CN111600667A - 一种基于cnn-lstm的频谱感知方法 - Google Patents

Abstract

本发明属于认知无线电技术领域，具体涉及一种基于深度学习的频谱感知技术。本发明研究了一种基于深度学习的频谱感知检测器，不依赖于信号‑噪声模型假设，通过CNN分析多个感知窗口的信号能量相关特征，以及LSTM进一步提取信号的时间特征，以学习主用户占用信道和静默状态的转换规律。同时通过最大化检测器在训练集上的正确分类概率来优化网络参数。网络训练完成之后，根据奈曼皮尔逊准则，提出了一种有效的判断主用户的状态方法。实验表明，本发明提出的CNN‑LSTM检测算法在检测性能方面比传统算法更有优势。

Description

一种基于CNN-LSTM的频谱感知方法

技术领域

本发明属于认知无线电技术领域，具体涉及一种基于CNN-LSTM的频谱感知方法。

背景技术

在传统固定的频谱资源分配策略下，频谱的利用情况呈现出极为不均匀的态势。例如蜂窝网络频段已经十分拥挤，而电视，广播频段却未能充分利用。为了合理而充分利用频谱资源，认知无线电技术应运而生。认知无线电技术框架把用户分为两类，即授权使用频谱的用户，或主用户(PU)，以及非授权用户，或次用户(SU)。次用户能够通过频谱感知技术对频谱分析，智能地使用空闲频谱，以避免对主用户形成干扰。所以频谱感知是认知无线电中动态频谱接入的关键技术。当今大部分频谱感知检测器的设计过程依赖于对信号-噪声先验模型的假设，因此其检测性能也受到模型准确性的影响。但在实际情况中先验模型很难与实际的信号-噪声模型完全相同。此外，大部分频谱感知检测器只关注从当前感知窗口的采样中判断主用户的频谱占用情况。现实中，主用户占用信道和静默着两种状态的相互转换是存在规律性的。如果能通过分析多个感知窗口的信号采样学习这种规律，则可以提高频谱感知的检测性能。

发明内容

本发明针对多天线频谱感知场景提出一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的深度学习的频谱感知方法。该方法不依赖于信号-噪声模型假设。通过利用CNN来提取感知信号的能量相关特征，并通过LSTM学习主用户信道占用状态的转换规律，所提出的频谱感知方法能进一步提高检测概率。

本发明的技术方案为：

面向单输入多输出的基于深度学习的频谱感知方法，系统中主用户(PU)配置天线数为1，次用户配置的天线数为M，且满足M>1，其特征在于，包括以下步骤：

S1、获取训练数据集。从U个感知窗口采集信号，在第u个感知窗口，SU一共收集到N个信号样本，其具体可表示为

其中，H₀代表PU的静默状态，H₁代表其占用信道。h_u表示PU和SU之间的信道向量，其在第u个感知窗口保持不变。针对不同的感知窗口，假设信道服从瑞利衰落。s_u(n)主用户表示发送的信号，∈_u(n)为噪声。为了表示方便，在第u个感知窗口所接收到的所有信号采样可表示为

Y_u＝[y_u(1),…,y_u(N)]

深度学习的训练集包含从U个感知窗口采集到的信号，b_u是Y_u对应对的标签，即信号采样对应的真实的主用户信道占用状态。整个训练集可以表示为：

y＝{(Y₁,b₁),…,(Y_u,b_u),…(Y_U,b_U)}

由于Y_u包含了太多冗余信息，在输入CNN之前，应当对其进行预处理。而协方差矩阵包含了重要的能量-相关性信息，因此可以把原始采样信号进一步转换为采样协方差矩阵，表达式如下所示：

因此，训练集转化为：

y＝{(R₁,b₁),…,(R_u,b_u),…(R_U,b_U)}

需要同时输入多个感知窗口的采样信号以便于用LSTM学习主用户信道占用状态的转换规律。令λ表示输入数据的时间序列长度。数据可以再转化为下式：

Ψ＝{(Ψ₁,b_λ),…,(Ψ_u,b_u+λ-1),…(Ψ_U-λ+1,b_U)}

其中，Ψ_u＝[R_u,R_u+1,…,R_u+λ-1]

