CN111510232B - 一种基于神经网络的车联网组合频谱感知方法及其应用 - Google Patents
一种基于神经网络的车联网组合频谱感知方法及其应用 Download PDFInfo
- Publication number
- CN111510232B CN111510232B CN202010276787.XA CN202010276787A CN111510232B CN 111510232 B CN111510232 B CN 111510232B CN 202010276787 A CN202010276787 A CN 202010276787A CN 111510232 B CN111510232 B CN 111510232B
- Authority
- CN
- China
- Prior art keywords
- neural network
- spectrum sensing
- internet
- training
- characteristic parameter
- 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
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于神经网络的车联网组合频谱感知方法,包括:获取其协方差矩阵,通过接收信号的能量值和协方差矩阵的特征值来提取特征参数;划分训练集、验证集和测试集;以所述特征参数作为输入参数,以主用户的存在情况作为输出参数,建立神经网络;采用训练集和验证集来对神经网络训练和验证,得到频谱感知神经网络,随后采用测试集来对频谱感知神经网络进行调节;接收新的接收信号,进行频谱感知,得到频谱感知结果。本发明还提供一种车联网。本发明的车联网组合频谱感知方法综合考虑信号能量值和协方差矩阵的特点,利用神经网络较强的多分类能力,从而在车联网环境下提高频谱感知成功率,有效提高车联网环境下频谱感知性能。
Description
技术领域
本发明属于车联网领域,具体涉及一种车联网组合频谱感知方法及其应用。
背景技术
车联网(internet ofvehicles)作为智能交通里的关键技术,通过完成车车通信(vehicle-to-vehicle)和车路通信(vehicle-to-road)来感知道路环境,从而实现合理规划路线、避免拥堵和减少交通事故。近年来,随着生活水平的提高,车联网由于新用户激增给车联网的无线频谱资源带来了巨大的挑战。为此,将采用动态频谱共享技术即认知无线电(CR,cognitive radio)来解决车联网无线频谱资源匮乏的问题。
认知无线电的概念是频谱复用/共享,允许次用户在主用户没有充分利用频谱情况下,占用分配给主用户的频谱进行通信。其中,次用户,即认知用户,是指认知车辆;主用户也即授权用户,是指被授权使用某一频段的用户,不一定是车辆,可以是各种类型的用户。为了避免认知用户对授权用户通信造成干扰,车辆作为次用户需要准确检测到主用户是否存在,因此,频谱感知是车联网认知无线电的前提。
近年来,随着认知无线电技术的深入发展和车联网技术的成长以及5G的到来,车联网认知无线电频谱感知的研究也越来越多,主要难点在于车联网通信环境为高速高噪声。车联网通信环境下,车辆高速移动和通信环境快速变化都会使得主用户不能长期占用频段,因此车联网通信中可以暂时使用的频段相对于其他无线通信网络回更多,更能发挥认知无线电频谱感知的优点。
现有的车联网频谱感知技术主要是通过信号能量,利用双门限检测方法进行频谱感知。双门限检测方法的流程如图1所示,首先设置两个门限值λ1和λ2(λ1<λ2),然后将接收信号的能量值和两个门限值比较,融合中心内装有认知设备的车辆作为次用户首先进行本地判决,比较能量值是否大于门限值λ2和能量值是否小于门限值λ1,根据能量值与双门限的比较结果得出本地判决结果。该本地判决结果为存在主用户、不存在主用户和不判决其中之一,其中,能量值大于门限值λ2时本地判决结果为存在主用户,能量值在门限值λ1和λ2之间时本地判决结果为不存在主用户,能量值在小于门限值λ1时本地判决结果为不判决。然后本地判决结果为存在主用户和不存在主用户的次用户将结果上报融合中心,最后融合中心对本地判决结果进行汇总并根据“或”融合准则(即是否存在“存在主用户”的判决结果)或者“大多数”融合准则(即“存在主用户”的判决结果是否超过次用户总数的一半)进行最终判决。最终判决结果由融合中心广播通知范围内次用户,次用户根据判决结果决定能否接入授权频段通信。
