CN113869238A - 一种认知车联网智能频谱感知方法及系统 - Google Patents
一种认知车联网智能频谱感知方法及系统 Download PDFInfo
- Publication number
- CN113869238A CN113869238A CN202111158955.6A CN202111158955A CN113869238A CN 113869238 A CN113869238 A CN 113869238A CN 202111158955 A CN202111158955 A CN 202111158955A CN 113869238 A CN113869238 A CN 113869238A
- Authority
- CN
- China
- Prior art keywords
- spectrum sensing
- trained
- feature vector
- neural network
- training
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 230000006855 networking Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 48
- 238000001514 detection method Methods 0.000 description 19
- 238000005070 sampling Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种一种认知车联网智能频谱感知方法及系统,方法包括:获取待感知的用户车辆发出的无线信号;对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量;将所述待感知的特征向量输入训练好的频谱感知分类器,得到所述待感知的用户车辆的频谱感知结果;所述频谱感知分类器的训练过程包括:以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器。本发明能够提高低信噪比下的频谱感知准确率和频谱利用率。
Description
技术领域
本发明涉及车联网通信领域,特别是涉及一种认知车联网智能频谱感知方法及系统。
背景技术
频谱感知中机器学习算法的实现大体分为两大步骤:离线学习和在线检测。有的现有技术中利用稀疏性恢复的压缩频谱感知,将能量衰减梯度作为机器学习的分类特征,提高了感知的性能。还有的现有技术利用无监督学习算法K-Means聚类,降低了传统感知模型的复杂度。有的现有技术中使用朴素贝叶斯实现了多个次用户之间的协作,并且新加入的次用户可以立即访问空闲频段,提高了效率。有的现有技术中提出的随机森林算法在现有算法的基础上也提高了感知的性能。有的现有技术中对比了SVM、TREE、KNN等三种机器学习方法在频谱感知的应用,在感知过程中三种算法各有优势,都相比于传统方法提高了感知准确率。
现已有很多的频谱感知的算法,但是上述所提到的传统频谱感知的算法有一定的局限性,能量检测虽然简单易实现但是同时极易受到信噪比(SNR)的影响,并且只能检测有无信号,并不能对信号的类型做进一步的判断。匹配滤波器检测算法需要知道“有权限车辆”的发射信号的先验信息(数据包、调制类型等),但是这些先验信息一般很难获取。循环平稳特征检测算法需要计算发射信号的循环谱密度,对计算量要求很高。并且这些方法都对设定的门限阈值敏感,门限值极大的影响了感知的准确率。机器学习的方法弥补了传统方法的一些缺点,但是仍然具有一定的局限性。K-Means聚类对异常数据不敏感,并且计算复杂度高,对于每种分类都要计算所有数据的欧氏距离,在5G大数据时代下更不适用。朴素贝叶斯方法不能很好的学习特征之间的相关性,导致特征数据的冗余。决策树算法的模型灵活度低,不支持在线学习过程,每次更新样本数据之后还需要重新建立模型,过程繁琐。
因此,需要一种可以提高低信噪比下的频谱感知准确率和频谱利用率的方法。
发明内容
本发明的目的是提供一种认知车联网智能频谱感知方法及系统,以提高低信噪比下的频谱感知准确率和频谱利用率。
为实现上述目的,本发明提供了如下方案:
一种认知车联网智能频谱感知方法,包括:
获取待感知的用户车辆发出的无线信号;
对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量;
将所述待感知的特征向量输入训练好的频谱感知分类器,得到所述待感知的用户车辆的频谱感知结果;
所述频谱感知分类器的训练过程包括:
以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器。
可选的,所述获取待感知的用户车辆发出的无线信号之后,还包括:
对所述无线信号进行预处理;所述预处理包括信号调制和离散化。
可选的,所述对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量,具体包括:
利用高斯径向基核函数对所述无线信号进行非线性映射,得到高维度信号;
对所述高维度信号构造协方差矩阵;