S2、搭建CNN-LSTM网络结构。输入信号先经过CNN模块，再经过多个并联的LSTM模块，最后经过全连接层输出结果。具体而言，CNN包含两层卷积层，然后将输出向量化，该输出包含了每个感知窗口的能量-相关特征。而LSTM单元的进一步处理可以提取信号的时间动态特征，即主用户状态变化的规律。最后一个LSTM单元的输出包括整个输入传感序列的能量-相关性和时间动态特征。再将其输入到一个全连接层中，以根据数据类别的数量来调整输出尺寸。最后利用softmax函数对结果归一化。模型的最终输出可以表示为：

并且满足：

S3、采用S1得到的训练集对S2构建的网络进行训练。训练的目标是最大化检测器在训练集上的正确分类概率，因此，目标函数可以设计如下：

经过对数化，损失函数可以表示为：

函数表示指示函数。损失函数设计好后，就可以利用梯度下降方法优化神经网络的参数。实际训练中，由于训练集中样本数量过于庞大，一般使用随机梯度下降(SGD)法。

S4、将新感知的目标数据输入训练好的网络模型获得结果。根据网络模型的输出与检测阈值γ对主用户占用信道的状态进行判断，判断规则为：

γ为给定的虚警概率P_fa的情况下的检测阈值，计算步骤具体如下：

首先，从训练集中选出H₀对应对的数据，经过排序后形成新的数据集：

此处

表示训练集中标签为H₀的数据的数量。排序的准则为，当1≤u≤v≤U时：

基于以上，阈值可以设定为：

其中round(·)是取整函数。

本发明的有益效果为，本发明的频谱感知方法具有较强的性能，通过对数据特征提取方式的优化设计，在同等噪声条件下，该发明具有更好的频谱检测性能。

附图说明

图1为该发明所提出的CNN-LSTM的模型结构示意图。

图2为该发明所提出的CNN-LSTM模型的超参数设定图。

图3为该发明所提出的CNN-LSTM检测器与其他检测器的ROC关系曲线图，表示在不同虚警概率P_fa下，各个检测器的检测概率P_d。

图4为该发明所提出的CNN-LSTM检测器与其他检测器的检测概率P_d与信噪比SNR的关系图。

图5为该发明所提出的CNN-LSTM检测器与其他检测器在拉普拉斯噪声模型下的ROC曲线图，表示在不同虚警概率P_fa下，各个检测器的检测概率P_d。

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的描述，以证明本发明的实用性。

本发明考虑单输入多输出的频谱感知问题，其中主用户(PU)配置天线数为1，次用户配置的天线数为M，且满足M>1。通过检测到PU的发送状态，SU可以选择发送或者保持静止以避免对PU造成干扰。假设信道衰落满足瑞利衰落特性，则接收信号可以表示为：

在第u个感知窗口，SU一共收集到N个信号样本，H₀代表PU的静默状态，不发送信号。H₁代表其占用信道，PU会向外发送信号。h_u表示PU和SU之间的信道向量。一般情况，信道互相关时间大于感知时间，因此h_u在第u个感知窗口保持不变。针对不同的感知窗口，则假设信道服从瑞利衰落。s_u(n)主用户表示发送的信号，∈_u(n)为噪声。为了表示方便，第u个感知窗口所接收到的所有信号采样可表示为:

Y_u＝[y_u(1),…,y_u(N)]

深度学习的训练集包含从U个感知窗口采集到的信号，b_u是Y_u对应对的标签，即信号采样对应的真实的主用户信道占用状态。整个训练集可以表示为：

y＝{(Y₁,b₁),…,(Y_u,b_u),…(Y_U,b_U)}

由于Y_u包含了太多冗余信息，在输入CNN之前，应当对其进行预处理。而协方差矩阵包含了重要的能量-相关性信息，因此可以把原始采样信号进一步转换为采样协方差矩阵，表达式如下所示：

