CN111614421B - 一种基于非监督式机器学习分类算法的频谱感知方法 - Google Patents

一种基于非监督式机器学习分类算法的频谱感知方法 Download PDF

Info

Publication number
CN111614421B
CN111614421B CN202010423014.XA CN202010423014A CN111614421B CN 111614421 B CN111614421 B CN 111614421B CN 202010423014 A CN202010423014 A CN 202010423014A CN 111614421 B CN111614421 B CN 111614421B
Authority
CN
China
Prior art keywords
transmission mode
classifier
label
grid
put transmission
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
CN202010423014.XA
Other languages
English (en)
Other versions
CN111614421A (zh
Inventor
申滨
王欣
颜廷秋
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010423014.XA priority Critical patent/CN111614421B/zh
Publication of CN111614421A publication Critical patent/CN111614421A/zh
Application granted granted Critical
Publication of CN111614421B publication Critical patent/CN111614421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于非监督式机器学习分类算法的频谱感知方法，属于无线通信技术领域。该方法将目标网络内的地理区域划分为Q相同大小的网格，整个方案实施过程分为四个阶段。第一阶段为获得PUT传输模式分类器TM1‑Classifier；第二阶段为获得网格标签分类器TM2‑Classifier；第三阶段是为了获得当前m时刻的PUT传输模式标签
Figure DDA0002497649380000011
第四阶段是获得网格对应的LFB接入指示标签
Figure DDA0002497649380000012
本发明基于机器学习中的卷积神经网络和阈值检测算法的频谱感知方案，在PUT位置未知的情况下，灵活分配空‑时空闲频谱资源，增加接入LFB的机会，从而提高了频谱利用率。

