CN111988102B - 基于gru网络的mac信息识别方法、装置、设备及存储介质 - Google Patents
基于gru网络的mac信息识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111988102B CN111988102B CN202010895307.8A CN202010895307A CN111988102B CN 111988102 B CN111988102 B CN 111988102B CN 202010895307 A CN202010895307 A CN 202010895307A CN 111988102 B CN111988102 B CN 111988102B
- Authority
- CN
- China
- Prior art keywords
- channel
- signal
- observation vector
- mac information
- identification
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于GRU网络的MAC信息识别方法、装置、设备及存储介质,方法包括:通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型;接收待识别信号;计算待识别信号的信号功率;通过选取所述信号功率中若干个采样点,以作为信道识别观测向量和MAC信息识别观测向量;利用信道类型识别网络模型对信道识别观测向量进行识别,得到信道类型识别结果;根据信道类型识别结果,选择MAC信息识别网络模型对所述MAC信息识别观测向量进行识别,以判断待识别信号的主用户数与MAC协议类型。本发明考虑到MAC协议信号的时域相关性,利用GRU网络善于处理时序序列的特点,能先识别出信道类型,接着在确定信道类型下识别出MAC协议类型以及主用户的数目。
Description
技术领域
本发明涉及认知无线电领域,具体而言,涉及一种基于GRU网络的MAC信息识别方法、装置、设备及存储介质。
背景技术
认知无线电作为一种具有学习能力的频谱共享技术,缓解了频谱紧缺的状况。考虑到在不同信道下,认知无线电系统中的MAC协议序列含有丰富的语义,对主用户信号进行多标签分类可以更好地反应主用户信号序列的真实意义,获得更多主用户的先验信息,使得次级用户更准确地调整网络参数,减少对主用户的干扰。目前关于MAC协议的识别工作主要集中在单标签分类的研究,仅仅识别出MAC协议主用户信号的一种标签,具有一定的局限性。与单标签分类任务不同,多标签示例之间存在互斥、共生等关系,这也使得处理多标签分类任务变得更加具有挑战性。其次标签数量过多带来的标注成本增加,也对训练模型构成挑战。
发明内容
本发明的目的在于提供一种基于GRU网络的MAC信息识别方法、装置、设备及存储介质用以实现更高精度实例分割。
为实现上述目的,本发明实施例提供一种基于GRU网络的MAC信息识别方法,包括以下步骤:
通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型;
接收待识别信号r(t);
计算所述待识别信号r(t)的信号功率Pr(t);
通过选取所述信号功率中Nc个采样点构成一个Nc×1维的观测向量,以作为信道识别观测向量;
通过选取所述信号功率Pr(t)中Nm个采样点构成一个Nm×1维观测向量,以作为MAC信息识别观测向量;
利用所述信道类型识别网络模型对所述信道识别观测向量进行识别,以判断待识别信号r(t)的信道类型,得到信道类型识别结果;
根据所述信道类型识别结果,选择所述MAC信息识别网络模型,对所述MAC信息识别观测向量进行识别,以判断待识别信号r(t)的主用户数与MAC协议类型。
进一步的,所述通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型过程具体为:
通过仿真得到不同主用户数以及不同MAC协议类型的仿真信号;
将仿真信号通过多种信道分别得到对应的多个信号;
分别计算信号在对应信道下的信号功率并生成对应的观测向量;
对信号的主用户数以及MAC协议类型打上标签,将其作为训练数据;
基于所述训练数据分别进行不同信道下的训练,得出不同信道下的MAC信息识别网络模型;
计算信道的信号功率并生成观测向量;
对信道类型打上标签,将其作为训练数据;
将所述训练数据送入GRU网络进行训练,以得到信道类型识别网络模型。
更进一步的,所述多种信道分别为:莱斯信道、瑞利信道及AWGN信道。
更进一步的,所述分别计算信号在对应信道下的信号功率并生成对应的观测向量过程为:
计算所述莱斯信道下的信号功率:计算信号x(t)的功率,并且选取信号功率中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
