CN114337883A - 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 - Google Patents
协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 Download PDFInfo
- Publication number
- CN114337883A CN114337883A CN202111624495.1A CN202111624495A CN114337883A CN 114337883 A CN114337883 A CN 114337883A CN 202111624495 A CN202111624495 A CN 202111624495A CN 114337883 A CN114337883 A CN 114337883A
- Authority
- CN
- China
- Prior art keywords
- matrix
- cnn
- covariance matrix
- test
- train
- 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.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001228 spectrum Methods 0.000 title claims abstract description 59
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 14
- 230000001149 cognitive effect Effects 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 230000001143 conditioned effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 44
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及一种协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统,方法通过以下步骤:步骤S1,原始信号预处理,得到协方差矩阵;步骤S2,将步骤S1所得协方差矩阵作为输入参数,按协方差矩阵分解方法执行计算,每个次用户得到其下三角矩阵X;步骤S3,将步骤S2所得下三角矩阵X作为输入参数,按统计量构造方法执行计算,得到不同信噪比下的统计矩阵,作为CNN的训练与测试数据;步骤S4,将步骤S3所得统计矩阵标记后作为输入参数,按CNN频谱感知方法执行计算,将测试集输入到训练好的模型中,得到不同信噪比下的检测概率。本发明充分提取了原始信号的特征,极大提高了检测性能,使其在认知无线电系统中有较好应用前景。
Description
技术领域
本发明属于数字通信技术领域,具体涉及一种协方差矩阵Cholesky分解的卷积神经网络(Convolutional Neural Network,CNN)协作频谱感知方法及系统。
背景技术
频谱资源作为推动通信产业发展的核心要素,已成为信息时代不可或缺的重要战略资源。近年来,第五代移动通信(The 5th Generation Mobile Networks,5G)技术所具有的大宽带、高速率、低时延、机器到机器(Machine to Machine,M2M)通信也需要更多的频谱资源支撑。同时,随着物联网、车联网等技术的快速发展,万物互联的时代将带来几何级增长的数据,现阶段可使用的频谱资源已不能满足用户的日益需求,所以除了寻找更高通信频段,采用动态频谱共享模式以及灵活的频谱资源配置,将会是未来通信技术发展的一个重要方向。
认知无线电(Cognitive Radio,CR)技术作为缓解频谱资源稀缺的关键技术之一,其主要目的是让无线通信系统拥有从周围环境学习的能力,可以实时互换知识,检测并使用可用的空闲频谱,并控制和减少冲突。安全可靠的频谱感知是CR系统正常工作的前提,是频谱共享得以实现的重要环节。在CR网络中,频谱感知的主要功能是检测某授权频段的使用状态,一旦检测出可用的频谱空穴,非授权用户(Secondary User,SU)就会通过调整自身参数实现动态接入,随机接入分配给主用户(Primary User,PU)的授权频谱,实现频谱共享,从而提高频谱资源利用率。