Description

一种基于非监督式机器学习分类算法的频谱感知方法
技术领域
本发明属于无线通信技术领域，涉及一种基于非监督式机器学习分类算法的频谱感知方法。
背景技术
随着移动通信的快速发展，用户业务对于移动网络的要求将越来越高。为了应对移动数据流量爆炸式增长、海量的设备连接及新的业务和应用场景，第五代移动通信系统(5G)应运而生。与4G相比，5G将支持更多样化的场景，融入多种无线接入方式，并充分利用从低频到高频的频谱资源，大幅提升频谱效率、能源效率和成本效率。为了满足频谱的巨大需求，除了授权频段之外，共享使用频谱的方式将会是一个主要手段。其中，认知无线电(cognitive radio，CR)被认为是共享使用频谱的关键技术。
认知无线电网络中的次级用户(secondaryuser，SU)根据实时监测外部环境中的主用户(primaryuser,PU)对授权频段(licensedfrequencyband，LFB)的占用情况，以伺机方式接入LFB进行通信。若SU监测到PU未使用LFB，则SU能够机会性地接入LFB进行通信，否则SU不接入LFB进行通信。CR的核心思想是在SU不对PU造成干扰的情况下，允许SU机会性地接入LFB，提高频谱利用率。
在CR网络中，现有的频谱感知技术的不足和缺陷主要包括：
(1)传统频谱感知算法性能有限或需要先验知识。常用的频谱感知算法，如能量检测算法只需要将获得的接收信号能量值与预先设置的阈值比较，由此判断PU是否使用LFB。该方案简单易实现，无需PU信号的先验知识，但是易受噪声功率估计不确定度的影响，阈值难以精确确定。协作频谱感知算法能够提高频谱感知准确性及可靠性，但是大多数协作频谱感知算法的实现往往需要预先具备关于PU信号及无线传播环境的多种先验知识，这在现实中有可能难以实现。目前来说，利用机器学习的方法实现频谱感知是一种受大量数据驱动的、富有前景的解决方案。
(2)传统的频谱感知方案忽略了空间上的频谱接入机会。传统的频谱感知只关注时间上的频谱空洞，忽略了空间维度上的频谱空洞。空-时二维的频谱感知认为此用户不仅拥有时间上的频谱机会，还可以根据其地理位置进行更加灵活的频谱接入。对空-时二维频谱空洞的探索和利用，能够增加SU对授权频段的接入机会，进一步提高频谱的利用率。
综上所述，针对传统频谱感知算法的性能局限或需要先验知识支撑算法实现以及忽略了空间上的频谱接入机会等诸多问题，亟需一种新的频谱感知方法来解决上述问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于非监督式机器学习分类算法的频谱感知方法，用于灵活分配的空-时频谱资源，从而提高频谱利用效率。
为达到上述目的，本发明提供如下技术方案：
一种基于非监督式机器学习分类算法的频谱感知方法，该方法包括以下步骤：
S1：将网络覆盖范围内的地理区域划分为Q＝O*P个同等大小的局部区域网格，网格地理位置索引为(o,p)，其中o＝1,2,…,O；p＝1,2,…,P；假设在目标区域中存在N个主用户发射机PUT，次级用户SU可能位于目标区域中的任何一个网格中；
S2：将目标地理区域划分为黑白灰三类不同的区域：
黑色区域：以处于发射状态的PUT为圆心、Du为半径的PU接收机PUR分布区域，处于该区域内的SU禁止接入授权频段LFB通信；
白色区域：以处于发射状态的PUT为圆心、Dp为半径的圆外区域，处于该区域内的SU可以自由接入LFB进行通信；
灰色区域：以处于发射状态的PUT为圆心、位于Du和Dp之间的环形区域，处于该区域的SU需要通过额外的方式判断是否可以接入LFB通信；
S3：预先在网络中各个网格部署的足够多的SU，在足够长的时间内获得的T个LFB能量值矩阵，作为PUT传输模式分类器的训练数据集ΘT＝{Y1,Y2,…,Yt,…,YT}，其中第t次观测到的能量值矩阵为：
Figure BDA0002497649360000021
其中Zop为第(o,p)个网格内的SU在频谱观测时间内获得的接收信号能量值；所设置的训练数据收集时间足够长，认为获得的能量值矩阵ΘT中包含全部2N种PUT传输模式所各自对应的频谱观测数据，假设每个PUT仅存在活跃sn＝1与非活跃sn＝0两种工作状态，n＝1,2,…,N；在训练数据集ΘT的基础上，利用K-均值聚类方法获得聚类标签，并将此标签作为PUT传输模式分类的训练集标签，即
Figure BDA0002497649360000022
其中
Figure BDA0002497649360000023
代表ΘT中的Yt通过K-均值聚类方法获得的聚类标签；然后，将该训练集数据ΘT和训练集标签
Figure BDA0002497649360000024
用于监督训练卷积神经网络，获得适配的PUT传输模式分类器TM1-Classifier；
S4：利用K-均值聚类方法获得的PUT传输模式标签为
Figure BDA0002497649360000031