计算所述瑞利信道下的信号功率:计算信号y(t)的功率,并且选取信号功率中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
计算所述AWGN信道下的信号功率:计算信号z(t)的功率为,并且选取信号功率中Nm个采样点作为一组观测值,构成一个Nm×1观测向量。
更进一步的,所述分别计算每个信道下的信号功率,其计算方法如下:
Px(t)=||x(t)||2
Py(t)=||y(t)||2
Pz(t)=||z(t)||2
其中,Px(t)\Py(t)\Pz(t)为所述三种不同的信道类型x(t)\y(t)\z(t)的功率。
进一步的,所述计算所述待识别信号r(t)的信号功率Pr(t)的计算方法如下:
Pr(t)=||r(t)||2
本发明实施例还提供一种基于GRU网络的MAC信息识别装置,包括
训练模块,用于通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型;
接收模块,用于接收待识别信号r(t);
计算模块,用于计算所述待识别信号r(t)的信号功率Pr(t);
第一采样模块,用于通过选取所述信号功率中Nc个采样点构成一个Nc×1维的观测向量,以作为信道识别观测向量;
第二采样模块,用于通过选取所述信号功率Pr(t)中Nm个采样点构成一个Nm×1维观测向量,以作为MAC信息识别观测向量;
第一判断模块,用于利用所述信道类型识别网络模型对所述信道识别观测向量进行识别,以判断待识别信号r(t)的信道类型;
第二判断模块,用于利用所述MAC信息识别网络模型对所述MAC信息识别观测向量进行识别,以判断待识别信号r(t)的主用户数与MAC协议类型。
本发明实施例还提供了一种基于GRU网络的MAC信息识别设备,包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现所述的一种基于GRU网络的MAC信息识别方法。
本发明实施例还提供了一种存储介质,所述存储介质用于存储至少一个程序,至少一个指令,所述至少一个程序、指令被执行以实现所述的一种基于GRU网络的MAC信息识别方法。
本发明实施例的有益技术效果:
本发明引入深度学习思想,利用GRU网络处理接收到的MAC协议信号,自动提取特征,整个识别过程人工干预较少;充分利用海量通信数据训练GRU网络,使得能针对不同信道类型的MAC信息进行识别;MAC协议多标签分类方法在识别MAC协议类型的同时也能估计出采用该MAC协议的主用户数目,相比于单标签分类,本发明的多标签分类方法更加适用于MAC协议丰富的语义规律和特点,可以帮助次级用户获得更多主用户的先验信息。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明提供的认知无线电系统模型示意图。
图2为本发明实施例提供的不同MAC协议类型或者不同主用户数目的信号示意图。
图3为本发明第一实施例提供的一种基于GRU网络的MAC信息识别方法的流程示意图。
图4为本发明第一实施例提供的一种基于GRU网络的MAC信息识别方法的另一流程示意图。
图5为本发明施例提供的所采用的信道类型分类的GRU网络结构示意图。
图6为本发明施例提供所采用的MAC信息识别的GRU网络结构示意图。
图7为本发明施例提供的多标签分类精度图。
图8本发明第二实施例提供的一种基于GRU网络的MAC信息识别装置的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
为便于对本发明实施例的理解,以下先对认知无线电系统进行说明,如图1所示,在实施例中,认知无线电系统模型由N个主用户(PU1,PU2,...,PUN)和一个次级用户(SU)构成。N个主用户在M个可选的MAC协议组成的集合{C1,C2,...,CM}中选择一种协议Cj(1≤j≤M)与基站进行通信,次级用户通过监测主用户信号来确定MAC协议的类型和主用户的数目N。
在实施例中,主用户可采用MAC协议类型从协议集合{Slotted Aloha,PureAloha}选择一种与基站通信,主用户数目N从个数集合{1,2,3,…,15}选择一种。同时假设两种协议发送数据包的长度相等;Slotted Aloha时隙长度等于数据包长度。在SlottedAloha协议中,每个主用户都有权力使用任意时隙,不管此时隙是否被其他用户占用。在每个时隙,所有主用户均以概率σt产生新的数据包,并发送出去。如果有多个用户在相同时隙发送,就会产生冲突。在Pure Aloha协议中,不存在时隙结构,每个主用户都可以在任意时刻以概率σt生成新的数据包,并发送出去。如果多个主用户的发送时间有重叠,也会产生冲突。
在实施例中,如图2,白色表示信道空闲,灰色表示数据包发送成功,黑色表示发送冲突。可以看出,当采用的MAC协议类型不同或者占用频段的主用户数目不同时,信道频段就会表现出不同的频谱特征,例如被信道占用的时长和信道的瞬时功率等。因此,可以根据不同的特征识别MAC协议类型和主用户数目。
以下详述本发明实施例的具体内容。
