CN112671486A - 一种基于神经网络的联合频谱感知方法及系统 - Google Patents

Abstract

本发明涉及认知无线电领域，具体涉及一种基于神经网络的联合频谱感知方法及系统。本发明利用了神经网络技术和认知无线电技术，将二者结合，用于空间环境中的频谱感知，从而给无线通信提供可靠的频段资源，该方法通过在多个边缘节点使用欠采样技术采集频谱数据并使用时延神经网络模型进行训练，最终得到频谱的判决结果，然后将该判决结果汇聚至中心节点，经过数据融合，用于训练卷积神经网络，最终在中心节点得到最终的全局频谱感知结果。该方法能够有效地提升频谱感知的准确性，同时能够使得频谱感知的结果更具有全局意义，为通信链路的建立提供准确可靠的基础。

Description

一种基于神经网络的联合频谱感知方法及系统

技术领域

本发明涉及认知无线电技术领域，具体涉及一种基于神经网络的联合频谱感知方法及系统。

背景技术

使用机器学习算法进行频谱感知的研究在2014年就已经出现。如中国专利文献CN201410334044.8于2016年8月17日公开的一种基于神经网络的联合频谱感知方法基于狼群优化的人工神经网络频谱感知方法；中国专利文献CN107360577A于2017年11月17日公开的一种基于神经网络的联合频谱感知方法基于机器学习的频谱感知方法及装备；中国专利文献CN201711366712.5于2018年5月4日公开的一种基于神经网络的联合频谱感知方法深度学习的认知无线网络多用户协作频谱感知方法；中国专利文献CN109450573A与2019年3月8日公开的一种基于神经网络的联合频谱感知方法基于深度神经网络的频谱感知方法。纵观以上公开的专利文献所描述的频谱感知方法，基本都是属于单点频谱感知的范畴，其感知的过程都是在本地进行数据采集、处理、训练，最终判决得出频谱感知结果，这样的频谱感知策略具有一定的局限性，即在次用户数量较多，分布广泛且具备一定的网络结构时，使用单点的频谱感知方法不能够得到具有全局意义的感知结果，这并不利于稳定可靠的通信链路的建立。近年来随着毫米波等技术的发展，通信频段逐渐走向高频，随之而来的是信号覆盖范围的减小，这也就加剧了空间电磁环境随着时间和空间的变化。对于一个覆盖范围较广的机会通信系统而言，频谱感知的准确性直接决定了其通信的速率和可靠性，在这种情况下使用单点的频谱感知方法就远远不能满足要求，因为该点的频谱感知结果仅仅对于该点附近的电磁环境具有一定的参考价值，但是对于整个网络中的其余节点而言，却并不一定能够起到较好的参考作用。

发明内容

本发明的目的在于克服现有频谱感知方法的准确度不够且覆盖范围小的问题，提供一种基于神经网络的联合频谱感知方法及系统。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于神经网络的联合频谱感知方法，包括以下步骤：

S1：在联合频谱感知网络的各个边缘节点进行欠采样，获取N个时刻内所述边缘节点的频谱信息；所述边缘节点是本发明方法中的联合频谱感知网络架构内，处于边缘的节点，用于直接采集频谱数据；

S2：将所述频谱信息输入到时延神经网络，进行模型训练，并根据频谱信息产生所述边缘节点的判决结果；所述判决结果用于显示所述边缘节点是否处于空闲状态；

S3：将所有所述判决结果与对应的所述频谱信息统一传输至所述系统的中心节点；所述中心节点将所有所述判决结果进行融合，形成全局观测图样数据；

S4：将所述全局观测图样数据输入到所述中心节点的卷积神经网络，并对下一时刻的频谱状态进行预测。

本发明提出了一种基于神经网络的联合频谱感知方法，使用该方法能够有效提升频谱感知结果的准确性，同时该方法具有较大的感知带宽，能够满足当前认知无线电网络中对于频谱感知的需求，也能够保证频谱感知和预测的准确性，提升频谱感知技术中的感知结果参考价值、准确性和感知带宽，具有极大的实用价值。

作为本发明的优选方案，所述步骤S1采用欠奈奎斯特采样技术；所述频谱信息为整个频段内使用欠采样方法得到的信号功率谱估计结果。

本发明方法在边缘节点进行观测时，使用了宽带欠奈奎斯特采样技术，基于压缩感知理论的欠奈奎斯特采样(Sub-Nyquist sampling)技术可以对稀疏或是可压缩的信号直接采样，既降低了采样速率，同时也减少了采样数量。特别是对宽带稀疏信号，用采样率远低于奈奎斯特速率的ADC，只需进行少量的采样，而且不需要预先知道频带的位置，通过特定的信号重构算法，即可高概率地重构出信号的频谱信息。从而能够大大提升原有的频谱感知方法的感知带宽，同时极大的提升了频谱感知和预测的准确性。