时的能量值矩阵Yt及对应的网格标签At，根据阈值检测算法获得PUT传输模式为x时的网格标签分类器Classifierx，其中网格标签At表示为：
Figure BDA0002497649360000032
其中ao,p为第(o,p)个网格内的SU对应的LFB接入指示标签，ao,p∈{1,0,-1}分别对应于SU禁止接入、需要额外检测是否可以接入、可以自由接入LFB；ΘT中利用K-均值聚类算法获得的PUT传输模式标签
Figure BDA0002497649360000033
分别为{0,1,2,…,2N-1}的能量值矩阵组成
Figure BDA0002497649360000034
ΘT1及对应的网格标签
Figure BDA0002497649360000035
利用阈值检测算法获得2N种PUT传输模式下的网格标签分类器TM2-Classifier，其中
Figure BDA0002497649360000036
S5：将与步骤S3相同的、预先部署的足够多的SU在m时刻获得的LFB能量值观测矩阵Ym输入到PUT传输模式分类器TM1-Classifier中，判定当前m时刻的PUT传输模式标签
Figure BDA0002497649360000037
其中l∈{0,1,…,2N-1}；
S6：当判断出PUT传输模式
Figure BDA0002497649360000038
后，第q网格内的SU将其自身的频谱观测数据Zq输入到网格标签分类器classifierl中获得对LFB的接入指示标签
Figure BDA0002497649360000039
从而决定SU可以自由接入、需要额外检测是否可以接入、禁止接入LFB；
S7：设置UpdateCounter为距离上次更新PUT传输模式标签的计数器对应的计数时间值；预先设定一个上限值φ，若UpdateCounter＞φ，说明需要重新获得PUT传输模式标签，即执行步骤S5，并将UpdateCounter清零；若UpdateCounter＜φ，则认为此时PUT传输模式在相对较短的时间内与上一次传输模式相比，未发生变化，无需更新PUT传输模式标签；此时令UpdateCounter继续计数，并进入步骤S8；
S8：若SU有新感知需求，根据步骤S7的结果执行步骤S6。
可选的，所述步骤S3中，利用K-均值聚类的方法获得训练数据集ΘT对应的聚类标签，并将所有的聚类标签作为PUT传输模式训练集标签
Figure BDA00024976493600000310
然后，利用该训练集数据ΘT和训练集标签
Figure BDA00024976493600000311
用于训练卷积神经网络，获得PUT传输模式分类器TM1-Classifier。
可选的，在所述步骤S4中，将利用K-均值聚类算法获得的PUT传输模式标签为
Figure BDA00024976493600000312
的频谱观测能量值矩阵Yt及对应的网格标签At用于阈值检测算法，获得在PUT传输模式为x时的网格标签分类器classifierx；获得2N种PUT传输模式下的网格标签分类器TM2-Classifier。
可选的，在所述步骤S4中，阈值检测算法具体为：
找到使得网格标签-1对应的虚警概率为PFA,1的阈值λ1以及使得网格标签为1的虚警概率为PFA,2的对应阈值λ2，其中λ1<λ2；第q个网格内的SU根据其观测到的能量值Zq与阈值比较得到对PU授权频段的标签
Figure BDA0002497649360000041
即：
Figure BDA0002497649360000042
可选的，在所述步骤S5和S6中，在获得PUT传输模式分类器TM1-Classifier和网格标签分类器TM2-Classifier后，频谱感知方法具体为：首先将m时刻获得的授权频谱能量值观测矩阵Ym输入到PUT传输模式分类器TM1-Classifier中，得到当前m时刻的PUT传输模式标签
Figure BDA0002497649360000044
然后，第q个网格内的SU将频谱观测数据Zq输入到网格标签分类器classifierl中获得对PU授权频段的标签
Figure BDA0002497649360000043
从而决定SU可以自由接入、需要额外检测是否可以接入、禁止接入LFB。
可选的，在所述步骤S7中，UpdateCounter的上限值φ根据PUT状态变化的时间进行设置；若在同一时刻或相差很短的时间内存在有感知需求的SU，则不需要重复执行步骤S5，即假设PUT传输模式在预定的短时间内未发生变化，节省相应的感知步骤，以加快感知过程。
本发明的有益效果在于：本发明基于机器学习中的卷积神经网络和阈值检测算法的频谱感知方案，在PUT位置未知的情况下，灵活分配空-时空闲频谱资源，增加接入LFB的机会，从而提高了频谱利用率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为PU发射机附近区域划分示意图；