本发明第一实施例提供了一种基于GRU网络的MAC信息识别方法,如图3-4所示,包括离线训练阶段和在线识别阶段,包括步骤:
S11:通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型;
在本实施例中,所述通过训练得到不同信道下的MAC信息识别网络模型过程具体为:
首先仿真得到不同用户数以及不同MAC协议类型的信号s(t),产生不同用户数以及不同MAC协议信号;
在本实施例中,可包括三种不同的信道类型:莱斯信道X1,瑞利信道Y1以及AWGN信道Z1。仿真信号s(t)通过三种信道分别得到x(t)、y(t)、z(t)三种信号。
其中:
莱斯信道:主用户与基站间存在直射波信号时,即有一条主路径;
瑞利信道:主用户与基站间没有直射路径信号到达接收端的信道;
AWGN信道:加性高斯白噪声信道。
下一步,分别计算信号在对应信道下的信号功率并生成对应的观测向量:
X2、计算莱斯信道下的信号功率:
其中,信号x(t)的功率为Px(t),Px(t)=||x(t)||2,并且选取信号功率Px(t)中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
Y2、计算瑞利信道下的信号功率:
其中,信号y(t)的功率为Py(t),Py(t)=||y(t)||2,并且选取信号功率Py(t)中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
Z2、计算AWGN信道下的信号功率:
其中,信号z(t)的功率为Pz(t),Pz(t)=||z(t)||2,并且选取信号功率Pz(t)中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
其次,X3\Y3\Z3、分别对主用户数以及MAC协议类型打上标签。
例如,{Slotted Aloha,Pure Aloha}的标签值为{0,1},主用户数目N={1,2,…,15}数据集的标签值分别为{0,1,…,14},那么采用Slotted Aloha协议,主用户数目为5的样本标签为{0,4},即一类数据集带有双标签。数据集中每类双标签的样本数为100万个。
然后X4\Y4\Z4、训练识别MAC协议的GRU网络:分别进行不同信道的训练,得出三个不同信道下MAC信息识别网络模型。
在本实施例中,所述通过训练得到信道类型识别网络模型过程具体为:
首先计算信号功率并生成观测向量:计算信号功率为Pc(t),并选取信号功率Pc(t)中Nc个采样点作为一组观测值,构成一个Nc×1观测向量;
然后根据信道类型打上标签:例如,{莱斯信道,瑞利信道,AWGN信道}的标签值为{0,1,2},即有一类数据集带有单标签。
最后训练信道识别的GRU网络:将训练数据送入GRU网络得出信道类型识别网络模型,对于多任务的训练,将任务权重作为网络参数进行学习,对每项任务的损失进行加权求和作为总网络损失,梯度反向传播时对权重进行更新,训练完成后,记录各项任务的权重。模型训练可基于TensorFlow框架,超参数设置可以通过观察损失函数和识别精度来进行调整。
S12:接收待识别信号r(t);
在本实施例中,通过空口接收未知MAC协议类型和未知主用户数目的信号r(t)。
S13:计算所述待识别信号r(t)的信号功率Pr(t);
在本实施例中,所述计算所述待识别信号r(t)的信号功率Pr(t)的计算方法如下:
Pr(t)=||r(t)||2
S14:通过选取所述信号功率中Nc个采样点构成一个Nc×1维的观测向量,以作为信道识别观测向量;
S15:通过选取所述信号功率Pr(t)中Nm个采样点构成一个Nm×1维观测向量,以作为MAC信息识别观测向量;
S16:利用所述信道类型识别网络模型对所述信道识别观测向量进行识别,以判断待识别信号r(t)的信道类型,得到信道类型识别结果;
在本实施例中,如图5,信道类型分类的GRU网络的整体结构模型由4个部分构成:数据处理层、GRU层、全连接层和分类输出层。数据处理层负责对样本数据做归一化处理并且将数据样本的标签进行编码。GRU层是整个模型结构的核心层,该层接收来自数据处理层的输入数据并进行有监督的学习训练,然后提取不同信道下的信号的抽象特征。全连接层负责接收来自GRU网络提取不同信道下的信号的抽象特征,对数据特征进行简单的降维。分类输出层利用sigmoid回归模型,对接收到的降维特征进行学习,计算待分类样本数据属于各类别的概率,并输出预测类别。
S17:根据所述信道类型识别结果,选择所述MAC信息识别网络模型,对所述MAC信息识别观测向量进行识别,以判断待识别信号r(t)的主用户数与MAC协议类型。
在本实施例中,如图6,MAC信息识别的GRU的整体结构模型由4个部分构成:数据处理层、GRU层、全连接层和分类输出层。数据处理层负责对样本数据做归一化处理并且将数据样本的标签进行编码。GRU层是整个模型结构的核心层,该层接收来自数据处理层的输入数据并进行有监督的学习训练,然后提取MAC协议序列的抽象特征。全连接层负责接收来自GRU网络提取的MAC协议序列的抽象特征,对数据特征进行简单的降维。分类输出层利用sigmoid回归模型,对接收到的降维特征进行学习,计算待分类样本数据属于各类别的概率,并输出预测类别。