对所述协方差矩阵进行矩阵分解,得到待感知的特征向量。
可选的,所述以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器,具体包括:
对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图;
对所述卷积特征图利用最大池化层进行池化处理,确定池化特征图;
对所述池化特征图利用全连接层进行分类,确定卷积神经网络的参数和初始化偏置;
利用反向传播根据损失函数更新所述卷积神经网络的参数和偏置,得到训练好的频谱感知分类器。
可选的,所述对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图之前,还包括:
对所述待训练的特征向量进行归一化和变维处理。
可选的,所述损失函数为:
一种认知车联网智能频谱感知系统,包括:
获取模块,用于获取待感知的用户车辆发出的无线信号;
特征提取模块,用于对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量;
频谱感知结果确定模块,用于将所述待感知的特征向量输入训练好的频谱感知分类器,得到所述待感知的用户车辆的频谱感知结果;
频谱感知结果确定模块包括训练单元,所述训练单元用于以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器。
可选的,还包括:
预处理模块,用于对所述无线信号进行预处理;所述预处理包括信号调制和离散化。
可选的,所述特征提取模块,具体包括:
非线性映射单元,用于利用高斯径向基核函数对所述无线信号进行非线性映射,得到高维度信号;
构造单元,用于对所述高维度信号构造协方差矩阵;
矩阵分解单元,用于对所述协方差矩阵进行矩阵分解,得到待感知的特征向量。
可选的,所述训练单元,具体包括:
卷积处理子单元,用于对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图;
池化处理子单元,用于对所述卷积特征图利用最大池化层进行池化处理,确定池化特征图;
分类处理子单元,用于对所述池化特征图利用全连接层进行分类,确定卷积神经网络的参数和初始化偏置;
反向传播子单元,用于利用反向传播根据损失函数更新所述卷积神经网络的参数和偏置,得到训练好的频谱感知分类器。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的认知车联网智能频谱感知方法及系统,通过采用核主成分分析法对无线信号进行特征提取,得到特征向量,从而获得精度较高的信号特征和噪声特征,将卷积神经网络进行训练,得到训练好的频谱感知分类器,可以提高频谱感知的准确率,进而提高车联网的频谱利用率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的认知车联网智能频谱感知方法流程图;
图2为本发明提供的认知车联网智能频谱感知方法在具体应用中的流程图;
图3为认知车联网感知系统示意图;
图4为智能频谱感知算法技术路线图;
图5为改进卷积神经网络结构图;
图6为数据维度变换图;
图7为Sofmax层的原理图;
图8为混合信噪比下的训练集和测试集的损失值变化曲线图;
图9为四种算法在2FSK调制方式不同信噪比下的检测概率曲线图;
图10为四种算法在QPSK调制方式不同信噪比下的检测概率曲线图;
图11为四种算法在2FSK调制方式不同信噪比下的虚警概率曲线图;
图12为四种算法在QPSK调制方式不同信噪比下的虚警概率曲线图。
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。
本发明的目的是提供一种认知车联网智能频谱感知方法及系统,以提高低信噪比下的频谱感知准确率和频谱利用率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种认知车联网智能频谱感知方法,包括:
步骤101:获取待感知的用户车辆发出的无线信号。
步骤102:对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量。其中,所述对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量,具体包括:
利用高斯径向基核函数对所述无线信号进行非线性映射,得到高维度信号。
对所述高维度信号构造协方差矩阵。
对所述协方差矩阵进行矩阵分解,得到待感知的特征向量。
步骤103:将所述待感知的特征向量输入训练好的频谱感知分类器,得到所述待感知的用户车辆的频谱感知结果;其中,频谱感知结果包括用户车辆发出的无线信号所在频段。利用所在频段即可确定该频段是否已经被利用。
所述频谱感知分类器的训练过程包括:
以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器。其中,所述以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器,具体包括:
对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图。所述对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图之前,还包括:对所述待训练的特征向量进行归一化和变维处理。
对所述卷积特征图利用最大池化层进行池化处理,确定池化特征图。
对所述池化特征图利用全连接层进行分类,确定卷积神经网络的参数和初始化偏置。
利用反向传播根据损失函数更新所述卷积神经网络的参数和偏置,得到训练好的频谱感知分类器。其中,所述损失函数为:
其中,所述步骤101获取待感知的用户车辆发出的无线信号之后,还包括:对所述无线信号进行预处理;所述预处理包括信号调制和离散化。
本发明建立了如图3所示的认知车联网模型。基站和“有权限车辆”(以下可以简称PU)之间通过某频段进行通信,认知网络中的车辆用户(以下可以简称SU)进行感知判断。
频谱感知是SU对某感兴趣的频段做出有无PU通信的判断。该过程如下所示:
H0:x(t)=n(t) (1)
H1:x(t)=h(t)*s(t)+n(t) (2)
其中,H0和H1分别代表PU存在和PU不存在,x(t)则表示接收端收到的离散采样信号序列集,这里的h(t)是N-Nakagami信道下产生的信道增益,*表示卷积计算,s(t)是发送端发送的信号数据集,n(t)~N(0,δ2)符合高斯分布。
基于获取的x(t)信号向量集合,还需要计算出信号的统计向量T,通过比较T与经验值λ的大小关系,假设T>λ,则判断为PU在此频段通信;反之则判断为SU有机会接入通信。根据Shannon采样定理,可以这样计算决定检测概率高低的重要因素——统计向量T:
验证频谱感知的两个重要的指标:检测概率和虚警概率。Pd表示检测概率,Pf表示虚警概率。三项指标的计算公式可以这样表示:
根据图3的系统模型可知,经验值λ对检测概率的高低有决定性的影响。为了避免这种影响,本发明提供的方法无需设置检测的门限值λ,充分利用了采样信号的原始信息,提高了认知车联网系统的认知用户接入量。如图2和图4所示首先通过核主成分分析法(kernel principal component analysis,KPCA)非线性映射提取采样信号协方差矩阵的特征向量,随后将提取的特征经过归一化和维度变更后,得到符合改进卷积神经网络输入维度要求的特征数据,作为模型训练的输入,最后通过测试集数据输入到训练好的神经网络中,最终实现快速准确的频谱感知算法。
数据预处理
在采样的信号序列x(t)中取某一点i作为采样点的起始位置,采取长度为M的信号子片段M(i),每个信号子片段中又包括M个离散信号的采样点,每一个频谱检测的时间帧中有N个上述信号子片段。公式表示:
M(i)=[x(1),x(2),…,x(L)]T (7)
XN=[M(i),M(i+1),M(i+2),…,M(N)]T (8)
根据协方差矩阵的定义,可以得到感知信号的协方差矩阵为:
其中可知当N→∞时,R(x)'→R(x)。
KPCA特征提取
移动无线信道中,由于噪声的干扰使得线性空间下无法有效的区分噪声和PU信号。基于KPCA的特征提取首先利用核函数对原有的数据空间进行非线性映射,将原有数据映射到更高维度的数据空间中,从而在高维的空间中对采样的信号数据集进行分析。对于采样获得的信号子片段M(i),首先经过核函数K的非线性映射,得到新特征空间下的信号子片段集K*M(i)。核函数种类较多,主要有以下几种:
线性核函数K(z,zi)=z*zi (11)
P阶多项式核函数K(z,zi)=[(z*zi)+1]P (12)
多层感知器(MLP)核函数K(z,zi)=tanh[v(z*zi)+c] (14)
经过分析以上几种常见的核函数,本发明选择使用高斯径向基核函数。高斯径向基核函数对数据中的噪声有很好的抗干扰能力,对于待处理的参杂噪声的无线信号有较强的处理能力,因此选择高斯径向基核函数作为非线性映射函数。
然后利用同样的方法构造协方差矩阵,因此公式(10)可以改写为:
针对上述所够造的协方差矩阵R(x)’,需要通过矩阵分解的形式得到协方差矩阵的特征值和特征向量,其矩阵分解的公式如下:
R(x)'=VΛVT (17)
其中,Λ=diag(a1,a2,a3,…,aN)为对角矩阵,对角矩阵中对角线上的所有元素a1,a2,a3,…,aN为协方差矩阵分解后的全部特征值,正交矩阵V中的每一个列向量v1,v2,v3,…vN,分别表示对应特征值的特征向量。
授权用户信号的自相关性较强,而噪声的相关性较差,并且信号的相关性可以通过协方差矩阵的特征向量体现出来。因此发明中选择使用协方差矩阵的特征向量来区分采样信号为信号还是噪声。传统的PCA或者KPCA算法是将采样得到的信号特征向量与已知的PU信号的特征向量进行比较,若相似度在极限阈值之内,则判断为PU存在,否则判断为噪声。但是无线移动通信中,信道环境复杂多变,PU信号和噪声的特征很难确定,也就导致门限阈值很难设定,从而影响频谱感知算法的感知准确率。将经过KPCA映射得到的信号特征输入到改进卷积神经网络中,通过离线训练网络模型间接获取复杂多变信道的动态门限阈值,从而提高频谱感知的准确率。
改进卷积神经网络