然而,现有的基于信号能量的双门限检测方法在低信噪比情况下频谱感知的精度很低,在信噪比为-20dB的情况下,频谱感知的精度仅为5%左右。
因此,需要一种在低信噪比情况下高精度的车联网组合频谱感知方法。
发明内容
本专利的目的在于提供一种基于神经网络的车联网组合频谱感知方法及其应用,以有效提高车联网环境下频谱感知性能。
为了实现上述目的,本发明提供一种基于神经网络的车联网组合频谱感知方法,用于根据来自多个次用户的接收信号进行频谱感知,包括:
S1:采用来自每个次用户的接收信号分别获取其协方差矩阵,通过所述接收信号的能量值和所述协方差矩阵的特征值来提取所述神经网络的特征参数;
S2:以每个次用户所对应的特征参数和相应的主用户的存在情况分别作为一数据组,将多个数据组划分为训练集、验证集和测试集;
S3:以所述特征参数作为输入参数,以主用户的存在情况作为输出参数,建立所述神经网络;
S4:采用所述训练集和验证集来对各个神经网络进行训练和验证,得到一频谱感知神经网络,随后采用所述频谱感知神经网络放在所述测试集上进行测试,以得出所述频谱感知神经网络的性能;
S5:接收新的来自每个次用户的接收信号并重复所述步骤S1,采用所述步骤S4中的频谱感知神经网络进行频谱感知,得到频谱感知结果,所述频谱感知结果为主用户的存在情况。
在所述步骤S1中,所述协方差矩阵为:
其中,Ry(N)为接收信号的协方差矩阵,y(n)为接收信号的能量值,yH(n)为y(n)的转置矩阵,N为总采样次数,n为采样时刻。
所述特征参数的数量为4-8个。
所述特征参数的数量为4个,包括第一、第二、第三和第四特征参数;
其中,β1为第一特征参数,λymax和λymin分别为协方差矩阵的最大特征值和最小特征值,σ1为第一加权系数;
其中,β2为第二特征参数,λyavg为协方差矩阵的平均特征值,λymin为协方差矩阵的最小特征值,σ2为第二加权系数;
其中,β3为第三特征参数,α的取值范围是0~1,ρ为第三加权系数;
第四特征参数β4为:β4=∑n(y(N))2*σ4,
其中,β4为第四特征参数,y(N)是接收信号的能量值,σ4为第四加权系数。
所述特征参数包括所述协方差矩阵的正定值和/或行列式的组合。
在所述步骤S3中,所述神经网络为四层神经网络,包括输入层、输出层、第一隐藏层和第二隐藏层,所述第一隐藏层的激活函数为sigmoid函数,且所述第二隐藏层和输出层的激活函数为relu函数。
所述输入层的节点数量为4个,所述输出层的节点数量为2个;所述第一隐藏层的节点数量为8个,所述第二隐藏层的节点数量为2个。
在所述步骤S4中,在进行训练时,各个神经网络采用不同的权重参数、各层节点的阈值和统一的神经网络的终止条件作为其初始化条件,所述神经网络的终止条件包括训练误差和最大训练次数;且所述验证包括:对训练得到的各个神经网络进行频谱感知,得到频谱感知结果,确定各个神经网络的泛化情况,从中选择泛化情况最好的神经网络作为所述频谱感知神经网络,其中,所述神经网络的泛化情况的评价标准为所述频谱感知结果的准确率。
在所述步骤S4中,对各个神经网络进行训练是对所述神经网络进行调节,且对所述神经网络进行调节包括权重参数和各层节点的阈值的调节,其通过检测所述神经网络的损失函数来实现。
另一方面,本发明提供了一种车联网,包括一融合中心和多个次用户,所述次用户设置为协作感知同一频段并发送,该融合中心设置为接收来自多个次用户的接收信号,并执行根据上文所述的基于神经网络的车联网组合频谱感知方法,随后将频谱感知结果发送给各个次用户。
本发明的基于神经网络的车联网组合频谱感知方法综合考虑信号能量值和协方差矩阵的特点,利用神经网络较强的多分类能力将信号能量检测和协方差矩阵特征值检测组合得出的参数特征值作为输入进行频谱感知,可以解决低信噪比情形下频谱感知性能不足的问题,从而在车联网环境下提高频谱感知成功率,有效提高车联网环境下频谱感知性能,进而提高频谱的利用率。此外,本发明的车联网组合频谱感知方法具体采用信号能量、协方差矩阵的最大特征值、最小特征值、迹和平均特征值融合作为神经网络的特征参数进行合作频谱感知,可以进一步提高感知性能。
