法实施例，本发明实施例还提供了一种基于BP神经网络与信息几何的频谱感知装置，下文描述的基于BP神经网络与信息几何的频谱感知装置与上文描述的基于BP神经网络与信息几何的频谱感知方法可相互对应参照。
参见图5，图5为本发明实施例中一种基于BP神经网络与信息几何的频谱感知装置的结构框图，该装置可以包括：
矩阵计算模块51，用于对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵；
坐标点获得模块52，用于分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点；
黎曼均值获得模块53，用于获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成；
距离计算模块54，用于分别计算各坐标点与黎曼均值之间的测地线距离；
感知结果获得模块55，用于利用BP神经网络对各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。
应用本发明实施例所提供的装置，对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵；分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点；获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成；分别计算各坐标点与黎曼均值之间的测地线距离；利用BP神经网络对各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。通过利用有监督学习BP神经网络对通过信息几何计算得到的测地线距离进行分类，避免了对判决门限的复杂计算，提高了频谱感知的检测效率和稳定性，较大地提高了频谱感知的准确度。
在本发明的一种具体实施方式中，感知结果获得模块55包括：
距离划分子模块，用于将各测地线距离按预设比例划分为测试集和训练集；
网络训练子模块，用于利用训练集对BP神经网络进行训练，得到训练后BP神经网络；
距离分类子模块，用于利用训练后BP神经网络对测试集中的各测地线距离进行分类。
在本发明的一种具体实施方式中，网络训练子模块具体为利用最速下降法通过将训练集进行反向传播对BP神经网络进行训练的模块。
在本发明的一种具体实施方式中，网络训练子模块包括：
处理单元，用于将训练集从BP神经网络的输入层传入，经BP神经网络的各隐层处理；
处理结果输出单元，用于获得通过BP神经网络的输出层输出的处理结果；
判断单元，用于判断处理结果是否在预设的期望输出范围内；
差值计算单元，用于当确定处理结果不在预设的期望输出范围内时，计算处理结果与期望输出范围对应的输出标签的差值；
权值修正单元，用于将处理结果通过各隐层反传到输入层，并将差值按预设分摊规则分摊到各隐层、输入层及输出层，以对各层的权值进行修正。
在本发明的一种具体实施方式中，黎曼均值获得模块53具体为获取通过利用梯度下降算法预先对噪声协方差矩阵训练得到的黎曼均值的模块。
相应于上面的方法实施例，参见图6，图6为本发明所提供的基于BP神经网络与信息几何的频谱感知设备的示意图，该设备可以包括：
存储器61，用于存储计算机程序；
处理器62，用于执行上述存储器61存储的计算机程序时可实现如下步骤：
对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵；分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点；获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成；分别计算各坐标点与黎曼均值之间的测地线距离；利用BP神经网络对各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。
对于本发明提供的设备的介绍请参照上述方法实施例，本发明在此不做赘述。
相应于上面的方法实施例，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
对接收到的待感知信号进行预设次数采样，得到各采样数据；将各采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各采样数据组对应的协方差矩阵；分别计算各协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将概率分布函数族映射为矩阵流形，得到各协方差矩阵在矩阵流形中分别对应的坐标点；获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，噪声协方差矩阵由待感知信号所在环境的噪声信号构成；分别计算各坐标点与黎曼均值之间的测地线距离；利用BP神经网络对各测地线距离进行分类，得到对待感知主用户信号的频谱感知结果。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不做赘述。
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它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (5)

