CN112770325B - 一种基于深度学习的认知车联网频谱感知方法 - Google Patents
一种基于深度学习的认知车联网频谱感知方法 Download PDFInfo
- Publication number
- CN112770325B CN112770325B CN202011432778.1A CN202011432778A CN112770325B CN 112770325 B CN112770325 B CN 112770325B CN 202011432778 A CN202011432778 A CN 202011432778A CN 112770325 B CN112770325 B CN 112770325B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- neural network
- signal
- spectrum sensing
- module
- 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
- 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
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度学习的认知车联网频谱感知方法,该方法包括以下步骤:构建车辆移动复杂环境下对应的衰落信道,并在其对应衰落信道下采集接收信号的样本值,对信号样本值进行能量归一化,将归一化后的数据分为训练集、验证集、测试集,以训练集和验证集对引入一维SEResidual层的神经网络进行训练和验证,输出为主信号存在和不存在两种情况。本发明考虑了车辆移动复杂环境下的各种衰落因素,根据不同的环境可选择不同的经过事先训练的神经网络,无需获取主信号的先验信息,并对采集信号样本值进行归一化,增强了模型的泛化能力,考虑了V2X通信环境下对时延的要求,在同等检测准确度情况下能大大减小感知决策时长。
Description
技术领域
本发明涉及认知无线电技术和车载无线自组网络技术领域,具体涉及一种基于深度学习的认知车联网频谱感知方法。
背景技术
随着车对外界的信息交换(Vehicle to Everything,V2X)技术越来越受到学术界和产业界的广泛关注,车载通信业务种类和数量激增,使得频谱需求量急剧增加,而分配给V2X有限的频谱资源在大量车辆聚集,发生拥堵时,很难满足其频谱需求,从而引发车辆节点间对已固定分配的有限频谱的激烈竞争,使得频谱利用率更为低下。近年来的频谱测量显示,频谱的固定分配方式导致已授权分配的频谱利用率在时间和空间上存在很大的差异,并且频谱利用率很低。
认知无线电(Cognitive Radio,CR)技术在不影响授权用户的前提下,为未授权用户提供了一种机会接入空闲授权频段的机制,成为有效改善频谱资源紧缺和授权频谱利用率低等问题的方法之一。CR主要包括频谱感知、频谱分析、频谱推理和频谱执行四个阶段,其中频谱感知技术是使得未授权用户拥有对周围环境进行空闲频谱识别的能力,从而允许其机会接入,被认为是应用CR技术的前提,只有检测到特定频段内是否有可用频谱机会,才能进行下一步工作。
把CR技术与V2X技术结合将有效解决车载无线自组网中频谱紧缺的问题。与传统的静态CR网络不同的是,V2X中的频谱感知环境十分复杂。车辆高速移动和通信环境快速变化等问题使得认知车辆接收到的信号样本存在各种衰落因素,因此建立最接近真实环境的V2X通信信道是建立高效频谱感知方法的前提。
传统的频谱感知技术在传统认知无线电系统中已经得到了充分研究,但针对认知车载无线自组网通信场景中的一些理论研究仍未得到很好的解决。近年来,深度学习在计算机视觉领域取得了巨大成就,广泛应用于智能语音、人脸识别、目标分类和检测等领域。频谱感知作为一个二分类问题,同样可以采用深度学习算法来进行训练,而现有的基于深度学习的频谱感知方法都是建立在传统认知无线电系统环境条件下。因此,需要设计一种针对V2X通信环境的高效深度学习频谱感知算法。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于深度学习的认知车联网频谱感知方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于深度学习的认知车联网频谱感知方法,用于对城市和公路环境下的车联网信道进行频谱感知,所述方法包括下列步骤:
S1、将V2X通信环境按照3GPP规定分为城市和公路两大类,根据衰落因素建立相应的衰落信道;
S2、主用户信号发射机发射调制信号,次级用户对经由所述衰落信道传播的调制信号进行采样得到信号样本值,并对其进行能量归一化处理,将处理后的数据划分为训练集、验证集和测试集;
S3、设计引入一维SEResidual层的神经网络,以所述训练集和验证集作为输入对神经网络进行训练和验证,以所述测试集对神经网络进行测试得出其性能;
S4、对车辆所处环境进行判断,选择对应的经过训练的神经网络,对采集到的样本信号值输入神经网络,得到其输出即为频谱感知结果。
进一步地,所述衰落因素包括路径损耗、阴影衰落和多径效应,其中,所述路径损耗在城市环境下表示为:
PLu=max(28.0+22log10(d3D)+20log10(fc),13.54+39.08log10(d3D)+20log10(fc)-0.6(hUT-1.5))所述路径损耗在公路环境下表示为:
其中,d3D为主用户信号发射机天线顶部与次级用户接收天线顶部的直线距离,fc为载波频率,hUT为次级用户接收天线高度,h为建筑物平均高度;
所述阴影衰落是服从对数正态分布的变量,其概率密度函数表示为:
其中,x为阴影衰落功率,μ为平均接收信号强度,σ为阴影衰落标准差;
所述多径效应由3GPP定义的对应城市环境和公路环境下的簇延迟线模型进行描述。
进一步地,所述步骤S2中次级用户采集到的主用户发射信号样本值为:
其中,energyS为对应信号样本yS的能量值,y′S为能量归一化处理后得到的信号。
进一步地,所述神经网络由两层卷积层、四层SEResidual层和一层全连接层级联组成,其中,所述卷积层都是由一维卷积组成,其输入数据形式为“channel_first”,所述SEResidual层是一维SEResidual层,都是由一个一维Residual模块和一个SE模块拼接而成,以一维Residual模块输出作为一维SE模块的输入,并将一维SE模块的输出和Residual模块的输出进行相乘得到的结果作为一维SEResidual层的输出,所述一维Residual模块由两个分支组成,其中一个分支由3个一维卷积层级联组成,另一个分支是一条恒等映射链路,输入数据以“channels_first”形式分别输入两个分支,两个分支的输出叠加作为Residual模块的输出;所述SE模块由一个一维全局平均池化层级联一个带缩放参数的全连接层,其激活函数为ReLu函数,再级联一个全连接层,其激活函数为Sigmoid函数。
进一步地,所述步骤S4中根据车辆所处环境选择对应的事先训练好的神经网络,对采集到的样本信号值进行归一化处理后作为神经网络的输入,然后神经网络输出主用户存在与否的决策。
本发明相对于现有技术具有如下的优点及效果:
1、本发明将以一维卷积为基础卷积模块的ResNet网络引入车载无线自组网中解决频谱感知的问题,为车载环境低信噪比情况下频谱检测性能不佳的问题提出了一种解决方案;
2、本发明通过引入3GPP(3rd Generation Partnership Project)中基站对车(Base Station to Vehicle,B2V)衰落信道,将信道分为城市和公路两大类,以更贴近真实车载信道环境获取训练神经网络所需样本;
3、本发明在一维Residual模块后引入一维SE模块,让模型更加关注信息量最大的通道特征,抑制那些不重要的特征,在满足车载通信时延要求的情况下进一步提高频谱检测准确性。
附图说明
图1是本发明实施例中公开的一种基于深度学习的认知车联网频谱感知方法的流程图;
图2是本发明实施例中一维Residual模块结构图;
图3是本发明实施例中一维SEResidual层结构图;
图4是三种模型在城市环境下检测概率曲线图;
图5是三种模型在城市环境下检测所花费时间比较图;
图6是三种模型在公路环境下检测概率曲线图;
图7是三种模型在公路环境下检测所花费时间比较图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例
如图1所示,本实施例公开了一种基于深度学习的认知车联网频谱感知方法,包括以下步骤:
S1、为了更贴近真实的车载无线自组网通信环境,本实施例构建的衰落信道为第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)定义的基站对车(BaseStation to Vehicle,B2V)衰落信道。
3GPP将B2V衰落信道分为城市和公路两大类别,考虑路径损耗、阴影效应和多径衰落三个衰落因素。其中,路径损耗在两类环境下分别表示为:
PLu=max(28.0+22log10(d3D)+20log10(fc),13.54+39.08log10(d3D)+20log10(fc)-0.6(hUT-1.5))
其中,PLu表示城市环境下的路径损耗,PLh表示公路环境下的路径损耗,hUT为用户终端天线高度,为发射机和接收机间三维距离,hBS为基站天线高度,d2D为发射机和接收机间二维距离,fc为载波频率,h为建筑物平均高度,两类环境下的阴影效应参数见表1;
表1.仿真参数设置表
多径效应采用3GPP中定义的簇延迟线(Clustered Delay Line,CDL)模型来刻画,对应的参数取值见表2和表3。
表2.城市环境下CDL模型参数表
表3.公路环境下CDL模型参数表
S2、产生训练神经网络模型所需数据集,具体包括:主用户信号发射机发射调制信号,经过所述衰落信道传播,次级用户对接收信号进行采样得样本值
在车载无线自组网下的频谱检测模型可以看成如下的二分类问题:
其中,nS为信道加性高斯白噪声向量,xS为经过衰落信道传播后的主用户信号向量,H0和H1分别表示主用户存在和不存在两种假设。
为增强模型的泛化能力,对采样的数据集进行能量归一化处理,分为实部和虚部,并将处理后的数据集按照3:1:1的比例分为训练集、验证集和数据集,神经网络的输入层输入维度大小为(2,1024)。并与已有的深度学习神经网络时间和准确度比较。