作为本发明的优选方案，所述步骤S3包括以下步骤：

S31：依次将所有所述判决结果Y_j与对应的所述频谱信息统一传输至所述联合频谱感知网络的中心节点；

S32：将所有所述判决向量Y_j融合，得到所述全局观测矩阵。

作为本发明的优选方案，所述全局观测图样数据为全局观测矩阵Y_M，表示为：

其中，n为所述频谱信息中子频带的数量，M为所述边缘节点的数量。

作为本发明的优选方案，所述卷积神经网络的输入为所述全局观测矩阵，所述卷积神经网络的输出为下一时刻的频谱状态预测数据。

作为本发明的优选方案，所述下一时刻的频谱状态预测数据表示为：

Y_p＝f_conv(Y_M)

其中，Y_p是经过卷积神经网络预测得到的下一时刻的频谱状态，为一个n维向量，每个向量元素与每个子频带对应，向量元素表示下一时刻该频段被占用的概率大小；f_conv(·)为卷积神经网络函数；Y_M表示全局观测矩阵。

本发明还公开了一种基于神经网络的联合频谱感知系统，包括欠采样模块、多个时延神经网络、汇聚模块以及卷积神经网络；

所述欠采样模块用于进行欠奈奎斯特采样，获取边缘节点的频谱信息；

所述时延神经网络用于对所述频谱信息进行判决，得到对应的判决结果；

所述汇聚模块用于将所述各个边缘节点的判决结果融合为全局观测图样数据；

所述卷积神经网络用于根据所述全局观测图样数据获取下一时刻的频谱状态预测数据。

作为本发明的优选方案，所述欠采样模块包括m路并行的通道，每路通道包括混频器、低通滤波器以及模拟数字转换器。

作为本发明的优选方案，所述时延神经网络包括一个输入层，一个隐藏层和一个输出层；

所述时延神经网络的输入为所述频谱信息，输出为所述边缘节点的判决结果，所述判决结果用变量y_ij表示；所述变量y_ij为布尔变量，当y_ij＝0时表示该子频带处于空闲状态，当y_ij＝1时表示该子频带处于占用状态，其中，i为子频带序号，j为边缘节点序号。所述隐藏层的神经元数量为3至10；学习率η∈[0.0001,0.001]。

作为本发明的优选方案，所述卷积神经网络包括三个串联的基本子块，每个所述基本子块由3个卷积层、整流线性单元层和最大池化层组成，所述卷积层中每个空间滤波器的大小为3×3。

与现有技术相比，本发明的有益效果：

1.本发明提出了一种基于神经网络的联合频谱感知方法，该方法通过在多个边缘节点使用欠采样技术采集频谱数据并使用时延神经网络模型进行训练，最终得到频谱的判决结果，然后将该判决结果汇聚至中心节点，经过数据融合，用于训练卷积神经网络，最终在中心节点得到最终的全局频谱感知结果。使用该方法能够有效提升频谱感知结果的准确性，同时该方法具有较大的感知带宽，能够满足当前认知无线电网络中对于频谱感知的需求，也能够保证频谱感知和预测的准确性，提升频谱感知技术中的感知结果参考价值、准确性和感知带宽，具有极大的实用价值。

2.本发明方法在次用户进行频谱重构时，使用了宽带欠奈奎斯特采样技术，基于压缩感知理论的欠奈奎斯特采样(Sub-Nyquist sampling)技术可以对稀疏或是可压缩的信号直接采样，既降低了采样速率，同时也减少了采样数量。特别是对宽带稀疏信号，用采样率远低于奈奎斯特速率的ADC，只需进行少量的采样，而且不需要预先知道频带的位置，通过特定的信号重构算法，即可高概率地重构出信号的频谱信息。从而能够大大提升原有的频谱感知方法的感知带宽，同时极大的提升了频谱感知和预测的准确性。