附图说明
图1为现有技术中的双门限检测方法的流程图。
图2为根据本发明的一个实施例的基于神经网络的车联网组合频谱感知方法的流程图。
图3为如图2所示的基于神经网络的车联网组合频谱感知方法所采用的神经网络的具体结构图。
具体实施方式
下面结合附图,给出本发明的较佳实施例,并予以详细描述。
如图2所示为根据本发明的一个实施例的基于神经网络的车联网组合频谱感知方法的流程图。本发明的基于神经网络的车联网组合频谱感知方法用于根据来自多个次用户的接收信号进行频谱感知,例如,若有5个次用户协作感知同一频段,则每个次用户都需要接收这个频段的信号,然后将相应的接收信号发送给融合中心,以进行频谱感知。
本发明的基于神经网络的车联网组合频谱感知方法包括以下步骤:
步骤S1:提取所述神经网络的特征参数,具体包括:采用来自每个次用户的接收信号分别获取其协方差矩阵,通过所述接收信号的能量值和所述协方差矩阵的特征值来提取所述神经网络的特征参数。
其中,所述协方差矩阵的获取方式如下:
车联网频谱感知可以看作一个二分类的问题。用H0表示(Primary User,PU)不存在,用H1表示主用户存在。合作频谱感知中,来自每个次用户,即每个认知车辆用户(CVU)的接收信号的能量值yi(n)可以表示为:
其中,i表示信道序数,M为信道数,n为采样时刻,N为总采样次数,yi(n)为来自每个次用户的接收信号的能量值,H0和H1分别表示主用户存在和主用户不存在的情况,wi(n)为均值为0且方差为的加性高斯白噪声(AWGN),加性高斯白噪声是车联网研究中广泛采用的噪声,s(n)为主用户发射的信号,hi(n)为第i个信道的信道响应,此处假设这个信道是不变的且是瑞利分布。
在本实施例中,假定加性高斯白噪声wi(n),主用户发射的信号s(n),第i个信道的信道响应hi(n)是相互独立的。
假设每个认知车辆用户(CVU)感知的总采样次数是N,共有M个信道,那么在同一采样时刻n在所有M个信道上的来自每个次用户的接收信号的能量值y(n)、主用户发射的信号s(n)、信道响应hi(n)可以表示为:
y(n)=[y1(n),y2(n)...yM(n)]T,
s(n)=[s1(n),s2(n)...sM(n)]T,
w(n)=[w1(n),w2(n)...wM(n)]T,
h(n)=[h1(n),h2(n)...hM(n)]T (2)
即,接收信号的能量值y(n)可以以向量形式表示,表示为:
y(n)=Hs(n)+w(n) (3)
此时,接收信号的协方差矩阵Ry(n)可以定义为:
其中,接收信号的协方差矩阵Ry,主用户发射的信号的协方差矩阵Rs分别为:
Rv=E[YYH] (5)
Rs=E[SSH] (6)
其中,S为主用户发射的信号的矩阵;Y为接收信号的能量值的矩阵,E为单位矩阵。
由于总采样次数为N,接收信号的协方差矩阵(即样本协方差矩阵)可以表示为:
其中,Ry(N)为接收信号的协方差矩阵,y(n)为接收信号的能量值,yH(n)为y(n)的转置矩阵,N为总采样次数,n为采样时刻。
至此,可以得到一组接收信号的协方差矩阵。
在本实施例中,所述特征参数的数量为4个,包括第一、第二、第三和第四特征参数。
其中,第一特征参数β1、第二特征参数β2、第三特征参数β3、第四特征参数β4的选择过程如下:
根据式(7)得出Ry,然后将Ry带入|Ry-λiE|=0得
在H0即授权用户不存在的状态下,发射信号为0,即Rs=0,此时特征值λs1=λs2=…=λsmin=0,因此,此时可得在H1即授权用户存在的情况下,λs1>λsmin,因此在认知车辆用户CVU个数为1时,发射信号特征值为定值,此时但是本文使用多用户协作频谱感知,可以不考虑CVU个数为1的情况。在授权用户PU存在和不存在时存在区别,因此可以通过来判断授权用户是否存在。但是在SNR=-20dB环境下,这时,此时神经网络便不能准确的来判断主用户(PU)是否存在。因此将乘一个参数σ来放大这一特征值,得出:
同理,设λyavg为Ry的几何平均特征值。通过下式得出:
