CN110380801B - 基于lstm的协作感知算法及多usrp实现的方法 - Google Patents
基于lstm的协作感知算法及多usrp实现的方法 Download PDFInfo
- Publication number
- CN110380801B CN110380801B CN201910481809.3A CN201910481809A CN110380801B CN 110380801 B CN110380801 B CN 110380801B CN 201910481809 A CN201910481809 A CN 201910481809A CN 110380801 B CN110380801 B CN 110380801B
- Authority
- CN
- China
- Prior art keywords
- usrp
- feature
- usrps
- signal
- receiving
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/0003—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于LSTM的协作感知算法及多USRP实现的方法。本发明步骤:1、利用多台USRP和一台主机搭建协作感知平台;2、在主机上利用GNU Radio接收USRP采集得到的基带信号作为离线训练样本;3、建立LSTM网络用于样本时序特征提取,利用全连接层得到融合特征,并引入Softmax回归模型对融合特征进行分类识别;4、利用离线训练样本对步骤3搭建的网络模型进行逐层训练,具体为利用梯度下降法和反向传播算法优化模型参数,从而得到离线训练模型;5、利用步骤1所搭建的感知平台接收信号序列,然后利用步骤4得到的离线训练模型进行实时感知分类。本发明用于识别主用户信号的存在性能够取得良好的效果。
Description
技术领域
本发明提出了一种基于LSTM的协作感知算法及多USRP实现的方法。
背景技术
频谱感知是认知无线电中的一个重要环节,次用户(Secondary User,SU)通过能量检测,特征值检测和匹配滤波等方法分析所接收的信号,判决主用户(Primary User,PU)的存在情况,从而SU的接入时机。
为了克服隐藏终端、阴影衰落等问题,人们研究了多SU的协作感知算法(Cooperative Spectrum Sensing,CCS),在融合中心(Fusion Center,FC)融合多个分布式SU所收集的数据信息进行判决,因此对数据融合方式的研究是CCS的关键。目前的研究主要包括决策融合(“与”融合、“或”融合和“KM”融合等)与数据融合(等增益融合,最大比合并等)。
此外,利用深度学习进行信号识别的研究也日益增多。已有的文献中,有利用能量检测法进行本地感知,并在融合中心使用卷积神经网络(Convolutional NeuralNetworks,CNN)进行融合判决,但是实际环境中的噪声是非高斯的,能量检测法受噪声影响严重。也有研究利用CNN对信号接收序列进行判决,并对通用软件无线电设备(UniversalSoftware Radio Peripheral,USRP)所接收的离线信号数据进行单节点的离线感知。
PU信号序列随时间的变化具有相关性,能够使用RNN对具有相关性的信号序列进行识别。RNN的记忆短暂,随着序列的增长会丢失早前信息,因此本发明的SU使用长短期记忆网络(Long Short-Term Memory,LSTM)对长信号序列进行本地判决。由于SU所处环境不同,在FC使用两个全连接层对不同SU所得到的结果进行最终的融合判决。
本发明利用多台USRP搭建了频谱感知系统,利用USRP采集真实信号并构建训练、测试集,最后利用GNU Radio和训练完成的模型进行协作感知。
发明内容
本发明针对协作频谱感知问题,提出了一种基于LSTM的协作感知算法及多USRP实现的方法。
本发明中基于LSTM的协作感知算法及多USRP实现的方法的步骤是:
步骤1、利用多台USRP和一台主机搭建协作感知平台;
步骤2、在主机上利用GNU Radio接收USRP采集得到的基带信号作为离线训练样本;
步骤3、建立LSTM网络用于样本时序特征提取,利用全连接层得到融合特征,并引入Softmax回归模型对融合特征进行分类识别;
步骤4、利用步骤2的离线训练样本对步骤3搭建的网络模型进行逐层训练,具体为利用梯度下降法和反向传播算法优化模型参数,从而得到离线训练模型;
步骤5、利用步骤1所搭建的感知平台接收信号序列,然后利用步骤4得到的离线训练模型进行实时感知分类。
步骤1中,利用多台USRP和一台主机搭建协作感知平台的步骤如下:
2-1.在主机中依次安装UHD和GNU Radio,并为每台USRP烧写与UHD版本对应的FPGA image;
2-2.重新配置每台USRP的IP地址到不同网段下,同时重新配置主机端的以太网口IP,使每个以太网口分别与USRP处于同一网段下。
步骤2中利用GNU Radio接收采集得到的基带信号作为离线训练样本,具体如下:
3-1.利用GRC(GNU Radio Companion)搭建信号的接收和发射流图,在接收流图最后使用一个Vector Sink模块接收信号数据;
3-2.利用步骤3-1搭建的GRC流图生成Python源码,对源码进行修改,在源码中添加相应语句,将使用Vector Sink模块接收到的信号数据进行拆分重组,构成用于离线训练的数据集。
步骤3中,为每个USRP接收节点搭建LSTM网络用于该节点的信号时序特征提取,然后利用全连接层得到所有USRP时序特征的融合特征,最后引入Softmax回归模型对融合特征进行分类识别,具体如下:
4-1.第i个USRP接收的L点时间信号序列,通过拥有N个记忆单元的LSTM网络,得到N维的时序特征向量featurei;
4-2.将M个USRP的时序特征向量进行组合,生成一个组合特征序列:
feature=[feature1,feature2,…,featureM];
4-3.使用全连接层对组合特征序列feature中的各时序特征向量进行融合,然后将融合特征向量通过神经元数量为2的全连接层,并使用Softmax将输出映射为分类标签。