本实施例中,如图7,GRU网络具有记忆的特性,能更好地学习MAC协议信号序列的特性,同时避免长期依赖问题并且计算简单。
本实施例中,引入深度学习思想,利用GRU网络处理接收到的MAC协议信号,自动提取特征,整个识别过程人工干预较少;充分利用海量通信数据训练GRU网络,使得能针对不同信道类型的MAC信息进行识别;MAC协议多标签分类方法在识别MAC协议类型的同时也能估计出采用该MAC协议的主用户数目,相比于单标签分类,本发明的多标签分类方法更加适用于MAC协议丰富的语义规律和特点,可以帮助次级用户获得更多主用户的先验信息。
本发明第二实施例提供一种基于特征融和图像实例分割装置,如图8,包括:
训练模块110:用于通过训练得到不同信道下的MAC信息识别网络模型;
在本实施例中,所述通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型过程具体为:
首先仿真得到不同用户数以及不同MAC协议类型的信号s(t),产生不同用户数以及不同MAC协议信号;
X1\Y1\Z1可为三种不同的信道类型:莱斯信道,瑞利信道以及AWGN信道,然后仿真信号s(t)通过三种信道分别得到x(t)\y(t)\z(t)三种信号;
莱斯信道:主用户与基站间存在直射波信号时,即有一条主路径;
瑞利信道:主用户与基站间没有直射路径信号到达接收端的信道;
AWGN信道:加性高斯白噪声信道。
下一步,分别计算信号在对应信道下的信号功率并生成对应的观测向量:
X2、计算莱斯信道下的信号功率:计算信号x(t)的功率为Px(t),Px(t)=||x(t)||2,并且选取信号功率Px(t)中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
Y2、计算瑞利信道下的信号功率:计算信号y(t)的功率为Py(t),Py(t)=||y(t)||2,并且选取信号功率Py(t)中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
Z2、计算AWGN信道下的信号功率:计算信号z(t)的功率为Pz(t),Pz(t)=||z(t)||2,并且选取信号功率Pz(t)中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
其次X3\Y3\Z3,根据主用户数以及MAC协议类型打上标签;
例如,{Slotted Aloha,Pure Aloha}的标签值为{0,1},主用户数目N={1,2,…,15}数据集的标签值分别为{0,1,…,14},那么采用Slotted Aloha协议,主用户数目为5的样本标签为{0,4},即一类数据集带有双标签。数据集中每类双标签的样本数为100万个。
然后X4\Y4\Z4,训练识别MAC协议的GRU网络:分别进行不同信道的训练,得出三个不同信道下MAC信息识别网络模型。
在本实施例中,所述通过训练得到信道类型识别网络模型过程具体为:
首先计算信号功率并生成观测向量:计算信号功率为Pc(t),并选取信号功率Pc(t)中Nc个采样点作为一组观测值,构成一个Nc×1观测向量;
然后根据信道类型打上标签:例如,{莱斯信道,瑞利信道,AWGN信道}的标签值为{0,1,2},即有一类数据集带有单标签。
最后训练信道识别的GRU网络:将训练数据送入GRU网络得出信道类型识别网络模型;对于多任务的训练,将任务权重作为网络参数进行学习,对每项任务的损失进行加权求和作为总网络损失,梯度反向传播时对权重进行更新,训练完成后,记录各项任务的权重。模型训练可基于TensorFlow框架,超参数设置可以通过观察损失函数和识别精度来进行调整。
接收模块120:用于接收待识别信号r(t);
在本实施例中,通过空口接收未知MAC协议类型和未知主用户数目的信号r(t)。
计算模块130:用于计算所述待识别信号r(t)的信号功率Pr(t);
在本实施例中,所述计算所述待识别信号r(t)的信号功率Pr(t)的计算方法如下:
Pr(t)=||r(t)||2
第一采样模块140:用于通过选取所述信号功率中Nc个采样点构成一个Nc×1维的观测向量,以作为信道识别观测向量;
第二采样模块150:用于通过选取所述信号功率Pr(t)中Nm个采样点构成一个Nm×1维观测向量,以作为MAC信息识别观测向量;
第一判断模块160:用于利用所述信道类型识别网络模型对所述信道识别观测向量进行识别,以判断待识别信号r(t)的信道类型;