在H0即授权用户不存在的状态下,发射信号为0,即Rs=0,此时特征值λs1=λs2=…=λsmin=0,因此,此时可得在H1即授权用户存在的情况下,λsavg>λsmin,因此同上,此处需设置一个参数来放大特征值以避免低信噪比情况下检测精度不高的问题:
β3的具体推导如下:
结合α-MTG算法以及MSEE算法,给出的检测统量如下所示:
其中α的取值范围是0~1,在H0即授权用户不存在的状态下,发射信号为0,此时λymax=λymin,T=1。在H1即授权用户存在的情况下,λymax>λymin,T>1。此时的统计量已经可以很好的区分授权用户是否存在的情况,但是作为神经网络的参数之一,此处需要一个系数来保证神经网络各个参数处于统一量级。因此,得出β3表达式为:
其中,p的大小由β1、β2及T的大小来确定。
β4的具体推导如下:
由于信号样本点数目是N个,可以将能量的检测统计量表示为:
E=∑n(y(N))2 (14)
β4=∑n(y(N))2*σ (15)
因此,参见公式(9),第一特征参数β1为:
其中,β1为第一特征参数,λymax和λymin分别为协方差矩阵的最大特征值和最小特征值,σ1为第一加权系数,用来调整第一特征参数β1的大小。
参见公式(11),第二特征参数β2为:
其中,β2为第二特征参数,λyavg为协方差矩阵的平均特征值,λymin为协方差矩阵的最小特征值,σ2为第二加权系数,用来调整第二特征参数β2的大小,以避免低信噪比情况下检测精度不高。
参见公式(13),第三特征参数β3为:
其中,β3为第三特征参数,α的取值范围是0~1,ρ为第三加权系数,用于调整第三特征参数β3的大小,ρ的大小由β1、β2及T的大小来确定。
参见公式(15),第四特征参数β4为:
β4=∑n(y(N))2*σ4,
其中,β4为第四特征参数,y(N)是接收信号的能量值,σ4为第四加权系数,用于调整第四特征参数β4的大小。
此外,在其他实施例中,所述的第一、第二、第三、第四特征参数均可以采用其他特征参数来替代,例如特征参数也可以是所述协方差矩阵的正定值和/或行列式等的组合。所述特征参数的数量可以增加,例如所述特征参数的数量也可以为5-8个,以进一步提高频谱感知的精确度,但是要在合理范围内增加,否则会大幅降低算法运行速度。特征参数的数量为4个属于比较合理的,少了会导致感知精度不足,参数太多虽然可以提升感知精度,但是也降低了感知速度,性价比不高。
步骤S2:数据处理分类,具体包括:以每个次用户所对应的特征参数和相应的主用户的存在情况分别作为一数据组,将多个数据组划分为训练集、验证集和测试集。
其中,相应的主用户的存在情况为已知的,由此,可以按照一定比例,分别选择数据组作为训练集、验证集、测试集以在之后使用。在本实施例中,所述训练集、验证集、测试集中的数据组的数量比例为3∶1∶1,所述训练集中的数据组的数量为3000,所述验证集中的数据组的数量为1000,测试集中的数据组的数量为1000。
所述训练集、验证集、测试集三个数据集的格式是相同的。在本实施例中,所述训练集、验证集、测试集均包括K+1列,前K列设置为存储所述步骤S1中的特征参数β1~β4,最后一列设置为存储相应的主用户的存在情况(即主用户是否存在),K为特征参数的数量。次用户相同的数据算作同一数据组,在一个数据组内各行的内容是不同采样时刻的特征参数β1~β4,以及主用户的存在情况。
步骤S3:以所述特征参数作为输入参数,以主用户的存在情况作为输出参数,建立所述神经网络。
其中,输入参数的数量等于所述特征参数的数量。输出参数的个数为1,输出参数设置为与一阈值比较,大于该阈值则主用户存在,反之则不存在。这里的阈值是神经网络训练后得到的参数,不是直接给出的。
如图3所示,在本实施例中,所述神经网络为四层神经网络,包括输入层、输出层、第一隐藏层和第二隐藏层。所述输入层的节点数量为4个;由于主用户是否存在相当于一个二分类问题即分类个数为2,所以输出层的节点数量为2个;第一隐藏层的节点数量为8个,第二隐藏层的节点数量为2个。第一隐藏层的激活函数选择sigmoid函数,以保证精确度;且第二隐藏层和输出层的激活函数为relu函数,使得收敛速度快,计算复杂度较低。