S3、传统的频谱感知方法需要根据次级用户采集到的样本值设计相应的检验统计量,并且在信噪比较低时,不同的移动速度条件下的感知车辆检测性能都很差;在信噪比较高时,感知车辆固定不动时的感知性能最佳,随着感知车辆移动速度的增加感知性能不断下降;随着信噪比增加到一定值时不同速度下的检测性能都趋于稳定并达到100%,但是速度越大,该定值越大,这对实际的V2X通信环境是不现实的。由于V2X通信环境下衰落严重,低信噪比下检测性能很差,并且存在“SNR”现象,本发明提出采用引入一维SEResidual模块的神经网络来解决传统频谱感知方法在车辆低信噪比情况下感知性能不佳的问题,神经网络的结构参数如表4所示,神经网络由两层卷积层、四层SEResidual层和一层全连接层级联组成,其中卷积层都是由一维卷积组成,其输入数据形式为“channel_first”。
表4.神经网络结构参数表
名称 | SEResNet | 输出维度 |
Conv1 | Conv1d,15 | 48x1024 |
Conv2 | Conv1d,7 | 64x1024 |
SEResidual_1 | SEResidual1(64) | 64x256 |
SEResidual_2 | SEResidual2(64) | 64x256 |
SEResidual_3 | SEResidual1(128) | 128x128 |
SEResidual_4 | SEResidual2(128) | 128x128 |
FC | avg,flatten,fc | 1x2 |
神经网络检测不需要设计传统频谱感知方法中需要的检验统计量,能够根据次级用户采样值学习,只需要设计相应的网络结构来达到最佳的分类效果即可。传统的神经网络堆到一定深度时,会出现精度下降和梯度爆炸的问题,何恺明提出的残差网络(ResNet)则能有效解决这两个问题。但这并不意味着用于车辆频谱感知检测的神经网络就能够无线堆叠Residual层,层数越多,意味着神经网络做出最终决策所需的时间就越长,而在V2X通信中需要严格保证车辆对通信时延的要求,所以必须要尽可能地减少神经网络做出决策的时长,并且又能提高频谱感知检测的准确度,于是引入SE模块实现注意力机制来代替堆叠ResNet的层数所需花费的决策时间的同时增加其检测准确度。SE模块能够实现注意力机制最重要的两个地方是全连接层和特征相乘融合,从而减少参数计算,提高网络运行时间。同时,考虑到现有的Residual模块和SE模块都是针对图像的三维数据,本发明引入了针对时间序列的一维Residual模块和一维SE模块组成一维SEResidual模块。该模块由一个一维Residual模块和一个能够实现注意力机制的一维SE模块组成。其中一维Residual模块由两个分支组成,如图2所示,其中一个分支由3个一维卷积层级联组成,另一个分支是一条恒等映射链路,输入数据以“channels_first”形式分别输入两个分支,两个分支的输出叠加作为Residual模块的输出。而一维SE模块则是由一个一维全局平均池化层级联一个带缩放参数的全连接层,其激活函数为ReLu函数,再级联一个全连接层,其激活函数为Sigmoid函数。如图3所示为所述神经网络引入的一维SEResidual层中一维Residual模块和一维SE模块拼接方式,以一维Residual模块输出作为一维SE模块的输入,同时将一维SE模块的输出和Residual模块的输出进行相乘得到的结果作为一维SEResidual层的输出。
图4、图5、图6和图7为本实施例的神经网络与Jiabao Gao等人提出的CLDNN(Convolutional long short-term deep neural networks)和一维ResNet在同等条件下频谱感知检测准确率和时间的比较,其中图4和图5是城市环境,图6和图7是公路环境,可以看出本实施例的神经网络模型要优于另外两种模型,能够有效提高频谱检测准确率,且能够满足车载通信时延要求。
S4、在实际的应用中,根据V2X所处环境判断其处于城市环境还是公路环境,然后选择对应的事先训练好的神经网络,对采集到的样本信号值进行归一化处理后作为神经网络的输入,然后神经网络输出主用户存在与否的决策作为频谱感知的结果。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习的认知车联网频谱感知方法,用于对城市和公路环境下的车联网信道进行频谱感知,其特征在于,所述方法包括下列步骤:
S1、将V2X通信环境按照3GPP规定分为城市和公路两大类,根据衰落因素建立相应的衰落信道;
S2、主用户信号发射机发射调制信号,次级用户对经由所述衰落信道传播的调制信号进行采样得到信号样本值,并对其进行能量归一化处理,将处理后的数据划分为训练集、验证集和测试集;