图2为3个PUT皆工作时的区域划分示意图；
图3为一种基于非监督式机器学习分类算法的频谱感知方法流程图；
图4为一种基于非监督式机器学习分类算法的频谱感知方法方案设计图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1-图4，本发明所述的一种基于非监督式机器学习分类算法的频谱感知方法：将目标地理区域划分为Q＝O*P个相同大小的网格。首先，利用K-均值聚类的方法获得训练集数据ΘT对应的PUT传输模式标签
Figure BDA0002497649360000051
并将获得的训练集数据ΘT和预测的训练集标签
Figure BDA0002497649360000052
用于训练卷积神经网络，获得PUT传输模式分类器TM1-Classifier。然后，将利用K-均值聚类算法获得的PUT传输模式标签为
Figure BDA0002497649360000053
的频谱观测能量值矩阵Yt及对应的网格标签At用于阈值检测算法，获得在PUT传输模式为x时的网格标签分类器classifierx；。由此，ΘT中利用K-均值聚类算法获得的PUT传输模式标签
Figure BDA0002497649360000054
分别为{0,1,2,…,2N-1}的能量值矩阵组成
Figure BDA0002497649360000057
ΘT1及对应的网格标签
Figure BDA0002497649360000059
利用阈值检测算法获得2N种PUT传输模式下的网格标签分类器TM2-Classifier，其中
Figure BDA0002497649360000058
最后，利用当前m时刻获得的能量值矩阵Ym及PUT传输模式分类器TM1-Classifier获得当前m时刻的PUT传输模式标签
Figure BDA0002497649360000055
第q网格内的SU利用对应的网格标签分类器classifierl获得网格标签
Figure BDA0002497649360000056
从而决定SU可否接入、需要进一步检测或者禁止接入LFB。
本实施例具体包括以下三个初始条件和六个主要步骤：
初始条件1：将存在N个PUT的目标地理区域划分为Q＝O*P个同等大小的网格，网格的大小决定了用于PUT传输模式分类的数据收集时间和PUT传输模式分类的精确度。
初始条件2：将目标地理区域划分为黑白灰三类不同的区域。黑色区域：以处于发射状态的PUT为圆心、Du为半径的PU接收机分布区域，处于该区域内的SU禁止接入LFB通信；白色区域：以处于发射状态的PUT为圆心、Dp为半径的圆外区域，处于该区域内的SU可以自由接入LFB进行通信；灰色区域：以处于发射状态的PUT为圆心、位于Du和Dp之间的环形区域，处于该区域的SU需要通过额外的方式判断是否可以接入LFB通信。
初始条件3：在PUT传输模式为m时，第q个网格处的SU获得的第i个观测信号表示为：
Figure BDA0002497649360000061
其中sn∈{0,1}为第n个PUT的状态，hq,n为第n个PUT到第q个网格的信道增益，Xn(i)为第n个PUT的传输信号，Nq(i)为第q个SU接收机的加性高斯白噪声。
由此可以将SU的接收信号能量值zq表示为：
Figure BDA0002497649360000062
其中，w为LFB带宽，τ为感知时间。由此可以得到所有网格获得的能量值构成的矩阵(即用于PUT传输模式分类的数据)和对应于PUT传输模式为m时网格对PU授权频段的标签(即用于网格分类的标签)可以表示为：
Figure BDA0002497649360000063
Figure BDA0002497649360000064
其中Zop代表在(o,p)网格位置上的SU利用式(2)获得的能量值，aop＝1/-1/0对应于在(o,p)网格位置上的SU对LFB的接入指示标签，即分别为LFB不可用/可用/待进一步检测。
如图3所示，本实施例一种基于非监督式机器学习分类算法的频谱感知方法具体包括以下步骤：
步骤一：首先，足够多的SU在足够长的时间内利用式(3)获得T个频谱观测能量值矩阵，构成训练数据集ΘT＝{Y1,Y2,…,Yt,…,YT}。ΘT利用K-均值聚类的方法获得对应的聚类标签，并将所有的标签作为PUT传输模式训练集标签
Figure BDA0002497649360000071
然后，将该训练集数据ΘT和训练集标签
Figure BDA0002497649360000072
用于训练卷积神经网络，由此获得PUT传输模式分类器TM1-Classifier。
步骤二：将利用K-均值聚类算法获得的PUT传输模式标签为
Figure BDA0002497649360000073
的频谱观测能量值矩阵Yt及对应的网格标签At用于阈值检测算法，获得在PUT传输模式为x时的网格标签分类器classifierx。由此，ΘT中利用K-均值聚类算法获得的PUT传输模式标签
