CN113346969B - 一种基于门控循环单元的频谱感知方法及系统 - Google Patents
一种基于门控循环单元的频谱感知方法及系统 Download PDFInfo
- Publication number
- CN113346969B CN113346969B CN202110632534.6A CN202110632534A CN113346969B CN 113346969 B CN113346969 B CN 113346969B CN 202110632534 A CN202110632534 A CN 202110632534A CN 113346969 B CN113346969 B CN 113346969B
- Authority
- CN
- China
- Prior art keywords
- sensing
- value
- frequency band
- signal
- spectrum
- 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
- 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
- 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
Abstract
本发明公开了一种新型频谱感知方法及系统,能够实现用较低采样速率对较高频点的频段进行高性能且低消耗的频谱感知。将采样序列经过窗口滑动的绝对值平均来降低输入的维度,减少计算量;网络模型采用门控循环单元(GRU)在能达到较高性能的同时参数更少、复杂度更低;将频谱感知问题看为一个回归问题并应用多门限的思想,依据不同的准确率和感知数量的要求来设定参与判决的距离门限值,依据输出到0和1的距离将频段判决为是否被占用;引用自适应想法,依据输出概率的模糊程度调节选择不同的感知速度以保证感知的准确性和预备的数目充足并减少不必要的资源开销。因此本发明能够保证感知准确性的同时降低资源开销,本方法在不同场景下具有一定的适应性。
Description
技术领域
本发明涉及频谱感知技术领域,特别是涉及一种基于门控循环单元的频谱感知方法及系统。
背景技术
由于无线通信设备的与日俱增,有限的无线频谱资源日益短缺。认知无线电技术能够让不同用户使用同一频谱资源,即频谱共享。频谱感知就是在要在复杂多变的电磁环境中,尽可能精确地找出时域、频域和空域等多个维度上被称为“频谱空洞”的闲置频谱资源进行分配利用。基于机器学习的频谱感知检测性能表现良好,目前以及得到了较为广泛的研究。现有的基于(Long Short-Term Memory,LSTM)的频谱感知方法得益于循环神经网络模型在处理时间序列上的天然优势,取得了不错的性能表现,但是复杂度较高。通过选用LSTM的优化变体——门控循环单元(Gated Recurrent Unit,GRU)模型,并融合现有的一些其他思想方法,实现较高频点和较大带宽下的较高性能频谱感知效果的同时,尽可能降低复杂度从而减少资源的开销。
发明内容
本发明提供一种基于门控循环单元的频谱感知方法及系统,目的在于在保持现有方法性能的基础上降低复杂度,减少方法的资源开销,通过选用门控循环单元(GRU)模型,降低网络的参数规模,减少空间和时间上的开销;基于在对高频点大带宽频段用较低采样率采样时,噪声分量和主用户信号分量均可能零均值随机分布,直接平均容易丢失信息的情况,进而采用绝对值平均对输入进行降维处理以减少运算复杂度;融合现有的多门限、自适应等思想对方法进行改进。
本发明第一方面提供一种基于门控循环单元的频谱感知方法,包括:
在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点;
对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列;
将所述感知频段范围内信号序列输入至频谱感知模型,得到感知频段中当前时段的频谱占用情况的感知值;
判断所述感知频段中当前时段的频谱占用情况的感知值是否满足第一预设条件;若否,则确定模糊区间;若是,则确定判决区间;其中,所述第一预设条件为:感知值大于距离门限值且小于1与距离门限值的差值;
根据模糊区间内的频段数与判决区间内的频段数调整选择不同的滑动步幅大小以及对应的训练模型。
进一步地,所述确定判决区间,包括:
依据距离门限值进行感知判决:若所述感知值与0的距离值小于距离门限值,则判断为无主用户;若所述感知值与1的距离值小于距离门限值,则判断为有主用户;所述距离门限值大于0且小于0.5。
进一步地,所述根据模糊区间内的频段数与判决区间内的频段数调整滑动步幅大小,包括:
若所述模糊区间内的频段数大于第一预设值或者判决区间内的频段数小于第二预设值,则选择滑动步幅小于第三预设值的滑动步幅以及对应的训练模型;