本实施例中,如图5,信道类型分类的GRU网络的整体结构模型由4个部分构成:数据处理层、GRU层、全连接层和分类输出层。数据处理层负责对样本数据做归一化处理并且将数据样本的标签进行编码。GRU层是整个模型结构的核心层,该层接收来自数据处理层的输入数据并进行有监督的学习训练,然后提取不同信道下的信号的抽象特征。全连接层负责接收来自GRU网络提取不同信道下的信号的抽象特征,对数据特征进行简单的降维。分类输出层利用sigmoid回归模型,对接收到的降维特征进行学习,计算待分类样本数据属于各类别的概率,并输出预测类别。
第二判断模块170:用于利用所述MAC信息识别网络模型对所述MAC信息识别观测向量进行识别,以判断待识别信号r(t)的主用户数与MAC协议类型。
本实施例中,如图6,MAC信息识别的GRU的整体结构模型由4个部分构成:数据处理层、GRU层、全连接层和分类输出层。数据处理层负责对样本数据做归一化处理并且将数据样本的标签进行编码。GRU层是整个模型结构的核心层,该层接收来自数据处理层的输入数据并进行有监督的学习训练,然后提取MAC协议序列的抽象特征。全连接层负责接收来自GRU网络提取的MAC协议序列的抽象特征,对数据特征进行简单的降维。分类输出层利用sigmoid回归模型,对接收到的降维特征进行学习,计算待分类样本数据属于各类别的概率,并输出预测类别。
本实施例中,如图7,GRU网络具有记忆的特性,能更好地学习MAC协议信号序列的特性,同时避免长期依赖问题并且计算简单。
本实施例中,引入深度学习思想,利用GRU网络处理接收到的MAC协议信号,自动提取特征,整个识别过程人工干预较少;充分利用海量通信数据训练GRU网络,使得能针对不同信道类型的MAC信息进行识别;MAC协议多标签分类方法在识别MAC协议类型的同时也能估计出采用该MAC协议的主用户数目,相比于单标签分类,本发明的多标签分类方法更加适用于MAC协议丰富的语义规律和特点,可以帮助次级用户获得更多主用户的先验信息。
本发明第三实施例提供了一种基于GRU网络的MAC信息识别设备,包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现所述一种基于GRU网络的MAC信息识别方法。
本发明第四实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序能够被所述存储介质所在设备的处理器执行,以实现所述的一种基于GRU网络的MAC信息识别方法。
在本发明实施例所提供的几个实施例中,应该理解到,所提供的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者说该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令,使得一台计算机设备(可以是个人计算机,电子设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (9)
1.一种基于GRU网络的MAC信息识别方法,其特征在于,包括如下步骤;
通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型;
接收待识别信号r(t);
计算所述待识别信号r(t)的信号功率Pr(t);
通过选取所述信号功率中Nc个采样点构成一个Nc×1维的观测向量,以作为信道识别观测向量;
通过选取所述信号功率Pr(t)中Nm个采样点构成一个Nm×1维观测向量,以作为MAC信息识别观测向量;
利用所述信道类型识别网络模型对所述信道识别观测向量进行识别,以判断待识别信号r(t)的信道类型,得到信道类型识别结果;
根据所述信道类型识别结果,选择所述MAC信息识别网络模型,对所述MAC信息识别观测向量进行识别,以判断待识别信号r(t)的主用户数与MAC协议类型。
2.根据权利要求1所述的一种基于GRU网络的MAC信息识别方法,其特征在于,所述通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型过程具体为:
通过仿真得到不同主用户数以及不同MAC协议类型的仿真信号;
将仿真信号通过多种信道以分别得到对应的多个信号;
分别计算信号在对应信道下的信号功率并生成对应的观测向量;
对信号的主用户数以及MAC协议类型打上标签,将其作为训练数据;
基于所述训练数据分别进行不同信道的训练,得出不同信道下的MAC信息识别网络模型;
计算信道的信号功率并生成观测向量;
对信道类型打上标签,将其作为训练数据;
将所述训练数据送入GRU网络进行训练,以得到信道类型识别网络模型。
3.根据权利要求2所述的一种基于GRU网络的MAC信息识别方法,其特征在于,所述多种信道分别为:莱斯信道、瑞利信道及AWGN信道。
4.根据权利要求3所述的一种基于GRU网络的MAC信息识别方法,其特征在于,所述分别计算信号在对应信道下的信号功率并生成对应的观测向量过程为:
计算所述莱斯信道下的信号功率:计算信号x(t)的功率,并且选取信号功率中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