1.一种基于BP神经网络与信息几何的频谱感知方法，其特征在于，包括：
对接收到的待感知主用户信号进行预设次数采样，得到各采样数据；将各所述采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各所述采样数据组对应的协方差矩阵；
分别计算各所述协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将所述概率分布函数族映射为矩阵流形，得到各所述协方差矩阵在所述矩阵流形中分别对应的坐标点；
获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，所述噪声协方差矩阵由所述待感知主用户信号所在环境的噪声信号构成；
分别计算各所述坐标点与所述黎曼均值之间的测地线距离；
利用BP神经网络对各所述测地线距离进行分类，得到对所述待感知主用户信号的频谱感知结果；其中，所述利用BP神经网络对各所述测地线距离进行分类，包括：将各所述测地线距离按预设比例划分为测试集和训练集；利用所述训练集对所述BP神经网络进行训练，得到训练后BP神经网络；利用所述训练后BP神经网络对所述测试集中的各所述测地线距离进行分类；
利用所述训练集对所述BP神经网络进行训练，包括：利用最速下降法通过将所述训练集进行反向传播对所述BP神经网络进行训练；
利用最速下降法通过将所述训练集进行反向传播对所述BP神经网络进行训练，包括：将所述训练集从所述BP神经网络的输入层传入，经所述BP神经网络的各隐层处理；获得通过所述BP神经网络的输出层输出的处理结果；判断所述处理结果是否在预设的期望输出范围内；若所述处理结果不在预设的期望输出范围内，则计算所述处理结果与所述期望输出范围对应的输出标签的差值；将所述处理结果通过各所述隐层反传到所述输入层，并将所述差值按预设分摊规则分摊到各所述隐层、所述输入层及所述输出层，以对各层的权值进行修正；
其中，所述BP神经网络的各隐层的节点个数N为：
Figure FDA0003236464730000021
式中，m为输入层节点数，n为输出层节点数，a为1～10之间的常数。
2.根据权利要求1所述的基于BP神经网络与信息几何的频谱感知方法，其特征在于，获取通过预先对噪声协方差矩阵训练得到的黎曼均值，包括：
获取通过利用梯度下降算法预先对噪声协方差矩阵训练得到的黎曼均值。
3.一种基于BP神经网络与信息几何的频谱感知装置，其特征在于，包括：
矩阵计算模块，用于对接收到的待感知主用户信号进行预设次数采样，得到各采样数据；将各所述采样数据按预设划分规则划分为预设数量个采样数据组，并分别计算各所述采样数据组对应的协方差矩阵；
坐标点获得模块，用于分别计算各所述协方差矩阵对应的概率分布函数，得到概率分布函数族；利用信息几何将所述概率分布函数族映射为矩阵流形，得到各所述协方差矩阵在所述矩阵流形中分别对应的坐标点；
黎曼均值获得模块，用于获取通过预先对噪声协方差矩阵训练得到的黎曼均值；其中，所述噪声协方差矩阵由所述待感知主用户信号所在环境的噪声信号构成；
距离计算模块，用于分别计算各所述坐标点与所述黎曼均值之间的测地线距离；
感知结果获得模块，用于利用BP神经网络对各所述测地线距离进行分类，得到对所述待感知主用户信号的频谱感知结果；其中，所述感知结果获得模块包括：距离划分子模块，用于将各所述测地线距离按预设比例划分为测试集和训练集；网络训练子模块，用于利用所述训练集对所述BP神经网络进行训练，得到训练后BP神经网络；距离分类子模块，用于利用所述训练后BP神经网络对所述测试集中的各所述测地线距离进行分类；
所述网络训练子模块包括：处理单元，用于将所述训练集从所述BP神经网络的输入层传入，经所述BP神经网络的各隐层处理；处理结果输出单元，用于获得通过所述BP神经网络的输出层输出的所述处理结果；判断单元，用于判断所述处理结果是否在预设的期望输出范围内；差值计算单元，用于当确定所述处理结果不在预设的期望输出范围内时，计算所述处理结果与所述期望输出范围对应的输出标签的差值；权值修正单元，用于将所述处理结果通过各所述隐层反传到所述输入层，并将所述差值按预设分摊规则分摊到各所述隐层、所述输入层及所述输出层，以对各层的权值进行修正；
其中，所述BP神经网络的各隐层的节点个数N为：
Figure FDA0003236464730000031
式中，m为输入层节点数，n为输出层节点数，a为1～10之间的常数。
4.一种基于BP神经网络与信息几何的频谱感知设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述基于BP神经网络与信息几何的频谱感知方法的步骤。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述基于BP神经网络与信息几何的频谱感知方法的步骤。
CN201910554936.1A 2019-06-25 2019-06-25 基于bp神经网络与信息几何的频谱感知方法及装置 Active CN110224771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910554936.1A CN110224771B (zh) 2019-06-25 2019-06-25 基于bp神经网络与信息几何的频谱感知方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910554936.1A CN110224771B (zh) 2019-06-25 2019-06-25 基于bp神经网络与信息几何的频谱感知方法及装置