步骤5中,利用步骤1所搭建的感知平台接收信号序列,然后利用步骤4得到的离线训练模型进行实时感知分类,具体如下:
5-1.每台USRP均使用一个Vector Sink模块接收信号数据,截取长度为L的信号序列,并将截取到的M台USRP的数据组合成M×1×L的张量矩阵,作为输入样本;
5-2.利用函数LSTMmodel=keras.model()调用步骤4保存的离线训练模型,然后使用LSTMmodel.predict()将步骤5-1得到的张量矩阵输入到离线训练模型中进行分类,得到输出标签[a,b]T;
5-3.输出[0,1]T表示主用户存在,[1,0]T表示主用户不存在,但a和b的值在实际输出过程中并非为0或1,而是两个位于0~1之间,且和为1的实数;定义err为输出与[0,1]T之间的欧氏距离,即设定误差门限为errth,当err<errth时判定存在主用户信号,否则判定不存在。
本发明提出一种基于LSTM的协作感知算法及多USRP实现的方法,利用LSTM网络提取每个节点的接收信号的时序特征,并在融合中心FC使用两层全连接层对时序特征进行融合,最后使用Softmax将输出映射为分类标签。
本发明利用多台USRP和一台PC主机搭建协作感知平台,使用接收到的实际的离线信号数据集进行离线训练,得到该协作感知平台所对应的网络模型。然后利用训练得到的离线模型以及GNU Radio和Keras软件框架,接收实时信号并对该信号进行分类识别。
本发明的有益效果是:
1、本发明使用LSTM网络自主提取每个节点接收信号的时序特征,能够更好的挖掘时间信号的深层特征,用于识别主用户信号的存在性能够取得良好的效果
2、本发明使用两个全连接层在融合中心对所有节点的时序特征进行融合,利用反向传播算法自主调整每个时序特征的权重值,避免了人为定义的不稳定性。
3、本发明使用多台USRP和一台主机搭建了协作感知平台,并利用该平台接收的离线数据集训练网络的离线模型,最后基于此离线模型对实际信号进行实时感知,本发明算法的实际应用性得到了验证。
附图说明
图1是基于LSTM的协作感知分类网络模型;
图2是利用USRP和LSTM的协作感知流程图;
具体实施方式
下面进一步详细说明本发明的实施步骤。
如图1和2所示,基于LSTM的协作感知算法及多USRP实现的方法,具体包括以下步骤:
步骤1、利用多台USRP和一台主机搭建协作感知平台,具体如下:
1-1.在主机中依次安装UHD和GNU Radio,为验证方法的有效性,选用3台USRP搭建协作感知平台,并为每台USRP烧写与UHD版本对应的FPGA image;
1-2.重新配置每台USRP的IP地址到不同网段下,此处配置为:192.168.10.2,192.168.20.2和102.168.30.2。同时重新配置主机端的以太网口IP,使每个以太网口分别与USRP处于同一网段下,因此可以配置为:192.168.10.3,192,168.20.3和192.168.30.3。
步骤2、在主机上利用GNU Radio接收USRP采集得到的基带信号作为离线训练样本,具体如下:
2-1.利用GNU Radio Companion(简称GRC)搭建信号接收和发射流图,在接收流图最后使用一个Vector Sink模块接收信号数据。
2-2.利用2-1搭建的GRC流图生成Python源码,对源码进行修改,在源码中添加相应语句,将使用Vector Sink接收到的信号数据进行拆分重组,构成用于离线训练的数据集。
步骤3、建立LSTM网络用于样本时序特征提取,利用全连接层得到融合特征,并引入Softmax回归模型对融合特征进行分类识别,具体如下:
3-1.第i个USRP接收的L点时间信号序列通过拥有N个记忆单元的LSTM网络,得到N维的时序特征向量featurei;
3-2.将用于验证的三台USRP的时序特征向量进行组合,生成一个组合特征序列
feature=[feature1,feature2,feature3];
3-3.使用全连接层对组合特征序列feature中的各特征值进行融合,然后将融合特征向量通过神经元数量为2的全连接层,并使用Softmax将输出映射为分类标签。
步骤4、利用步骤2的离线训练样本对步骤3搭建的网络模型进行逐层训练,具体为利用梯度下降法和反向传播算法优化模型参数,从而得到离线训练模型;
步骤5、利用步骤1所搭建的感知平台接收信号序列,然后利用步骤4得到的离线训练模型进行实时感知分类,具体如下:
5-1.每台USRP均使用一个Vector Sink模块接收信号数据,截取长度为L的信号序列,并将截取到的3台USRP的数据组合成3×1×L的张量矩阵,作为输入样本;
5-2.利用函数LSTMmodel=keras.model()调用步骤4保存的模型,然后使用LSTMmodel.predict()将5-1得到的样本信号输入到离线训练模型中进行分类,得到输出标签[a,b]T。
Claims (1)
1.基于LSTM的协作感知算法及多USRP实现的方法,其特征在于该方法包括以下步骤:
步骤1、利用多台USRP和一台主机搭建协作感知平台;
步骤2、在主机上利用GNU Radio接收USRP采集得到的基带信号作为离线训练样本;
步骤3、建立LSTM网络用于样本时序特征提取,利用全连接层得到融合特征,并引入Softmax回归模型对融合特征进行分类识别;
步骤4、利用步骤2的离线训练样本对步骤3搭建的网络模型进行逐层训练,具体为利用梯度下降法和反向传播算法优化模型参数,从而得到离线训练模型;
步骤5、利用步骤1所搭建的感知平台接收信号序列,然后利用步骤4得到的离线训练模型进行实时感知分类;
步骤1中,利用多台USRP和一台主机搭建协作感知平台的步骤如下:
2-1.在主机中依次安装UHD和GNU Radio,并为每台USRP烧写与UHD版本对应的FPGAimage;
2-2.重新配置每台USRP的IP地址到不同网段下,同时重新配置主机端的以太网口IP,使每个以太网口分别与USRP处于同一网段下;
步骤2中利用GNU Radio接收采集得到的基带信号作为离线训练样本,具体如下:
3-1.利用GRC(GNU Radio Companion)搭建信号的接收和发射流图,在接收流图最后使用一个Vector Sink模块接收信号数据;