若所述模糊区间内的频段数小于第一预设值或者判决区间内的频段数大于第二预设值,则选择滑动步幅大于第三预设值的滑动步幅以及对应的训练模型。
进一步地,所述将所述感知频段范围内信号序列输入至频谱感知模型之前,包括训练所述频谱感知模型,具体包括:
在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点,将当前频段和时段内的有无主用户通信的标签值作为训练数据;
对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列,并将所述感知频段范围内信号序列作为输入信号;
通过所述输入信号训练所述频谱感知模型,通过优化器进行迭代优化,设定最大迭代次数与终止损失函数值,并通过调参使得模型能够更快地迭代收敛;
经过迭代训练得到具有最小损失函数的频谱感知模型,并完成模型训练。
进一步地,所述对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理用于减少噪声值。
本发明第二方面提供一种基于门控循环单元的频谱感知系统,包括:
采样模块,用于在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点;
预处理模块,用于对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列;
频谱感知模块,用于将所述感知频段范围内信号序列输入至频谱感知模型,得到感知频段中当前时段的频谱占用情况的感知值;
判断模块,用于判断所述感知频段中当前时段的频谱占用情况的感知值是否满足第一预设条件;若否,则确定模糊区间;若是,则确定判决区间;其中,所述第一预设条件为:感知值大于距离门限值且小于1与距离门限值的差值;
调节模块,用于根据模糊区间内的频段数与判决区间内的频段数调整选择不同的滑动步幅大小以及对应的训练模型。
进一步地,所述判断模块,还用于:
依据距离门限值进行感知判决:若所述感知值与0的距离值小于距离门限值,则判断为无主用户;若所述感知值与1的距离值小于距离门限值,则判断为有主用户;所述距离门限值大于0且小于0.5。
进一步地,所述调节模块,还用于:
若所述模糊区间内的频段数大于第一预设值或者判决区间内的频段数小于第二预设值,则选择滑动步幅小于第三预设值的滑动步幅以及对应的训练模型;
若所述模糊区间内的频段数小于第一预设值或者判决区间内的频段数大于第二预设值,则选择滑动步幅大于第三预设值的滑动步幅以及对应的训练模型。
进一步地,所述的一种基于门控循环单元的频谱感知系统,还包括:模型训练模块,用于:
在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点,将当前频段和时段内的有无主用户通信的标签值作为训练数据;
对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列,并将所述感知频段范围内信号序列作为输入信号;
通过所述输入信号训练所述频谱感知模型,通过优化器进行迭代优化,设定最大迭代次数与终止损失函数值,并通过调参使得模型能够更快地迭代收敛;
经过迭代训练得到具有最小损失函数的频谱感知模型,并完成模型训练。
进一步地,所述预处理模块用于减少噪声值。
与现有技术相比,本发明实施例的有益效果在于:
本发明公开了一种新型频谱感知方法及系统,能够实现用较低采样速率对较高频点的频段进行高性能且低消耗的频谱感知。将采样序列经过窗口滑动的绝对值平均来降低输入的维度,减少计算量;网络模型采用门控循环单元(GRU)在能达到较高性能的同时参数更少、复杂度更低;将频谱感知问题看为一个回归问题并应用多门限的思想,依据不同的准确率和感知数量的要求来设定参与判决的距离门限值,依据输出到0和1的距离将频段判决为是否被占用;引用自适应想法,依据输出概率的模糊程度调节选择不同的感知速度以保证感知的准确性和预备的数目充足并减少不必要的资源开销。因此本发明能够保证感知准确性的同时降低资源开销,此外,本方法在不同场景下具有一定的适应性。本方法的训练过程包含以下步骤:收集包含某些时间段内的采样点以及频段有无主用户占用标签的训练数据;将采样序列经过窗口滑动绝对值平均后的序列作为输入送入GRU模型;采用Adam优化器对网络进行迭代训练直至损失函数收敛到最小值。本方法的测试应用过程包含以下步骤:将采样序列经过窗口滑动进行绝对值平均后的序列作为输入送入模型;对输出依据设定的距离门限进行比较判决;依据输出的模糊程度自适应调整输入窗口移动步幅。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,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的附图。