频谱感知过程中,传统的单用户、单天线信号检测方法已经不能满足实际需求,随着科技的发展,统计信号处理向多用户、多天线、智能化方向发展,这使得阵列信号处理成主流的研究方向。相比单天线系统,多天线系统接入数据量更大、设计灵活,可根据天线接收数据之间的相关性完成检测,并且其信号检测性能有显著提高。与单用户系统相比,多用户协作可以与其它用户共享感知到的信号,不仅可以达到提高整体检测精度的效果,而且可以降低单个用户参与频谱感知的时间。多用户、多天线协作频谱感知技术已成为认知无线电中的研究热点。机器学习作为人工智能的核心技术,理论上可以使CR中的频谱感知系统更加“智能化”,所以采用深度学习方法解决复杂电磁环境下的频谱感知问题,是CR与人工智能的重要结合,对建立更加智能的CR网络具有重要意义。因此,通过协方差矩阵Cholesky分解与CNN协作频谱感知方法应运而生,基于此,本发明充分提取了原始信号特征,且不需先验信息及判决门限等不稳定数值,能显著提高信号的检测性能。
发明内容
基于现有技术的上述现状,本发明提供了一种基于协方差矩阵Cholesky分解的(Convolutional Neural Network,CNN)协作频谱感知方法及系统。
本发明采取以下技术方案:
一种基于协方差矩阵Cholesky分解的CNN协作频谱感知方法,包括以下步骤:
S1、原始信号预处理,得到协方差矩阵;
S2、将协方差矩阵作为输入,执行Cholesky分解(即按协方差矩阵分解方法执行计算),每个次用户得到其下三角矩阵X;
S3、将下三角矩阵X作为输入,按统计量构造方法执行计算,得到不同信噪比下的统计矩阵样本,作为CNN的训练与测试样本;
S4、将标记后的样本作为输入,按CNN频谱感知方法执行计算,将测试集输入到训练好的模型中,得到不同信噪比下的检测概率,即本发明的最好结果。
作为优选方案,S1、典型认知无线系统包含1个主用户(Primary User,PU),M个次用户(Secondary User,SU),M为自然数,表示用户个数;当PU通信未被干扰时,第i个次用户SUi对PU信号检测,得到连续时间序列,其中,i=1,2,···,M,表示第i个用户;对连续时间序列执行原始信号预处理,得到M×N维的主信号协方差矩阵,N为自然数,表示采样点数;
更进一步的优选方案,步骤S1中,原始信号预处理包括以下步骤:
S1.1、当主用户PU通信未被干扰时,第i个次用户SUi对PU信号检测,接收信号采用二元假设模型表示为:
其中,ri(k)表示第i个次用户在时刻k所接收的连续时间序列,k为整数,hi(k)为表示在时刻k第i个传输信道损耗系数,取值在0到1之间;s(k)表示主用户PU的信号,ni(k)表示第i个次用户在时刻k所接收的均值为0、方差为σ2的加性高斯白噪声,H0表示存在频谱空洞,H1表示不存在频谱空洞;
S1.2、设SU有L根感知天线,次用户在k时刻接收到L个连续时间序列,表示为:
Rk,H1=[rk,rk-1,…,rk-L+1] (2)
Rk,H0=[rk,rk-1,…,rk-L+1] (3)
Rk,H1表示在H1条件下SU接受到的PU信号,Rk,H0表示在H0条件下SU接受到的PU信号;
上述连续时间序列经N次采样后,得到L×N维矩阵Rk,表示为:
作为优选方案,步骤S2的协方差矩阵分解方法包括以下步骤:
S2.1、将Rk作为输入,执行协方差矩阵计算,得到为N×N维的矩阵SN,然后将其通过Cholesky法分解,得SN=XXT,其中X为下三角矩阵,表达式为:
其中,N为采样点数,Xij≥0,i,j都为整数;
S2.2、下三角矩阵中各元素的计算表达式为:
其中,Si,j代表矩阵SN的第i行第j列元素。
作为优选方案,步骤S3中的统计量构造方法包括以下步骤:
S3.1、在H0和H1不同条件下,各自分解协方差矩阵得出来的下三角矩阵X是不同。在H0条件下,矩阵X对角元素基本相同,其它元素都是趋近于0的。但在H1条件下,矩阵X对角线的元素不同,其它元素的值相对较大。所以本文将矩阵X的全部元素之和与斜对角线元素之和的比值作为统计量,其表达式为:
其中Tk表示每个次用户产生的第k个统计量;
S3.2、每个次用户经过步骤S41得到一维统计量,表示为:
Tk=[T1 T2 … Tk]T (9)
S3.3、然后M个次用户产生的统计向量融合成一个统计矩阵作为单个训练样本;
其中,TMk表示第M个次用户产生的第k个统计量;将TMk归一化后的矩阵,作为CNN频谱感知模型的单个样本。
作为优选方案,步骤S4中的CNN频谱感知包括步骤:
S4.1、将不同信噪比下产生的样本分为80%的训练数据集与20%的测试数据集,其中训练数据集表示为:{(D(1) Train,L(1) Train),(D(2) Train,L(2) Train),…,(D(P) Train,L(P) Train)},其中D(P) Train表示数据预处理后的单个样本,L(P) Train表示相应的标签,在H0条件下产生的样本标记为0,H1条件下产生的样本标记为1,D(P) Train经过一系列的卷积、池化操作后得到最终的输出值,该映射关系可表示为:
lw,b{D(P) Train}=L(P) Train (11)