附图说明

图1为本发明实施例1所述的一种基于神经网络的联合频谱感知方法的流程示意图；

图2为本发明实施例1所述的一种基于神经网络的联合频谱感知方法的边缘节点处的处理流程示意图；

图3为本发明实施例1所述的一种基于神经网络的联合频谱感知方法的中心节点处的处理流程示意图；

图4为本发明实施例2所述的一种基于神经网络的联合频谱感知方法的边缘节点处的欠奈奎斯特采样架构示意图；

图5为本发明实施例3所述的一种基于神经网络的联合频谱感知方法的中心节点处的卷积神经网络结构图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

如图1所示，一种基于神经网络的联合频谱感知方法，包括以下步骤：

联合频谱感知网络架构的边缘节点处的处理流程，如图2所示：

S1：在联合频谱感知网络的各个边缘节点进行欠奈奎斯特采样，获取N个时刻内所述边缘节点的频谱信息；所述频谱信息为整个频段内使用欠采样方法得到的信号功率谱估计结果。

S2：将所述频谱信息输入到时延神经网络，进行模型训练，并根据频谱信息产生所述边缘节点的判决结果；并将表示所述判决结果的变量y_ij按先后顺序存入每个所述边缘节点对应的判决向量Y_j中；所述判决结果用于显示所述边缘节点是否处于空闲状态。

其中，所述时延神经网络包括一个输入层，一个隐藏层和一个输出层；所述时延神经网络的输入为所述频谱信息，输出为所述边缘节点的判决结果；所述变量y_ij为布尔变量，当y_ij＝0时表示该子频带处于空闲状态，当y_ij＝1时表示该子频带处于占用状态，其中，i为子频带序号，j为边缘节点序号。

联合频谱感知网络架构的中心节点处的处理流程，如图3所示：

S3：将所有所述判决结果与对应的所述频谱信息统一传输至所述联合频谱感知网络的中心节点；所述中心节点将所有所述判决结果进行融合，形成全局观测图样数据；所述全局观测图样数据为观测矩阵Y_M，表示为：

其中，n为所述频谱信息中子频带的数量，M为所述边缘节点的数量。

S4：将所述全局观测图样数据输入到所述中心节点的卷积神经网络，并对下一时刻的频谱状态进行预测。所述下一时刻的频谱状态预测数据表示为：

Y_p＝f_conv(Y_M)

其中，Y_p是经过卷积神经网络预测得到的下一时刻的频谱状态，为一个n维向量，每个向量元素与每个子频带对应，向量元素表示下一时刻该频段被占用的概率大小；f_conv(·)为卷积神经网络函数；Y_M表示全局观测矩阵。

实施例2

一种基于神经网络的联合频谱感知系统，所述系统包括欠采样模块、多个时延神经网络、汇聚模块以及卷积神经网络。

所述欠采样模块包括m路并行的通道，每路通道包括混频器、低通滤波器、模拟数字转换器(ADC)以及锁相环(PLL)。所述欠采样模块工作流程如图4所示，用于进行模拟前端采样，并对其进行数字信号处理，最终输出需要的宽带频谱信息。

所述时延神经网络包括一个输入层，一个隐藏层和一个输出层；所述隐藏层的神经元数量为5；学习率η＝0.001。用于对所述频谱信息进行判决，得到对应的判决结果。

所述汇聚模块用于将所述判决结果融合为全局观测图样数据；

所述卷积神经网络包括三个串联的基本子块，每个所述基本子块由3个卷积层、整流线性单元层和最大池化层组成，所述卷积层中每个空间滤波器的大小为3×3。用于根据所述全局观测图样数据获取下一时刻的频谱状态预测数据。

实施例3

本实施例为采用实施例2所述的一种基于神经网络的联合频谱感知系统来实现实施例1所述一种基于神经网络的联合频谱感知方法的具体描述：

在边缘节点，进行频谱感知主要分为三个阶段，分别为：欠奈奎斯特采样、使用神经网络获取判决向量、判决结果汇聚。下面分别对每一个阶段进行详细描述。

整个欠采样模块包括m路并行的通道，每路通道由混频器、低通滤波器、低速ADC组成。输入信号x(t)首先被分为m路相同的信号，同时进入欠采样模块。在第i个通道，输入信号与一个伪随机序列p_i(t)混频，该伪随机序列的脉冲周期记作T_P，伪随机序列的循环长度记作M_P，二者的取值通常来自经验值，但需要满足M_p/T_P大于等于输入信号x(t)的欠采样速率；随后混频之后的信号经过一个截止频率为f_P的抗混叠理想低通滤波器，其中f_P＝1/T_P，该滤波器的冲激响应记作h(t)，最后经过欠采样得到采样序列y_i[n]。y_i[n]的离散时间傅里叶变换为：