Figure BDA0002497649360000074
分别为{0,1,2,…,2N-1}的能量值矩阵组成
Figure BDA0002497649360000075
ΘT1及对应的网格标签
Figure BDA0002497649360000076
利用阈值检测算法获得2N种PUT传输模式下的网格标签分类器TM2-Classifier，其中
Figure BDA0002497649360000077
步骤三：将在m时刻获得的授权频谱能量值观测矩阵Ym输入到PUT传输模式分类器TM1-Classifier中，判定当前m时刻的PUT传输模式标签
Figure BDA0002497649360000078
其中l∈{0,1,…,2N-1}。
步骤四：当判断出PUT传输模式
Figure BDA0002497649360000079
后，第q个网格内的SU将频谱观测数据Zq输入到网格标签分类器classifierl中获得对LFB的接入指示标签
Figure BDA00024976493600000710
从而可根据该标签决定SU可以自由接入、需要额外检测是否可以接入或者禁止接入LFB。
步骤五：设置UpdateCounter为距离上次更新PUT传输模式标签的计数器对应的计数时间值。预先设定一个上限值φ，若UpdateCounter＞φ，说明需要重新获得PUT传输模式标签，即执行步骤S5，并将UpdateCounter清零。若UpdateCounter＜φ，则认为此时PUT传输模式在相对较短的时间内与上一次传输模式相比，未发生变化，无需更新PUT传输模式标签。此时令UpdateCounter继续计数，并进入下一步。
步骤六：若有新感知需求的SU时，根据步骤五的结果执行步骤四；
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于非监督式机器学习分类算法的频谱感知方法，其特征在于：该方法包括以下步骤：
S1：将网络覆盖范围内的地理区域划分为Q＝O*P个同等大小的局部区域网格，网格地理位置索引为(o,p)，其中o＝1,2,…,O；p＝1,2,…,P；假设在目标区域中存在N个主用户发射机PUT，次级用户SU可能位于目标区域中的任何一个网格中；
S2：将目标地理区域划分为黑白灰三类不同的区域：
黑色区域：以处于发射状态的PUT为圆心、Du为半径的PU接收机PUR分布区域，处于该区域内的SU禁止接入授权频段LFB通信；
白色区域：以处于发射状态的PUT为圆心、Dp为半径的圆外区域，处于该区域内的SU可以自由接入LFB进行通信；
灰色区域：以处于发射状态的PUT为圆心、位于Du和Dp之间的环形区域，处于该区域的SU需要通过额外的方式判断是否可以接入LFB通信；
S3：预先在网络中各个网格部署的足够多的SU，在足够长的时间内获得的T个LFB能量值矩阵，作为PUT传输模式分类器的训练数据集ΘT＝{Y1,Y2,…,Yt,…,YT}，其中第t次观测到的能量值矩阵为：
Figure FDA0003452193240000011
其中Zop为第(o,p)个网格内的SU在频谱观测时间内获得的接收信号能量值；所设置的训练数据收集时间足够长，认为获得的能量值矩阵，即训练数据集ΘT中包含全部2N种PUT传输模式所各自对应的频谱观测数据，假设每个PUT仅存在活跃sn＝1与非活跃sn＝0两种工作状态，n＝1,2,…,N；在训练数据集ΘT的基础上，利用K-均值聚类方法获得聚类标签，并将此标签作为PUT传输模式分类的训练集标签，即
Figure FDA0003452193240000012
其中
Figure FDA0003452193240000013
代表ΘT中的Yt通过K-均值聚类方法获得的聚类标签；然后，将该训练数据集ΘT和训练集标签
Figure FDA0003452193240000014
用于训练卷积神经网络，获得适配的PUT传输模式分类器TM1-Classifier；
S4：利用K-均值聚类方法获得的PUT传输模式标签为
Figure FDA0003452193240000015
时的能量值矩阵Yt及对应的网格标签At，根据阈值检测算法获得PUT传输模式为x时的网格标签分类器Classifierx，其中网格标签At表示为：
Figure FDA0003452193240000021
其中ao,p为第(o,p)个网格内的SU对应的LFB接入指示标签，ao,p∈{1,0,-1}分别对应于SU禁止接入、需要额外检测是否可以接入、可以自由接入LFB；ΘT中利用K-均值聚类算法获得的PUT传输模式标签
Figure FDA0003452193240000022
分别为{0,1,2,…,2N-1}的能量值矩阵组成
Figure FDA0003452193240000023
ΘT1及对应的网格标签
Figure FDA0003452193240000024
利用阈值检测算法获得2N种PUT传输模式下的网格标签分类器TM2-Classifier，其中