S3、设计引入一维SEResidual层的神经网络,以所述训练集和验证集作为输入对神经网络进行训练和验证,以所述测试集对神经网络进行测试得出其性能;所述神经网络由两层卷积层、四层SEResidual层和一层全连接层级联组成,其中,所述卷积层都是由一维卷积组成,其输入数据形式为“channel_first”,所述SEResidual层是一维SEResidual层,都是由一个一维Residual模块和一个SE模块拼接而成,以一维Residual模块输出作为一维SE模块的输入,并将一维SE模块的输出和Residual模块的输出进行相乘得到的结果作为一维SEResidual层的输出,所述一维Residual模块由两个分支组成,其中一个分支由3个一维卷积层级联组成,另一个分支是一条恒等映射链路,输入数据以“channels_first”形式分别输入两个分支,两个分支的输出叠加作为Residual模块的输出;所述SE模块由一个一维全局平均池化层级联一个带缩放参数的全连接层,其激活函数为ReLu函数,再级联一个全连接层,其激活函数为Sigmoid函数;
S4、对车辆所处环境进行判断,选择对应的经过训练的神经网络,对采集到的样本信号值输入神经网络,得到其输出即为频谱感知结果。
2.根据权利要求书1所述的一种基于深度学习的认知车联网频谱感知方法,其特征在于,所述衰落因素包括路径损耗、阴影衰落和多径效应,其中,
所述路径损耗在城市环境下表示为:
PLu=max(28.0+22log10(d3D)+20log10(fc),13.54+39.08log10(d3D)+20log10(fc)-0.6(hUT-1.5))
所述路径损耗在公路环境下表示为:
其中,d3D为主用户信号发射机天线顶部与次级用户接收天线顶部的直线距离,fc为载波频率,hUT为次级用户接收天线高度,h为建筑物平均高度;
所述阴影衰落是服从对数正态分布的变量,其概率密度函数表示为:
其中,x为阴影衰落功率,μ为平均接收信号强度,σ为阴影衰落标准差;
所述多径效应由3GPP定义的对应城市环境和公路环境下的簇延迟线模型进行描述。
4.根据权利要求1所述的一种基于深度学习的认知车联网频谱感知方法,其特征在于,所述步骤S4中根据车辆所处环境选择对应的事先训练好的神经网络,对采集到的样本信号值进行归一化处理后作为神经网络的输入,然后神经网络输出主用户存在与否的决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011432778.1A CN112770325B (zh) | 2020-12-09 | 2020-12-09 | 一种基于深度学习的认知车联网频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011432778.1A CN112770325B (zh) | 2020-12-09 | 2020-12-09 | 一种基于深度学习的认知车联网频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112770325A CN112770325A (zh) | 2021-05-07 |
CN112770325B true CN112770325B (zh) | 2022-12-16 |
Family
ID=75693493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011432778.1A Active CN112770325B (zh) | 2020-12-09 | 2020-12-09 | 一种基于深度学习的认知车联网频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112770325B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627377A (zh) * | 2021-08-18 | 2021-11-09 | 福州大学 | 基于Attention-Based CNN的认知无线电频谱感知方法及系统 |
CN115276855B (zh) * | 2022-06-16 | 2023-09-29 | 宁波大学 | 一种基于ResNet-CBAM的频谱感知方法 |
CN115276856B (zh) * | 2022-06-16 | 2023-09-29 | 宁波大学 | 一种基于深度学习的信道选择方法 |
CN115276854B (zh) * | 2022-06-16 | 2023-10-03 | 宁波大学 | 基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法 |
CN117880820B (zh) * | 2024-03-12 | 2024-05-17 | 南京纳特通信电子有限公司 | 车联网无线电安全保障系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573303A (zh) * | 2018-04-25 | 2018-09-25 | 北京航空航天大学 | 一种基于改进强化学习的复杂网络局部破坏的自改进恢复策略 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN110659684A (zh) * | 2019-09-23 | 2020-01-07 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络stbc信号识别方法 |