步骤S4:采用所述步骤S2中的训练集和验证集来对各个神经网络进行训练和验证,以得到频谱感知神经网络,随后,即在使用训练集训练好各个神经网络并且验证集确定频谱感知神经网络已经可以用来进行频谱感知后,采用所述频谱感知神经网络放在所述测试集上进行测试,以检验频谱感知神经网络的精准度,也就是得出所述频谱感知神经网络的性能。
其中,在进行训练时,各个神经网络采用不同的权重参数w、各层节点的阈值b和统一的神经网络的终止条件作为其初始化条件,所述神经网络的终止条件包括训练误差和最大训练次数。在本实施例中,因为权重参数和各层节点的阈值这两个参数是神经网络训练过程中一直变化的,所以权重参数和各层节点的阈值采用随机初始化方式。所述训练误差为0或者一个很小的值。最大训练次数为5000~10000次。
所述验证包括:对训练得到的各个神经网络进行频谱感知,得到频谱感知结果,确定各个神经网络的泛化情况,从中选择泛化情况最好的神经网络作为所述频谱感知神经网络,其中,所述神经网络的泛化情况的评价标准为频谱感知结果(即主用户的存在情况)的准确率。因此,本发明通过选择泛化情况最好的神经网络,以将所述神经网络的权重参数和各层节点的阈值都调整为比较合适的值,使得频谱感知结果的准确率最高,避免使神经网络陷入局部最优解。
其中,对各个神经网络进行训练是对所述神经网络进行调节,且对所述神经网络进行调节包括权重参数和各层节点的阈值的调节,其通过检测所述神经网络的损失函数来实现,具体过程如下:
假设是第i个输入神经元和第一隐藏第j个神经元之间的权重,是第一隐藏层第i个神经元和第二隐藏层第j个神经元之间的权重。是第二隐藏层第i个神经元和输出层第j个神经元之间的权重。为第i个神经元的阈值,k表示神经元所在的层数,k=1表示隐藏层1,k=2表示隐藏层2,k=3表示输出层。由于sigmoid函数可以将输出值限制在[0,1]之间,隐藏层第一层的激活函数f1为sigmoid函数,隐藏层第二层和输出层激活函数f2、f3采用收敛速度快,计算复杂度低的relu函数。sigmoid函数和relu函数表达式如下:
relu(x)=max(0,x) (17)
隐藏层第一层的第i个神经元的输入ini和输出out1i可以表示为:
隐藏层第二层第j个神经元的输入和输出可以表示为:
输出层的第k个神经元的输入和输出可以表示为:
此时的损失函数C可表示为:
假设网络的学习速率是α,那么下降梯度可以表示为:
此时,权值和阈值更新公式为:
神经网络训练过程中就是更新权重,直到训练误差小于阈值或者训练次数达到最大则停止网络训练。
步骤S5:接收新的来自每个次用户的接收信号并重复所述步骤S1,采用所述步骤S4中的频谱感知神经网络进行频谱感知,得到频谱感知结果,所述频谱感知结果为主用户的存在情况。
此外,在所述步骤S1和步骤S5所重复的步骤S1之前,即在提取所述神经网络的特征参数之前,还包括步骤S0:对来自每个次用户的接收信号进行多普勒频移修正。由此,采用修正后的结果提取所述神经网络的特征参数,可以提高频谱感知的精度。
所述多普勒频移修正具体是根据车辆速度来修正车辆高速移动造成的多普勒频移量。
下面具体说明多普勒频移量的表达式的计算过程。
在车联网通信中,当认知车辆靠近授权用户时,信号频率变高,远离授权用户时,信号频率变低,所以要充分考虑多普勒效应导致的多普勒频移。次用户(即认知车辆用户)接收的接收信号的频率和主用户(即授权用户)发射的信号频率关系为:
其中,f′为次用户接收到的接收信号的频率,f为主用户(即授权用户)发射的信号频率,v为信号传播速度,v0为次用户的移动速度。vs为主用户的移动速度,此处为0。
当次用户以速度v在路上行驶时,多普勒频移后的信号频率可以表示为:
其中,f′为次用户接收到的接收信号的频率,λ代表波长,θ为次用户与主用户的连线和道路的夹角。
因此,在对来自每个次用户的接收信号进行多普勒频移修正时,所述接收信号的多普勒频移量可以表示为:
其中,v为信号传播速度,v0为次用户的移动速度。
本专利的基于神经网络的车联网组合频谱感知方法,在信噪比为-20dB的情况下,频谱感知的精度可以达到80%以上。
基于上文所述的基于神经网络的车联网组合频谱感知方法,本发明还提供了一种车联网,该车联网包括一融合中心和多个次用户(即认知车辆),所述次用户设置为协作感知同一频段并发送,该融合中心设置为接收来自多个次用户的接收信号,并执行上文所述的基于神经网络的车联网组合频谱感知方法,随后将频谱感知结果发送给各个次用户。