Figure FDA0003452193240000025
S5：将与步骤S3相同的、预先部署的足够多的SU在m时刻获得的LFB能量值观测矩阵Ym输入到PUT传输模式分类器TM1-Classifier中，判定当前m时刻的PUT传输模式标签
Figure FDA0003452193240000026
其中l∈{0,1,…,2N-1}；
S6：当判断出PUT传输模式
Figure FDA0003452193240000027
后，第q网格内的SU将其自身的频谱观测数据Zq输入到网格标签分类器classifierl中获得对LFB的接入指示标签
Figure FDA0003452193240000028
从而决定SU可以自由接入、需要额外检测是否可以接入、禁止接入LFB；
S7：设置UpdateCounter为距离上次更新PUT传输模式标签的计数器对应的计数时间值；预先设定一个上限值φ，若UpdateCounter＞φ，说明需要重新获得PUT传输模式标签，即执行步骤S5，并将UpdateCounter清零；若UpdateCounter＜φ，则认为此时PUT传输模式在相对较短的时间内与上一次传输模式相比，未发生变化，无需更新PUT传输模式标签；此时令UpdateCounter继续计数，并进入步骤S8；
S8：若有新感知需求的SU，根据步骤S7的结果执行步骤S6。
2.根据权利要求1所述的一种基于非监督式机器学习分类算法的频谱感知方法，其特征在于：所述步骤S3中，利用K-均值聚类的方法获得训练数据集ΘT对应的聚类标签，并将所有的聚类标签作为PUT传输模式训练集标签
Figure FDA0003452193240000029
然后，利用该训练数据集ΘT和训练集标签
Figure FDA00034521932400000210
用于训练卷积神经网络，获得PUT传输模式分类器TM1-Classifier。
3.根据权利要求1所述的一种基于非监督式机器学习分类算法的频谱感知方法，其特征在于：在所述步骤S4中，将利用K-均值聚类算法获得的PUT传输模式标签为
Figure FDA00034521932400000211
的频谱观测能量值矩阵Yt及对应的网格标签At用于阈值检测算法，获得在PUT传输模式为x时的网格标签分类器classifierx；获得2N种PUT传输模式下的网格标签分类器TM2-Classifier。
4.根据权利要求1所述的一种基于非监督式机器学习分类算法的频谱感知方法，其特征在于：在所述步骤S4中，阈值检测算法具体为：
找到使得网格标签-1对应的虚警概率为PFA,1的阈值λ1以及使得网格标签为1的虚警概率为PFA,2的对应阈值λ2，其中λ1<λ2；第q个网格内的SU根据其观测到的能量值Zq与阈值比较得到对PU授权频段的标签
Figure FDA0003452193240000031
即：
Figure FDA0003452193240000032
5.根据权利要求1所述的一种基于非监督式机器学习分类算法的频谱感知方法，其特征在于：在所述步骤S5和S6中，在获得PUT传输模式分类器TM1-Classifier和网格标签分类器TM2-Classifier后，频谱感知方法具体为：首先将m时刻获得的授权频谱能量值观测矩阵Ym输入到PUT传输模式分类器TM1-Classifier中，得到当前m时刻的PUT传输模式标签
Figure FDA0003452193240000033
然后，第q个网格内的SU将频谱观测数据Zq输入到网格标签分类器classifierl中获得对PU授权频段的标签
Figure FDA0003452193240000034
从而决定SU可以自由接入、需要额外检测是否可以接入、禁止接入LFB。
6.根据权利要求1所述的一种基于非监督式机器学习分类算法的频谱感知方法，其特征在于：在所述步骤S7中，UpdateCounter的上限值φ根据PUT状态变化的时间进行设置；若在同一时刻或相差很短的时间内存在有感知需求的SU，则不需要重复执行步骤S5，即假设PUT传输模式在预定的短时间内未发生变化，节省相应的感知步骤，以加快感知过程。
CN202010423014.XA 2020-05-19 2020-05-19 一种基于非监督式机器学习分类算法的频谱感知方法 Active CN111614421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010423014.XA CN111614421B (zh) 2020-05-19 2020-05-19 一种基于非监督式机器学习分类算法的频谱感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010423014.XA CN111614421B (zh) 2020-05-19 2020-05-19 一种基于非监督式机器学习分类算法的频谱感知方法