图1是本发明某一实施例提供的一种新型频谱感知方法的流程图;
图2是本发明某一实施例提供的网络结构图;
图3是本发明某一实施例提供的实际训练迭代过程损失函数变化图;
图4是本发明某一实施例提供的本发明方法与基于LSTM算法训练耗时对比图
图5是本发明某一实施例提供的本发明方法实际应用的流程图;
图6是本发明某一实施例提供的本发明方法与基于LSTM算法单门限性能对比图;
图7是本发明某一实施例提供的本发明方法与基于LSTM算法测试应用耗时对比图
图8是本发明某一实施例提供的性能与距离门限和信噪比的三维关系图
图9是本发明某一实施例提供的基于多门限判决在不同信噪比下的性能图;
图10是本发明某一实施例提供的一种新型频谱感知系统的装置图;
图11是本发明某一实施例提供的一种电子设备的结构图。
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
第一方面。
请参阅图1,本发明一实施例提供一种基于门控循环单元的频谱感知方法,包括:
S10、在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点。
S20、对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列。
具体地,所述步骤S20用于减少噪声值。
S30、将所述感知频段范围内信号序列输入至频谱感知模型,得到感知频段中当前时段的频谱占用情况的感知值。
S40、判断所述感知频段中当前时段的频谱占用情况的感知值是否满足第一预设条件;若否,则确定模糊区间;若是,则确定判决区间;其中,所述第一预设条件为:感知值大于距离门限值且小于1与距离门限值的差值。
具体地,所述确定判决区间,包括:
依据距离门限值进行感知判决:若所述感知值与0的距离值小于距离门限值,则判断为无主用户;若所述感知值与1的距离值小于距离门限值,则判断为有主用户;所述距离门限值大于0且小于0.5。
S50、根据模糊区间内的频段数与判决区间内的频段数调整选择不同的滑动步幅大小以及对应的训练模型。
具体地,所述步骤S50包括:
若所述模糊区间内的频段数大于第一预设值或者判决区间内的频段数小于第二预设值,则选择滑动步幅小于第三预设值的滑动步幅以及对应的训练模型;
若所述模糊区间内的频段数小于第一预设值或者判决区间内的频段数大于第二预设值,则选择滑动步幅大于第三预设值的滑动步幅以及对应的训练模型。
在某一具体实施例中,所述步骤S30之前还包括:
训练所述频谱感知模型,具体包括:
在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点,将当前频段和时段内的有无主用户通信的标签值作为训练数据;
对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列,并将所述感知频段范围内信号序列作为输入信号;
通过所述输入信号训练所述频谱感知模型,通过优化器进行迭代优化,设定最大迭代次数与终止损失函数值,并通过调参使得模型能够更快地迭代收敛;
经过迭代训练得到具有最小损失函数的频谱感知模型,并完成模型训练。
在某一具体实施例中,本发明一种基于门控循环单元(GRU)的频谱感知算法的设计,模型的训练过程包括以下步骤:
(1)在感知节点处对接收信号进行滤波得到感知频段范围内的信号,对信号进行连续采样,并连同当前频段和时段内有无主用户通信所对应的0或1数值标签一同搜集作为原始数据集;
(2)将原始的数据集按照一定比例划分为训练集、验证集和测试集,分别用来训练模型、在模型训练过程中进行验证以及在训练完成后进行性能测试;
(3)将训练集中原始采样信号进行窗口滑动绝对值平均处理,即将窗长W内采样点的幅值的绝对值进行平均处理得到一个值,滑动步幅S后继续进行相同操作L次,得到长为L的序列。将上述得到的序列作为神经网络的输入,则网络模型的输入层大小为1*L;
(4)将输入送入门控循环单元(GRU)神经网络模型进行训练,采用Adam优化器进行迭代优化,设定最大迭代次数与终止损失函数值,训练过程中在验证集上进行性能验证,并通过调参使得模型能够更快地迭代收敛;
(5)经过上述迭代训练得到一个具有最小损失函数的模型参数并将该网络模型保存以进行后续的测试和实际应用。
一种基于门控循环单元(GRU)的频谱感知算法的设计,模型的测试或应用过程包括以下步骤:
(6)在感知节点处对接收信号进行滤波得到感知频段范围内的信号,对信号进行采样得到连续的采样点;
(7)将步骤(6)原始采样信号进行窗口滑动绝对值平均处理,即将窗长W内采样点的幅值的绝对值进行平均处理得到一个值作为该窗口序列的代表,滑动步幅S后继续进行相同操作L次,得到长为L的序列;