上式中，f指频率，T_S为采样时间间隔，F_S为离散频率集合，n为离散序列y_i[n]中的元素序号，c_il为伪随机序列p_i(t)的傅里叶级数系数，X(f)为目标信号频谱，l为离散频谱序列X(f)中的元素序号。

把上式写成如下的矩阵形式：

Y(f)＝AZ(f),f∈F_s，式中，Y(f)是一个m维的观测向量，Z(f)是一个L维的未知矢量，且L＝2L₀+1，等于带宽范围F_s内的片段数。Z(f)中的每个元素为X(f)的线性搬移。Z(f)的第l个元素为：

Z₁(f)＝X(f+lf_p),-L₀≤l≤L₀,f∈F_s，

式中的m×L的感知矩阵A是由伪随机序列p_i(t)的傅里叶级数c_il组成的。

重构原始信号的第一步是要确定信号频谱的支撑集S＝supp(Z(F_s))。借助连续到有限(Continue to Finite，CTF)模块，本发明就可以完成支撑集的求解。

接下来是信号恢复的过程。首先将z_l[n]进行补零操作，其中z_l[n]为Z_l(f)的逆离散时间傅里叶变换：

然后通过理想数字滤波器，将通过上式得到补零后的序列

内插到奈奎斯特速率，得到：

其中，h_l[n]表示上述数字滤波器的频率响应系数，S为预设的离散集。

如果奈奎斯特采样速率f_nyq很高，那么可以直接使用模拟硬件处理序列z_l[n]，将每个z_l[n]通过截止频率为f_s/2的低通滤波器，得到复信号z_l(t)，然后求得原始信号：

上式中R{·}表示取实部运算，I{·}表示取虚部运算，t为时间变量。

接下来是边缘节点侧的神经网络模型。本发明中使用的是时延神经网络，这种神经网络是一种以延迟线作为网络输入的前馈网络。本模型具有一个输入层，一个隐藏层和一个输出层，模型的输入数据为当前子频带的信号功率值序列，每个时刻将该时刻的子频带功率值输入模型，经过一系列的延迟单元，与之前τ个时刻的信号功率值一同输入神经网络的输入层，模型的输出为y_i，该变量为布尔变量，当y_i＝0时表示该子频带处于空闲状态，当y_i＝1时表示该子频带处于占用状态。通过在每一个时隙对子频带的信号功率进行感知，本发明产生两组数据用于训练模型和验证模型。在训练阶段，本发明使用训练数据集对网络的参数如权重和偏置值进行确定，在验证阶段，使用验证数据集对网络性能进行评估。

在神经网络中，本发明使用了反向传递算法作为监督学习的技术。在训练过程中根据梯度下降法更新权值和偏置值。最后计算均方误差MSE作为衡量神经网络性能的标准。模型的具体参数如下：隐藏层数量1；隐藏层神经元数量为3-10；学习率η∈[0.0001,0.001]；

在第j个边缘节点得到了第i个子频带的神经网络的输出y_i之后，将所有的子频带对应的判决结果按照顺序组合成一个向量Y_j＝[y₁,y₂,…,y_i,…,y_n]，将该向量作为该边缘节点的观测向量，发送至中心节点。

在本发明中，中心节点模型主要由两个部分：数据汇聚、使用卷积神经网络进行融合判决。

对于所有的M个边缘节点而言，其观测向量为Y_j＝[y₁,y₂,…,y_i,…,y_n],(j＝1,2,…,M)，在中心节点，将这些观测向量融合成为一个观测矩阵，作为卷积神经网络的输入数据。具体的全局观测矩阵Y_M表示如下：

其中，矩阵元素y_ij表示第i个子频道在第j个边缘节点处的判决结果。

如图5所示，在卷积神经网络结构中，卷积部分由三个基本子块串联组成。每个基本子块还由3个卷积层、整流线性单元层(ReLU)和最大池化层组成，它们也串联在一起。卷积层对输入数据进行二维空间卷积，提取输入数据的空间特征。卷积层中每个空间滤波器的大小设置为3×3，因此，卷积层Yconv的输出可以表示为