S4.2、测试数据表示为:{(D(1) Test,L(1) Test),(D(2) Test,L(2) Test),…,(D(P) Test,L(P) Test)},其中D(P) Test表示另外生成的特征矩阵,L(P) Test表示测试集相对应的标签,当CNN训练过程结束后,需要对训练好的模型进行测试,得到的实际结果为该值与预测值之间的误差e可表示为:
在H1条件下时,假设产生了P组测试数据集,当e小于设定的误差门限eth时表示测试正确,假设测试正确的样本数有P1个,则可得检测概率(Probability of Detection,Pd)为:
同理,在H0条件下,假设产生了P组测试数据集,测试正确的样本数有P0个,则可得虚警概率(Probability of False alarm,Pfa)为:
本发明还公开了一种协方差矩阵Cholesky分解的CNN协作频谱感知系统,包括以下模块:
预处理模块,原始信号预处理,得到协方差矩阵;
协方差矩阵分解模块,将预处理模块所得协方差矩阵作为输入参数,按协方差矩阵分解方法执行计算,每个次用户得到其下三角矩阵X;
统计量构造模块,将协方差矩阵分解模块所得下三角矩阵X作为输入参数,按统计量构造方法执行计算,得到不同信噪比下的统计矩阵,作为CNN的训练与测试数据;
CNN频谱感知模块,将统计量构造模块所得统计矩阵标记后作为输入参数,按CNN频谱感知方法执行计算,将测试集输入到训练好的模型中,得到不同信噪比下的检测概率。
本发明充分提取了原始信号的特征,极大提高了检测性能,使其在认知无线电系统中有较好应用前景。
附图说明
图1为本发明实施例的频谱感知系统模型的构架图。
图2为本发明实施例的基于协方差矩阵Cholesky分解的CNN协作频谱感知方法的流程图。
图3为本发明实施例的卷进神经网络的框架图。
图4为本发明实施例的CNN频谱感知模型训练流程图。
图5为本发明实施例的训练集在不同优化算法下的训练精度图。
图6为本发明实施例的不同检测方案在不同信噪比下的性能比较图。
图7为本发明实施例的不同检测方案在-13dB时的ROC曲线图。
图8为本发明实施例的基于协方差矩阵Cholesky分解的CNN协作频谱感知系统框图。
具体实施方式
以下通过具体实施例对本发明的技术方案作进一步解释说明。
本发明提出了一种基于协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统,信号和噪声的统计协方差矩阵或自相关通常是不同的。因此,在本发明中,这种差异被用来构造统计量以区分PU信号和信道噪声。
本发明涉及背景技术如下:
1、协方差矩阵计算方法
当次用户SUi(i=1,2,···,L)接收到PU的信号后,对信号采样,采样点数为N,经L个连续信号抽样后,可表示为L×N维的矩阵。此时,采样矩阵Rk可以表示为:
然后通过下述公式计算得到N×N维样本协方差矩阵SN:
当采样点数N较大时,S(N)可表示为:
其中Rs表示主用户信号的协方差矩阵,IL是L×L的单位矩阵。
2、Cholesky分解方法
得到协方差矩阵SN后,将其作为输入参数,Cholesky分解步骤如下:
其中,Si,j代表矩阵SN的第i行第j列元素。
3、CNN训练方法
卷积层(Convolutional Layer)作为CNN的核心,承担了绝大部分的运算量,该层通过卷积核与上一层的输入矩阵进行卷积运算,得到一定数量的特征激活图,每个卷积核都是一个特征提取器,相应的生成一种新的特征图,所以卷积核的参数直接影响到最终的分类结果,可通过训练数据调整卷积核的参数,实现信号特征的最优提取。它的运算过程为:
其中,W(L)表示L层的卷积核,X(L)为L层的输出,b(L)为L层的偏置值。卷积运算完成之后,需要引入激活函数,来增加整个模型的表达能力,因为在现实生活中,绝大部分问题都是没法线性分割的,所以需要将每个神经元的输出通过一个非线性函数,也就是激活函数,本文主要用目前神经网络中最受欢迎的函数ReLU函数作为激活函数。其表达式为:
该函数主要优点是:当x<0时,输出为0,增大了模型的稀疏性。稀疏性越大,提取出来的特征就越典型,模型的泛化能力就越强;当x>0时,梯度为1,没有梯度耗散问题,收敛较快,计算量小,运算简单。
如图2所示,本发明实施例一种基于协方差矩阵Cholesky分解的CNN协作频谱感知方法,通过以下步骤完成:
步骤1、如图1所示,典型认知无线系统包含1个PU,M个SU,M为自然数;当PU通信未被干扰时,第i个次用户SUi对PU信号检测,得到连续时间序列,其中,i=1,2,···,M;对连续时间序列执行原始信号预处理,得到M×N维的主信号协方差矩阵,N为自然数,表示采样点数;
步骤2、将协方差矩阵作为输入,执行Cholesky分解,每个次用户得到其下三角矩阵X;
步骤3、将下三角矩阵X作为输入,执行统计量构造,得到不同信噪比下的统计矩阵样本,作为CNN的训练与测试样本;