改进卷积神经网络将KPCA非线性映射的采样协方差矩阵经过分解得到的特征向量作为输入,通过卷积层(Convolution Layer,CL),池化层(Pooling Layer,PL)和全连接层(Fully Connected Layer,FCL)等提取出来信号和噪声的不同特征并训练网络模型,最终将测试集的数据输入到训练好的网络模型中得出频谱感知结果,即给出认知车辆是否能接入网络的判断。图5展示了改进卷积神经网络的结构。
(1).网络输入值的归一化和变维处理
为了降低模型训练的复杂度,将经过协方差矩阵分解得到的采样信号的特征向量数据输入神经网络之前需要对特征数据进行归一化操作,去除数据的单位限制,便于不同单位或量级的特征数据能够进行比较和加权,同时有利于神经网络的训练,归一化操作如公式(18)所示:
其中,X为原始特征数据,X'是归一化后的数据,Max与Min分别为特征数据的最大值和最小值。
传统神经网络的输入是三维矢量,因此需要将分解得到的61×1维的特征向量数据转化成61×1×1维的数据。这样的变换不改变输入数据特征数量,只是在逻辑上进行维度的变更,得到符号卷积神经网络输入要求的数据。图6展示了数据维度变换过程。
(2).网络结构设计
根据经典的CNN网络模型-LeNet5,设计卷积神经网络结构。使用卷积是为了更好的提取数据之间的相关性,并且卷积计算中的参数共享避免了传统全连接层产生过多的参数,降低了模型的计算复杂度。输入数据首先与6个3*3的卷积核进行卷积计算,然后再通过激活函数fsigmod增强网络的非线性,产生当前层的特征图。卷积计算的过程如下:
.....
其中,XL (1)、XL (2)、XL (n)用来表示当前层得到的卷积特征图,L表示网络层数,WL表示当前层的参数矩阵,bL表示偏置矩阵。fsigmod的公式为:
池化层的作用主要是降低特征图的维数,从而减少模型训练的参数,进而减少模型的过拟合情况。卷积神经网络中使用最大池化(Maximum Pooling),最大池化可以减少卷积层参数误差造成的估计均值的偏差。但是在本发明中由于输入的特征维度不高只设计了一层池化,减少池化层的使用是避免丢失重要的特征信息。
与卷积层和池化层不同,全连接层是当前层和前一层网络中得到的所有特征图进行全连接计算,一般位于网络模型的最后面。Flatten()函数将前面卷积、池化后得到的3维特征图映射为1维的120个节点,到全连接层进行分类。设计有两层的隐藏层,并且隐藏层都是用非线性激活函数sigmoid()进行网络增强。判断频段中是否有用户车辆存在,以决定是否允许认知车辆接入通信,只有两种结果。因此最后一层将Softmax()函数与noe_hot的真实标签配合着使用,把卷积、池化之后的特征图转化为离散概率分布的二分类问题。Softmax()函数的原理解释图见图7。
(3).网络训练
CNN的反向传播过程通常称为模型的训练,深度学习模型一般分为前向传播和反向传播。前向传播搭建神经网络是以输入层作为初始值,经过一层层的卷积、池化、全连接不断向后推进,直到最后一层完成网络模型的参数和偏置的初始化。反向传播主要是通过有监督的学习,采用从后向前的方式根据输出层和标签值的误差来更新参数和偏置,并一层一层向前推进,直到所有的参数和偏置都达到最佳值。
CNN在前向传播搭建神经网络的过程中会学习一些噪声,因此反向传播的训练过程就是降噪。假如前向传播输出的结果有n对待训练的数据{(v(1),y(1)),(v2),y(2)),(v3),y(3)),…(v(n),y(n))},其中v(i)表示经过KPCA提取的协方差矩阵的特征向量,y(i)表示该特征向量的真实标签。从输入到输出的映射可以表示为:
前向传播过程会学习一些噪声信息,因此经过卷积、池化、全连接等得到的输出结果与真实值y(i)存在一定的误差,也就是网络模型的Loss值较大。反向传播运用倒退的方法一层一层的对各层参数和偏置进行修正,降低网络模型的Loss值,直至Loss值降到最低训练完成。
(4).网络模型的性能分析
将现有的特征数据集采用训练集和测试集3:1的比例划分。经过训练集训练完成的网络模型,需要使用不同于训练集的数据来验证模型的分类性能,同时也能检测模型是否存在过拟合问题。将测试集样本输入到神经网络中,经过网络计算之后得到的输出值和实际值的差可以表示为:δ=||fw,b(v(i))-y(i)||(25)
根据δ≤δ标条件,模型自动计算出正确分类样本的概率,也就是频谱感知的检测准确率。
(5).智能频谱感知算法
如图2所示是智能频谱感知算法的完整流程图。先是获取经过2FSK、QPSK调制,N-Nakagami信道,高斯白噪声的离散信号序列;然后将采样的信号数据集经过KPCA非线性映射后够造协方差矩阵,再经过矩阵分解得到协方差矩阵的特征向量,完成特征提取;最后将特征数据进行归一化和变维处理之后喂入改进卷积神经网络中,最终得到频谱感知的分类结果。
实验分析
数据集生成