以上所述的,仅为本发明的较佳实施例,并非用以限定本发明的范围,本发明的上述实施例还可以做出各种变化。凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰,皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。
Claims (9)
1.一种基于神经网络的车联网组合频谱感知方法,用于根据来自多个次用户的接收信号进行频谱感知,其特征在于,包括:
步骤S1:采用来自每个次用户的接收信号分别获取其协方差矩阵,通过所述接收信号的能量值和所述协方差矩阵的特征值来提取所述神经网络的特征参数;
步骤S2:以每个次用户所对应的特征参数和相应的主用户的存在情况分别作为一数据组,将多个数据组划分为训练集、验证集和测试集;
步骤S3:以所述特征参数作为输入参数,以主用户的存在情况作为输出参数,建立所述神经网络;
步骤S4:采用所述训练集和验证集来对各个神经网络进行训练和验证,得到一频谱感知神经网络,随后采用所述频谱感知神经网络放在所述测试集上进行测试,以得出所述频谱感知神经网络的性能;
步骤S5:接收新的来自每个次用户的接收信号并重复所述步骤S1,采用所述步骤S4中的频谱感知神经网络进行频谱感知,得到频谱感知结果,所述频谱感知结果为主用户的存在情况;
所述特征参数包括第一、第二、第三和第四特征参数;
第一特征参数β1为:
其中,β1为第一特征参数,λymax和λymin分别为协方差矩阵的最大特征值和最小特征值,σ1为第一加权系数;
第二特征参数β2为:
其中,β2为第二特征参数,λyavg为协方差矩阵的平均特征值,λymin为协方差矩阵的最小特征值,σ2为第二加权系数;
第三特征参数β3为:
其中,β3为第三特征参数,α的取值范围是0~1,ρ为第三加权系数;
第四特征参数β4为:
β4=∑n(y(n))2*σ4,
其中,β4为第四特征参数,y(n)是接收信号的能量值,σ4为第四加权系数,n为采样时刻。
3.根据权利要求1所述的基于神经网络的车联网组合频谱感知方法,其特征在于,所述特征参数的数量为4-8个。
4.根据权利要求1所述的基于神经网络的车联网组合频谱感知方法,其特征在于,所述特征参数包括所述协方差矩阵的正定值的组合、行列式的组合、或正定值和行列式的组合。
5.根据权利要求1所述的基于神经网络的车联网组合频谱感知方法,其特征在于,在所述步骤S3中,所述神经网络为四层神经网络,包括输入层、输出层、第一隐藏层和第二隐藏层,所述第一隐藏层的激活函数为sigmoid函数,且所述第二隐藏层和输出层的激活函数为relu函数。
6.根据权利要求5所述的基于神经网络的车联网组合频谱感知方法,其特征在于,所述输入层的节点数量为4个,所述输出层的节点数量为2个;所述第一隐藏层的节点数量为8个,所述第二隐藏层的节点数量为2个。
7.根据权利要求1所述的基于神经网络的车联网组合频谱感知方法,其特征在于,在所述步骤S4中,在进行训练时,各个神经网络采用不同的权重参数、各层节点的阈值和统一的神经网络的终止条件作为其初始化条件,所述神经网络的终止条件包括训练误差和最大训练次数;
且所述验证包括:对训练得到的各个神经网络进行频谱感知,得到频谱感知结果,确定各个神经网络的泛化情况,从中选择泛化情况最好的神经网络作为所述频谱感知神经网络,其中,所述神经网络的泛化情况的评价标准为所述频谱感知结果的准确率。
8.根据权利要求1所述的基于神经网络的车联网组合频谱感知方法,其特征在于,在所述步骤S4中,对各个神经网络进行训练是对所述神经网络进行调节,且对所述神经网络进行调节包括权重参数和各层节点的阈值的调节,其通过检测所述神经网络的损失函数来实现。