(8)将步骤(7)中的序列作为输入送入已经得到的训练好的网络模型中,输出得到该频段当前时段的频谱占用情况对应的感知值;
(9)依据划定的距离门限D进行感知判决:输出与0的距离小于D判决为无主用户;反之,输出与1的距离小于D判决为有主用户,其中D在0~0.5之间;
(10)将步骤(9)中进行判决的范围称为判决区间;反之,输出不进行判决的范围即D~(1-D)区域称为模糊区间;
(11)应用训练好的模型对K个频段同时进行感知时,依据判决区间内的频段数a和模糊区间频段数b(a、b满足a+b=K)的大小调整选择(6)中的不同的步幅S以及对应的模型。其中,a越大或b越小时适当选择更小的S与对应的模型;a越小或b越大时适当选择更大的S与对应的模型,实现自适应的频谱感知。
在某一具体实施例中,本发明提供了一种基于GRU的频谱感知算法的实现方法,算法的网络模型结构如图2所示,训练过程包括以下步骤:
(1)利用仿真软件随机生成固定功率噪声信号或不同信噪比的中心频率fc=18.0GHz,采用QPSK调制并经过AWGN信道的信号,并用采样率fs=40.0MHz对其进行采样得到一系列采样值,连同当前频段和时段内有无主用户通信所对应的0或1数值标签一同搜集作为原始数据集;
(2)将原始的数据集按照一定比例划分为训练集、验证集和测试集,分别用来训练模型、在模型训练过程中进行验证以及在训练完成后进行性能测试;
(3)将训练集中原始采样信号进行窗口滑动绝对值平均处理,即将窗长W=20内采样点的幅值的绝对值进行平均处理得到一个值,滑动步幅S=10后继续进行相同操作L=20次,得到长为L的序列。将上述得到的序列作为神经网络的输入,则网络模型的输入层大小为1*L;
(4)将输入送入隐藏层大小为128的门控循环单元(GRU)神经网络模型进行训练,采用Adam优化器进行迭代优化,设定最大迭代次数与终止损失函数值,训练过程中在验证集上进行性能验证,并通过调参使得模型能够更快地迭代收敛,图3展示了训练迭代过程损失函数的变化,图4展示了基于GRU与基于LSTM训练耗时对比;
(5)经过上述迭代训练得到一个具有最小损失函数的模型参数并将该网络模型保存以进行后续的测试和实际应用。
一种基于门控循环单元(GRU)的频谱感知算法的设计,模型的测试与应用过程包括以下步骤:
(6)进行测试,性能符合要求时进行下述的实际应用,实际应用的流程如图5所示,与基于LSTM的算法在类似的相同条件下的单门限性能比较如图6所示;
(7)在感知节点处对接收信号进行滤波得到感知频段范围内的信号,对信号进行采样得到连续的采样点;
(8)将步骤(7)原始采样信号进行窗口滑动绝对值平均处理,即将窗长W=20内采样点的幅值的绝对值进行平均处理得到一个值作为该窗口序列的代表,滑动步幅S=10后继续进行相同操作L=20次,得到长为L的序列;
(9)将步骤(8)中的序列作为输入送入已经得到的训练好的网络模型中,输出得到该频段当前时段的频谱占用情况对应的感知,与基于LSTM算法在类似的相同条件下测试耗时对比如图7所示;
(10)依据划定的距离门限D进行感知判决:输出与0的距离小于D判决为无主用户;反之,输出与1的距离小于D判决为有主用户,其中D在0~0.5之间。在类似的相同条件下感知判决性能与距离门限和信噪比的关系如图8、图9所示;
(11)将步骤(10)中进行判决的范围称为判决区间;反之,输出不进行判决的范围即D~(1-D)区域称为模糊区间;
(12)应用训练好的模型对K个频段同时进行感知时,依据判决区间内的频段数a和模糊区间频段数b(a、b满足a+b=K)的大小调整选择(6)中的不同的步幅S以及对应的模型。其中,a越大或b越小时适当选择更小的S与对应的模型;a越小或b越大时适当选择更大的S与对应的模型,实现自适应的频谱感知。
在本实施例中,依据模型输出结果可进行感知判决与自适应调整。本发明可以部署在认知通信系统中感知节点处,在保证现有算法性能的前提下,降低开销,改善计算量过多问题。
第二方面。
请参阅图10,本发明一实施例提供一种基于门控循环单元的频谱感知系统,包括:
采样模块10,用于在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点。
预处理模块20,用于对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列。
具体地,所述预处理模块用于减少噪声值。
频谱感知模块30,用于将所述感知频段范围内信号序列输入至频谱感知模型,得到感知频段中当前时段的频谱占用情况的感知值。
判断模块40,用于判断所述感知频段中当前时段的频谱占用情况的感知值是否满足第一预设条件;若否,则确定模糊区间;若是,则确定判决区间;其中,所述第一预设条件为:感知值大于距离门限值且小于1与距离门限值的差值。
具体地,所述判断模块,还用于:
依据距离门限值进行感知判决:若所述感知值与0的距离值小于距离门限值,则判断为无主用户;若所述感知值与1的距离值小于距离门限值,则判断为有主用户;所述距离门限值大于0且小于0.5。
调节模块50,用于根据模糊区间内的频段数与判决区间内的频段数调整选择不同的滑动步幅大小以及对应的训练模型。
具体地,所述调节模块50,还用于:
若所述模糊区间内的频段数大于第一预设值或者判决区间内的频段数小于第二预设值,则选择滑动步幅小于第三预设值的滑动步幅以及对应的训练模型;
若所述模糊区间内的频段数小于第一预设值或者判决区间内的频段数大于第二预设值,则选择滑动步幅大于第三预设值的滑动步幅以及对应的训练模型。
在某一具体实施例中,还包括:模型训练模块,用于:
在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点,将当前频段和时段内的有无主用户通信的标签值作为训练数据;
对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列,并将所述感知频段范围内信号序列作为输入信号;
通过所述输入信号训练所述频谱感知模型,通过优化器进行迭代优化,设定最大迭代次数与终止损失函数值,并通过调参使得模型能够更快地迭代收敛;
经过迭代训练得到具有最小损失函数的频谱感知模型,并完成模型训练。
第三方面。
本发明提供了一种电子设备,该电子设备包括:
处理器、存储器和总线;
所述总线,用于连接所述处理器和所述存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,可执行指令使处理器执行如本申请的第一方面所示的一种基于门控循环单元的频谱感知方法对应的操作。
在一个可选实施例中提供了一种电子设备,如图11所示,图11所示的电子设备5000包括:处理器5001和存储器5003。其中,处理器5001和存储器5003相连,如通过总线5002相连。可选地,电子设备5000还可以包括收发器5004。需要说明的是,实际应用中收发器5004不限于一个,该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器5001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线5002可包括一通路,在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码,并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的一种基于门控循环单元的频谱感知方法。
本申请的又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种基于门控循环单元的频谱感知方法,其特征在于,包括:
在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点;
对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列;
将所述感知频段范围内信号序列输入至频谱感知模型,得到感知频段中当前时段的频谱占用情况的感知值;
判断所述感知频段中当前时段的频谱占用情况的感知值是否满足第一预设条件;若否,则确定模糊区间;若是,则确定判决区间;其中,所述第一预设条件为:感知值大于距离门限值且小于1与距离门限值的差值;
根据模糊区间内的频段数与判决区间内的频段数调整选择不同的滑动步幅大小以及对应的训练模型。
2.如权利要求1所述的一种基于门控循环单元的频谱感知方法,其特征在于,所述确定判决区间,包括:
依据距离门限值进行感知判决:若所述感知值与0的距离值小于距离门限值,则判断为无主用户;若所述感知值与1的距离值小于距离门限值,则判断为有主用户;所述距离门限值大于0且小于0.5。
3.如权利要求1所述的一种基于门控循环单元的频谱感知方法,其特征在于,所述根据模糊区间内的频段数与判决区间内的频段数调整选择不同的滑动步幅大小以及对应的训练模型,包括:
若所述模糊区间内的频段数大于第一预设值或者判决区间内的频段数小于第二预设值,则选择滑动步幅小于第三预设值的滑动步幅以及对应的训练模型;
若所述模糊区间内的频段数小于第一预设值或者判决区间内的频段数大于第二预设值,则选择滑动步幅大于第三预设值的滑动步幅以及对应的训练模型。
4.如权利要求1所述的一种基于门控循环单元的频谱感知方法,其特征在于,所述将所述感知频段范围内信号序列输入至频谱感知模型之前,包括训练所述频谱感知模型,具体包括:
在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点,将当前频段和时段内的有无主用户通信的标签值作为训练数据;