CN111510232A (zh) * | 2020-04-10 | 2020-08-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于神经网络的车联网组合频谱感知方法及其应用 |
-
2020
- 2020-12-09 CN CN202011432778.1A patent/CN112770325B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN108573303A (zh) * | 2018-04-25 | 2018-09-25 | 北京航空航天大学 | 一种基于改进强化学习的复杂网络局部破坏的自改进恢复策略 |
CN110659684A (zh) * | 2019-09-23 | 2020-01-07 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络stbc信号识别方法 |
CN111510232A (zh) * | 2020-04-10 | 2020-08-07 | 中国科学院上海微系统与信息技术研究所 | 一种基于神经网络的车联网组合频谱感知方法及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN112770325A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112770325B (zh) | 一种基于深度学习的认知车联网频谱感知方法 | |
CN110166154B (zh) | 一种基于神经网络的软件无线电频谱监测识别的方法 | |
CN109195214B (zh) | 一种基于遗传算法的noma功率分配方法 | |
CN113114599B (zh) | 基于轻量级神经网络的调制识别方法 | |
CN111898583B (zh) | 一种基于深度学习的通信信号调制方式识别方法及系统 | |
CN113779247B (zh) | 基于意图驱动的网络故障诊断方法及系统 | |
CN113037410A (zh) | 信道识别方法、装置、传输方法、传输设备、基站、介质 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
CN112163636A (zh) | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 | |
CN109889975B (zh) | 一种基于NB-IoT的终端指纹定位方法 | |
CN115296759A (zh) | 一种基于深度学习的干扰识别方法 | |
CN109412661B (zh) | 一种大规模mimo系统下的用户分簇方法 | |
CN113242066B (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
Sagduyu et al. | Joint sensing and semantic communications with multi-task deep learning | |
CN115409056A (zh) | 一种面向大动态信噪比下的自动调制识别方法 | |
CN107276703A (zh) | 一种采用压缩感知技术的正交空间调制系统检测方法 | |
CN114826459A (zh) | 基于跨域推理的频谱地图精确构建方法 | |
Zhao et al. | ResNet-WGAN Based End-to-End Learning for IoV Communication with Unknown Channels | |
Yang et al. | Conventional Neural Network‐Based Radio Frequency Fingerprint Identification Using Raw I/Q Data | |
Gu et al. | Deep learning aided friendly coexistence of WiFi and LTE in unlicensed bands | |
CN104767577B (zh) | 一种基于过采样的信号检测方法 | |
Li et al. | Computational Experiments of Signal Detection Algorithms in VANETs based on Parallel Intelligence | |
Zhu et al. | A novel wavelet denoising pre-processing algorithm for TDOA localization | |
CN112260781B (zh) | 一种基于反向散射与空中计算的协作频谱检测方法 | |
Gu et al. | Exploiting ResNeXt with Convolutional Shortcut for Signal Modulation Classification at Low SNRs |
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 |