9.一种车联网,包括一融合中心和多个次用户,其特征在于,所述次用户设置为协作感知同一频段并发送,该融合中心设置为接收来自多个次用户的接收信号,并执行根据权利要求1-8之一所述的基于神经网络的车联网组合频谱感知方法,随后将频谱感知结果发送给各个次用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276787.XA CN111510232B (zh) | 2020-04-10 | 2020-04-10 | 一种基于神经网络的车联网组合频谱感知方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276787.XA CN111510232B (zh) | 2020-04-10 | 2020-04-10 | 一种基于神经网络的车联网组合频谱感知方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111510232A CN111510232A (zh) | 2020-08-07 |
CN111510232B true CN111510232B (zh) | 2022-02-18 |
Family
ID=71874642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010276787.XA Active CN111510232B (zh) | 2020-04-10 | 2020-04-10 | 一种基于神经网络的车联网组合频谱感知方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111510232B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112770325B (zh) * | 2020-12-09 | 2022-12-16 | 华南理工大学 | 一种基于深度学习的认知车联网频谱感知方法 |
CN112787736B (zh) * | 2020-12-30 | 2022-05-31 | 杭州电子科技大学 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429913A (zh) * | 2015-11-11 | 2016-03-23 | 西安电子科技大学 | 基于特征值的多电平检测与识别方法 |
CN106656374A (zh) * | 2016-12-29 | 2017-05-10 | 南京邮电大学 | 一种基于双门限能量检测的协作宽带频谱感知方法 |
CN110138480A (zh) * | 2019-03-11 | 2019-08-16 | 全球能源互联网研究院有限公司 | 训练频谱感知模型的方法及系统、频谱感知方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8213868B2 (en) * | 2009-04-17 | 2012-07-03 | Lingna Holdings Pte., Llc | Exploiting multiple antennas for spectrum sensing in cognitive radio networks |
CN108900266B (zh) * | 2018-07-06 | 2020-06-19 | 华南理工大学 | 基于协作节点选取和fcm算法的认知车联网频谱感知方法 |
-
2020
- 2020-04-10 CN CN202010276787.XA patent/CN111510232B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429913A (zh) * | 2015-11-11 | 2016-03-23 | 西安电子科技大学 | 基于特征值的多电平检测与识别方法 |
CN106656374A (zh) * | 2016-12-29 | 2017-05-10 | 南京邮电大学 | 一种基于双门限能量检测的协作宽带频谱感知方法 |
CN110138480A (zh) * | 2019-03-11 | 2019-08-16 | 全球能源互联网研究院有限公司 | 训练频谱感知模型的方法及系统、频谱感知方法及系统 |
Non-Patent Citations (2)
Title |
---|
利用卷积神经网络和协方差的协作频谱感知算法;鲁华超;《信号处理》;20191031;全文 * |