因此，训练集可以转化为：

y＝{(R₁,b₁),…,(R_u,b_u),…(R_U,b_U)}

我们需要同时输入多个感知窗口的采样信号以便于用LSTM学习主用户信道占用状态的转换规律。令λ表示输入数据的时间序列长度。数据可以再转化为下式以便处理：

Ψ＝{(Ψ₁,b_λ),…,(Ψ_u,b_u+λ-1),…(Ψ_U-λ+1,b_U)}

其中，Ψ_u＝[R_u,R_u+1,…,R_u+λ-1]

准备好数据后，我们开始搭建CNN-LSTM网络结构。具体的网络结构示意图以及其中超参数的设定情况请参照图1和图2。搭建网络需要以下步骤：

S1、输入信号先经过两层卷积层的CNN模块，然后将输出向量化，该输出包含了每个感知窗口的能量和相关特征。

S2、再经过多个并联的LSTM模块，LSTM单元的进一步处理可以提取信号的时间动态特征，即主用户状态变化的规律。最后一个LSTM单元的输出包括整个输入传感序列的能量相关性和时间动态特征。

S3、最后经过全连接层，以根据数据类别的数量来调整输出尺寸。用softmax函数对结果归一化。模型的最终输出可以表示为：

且

搭建好网络，接下来设计合适的损失函数，利用BP算法训练网络。训练的总体目标是最大化检测器在训练集上的正确分类概率，因此，目标函数可以设计如下：

结合训练数据大小，经过对数化，损失函数可以表示为：

函数表示指示函数。损失函数设计好后，就可以利用梯度下降方法优化神经网络的参数。实际训练中，由于训练集中样本数量过于庞大，一般使用随机梯度下降(SGD)法。

综上，训练阶段的步骤如下：

S1、构建网络，初始化i＝0,θ初始化为随机权重。

S2、给定训练数据y，将其经过预处理，形成数据集Ψ

S3、对损失函数利用SGD算法更新参数θ，i＝i+1

S4、重复步骤3，直到i等于迭代次数Iter

经过训练后，对于任何数据，可以很自然地将其通过网络输出结果，再根据奈曼皮尔逊准则(N-P)判断主用户的状态。为了确定在给定的虚警概率P_fa的情况下的检测阈值，我们使用了蒙特卡洛方案。首先从训练集中选出H₀对应对的数据，经过排序后形成新的数据集：

此处

表示训练集中标签为H₀的数据的数量。排序的准则为，当1≤u≤v≤U时：

基于以上，阈值可以设定为：

其中round(·)是取整函数。

对于新感知的信号序列Ψ_u，可以根据网络softmax层输出的置信度判断信号的存在与否。我们使用的信号决策标准如下：

即当

时，可以判断PU的状态为占用信道。当

时，可以判断PU为静默状态。

仿真中，SIMO系统采用瑞利衰落信道。同时，PU配置1个天线，SU配置M＝16个天线。在每个感知窗口，采样样本数为N＝100。训练数据U＝50000。测试集大小为10000，交叉验证集大小也为10000。λ设置为20。

在性能分析中，本发明(CNN-SLTM)将与SSE,MED,AGM,APASS等频谱感知算法进行比较，以进一步验证本发明的优势。本发明采用两种衡量指标来度量算法的性能。第一个指标是是反映在不同虚警概率下接收机的检测性能，称为接收机工作特性(ROC)曲线；第二个指标是用来衡量不同信噪比下接收机的检测概率，称为信噪比-检测概率曲线；

图3展示了高斯噪声下的ROC曲线。比较所提出的CNN-LSTM检测器和其他对比检测器的ROC曲线，实验条件的信噪比(SNR)设置为15dB。从图4可以观察出，CNN-LSTM检测器效果远超于其他检测器。原因在于，该算法首先使用CNN模块提取每个感知窗口信号的能量相关特征，再将对应于不同感知窗口的CNN模块的输出，输入到LSTM网络，以便从采样协方差矩阵序列提取时间特征，学习主用户信道占用状态的转换规律。而对于同样是基于深度学习的APASS算法，其能量-相关特征和时间特征都是由CNN来提取的，而CNN并不擅长处理时间序列特征，因此，APASS算法的性能也自然落后于CNN-LSTM检测器。