Publications (2)

Publication Number Publication Date
CN111614421A CN111614421A (zh) 2020-09-01
CN111614421B true CN111614421B (zh) 2022-02-11

Family

ID=72198747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010423014.XA Active CN111614421B (zh) 2020-05-19 2020-05-19 一种基于非监督式机器学习分类算法的频谱感知方法

Country Status (1)

Country Link
CN (1) CN111614421B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112702132B (zh) * 2020-12-23 2022-06-21 重庆邮电大学 一种基于卷积神经网络分类器的宽带频谱感知方法
EP4068164A1 (en) * 2021-03-31 2022-10-05 Nokia Technologies Oy Machine learning for orthogonal frequency-division multiplexing based communication

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018200529A1 (en) * 2017-04-24 2018-11-01 Oshea Timothy James Radio signal identification, identification system learning, and identifier deployment
CN109039503A (zh) * 2018-09-07 2018-12-18 广东工业大学 一种频谱感知方法、装置、设备及计算机可读存储介质
CN109245840B (zh) * 2018-10-15 2021-02-02 哈尔滨工业大学 认知无线电系统中基于卷积神经网络的频谱预测方法
CN109787697B (zh) * 2019-03-11 2021-03-16 重庆邮电大学 一种基于无线指纹数据库的频谱感知方法

Also Published As

Publication number Publication date
CN111614421A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
Babu R et al. Retracted: Comparative analysis of distributive linear and nonlinear optimized spectrum sensing clustering techniques in cognitive radio network systems
CN111614421B (zh) 一种基于非监督式机器学习分类算法的频谱感知方法
Moraitis et al. Performance evaluation of machine learning methods for path loss prediction in rural environment at 3.7 GHz
US20180225592A1 (en) Determining a target device profile including an expected behavior for a target device
Ahmed et al. Deep learning-driven opportunistic spectrum access (OSA) framework for cognitive 5G and beyond 5G (B5G) networks
CN111786712B (zh) 一种基于cr的uav通信网络次级链路吞吐量优化方法
US11832115B2 (en) Estimating features of a radio frequency band based on an inter-band reference signal
Chen et al. Smartphone-based indoor fingerprinting localization using channel state information
Ali et al. Reinforcement-learning-enabled massive internet of things for 6G wireless communications
Zhang et al. Spectrum prediction and channel selection for sensing-based spectrum sharing scheme using online learning techniques
Lu et al. Machine learning based intelligent cognitive network using fog computing
Bhattacharya et al. Selection of sensors for efficient transmitter localization
US20210211212A1 (en) Spectrum monitoring and analysis, and related methods, systems, and devices
CN111447023B (zh) 一种基于授权用户发射机传输模式分类的频谱感知方法
Parimala et al. Modified fuzzy C-means and K-means clustering based spectrum sensing using cooperative spectrum for cognitive radio networks applications
Li et al. Intelligent spectrum sensing and access with partial observation based on hierarchical multi-agent deep reinforcement learning
Tong et al. Cooperative spectrum sensing based on a modified shuffled frog leaping algorithm in 5G network
CN106788818B (zh) 基于认知功能和传感器节点分离的crsn频谱感知方法
Chen et al. SVM and decision stumps based hybrid AdaBoost classification algorithm for cognitive radios
Prodanoff et al. Anomaly Detection in RFID Networks Using Bayesian Blocks and DBSCAN
CN107889115A (zh) 基于马氏决策的机会频谱接入方法
CN114884595A (zh) 一种基于强化学习的认知无人机频谱感知方法
CN103269514A (zh) 基于频谱感知的次要用户功率分配方法及装置
CN109787697B (zh) 一种基于无线指纹数据库的频谱感知方法
Agarwal et al. Hardware implementation of k-means clustering based spectrum sensing using usrp in a cognitive radio system

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