计算所述瑞利信道下的信号功率:计算信号y(t)的功率,并且选取信号功率中Nm个采样点作为一组观测值,构成一个Nm×1观测向量;
计算所述AWGN信道下的信号功率:计算信号z(t)的功率,并且选取信号功率中Nm个采样点作为一组观测值,构成一个Nm×1观测向量。
5.据权利要求4所述的一种基于GRU网络的MAC信息识别方法,其特征在于,所述分别计算每个信道下的信号功率,其计算方法如下:
Px(t)=||x(t)||2
Py(t)=||y(t)||2
Pz(t)=||z(t)||2
其中,Px(t)\Py(t)\Pz(t)为三种不同的信道类型x(t)\y(t)\z(t)的功率。
6.根据权利要求1所述的一种基于GRU网络的MAC信息识别方法,其特征在于,所述计算所述待识别信号r(t)的信号功率Pr(t)的计算方法如下:
Pr(t)=||r(t)||2
7.一种基于GRU网络的MAC信息识别装置,其特征在于,包括:
训练模块,用于通过训练得到不同信道下的MAC信息识别网络模型和信道类型识别网络模型;
接收模块,用于接收待识别信号r(t);
计算模块,用于计算所述待识别信号r(t)的信号功率Pr(t);
第一采样模块,用于通过选取所述信号功率中Nc个采样点构成一个Nc×1维的观测向量,以作为信道识别观测向量;
第二采样模块,用于通过选取所述信号功率Pr(t)中Nm个采样点构成一个Nm×1维观测向量,以作为MAC信息识别观测向量;
第一判断模块,用于利用所述信道类型识别网络模型对所述信道识别观测向量进行识别,以判断待识别信号r(t)的信道类型,得到信道类型识别结果;
第二判断模块,用于根据所述得到信道类型识别结果,选择所述MAC信息识别网络模型,对所述MAC信息识别观测向量进行识别,以判断待识别信号r(t)的主用户数与MAC协议类型。
8.一种基于GRU网络的MAC信息识别设备,其特征在于,包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现如权利要求1-6任意一项所述的一种基于GRU网络的MAC信息识别方法。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序能够被所述存储介质所在设备的处理器执行,以实现如权利要求1-6任意一项所述的一种基于GRU网络的MAC信息识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895307.8A CN111988102B (zh) | 2020-08-31 | 2020-08-31 | 基于gru网络的mac信息识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895307.8A CN111988102B (zh) | 2020-08-31 | 2020-08-31 | 基于gru网络的mac信息识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111988102A CN111988102A (zh) | 2020-11-24 |
CN111988102B true CN111988102B (zh) | 2022-03-04 |
Family
ID=73440426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010895307.8A Active CN111988102B (zh) | 2020-08-31 | 2020-08-31 | 基于gru网络的mac信息识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111988102B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105553574A (zh) * | 2015-05-13 | 2016-05-04 | 南京理工大学 | 一种认知无线电中基于支持向量机的mac协议识别方法 |
CN108449763A (zh) * | 2018-03-15 | 2018-08-24 | 重庆邮电大学 | 一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 |
CN109861864A (zh) * | 2019-02-11 | 2019-06-07 | 华侨大学 | 一种基于lstm网络的mac协议识别方法 |
CN111107553A (zh) * | 2018-10-29 | 2020-05-05 | 三星电子株式会社 | 多用户识别模块设备及其操作方法 |
-
2020
- 2020-08-31 CN CN202010895307.8A patent/CN111988102B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105553574A (zh) * | 2015-05-13 | 2016-05-04 | 南京理工大学 | 一种认知无线电中基于支持向量机的mac协议识别方法 |