图4描述了检测器检测概率P_d与信噪比SNR的关系，实验条件设置为虚警概率P_fa为0.1。当存在噪声不确定性(NU)时，对于半盲检测器，由于它们依赖于准确的噪声功率信息，因此性能明显下降。由图可知，与半盲检测器相比，对于CNN-LSTM检测器，由噪声不确定性引起的性能下降最小，这表明该发明对NU具有鲁棒性。

图5为了证明了CNN-LSTM算法在拉普拉斯(Laplace)噪声模型下的有效性，展示了CNN-LSTM检测器和对比检测器在拉普拉斯噪声下的ROC曲线。Laplace噪声在极低频(ELF)和超宽带(UWB)中经常出现。实验条件SNR设置为15dB。可以观察到，在拉普拉斯噪声下，CNN-LSTM检测器仍然能够胜过APASS算法和其他传统算法。

综上所诉，本发明属于认知无线电技术领域，具体涉及一种基于深度学习的频谱感知方法。本发明研究了一种基于深度学习的频谱感知检测器，不依赖于信号-噪声模型假设，通过CNN分析多个感知窗口的信号能量相关特征，以及LSTM进一步提取信号的时间特征，以学习主用户占用信道和静默状态的转换规律。同时通过最大化检测器在训练集上的正确分类概率来优化网络参数。网络训练完成之后，根据奈曼皮尔逊准则，提出了一种有效的判断主用户的状态方法。实验表明，本发明提出的CNN-LSTM检测算法在检测性能方面比传统算法更有优势。

Claims (1)

1.一种基于CNN-LSTM的频谱感知方法，该方法用于单输入多输出的频谱感知，即主用户配置天线数为1，次用户配置的天线数为M，且M＞1，其特征在于，包括以下步骤：

S1、获取训练数据集：从U个感知窗口采集信号，设在第u个感知窗口，次用户收集到N个信号样本，u＝1，2，...U，表示为：

其中，H₀代表主用户的静默状态，H₁代表主用户占用信道，h_u表示主用户和次用户之间的信道向量，在第u个感知窗口保持不变，针对不同的感知窗口，信道服从瑞利衰落，s_u(n)表示主用户发送的信号，∈_u(n)为噪声，y_u(n)为第n个信号样本，将在第u个感知窗口所接收到的所有信号采样Y_u表示为：

Y_u＝[y_u(1)，...，y_u(N)]

定义b_u是Y_u对应的标签，即信号采样对应的真实的主用户信道占用状态，获得训练集y为：

y＝{(Y₁，b₁)，...，(Y_u，b_u)，...(Y_U，b_U)}

将原始采样信号转换为采样协方差矩阵：

将训练集转化为：

y＝{(R₁，b₁)，...，(R_u，b_u)，...(R_U，b_U)}

定义λ表示输入数据的时间序列长度，将训练集转化为：

Ψ＝{(ψ₁，b_λ)，...，(Ψ_u，b_u+λ-1)，...(Ψ_U-λ+1，b_U)}

其中，Ψ_u＝[R_u，R_u+1，...，R_u+λ-1]；

S2、构建CNN-LSTM网络，令输入信号先经过CNN模块，再经过多个并联的LSTM模块，最后经过全连接层输出结果；具体为：输入信号先经过两层卷积层的CNN模块，然后将输出向量化，再经过多个并联的LSTM模块，LSTM用于提取信号的时间动态特征，最后一个LSTM单元的输出包括整个输入传感序列的能量相关性和时间动态特征；再经过全连接层，最后利用softmax函数对结果归一化；

S3、采用S1得到的训练集对S2构建的网络进行训练，损失函数为：

函数表示指示函数；

采用梯度下降法进行训练，获得训练好的网络模型，模型的最终输出表示为：

并且满足：

S4、将新感知的目标数据输入训练好的网络模型，根据网络模型的输出与检测阈值γ对主用户占用信道的状态进行判断，判断规则为：

γ为阈值：

为从训练集中选出的H₀对应对的数据，经过排序后形成的数据集：

表示训练集中标签为H₀的数据的数量，排序的准则为，当1≤u≤v≤U时：

根据判断规则即获得频谱感知结果。

Images