本发明采用Matlab作为数据集生成平台,发送端随机生成一系列的随机数,分别经过两种调试方式2FSK和QPSK得到调制后的主用户信号,进入N-Nakagami信道后,再叠加均值为0、方差为1的高斯白噪声。叠加不同信噪比下的噪声,在接收端得到一系列不同信噪比的采样点序列,按时间相关性依次对接收到信号的采样点进行有序截取。将选定的高斯核矩阵与采样点序列相乘得到高维空间数据,够造协方差矩阵,将矩阵分解后得到的特征向量添加对应的标签标记。针对仿真实验的要求每种调制方式下均生成信噪比为-18dB~0dB、间隔2dB的数据集,每种信噪比下产生4000组无主用户存在的噪声数据集,4000组主用户存在的信号噪声混合的数据集,分别添加标签为[0,1]和[1,0]。将得到的不同信噪比的数据集按着3:1划分为训练集和测试集,最终得到42000组训练数据集和14000组测试数据集。其中,实验使用的数据集参数如表1所示。
表1实验使用的数据集参数
本发明所提方法、LeNet5算法、SVM算法都是需要先通过离线训练建立网络模型,再通过在线测试得出感知结果,但是Elman算法则不存在明显的离线训练过程和在线测试过程,就能直接得出检测结果。在仿真实验中,使用42000组数据离线训练本发明算法、SVM算法、LeNet5算法,然后使用12000组数据在线检测四种算法。表2展示的是不同算法的离线训练时间和在线测试时间。
表2几种不同算法的时间复杂度
由表2分析不同调制方式在四种算法的时间复杂度可知,本发明所提算法的时间最短。和LeNet5,SVM方法相比,本发明所提算法的时间分别减少了90%和75%。
无论是传统频谱感知还是现已有的机器学习的方法都是低信噪比下表现不好,因此本发明所做的仿真实验主要是测试信噪比在0dB至-18dB的性能。图8是混合信噪比下的训练集和测试集的损失值变化。
混合信噪比下改进神经网络在训练过程中的损失值随着训练轮数的变化而变化。从图8可得知,一共进行了60轮训练,但是在20轮训练之后损失值基本变化不大,也就是模型在进行了20轮训练之后趋于稳定达到最佳。因此,为了提高网络的运算速度、提高算法系统的整体效率,在后续的仿真实验中减少迭代训练的轮数只进行20轮迭代训练。
由图9、图10可知,本发明所提方法信噪比在-3dB以上时检测概率达到100%,SVM算法和LeNet5算法只能达到90%左右的检测概率,总体分析可知本发明所提方法的检测准确率提高了10%左右。Elman算法则对有较强噪声干扰的信号识别准确率差,低信噪比下算法性能接近失效。
由图11和图12分析可知,四种算法在不同信噪比下的虚警概率,可以看出Elman算法的虚警概率较高,SVM算法、LeNet5算法的总体虚警概率在20%左右,但是综合分析本发明所提方法在虚警检测概率上也占有优势,相比于SVM、LeNet5算法降低了4%-10%。
本发明提供的方法为了能更好的提取复杂多变的无线信道中授权用户信号与噪声的特征,提出了KPCA非线性映射的方法提取信号与噪声的特征向量作为特征;针对门限阈值设置不稳定影响感知准确率,提出了将卷积神经网络分类器用于频谱感知,并且针对无线信号的特征设计适合的网络结构。根据仿真实验结果可知:
(1).不同网络结构对频谱感知结果有很大的影响。
(2).网络结构学习率参数选择指数衰减学习率,优化器选择Adam优化器,非线性激活函数选择leaky_relu,这样的设计可以得到最佳的感知结果。
(3).与SVM、LeNet5、Elman算法比较,本发明所提算法具有更好的性能,感知准确率提高了10%左右。
本发明研究的是单用户频谱感知,不能避免由于障碍物阻挡造成的阴影效应,导致信号的接受强度下降,从而影响感知准确率。因此未来将扩展到多用户协作频谱感知的研究,或者将非正交多址(NOMA)技术与频谱感知结合。
本发明提供的一种认知车联网智能频谱感知系统,包括:
获取模块,用于获取待感知的用户车辆发出的无线信号。
特征提取模块,用于对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量。
频谱感知结果确定模块,用于将所述待感知的特征向量输入训练好的频谱感知分类器,得到所述待感知的用户车辆的频谱感知结果。
频谱感知结果确定模块包括训练单元,所述训练单元用于以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器。
在实际应用中,还包括:预处理模块,用于对所述无线信号进行预处理;所述预处理包括信号调制和离散化。
在实际应用中,所述特征提取模块,具体包括:
非线性映射单元,用于利用高斯径向基核函数对所述无线信号进行非线性映射,得到高维度信号。
构造单元,用于对所述高维度信号构造协方差矩阵。
矩阵分解单元,用于对所述协方差矩阵进行矩阵分解,得到待感知的特征向量。
在实际应用中,所述训练单元,具体包括:
卷积处理子单元,用于对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图。
池化处理子单元,用于对所述卷积特征图利用最大池化层进行池化处理,确定池化特征图。
分类处理子单元,用于对所述池化特征图利用全连接层进行分类,确定卷积神经网络的参数和初始化偏置。
反向传播子单元,用于利用反向传播根据损失函数更新所述卷积神经网络的参数和偏置,得到训练好的频谱感知分类器。
本发明的优势如下:
(1)移动车联网复杂多变的通信环境中无法线性区分信号和噪声。本发明首先采用KPCA非线性映射将采样的移动无线信号映射到高维空间,并根据移动无线信号的特点选择合适的核函数矩阵,进而获得精度较高的信号特征和噪声特征。
(2)针对传统方法对门限阈值设定敏感以及先验信息缺乏的问题,本发明设计了卷积神经网络结构,使用卷积神经网络用于频谱感知的分类器,利用卷积神经网络通过离线训练得到频谱感知的动态门限值并且可以根据不同的信道状态灵活建模,然后在在线测试的过程中得到频谱感知结果,提高了频谱感知的准确率。
(3)根据认知车联网系统采样信号数据的结构特点,本发明设计了一种包含两层卷积、一层池化、三层全连接的卷积神经网络结构。相比于机器学习算法,提高了模型的训练速度,并且采用卷积神经网络实现参数共享,减少模型参数数量,降低模型计算量;另外根据提取后的信号特征维度小的特点,减少了池化层的数量,也避免了有效特征的丢失,从而实现高检测概率。
(4)本发明所提算法仿真实验得到的是在2种调制方式、7种信噪比下的频谱感知结果,通过对比相同条件下的SVM、Elman、LeNet5算法的频谱感知结果,可知本发明所提算法的感知准确率提高了10%左右,表明本发明所提算法在频谱感知中有较好的鲁棒性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种认知车联网智能频谱感知方法,其特征在于,包括:
获取待感知的用户车辆发出的无线信号;
对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量;
将所述待感知的特征向量输入训练好的频谱感知分类器,得到所述待感知的用户车辆的频谱感知结果;
所述频谱感知分类器的训练过程包括:
以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器。
2.根据权利要求1所述的认知车联网智能频谱感知方法,其特征在于,所述获取待感知的用户车辆发出的无线信号之后,还包括:
对所述无线信号进行预处理;所述预处理包括信号调制和离散化。
3.根据权利要求1所述的认知车联网智能频谱感知方法,其特征在于,所述对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量,具体包括:
利用高斯径向基核函数对所述无线信号进行非线性映射,得到高维度信号;
对所述高维度信号构造协方差矩阵;
对所述协方差矩阵进行矩阵分解,得到待感知的特征向量。
4.根据权利要求1所述的认知车联网智能频谱感知方法,其特征在于,所述以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器,具体包括:
对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图;
对所述卷积特征图利用最大池化层进行池化处理,确定池化特征图;
对所述池化特征图利用全连接层进行分类,确定卷积神经网络的参数和初始化偏置;
利用反向传播根据损失函数更新所述卷积神经网络的参数和偏置,得到训练好的频谱感知分类器。
5.根据权利要求4所述的认知车联网智能频谱感知方法,其特征在于,所述对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图之前,还包括:
对所述待训练的特征向量进行归一化和变维处理。
7.一种认知车联网智能频谱感知系统,其特征在于,包括:
获取模块,用于获取待感知的用户车辆发出的无线信号;
特征提取模块,用于对所述无线信号利用核主成分分析法进行特征提取,得到待感知的特征向量;
频谱感知结果确定模块,用于将所述待感知的特征向量输入训练好的频谱感知分类器,得到所述待感知的用户车辆的频谱感知结果;
频谱感知结果确定模块包括训练单元,所述训练单元用于以待训练的特征向量为输入,以待训练的用户车辆的频谱感知结果为输出,对卷积神经网络进行训练,得到训练好的频谱感知分类器。
8.根据权利要求7所述的认知车联网智能频谱感知系统,其特征在于,还包括:
预处理模块,用于对所述无线信号进行预处理;所述预处理包括信号调制和离散化。
9.根据权利要求7所述的认知车联网智能频谱感知系统,其特征在于,所述特征提取模块,具体包括:
非线性映射单元,用于利用高斯径向基核函数对所述无线信号进行非线性映射,得到高维度信号;
构造单元,用于对所述高维度信号构造协方差矩阵;
矩阵分解单元,用于对所述协方差矩阵进行矩阵分解,得到待感知的特征向量。
10.根据权利要求7所述的认知车联网智能频谱感知系统,其特征在于,所述训练单元,具体包括:
卷积处理子单元,用于对所述待训练的特征向量利用卷积层进行卷积处理,得到卷积特征图;
池化处理子单元,用于对所述卷积特征图利用最大池化层进行池化处理,确定池化特征图;
分类处理子单元,用于对所述池化特征图利用全连接层进行分类,确定卷积神经网络的参数和初始化偏置;