对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列,并将所述感知频段范围内信号序列作为输入信号;
通过所述输入信号训练所述频谱感知模型,通过优化器进行迭代优化,设定最大迭代次数与终止损失函数值,并通过调参使得模型能够更快地迭代收敛;
经过迭代训练得到具有最小损失函数的频谱感知模型,并完成模型训练。
5.如权利要求1所述的一种基于门控循环单元的频谱感知方法,其特征在于,所述对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,用于减少输入维度的同时保留信息量。
6.一种基于门控循环单元的频谱感知系统,其特征在于,包括:
采样模块,用于在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点;
预处理模块,用于对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列;
频谱感知模块,用于将所述感知频段范围内信号序列输入至频谱感知模型,得到感知频段中当前时段的频谱占用情况的感知值;
判断模块,用于判断所述感知频段中当前时段的频谱占用情况的感知值是否满足第一预设条件;若否,则确定模糊区间;若是,则确定判决区间;其中,所述第一预设条件为:感知值大于距离门限值且小于1与距离门限值的差值;
调节模块,用于根据模糊区间内的频段数与判决区间内的频段数调整选择不同的滑动步幅大小以及对应的训练模型。
7.如权利要求6所述的一种基于门控循环单元的频谱感知系统,其特征在于,所述判断模块,还用于:
依据距离门限值进行感知判决:若所述感知值与0的距离值小于距离门限值,则判断为无主用户;若所述感知值与1的距离值小于距离门限值,则判断为有主用户;所述距离门限值大于0且小于0.5。
8.如权利要求6所述的一种基于门控循环单元的频谱感知系统,其特征在于,所述调节模块,还用于:
若所述模糊区间内的频段数大于第一预设值或者判决区间内的频段数小于第二预设值,则选择滑动步幅小于第三预设值的滑动步幅以及对应的训练模型;
若所述模糊区间内的频段数小于第一预设值或者判决区间内的频段数大于第二预设值,则选择滑动步幅大于第三预设值的滑动步幅以及对应的训练模型。
9.如权利要求6所述的一种基于门控循环单元的频谱感知系统,其特征在于,还包括:模型训练模块,用于:
在感知节点处对接收信号进行滤波得到感知频段范围内信号,对所述感知频段范围的信号进行采样得到连续的感知频段范围内信号采样点,将当前频段和时段内的有无主用户通信的标签值作为训练数据;
对所述感知频段范围内信号采样点进行窗口滑动绝对值平均处理,得到感知频段范围内信号值,通过滑动步幅进行多次窗口滑动绝对值平均处理,得到感知频段范围内信号序列,并将所述感知频段范围内信号序列作为输入信号;
通过所述输入信号训练所述频谱感知模型,通过优化器进行迭代优化,设定最大迭代次数与终止损失函数值,并通过调参使得模型能够更快地迭代收敛;
经过迭代训练得到具有最小损失函数的频谱感知模型,并完成模型训练。
10.如权利要求6所述的一种基于门控循环单元的频谱感知系统,其特征在于,所述预处理模块用于减少输入维度的同时保留信息量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632534.6A CN113346969B (zh) | 2021-06-07 | 2021-06-07 | 一种基于门控循环单元的频谱感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632534.6A CN113346969B (zh) | 2021-06-07 | 2021-06-07 | 一种基于门控循环单元的频谱感知方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113346969A CN113346969A (zh) | 2021-09-03 |
CN113346969B true CN113346969B (zh) | 2022-04-15 |
Family
ID=77474931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110632534.6A Active CN113346969B (zh) | 2021-06-07 | 2021-06-07 | 一种基于门控循环单元的频谱感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113346969B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104469784A (zh) * | 2013-09-17 | 2015-03-25 | 中兴通讯股份有限公司 | 一种异构网络中频谱感知数据的处理方法及装置 |