3-2.利用步骤3-1搭建的GRC流图生成Python源码,对源码进行修改,在源码中添加相应语句,将使用Vector Sink模块接收到的信号数据进行拆分重组,构成用于离线训练的数据集;
步骤3中,为每个USRP接收节点搭建LSTM网络用于该节点的信号时序特征提取,然后利用全连接层得到所有USRP时序特征的融合特征,最后引入Softmax回归模型对融合特征进行分类识别,具体如下:
4-1.第i个USRP接收的L点时间信号序列,通过拥有N个记忆单元的LSTM网络,得到N维的时序特征向量featurei;
4-2.将M个USRP的时序特征向量进行组合,生成一个组合特征序列:
feature=[feature1,feature2,…,featureM];
4-3.使用全连接层对组合特征序列feature中的各时序特征向量进行融合,然后将融合特征向量通过神经元数量为2的全连接层,并使用Softmax将输出映射为分类标签;
步骤5中,利用步骤1所搭建的感知平台接收信号序列,然后利用步骤4得到的离线训练模型进行实时感知分类,具体如下:
5-1.每台USRP均使用一个Vector Sink模块接收信号数据,截取长度为L的信号序列,并将截取到的M台USRP的数据组合成M×1×L的张量矩阵,作为输入样本;
5-2.利用函数LSTMmodel=keras.model()调用步骤4保存的离线训练模型,然后使用LSTMmodel.predict()将步骤5-1得到的张量矩阵输入到离线训练模型中进行分类,得到输出标签[a,b]T;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481809.3A CN110380801B (zh) | 2019-06-04 | 2019-06-04 | 基于lstm的协作感知算法及多usrp实现的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481809.3A CN110380801B (zh) | 2019-06-04 | 2019-06-04 | 基于lstm的协作感知算法及多usrp实现的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110380801A CN110380801A (zh) | 2019-10-25 |
CN110380801B true CN110380801B (zh) | 2021-06-08 |
Family
ID=68249708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910481809.3A Active CN110380801B (zh) | 2019-06-04 | 2019-06-04 | 基于lstm的协作感知算法及多usrp实现的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110380801B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283576B (zh) * | 2021-01-18 | 2024-02-06 | 上海应用技术大学 | 一种基于鲸鱼算法优化lstm的频谱感知方法 |
CN113114400B (zh) * | 2021-04-14 | 2022-01-28 | 中南大学 | 基于时序注意力机制和lstm模型的信号频谱空洞感知方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104363596A (zh) * | 2014-11-20 | 2015-02-18 | 中国人民解放军总参谋部第六十三研究所 | 基于usrp的动态频谱管理半实物仿真实验系统及实验方法 |
DE102014212989A1 (de) * | 2014-07-04 | 2016-01-07 | Bayerische Motoren Werke Aktiengesellschaft | Steuern von Datenverbindungen und/oder Datenübertragungen in einer mobilen Funkeinrichtung |
CN107294628A (zh) * | 2017-07-21 | 2017-10-24 | 常州工学院 | 一种基于usrp的频谱智能感知系统及其方法 |
CN107786369A (zh) * | 2017-09-26 | 2018-03-09 | 广东电网有限责任公司电力调度控制中心 | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 |
CN108390735A (zh) * | 2018-01-26 | 2018-08-10 | 杭州电子科技大学 | 一种信息素驱动的分布式协同宽带频谱感知方法 |
CN109194423A (zh) * | 2018-08-13 | 2019-01-11 | 中国人民解放军陆军工程大学 | 基于优化的长短期记忆模型的单频点频谱预测方法 |
-
2019
- 2019-06-04 CN CN201910481809.3A patent/CN110380801B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014212989A1 (de) * | 2014-07-04 | 2016-01-07 | Bayerische Motoren Werke Aktiengesellschaft | Steuern von Datenverbindungen und/oder Datenübertragungen in einer mobilen Funkeinrichtung |
CN104363596A (zh) * | 2014-11-20 | 2015-02-18 | 中国人民解放军总参谋部第六十三研究所 | 基于usrp的动态频谱管理半实物仿真实验系统及实验方法 |