Publications (2)

Publication Number Publication Date
CN110224771A CN110224771A (zh) 2019-09-10
CN110224771B true CN110224771B (zh) 2021-10-08

Family

ID=67814550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910554936.1A Active CN110224771B (zh) 2019-06-25 2019-06-25 基于bp神经网络与信息几何的频谱感知方法及装置

Country Status (1)

Country Link
CN (1) CN110224771B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111162853B (zh) * 2020-01-10 2021-11-16 重庆邮电大学 认知无线网络中基于监督学习的协作宽带压缩频谱检测方法
CN113067653B (zh) * 2021-03-17 2022-01-14 北京邮电大学 一种频谱感知方法、装置、电子设备及介质
CN114254265B (zh) * 2021-12-20 2022-06-07 军事科学院系统工程研究院网络信息研究所 基于统计流形距离的卫星通信干扰几何分析方法
CN116938366A (zh) * 2022-04-06 2023-10-24 中兴通讯股份有限公司 频谱感知方法、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107528650A (zh) * 2017-08-30 2017-12-29 华南师范大学 一种基于gcv‑rbf神经网络的认知无线电网络频谱的预测方法
CN108880717A (zh) * 2018-08-17 2018-11-23 广东工业大学 一种基于信息几何的α散度的频谱感知方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107528650A (zh) * 2017-08-30 2017-12-29 华南师范大学 一种基于gcv‑rbf神经网络的认知无线电网络频谱的预测方法
CN108880717A (zh) * 2018-08-17 2018-11-23 广东工业大学 一种基于信息几何的α散度的频谱感知方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Spectrum Sensing Algorithm Based on Information Geometry and K-medoids Clustering;Yonghua Wang，et al.;《International Conference on Cloud Computing and Security.Springer》;20181101;第219-230页 *
Wavelet Transform and Artificial Neural Network Based Spectrum Sensing in Cognitive Radio;DU Ruiyan，et al.;《Journal of Physics:Conference Series》;20190228;第1169卷(第1期);第1-6页 *
认知无线电中频谱预测技术的研究与分析;高翔等;《军事通信技术》;20130930;第34卷(第3期);第25-29页 *

Also Published As

Publication number Publication date
CN110224771A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110224771B (zh) 基于bp神经网络与信息几何的频谱感知方法及装置
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN110213003B (zh) 一种无线信道大尺度衰落建模方法及装置
CN112508044A (zh) 人工智能ai模型的评估方法、系统及设备
CN110932807B (zh) 一种非高斯噪声下mimo系统的频谱感知方法及系统
CN109039503A (zh) 一种频谱感知方法、装置、设备及计算机可读存储介质
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
CN107071788B (zh) 一种认知无线网络中的频谱感知方法及装置
CN109034232B (zh) 城市规划条件核实成果报告的自动化输出系统及控制方法
CN112182961A (zh) 一种换流站无线网络信道大尺度衰落建模预测方法
CN113487600A (zh) 一种特征增强尺度自适应感知船舶检测方法
CN114386466B (zh) 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法
CN116596095A (zh) 基于机器学习的碳排放量预测模型的训练方法及装置
CN115617882A (zh) 基于gan的带有结构约束的时序图数据生成方法及系统
CN108631817B (zh) 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法
CN111934797B (zh) 基于协方差特征值和均值漂移聚类的协作频谱感知方法
CN110830939B (zh) 基于改进的cpn-wlan指纹定位数据库的定位方法
CN112350790A (zh) 一种基于深度学习的频谱感知检测方法、装置及设备
GB2600178A (en) RF fingerprint signal processing device and rf fingerprint signal processing method
CN116980824A (zh) 一种轻量化的加权集成学习室内csi定位方法
CN115567131A (zh) 一种基于降维复卷积网络的6g无线信道特性提取方法
CN112003662B (zh) 认知网络中的基于降维和聚类的协作频谱感知方法、装置
CN111756460A (zh) 认知网络中基于无监督学习的协作频谱感知方法、装置
CN110784887B (zh) 网格化无线电信号监测系统中异常信号源数量的检测方法
JP6950647B2 (ja) データ判定装置、方法、及びプログラム

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
GR01 Patent grant
GR01 Patent grant