反向传播子单元,用于利用反向传播根据损失函数更新所述卷积神经网络的参数和偏置,得到训练好的频谱感知分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111158955.6A CN113869238A (zh) | 2021-09-30 | 2021-09-30 | 一种认知车联网智能频谱感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111158955.6A CN113869238A (zh) | 2021-09-30 | 2021-09-30 | 一种认知车联网智能频谱感知方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869238A true CN113869238A (zh) | 2021-12-31 |
Family
ID=79001081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111158955.6A Pending CN113869238A (zh) | 2021-09-30 | 2021-09-30 | 一种认知车联网智能频谱感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869238A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117279019A (zh) * | 2023-11-23 | 2023-12-22 | 深圳市大数据研究院 | 频谱效率的预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-30 CN CN202111158955.6A patent/CN113869238A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117279019A (zh) * | 2023-11-23 | 2023-12-22 | 深圳市大数据研究院 | 频谱效率的预测方法、装置、电子设备及存储介质 |
CN117279019B (zh) * | 2023-11-23 | 2024-02-23 | 深圳市大数据研究院 | 频谱效率的预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110048827B (zh) | 一种基于深度学习卷积神经网络的类模板攻击方法 | |
CN111800811B (zh) | 一种频谱异常的无监督检测方法、装置、设备及存储介质 | |
CN112731309A (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN111967343A (zh) | 基于简单神经网络和极端梯度提升模型融合的检测方法 | |
CN110417694A (zh) | 一种通信信号调制方式识别方法 | |
CN112036433A (zh) | 一种基于CNN的Wi-Move行为感知方法 | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN115964670B (zh) | 一种频谱异常检测方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN112787736A (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
Yu et al. | Fingerprint extraction and classification of wireless channels based on deep convolutional neural networks | |
WO2021088465A1 (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
CN112801003A (zh) | 一种无人机辐射源调制样式识别方法及装置 | |
CN114004271A (zh) | 一种基于树状基学习器的混合特征数据聚类方法及系统 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN112613443A (zh) | 一种基于深度学习的鲁棒性通信辐射源智能识别方法 | |
CN113869238A (zh) | 一种认知车联网智能频谱感知方法及系统 | |
CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
CN113343801B (zh) | 基于轻量化卷积神经网络的无线信号自动调制识别方法 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
Wang et al. | A new method of automatic modulation recognition based on dimension reduction | |
CN116127298B (zh) | 基于三元组损失的小样本射频指纹识别方法 |
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 |