CN108449763A (zh) * | 2018-03-15 | 2018-08-24 | 重庆邮电大学 | 一种基于信道状态识别的LoRaWAN网络速率自适应调整方法 |
CN111107553A (zh) * | 2018-10-29 | 2020-05-05 | 三星电子株式会社 | 多用户识别模块设备及其操作方法 |
CN109861864A (zh) * | 2019-02-11 | 2019-06-07 | 华侨大学 | 一种基于lstm网络的mac协议识别方法 |
Non-Patent Citations (2)
Title |
---|
MAC Protocol Identification Using Convolutional Neural Networks;Yu Zhou 等;《2020 29th Wireless and Optical Communications Conference (WOCC)》;20200711;全文 * |
多天线下基于能量特征的MAC协议识别;侯万兴 等;《杭州电子科技大学学报( 自然科学版)》;20151130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111988102A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Sensing OFDM signal: A deep learning approach | |
CN111538809B (zh) | 一种语音服务质量检测方法、模型训练方法及装置 | |
CN110162628A (zh) | 一种内容识别方法及装置 | |
US20210326700A1 (en) | Neural network optimization | |
Gong et al. | Multi-task based deep learning approach for open-set wireless signal identification in ISM band | |
CN111522916A (zh) | 一种语音服务质量检测方法、模型训练方法及装置 | |
CN109861864B (zh) | 一种基于lstm网络的mac协议识别方法 | |
Tang et al. | Specific emitter identification for IoT devices based on deep residual shrinkage networks | |
CN115620316A (zh) | 基于无线联邦学习的图像识别方法、装置、设备及介质 | |
CN117580090B (zh) | 移动终端通信稳定性测试方法及系统 | |
West et al. | A wideband signal recognition dataset | |
CN111988102B (zh) | 基于gru网络的mac信息识别方法、装置、设备及存储介质 | |
CN112989312B (zh) | 验证码的识别方法、装置、电子设备和存储介质 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
CN116204786B (zh) | 生成指定故障趋势数据的方法和装置 | |
CN117150395A (zh) | 模型训练、意图识别方法、装置、电子设备及存储介质 | |
CN111612097B (zh) | 一种基于gru网络的主用户数目估计方法 | |
CN114547264A (zh) | 一种基于马氏距离和对比学习的新意图数据识别方法 | |
CN114529191A (zh) | 用于风险识别的方法和装置 | |
Bomberger et al. | Bayesian program learning for modeling and classification of RF emitters | |
CN116702048B (zh) | 一种新增意图识别方法、模型训练方法、装置、电子设备 | |
CN113705186B (zh) | 一种留言语义分析下的自动回复方法和装置 | |
Zhang et al. | A joint detection and recognition algorithm of non-cooperative communication signal based on improved yolov3 | |
CN113255711B (zh) | 对抗检测方法、装置及设备 | |
CN115660458B (zh) | 基于上下文推理的通话质检方法、装置、电子设备 |
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 |