CN107612878B (zh) * | 2017-07-21 | 2020-08-25 | 西安电子科技大学 | 基于博弈论的动态窗口选择方法及无线网络信任管理系统 |
CN110910905B (zh) * | 2018-09-18 | 2023-05-02 | 京东科技控股股份有限公司 | 静音点检测方法及装置、存储介质、电子设备 |
CN112003663A (zh) * | 2020-07-22 | 2020-11-27 | 哈尔滨工业大学 | 基于lstm神经网络的认知无线电频谱感知方法 |
CN112085254B (zh) * | 2020-08-05 | 2023-06-13 | 中国地质大学(武汉) | 基于多重分形协同度量门控循环单元的预测方法及模型 |
-
2021
- 2021-06-07 CN CN202110632534.6A patent/CN113346969B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113346969A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110176226B (zh) | 一种语音识别、及语音识别模型训练方法及装置 | |
Damaševičius et al. | IMF mode demixing in EMD for jitter analysis | |
CN110765354B (zh) | 信息的推送方法、装置、电子设备及存储介质 | |
CN110149656B (zh) | 无线信号覆盖测试方法及装置 | |
US9710428B2 (en) | Techniques for automated bayesian posterior sampling using markov chain monte carlo and related schemes | |
CN106911410B (zh) | 一种通信主用户感知方法及系统 | |
CN108616471B (zh) | 一种基于卷积神经网络的信号调制识别方法和装置 | |
CN109548161B (zh) | 一种无线资源调度的方法、装置和终端设备 | |
CN111415653B (zh) | 用于识别语音的方法和装置 | |
CN107820322B (zh) | 一种网络接入方法、终端和具有存储功能的装置 | |
CN113346969B (zh) | 一种基于门控循环单元的频谱感知方法及系统 | |
CN111722696A (zh) | 用于低功耗设备的语音数据处理方法和装置 | |
CN112309359A (zh) | 高速音频编解码器的智能场景切换主动降噪的方法及耳机 | |
CN114465681A (zh) | 一种用于电力物联网的多节点协作频谱感知方法及装置 | |
CN112235002B (zh) | 谐波消除方法及装置、存储介质、终端 | |
Li et al. | Two-branch wavelet denoising for accurate spectrum sensing in cognitive radios | |
Hu et al. | Adaptive and blind wideband spectrum sensing scheme using singular value decomposition | |
CN111614592B (zh) | 多径选择门限的确定方法、装置、存储介质及电子设备 | |
CN110516566B (zh) | 一种基于卷积层的滤波方法及装置 | |
CN107196744B (zh) | 隐性通信信号的检测方法/系统、存储介质及电子设备 | |
CN108235328B (zh) | 自动频谱重感知方法、系统、计算机可读存储介质及终端 | |
Xiao et al. | Research on wireless spectrum sensing technology based on machine learning | |
CN115967459B (zh) | 相位随机序列的处理方法、装置、设备、介质及程序产品 | |
US20240106683A1 (en) | Co-channel signal classification using deep learning | |
CN111884706B (zh) | 一种卫星频谱检测方法、装置、设备和存储介质 |
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 |