其中，X_conv和W_conv分别为卷积层的输入和权值。将第i个基本子块的卷积层深度设置为Ci。stride被设置为1并且使用了零填充。提取空间特征后，ReLU层对CNN引入非线性。当ReLU层的输入为XReLU时，输出由max(XReLU,0)给出，如果没有ReLU,CNN将是线性的，无法对非线性行为进行分类。ReLU层之后是最大池化层，它减少了数据的大小。使用最大池化层，可以有效地减少计算开销，而不会造成显著的性能损失。全连接(FC)部分通过收集特征提取的结果，根据卷积部分的输出进行分类。为此，全连接层使用权重的乘法和偏差的加法混合来自卷积部分的所有数据。第m个全连接层的输出可以表达为

其中，

和

分别为第m层FC的输入、权重和偏差。在本方案中，本发明使用两个FC层，它们的大小(隐藏节点的数量)分别为F1和F2。此外，为了引入非线性，在两个FC层之间增加了一个ReLU层。然后将FC层的输出输入softmax操作符，最终的输出向量即为下一通信时隙的频谱占用情况的预测，向量元素越大表示该子频段在下一个通信时隙为占用状态的概率越大。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的联合频谱感知方法，其特征在于，包括以下步骤：

S1：在联合频谱感知网络的各个边缘节点进行欠采样，获取N个时刻内所述边缘节点的频谱信息；

S2：将所述频谱信息输入到时延神经网络，进行模型训练，并根据频谱信息产生所述边缘节点的判决结果；所述判决结果用于显示所述边缘节点对于整个通信频段中所有的子频段是否处于空闲状态的判断；

S3：将所有所述判决结果与对应的所述频谱信息统一传输至所述联合频谱感知网络的中心节点；所述中心节点将所有所述判决结果进行融合，形成全局观测矩阵；

S4：将所述全局观测矩阵输入到所述中心节点的卷积神经网络，并对下一时刻的频谱状态进行预测。

2.根据权利要求1所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述步骤S1采用欠奈奎斯特采样技术；所述频谱信息为整个频段内使用欠采样方法得到的信号功率谱估计结果。

3.根据权利要求2所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述步骤S3包括以下步骤：

S31：依次将所有所述判决结果Y_j与对应的所述频谱信息统一传输至所述联合频谱感知网络的中心节点；

S32：将所有所述判决向量Y_j融合，得到所述全局观测矩阵Y_M。

4.根据权利要求3所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述全局观测矩阵Y_M表示为：

其中，n为所述频谱信息中子频带的数量，M为所述边缘节点的数量。

5.根据权利要求4所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述卷积神经网络的输入为所述全局观测矩阵，所述卷积神经网络的输出为下一时刻的频谱状态预测数据。

6.根据权利要求5所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述下一时刻的频谱状态预测数据表示为：

Y_p＝f_conv(Y_M)，

其中，Y_p是经过所述卷积神经网络预测得到的下一时刻的频谱状态，是一个n维向量，每个向量元素对应一个子频带，所述向量元素表示下一时刻该频段被占用的概率大小；f_conv(·)为卷积神经网络函数。

7.一种基于神经网络的联合频谱感知系统，其特征在于，包括欠采样模块、多个时延神经网络、汇聚模块以及卷积神经网络；

所述欠采样模块用于进行欠奈奎斯特采样，获取边缘节点的频谱信息；

所述时延神经网络用于对所述频谱信息进行判决，得到对应的判决结果；

所述汇聚模块用于将所述判决结果融合为全局观测图样数据；

所述卷积神经网络用于根据所述全局观测图样数据，获取下一时刻的频谱状态预测数据。

8.根据权利要求7所述的一种基于神经网络的联合频谱感知系统，其特征在于，所述欠采样模块包括m路并行的通道，每路通道包括混频器、低通滤波器以及模拟数字转换器。

9.根据权利要求7所述的一种基于神经网络的联合频谱感知系统，其特征在于，所述时延神经网络包括一个输入层，一个隐藏层和一个输出层；所述隐藏层的神经元数量∈[3,10]；学习率η∈[0.0001，0.001]；

所述时延神经网络的输入为所述频谱信息，输出为所述边缘节点的判决结果，所述判决结果用变量y_ij表示；所述变量y_ij为布尔变量，当y_ij＝0时表示对应的子频带处于空闲状态，当y_ij＝1时表示对应的子频带处于占用状态，其中，i为子频带序号，j为边缘节点序号。

10.根据权利要求7所述的一种基于神经网络的联合频谱感知系统，其特征在于，所述卷积神经网络包括三个串联的基本子块，每个所述基本子块由3个卷积层、整流线性单元层和最大池化层组成，所述卷积层中每个空间滤波器的大小为3×3。

Images