基于随机矩阵和高斯混合模型的频谱感知算法研究;袁汉涛;《中国优秀硕士学位论文全文数据库信息科技辑》;20200215;正文第24-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111510232A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Güner et al. | Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features | |
CN109379153B (zh) | 一种频谱感知方法 | |
CN111510232B (zh) | 一种基于神经网络的车联网组合频谱感知方法及其应用 | |
CN113595664B (zh) | 一种基于深度学习的多用户宽带通信系统的频谱感知方法 | |
CN108768907A (zh) | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 | |
CN111669344B (zh) | 一种基于深度学习的时变ofdm系统信号检测方法 | |
Liu et al. | Deep learning-based spectrum sensing in space-air-ground integrated networks | |
Zhao et al. | Deep Learning-Based channel estimation with SRGAN in OFDM Systems | |
CN107333294A (zh) | 一种结合AdaBoost和支持向量机的链路质量预测方法 | |
CN108924847B (zh) | 一种基于ann的认知无线电频谱预测方法及设备 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
CN111224905A (zh) | 一种大规模物联网中基于卷积残差网络的多用户检测方法 | |
CN114222202A (zh) | 一种基于WiFi CSI的环境自适应活动检测方法及系统 | |
Wang et al. | A cooperative spectrum sensing method based on a feature and clustering algorithm | |
Zhang et al. | Riemannian mean shift-based data fusion scheme for multi-antenna cooperative spectrum sensing | |
Liu et al. | Ensemble deep learning based cooperative spectrum sensing with stacking fusion center | |
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 | |
CN112350790B (zh) | 一种基于深度学习的频谱感知检测方法、装置及设备 | |
CN113037668A (zh) | 一种毫米波点对点通信信道均衡方法 | |
CN117376066A (zh) | 一种面向异步采样的数字信号调制方式识别方法 | |
Liu et al. | Ensemble deep learning based cooperative spectrum sensing with semi-soft stacking fusion center | |
CN110944002B (zh) | 一种基于指数平均数据增强的物理层认证方法 | |
CN108390735B (zh) | 一种信息素驱动的分布式协同宽带频谱感知方法 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
CN112087275B (zh) | 基于生灭过程和粘性隐马尔可夫模型的合作频谱感知方法 |
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 |