CN107294628A (zh) * | 2017-07-21 | 2017-10-24 | 常州工学院 | 一种基于usrp的频谱智能感知系统及其方法 |
CN107786369A (zh) * | 2017-09-26 | 2018-03-09 | 广东电网有限责任公司电力调度控制中心 | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 |
CN108390735A (zh) * | 2018-01-26 | 2018-08-10 | 杭州电子科技大学 | 一种信息素驱动的分布式协同宽带频谱感知方法 |
CN109194423A (zh) * | 2018-08-13 | 2019-01-11 | 中国人民解放军陆军工程大学 | 基于优化的长短期记忆模型的单频点频谱预测方法 |
Non-Patent Citations (3)
Title |
---|
Spectrum Prediction via Long Short Term Memory;Ling Yu 等;《2017 3rd IEEE International Conference on Computer and Communications》;20171216;全文 * |
基于GNU Radio 和USRP 的宽频带并行感知平台设计;赵楠 等;《计算机应用研究》;20151231;第3779-3789页 * |
移动端环境感知系统中深度神经网络的应用;张池;《中国优秀硕士学位论文全文数据库 信息科技缉》;20180215;第10-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110380801A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
Liu et al. | An intrusion detection model with hierarchical attention mechanism | |
CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN111581645B (zh) | 一种基于ai的自动化渗透测试系统的迭代攻击方法 | |
CN110380801B (zh) | 基于lstm的协作感知算法及多usrp实现的方法 | |
CN113806746B (zh) | 基于改进cnn网络的恶意代码检测方法 | |
CN109889436B (zh) | 一种社交网络中垃圾邮件发送者的发现方法 | |
Shitharth et al. | An enriched RPCO-BCNN mechanisms for attack detection and classification in SCADA systems | |
Choukri et al. | RPL rank attack detection using Deep Learning | |
WO2021088465A1 (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
Shi et al. | Towards environment-independent human activity recognition using deep learning and enhanced CSI | |
Einy et al. | Network intrusion detection system based on the combination of multiobjective particle swarm algorithm-based feature selection and fast-learning network | |
CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
CN110677437A (zh) | 基于潜在空间对抗式聚类的用户伪装攻击检测方法及系统 | |
CN115982706A (zh) | 基于api调用序列行为多视角融合的恶意软件检测方法 | |
CN115422995A (zh) | 一种改进社交网络和神经网络的入侵检测方法 | |
Zhao et al. | A few-shot learning based approach to IoT traffic classification | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
Hu et al. | Exploit internal structural information for IoT malware detection based on hierarchical transformer model | |
Chakraborty et al. | Industrial control system device classification using network traffic features and neural network embeddings | |
Samadzadeh et al. | Evaluating Security Anomalies by Classifying Traffic Using Deep Learning | |
Fu et al. | A novel semi-supervised learning framework for specific emitter identification | |
CN111490945A (zh) | 一种基于深度学习方法和dfi的vpn隧道流量识别方法 | |
Clarkson | Applications of neural networks in telecommunications | |
CN115659135A (zh) | 一种面向多源异构工业传感器数据的异常检测方法 |
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 |