步骤4、将标记后的样本作为输入,执行CNN频谱感知,将测试集输入到训练好的模型中,得到不同信噪比下的检测概率。
本实施例中,步骤1的原始信号预处理方法,采用以下步骤实现:
步骤1.1、当主用户PU通信未被干扰时,第i个次用户SUi对PU信号检测,接收信号采用二元假设模型表示为:
其中,ri(k)表示第i个次用户在时刻k所接收的连续时间序列,k为整数,hi(k)为表示在时刻k第i个传输信道损耗系数,取值在0到1之间;s(k)表示主用户PU的信号,ni(k)表示第i个次用户在时刻k所接收的均值为0、方差为σ2的加性高斯白噪声,H0表示存在频谱空洞,H1表示不存在频谱空洞;
步骤1.2、设SU有L根感知天线,次用户在k时刻接收到L个连续时间序列,表示为:
Rk,H1=[rk,rk-1,…,rk-L+1] (2)
Rk,H0=[rk,rk-1,…,rk-L+1] (3)
Rk,H1表示在H1条件下SU接受到的PU信号,Rk,H0表示在H0条件下SU接受到的PU信号;
上述连续时间序列经N次采样后,得到L×N维矩阵Rk,表示为:
其中,步骤2的协方差矩阵分解方法,采用以下步骤实现:
步骤2.1、将Rk作为输入,执行协方差矩阵计算,得到为N×N维的矩阵SN,然后将其通过Cholesky法分解,得SN=XXT,其中X为下三角矩阵,表达式为:
其中,N为采样点数,Xij≥0,i,j都为整数;
步骤2.2、下三角矩阵中各元素的计算表达式为:
其中,Si,j代表矩阵SN的第i行第j列元素。
其中,步骤3的统计量构造方法,采用以下步骤实现:
步骤3.1、在H0和H1不同条件下,各自分解协方差矩阵得出来的下三角矩阵X是不同。在H0条件下,矩阵X对角元素基本相同,其它元素都是趋近于0的。但在H1条件下,矩阵X对角线的元素不同,其它元素的值相对较大。所以本文将矩阵X的全部元素之和与斜对角线元素之和的比值作为统计量,其表达式为:
其中Tk表示每个次用户产生的第k个统计量;
步骤3.2、每个次用户经过步骤S41得到一维统计量,表示为:
Tk=[T1 T2 … Tk]T (9)
步骤3.3、然后M个次用户产生的统计向量融合成一个统计矩阵作为单个训练样本;
其中,TMk表示第M个次用户产生的第k个统计量;将TMk归一化后的矩阵,作为CNN频谱感知模型的单个样本。
其中,如图3所示,步骤4的CNN频谱感知方法,采用以下步骤实现:
步骤4.1、将不同信噪比下产生的样本分为训练数据集与测试数据集,其中训练数据集表示为:{(D(1) Train,L(1) Train),(D(2) Train,L(2) Train),…,(D(P) Train,L(P) Train)},其中D(P) Train表示数据预处理后的单个样本,L(P) Train表示相应的标签,在H0条件下产生的样本标记为0,H1条件下产生的样本标记为1,D(P) Train经过一系列的卷积、池化操作后得到最终的输出值,该映射关系可表示为:
lw,b{D(P) Train}=L(P) Train (11)
步骤4.2、测试数据表示为:{(D(1) Test,L(1) Test),(D(2) Test,L(2) Test),…,(D(P) Test,L(P) Test)},其中D(P) Test表示另外生成的特征矩阵,L(P) Test表示测试集相对应的标签,当CNN
在H1条件下时,假设产生了P组测试数据集,当e小于设定的误差门限eth时表示测试正确,假设测试正确的样本数有P1个,则可得检测概率(Probability of Detection,Pd)为:
同理,在H0条件下,假设产生了P组测试数据集,测试正确的样本数有P0个,则可得虚警概率(Probability of False alarm,Pfa)为:
如图4所示,本发明中,CNN模型训练过程主要包括两个阶段,首先是前向传播阶段,即数据从低层次向高层次传播。第二阶段是反向传播阶段,即前向传播得到的实际值与预测值不同时,将误差从高层次向低层次传播训练。
如图5所示,训练过程中accuracy值整体稳步上升,Adam优化算法性能最佳,该优化器在训练次数达到60次时,accuracy值稳定在100%,RMSprop优化器在训练次数达到80次时稳定在97%左右,SGD优化算法在训练次数达到80次时稳定在90%左右。这种现象解释如下:首先,Adam本质上是momentum和RMSprop的结合,经过偏置校正后,每次迭代学习率都有个确定的范围,使得参数比较平稳。其次,在更新参数时,m和v都进行更新,计算效率高,非常适合非静态目标和稀疏梯度的问题。因此,Adam算法在优化方面优于其他算法。
如图6所示,本发明所提方法明显优于其余四种算法,当SNR为-20dB时,本发明方法Pd达到0.3,而其他算法Pd都小于或等于0.1。从图中可以看到,CNN是在-9dB时,Pd达到1,SVM是在-8dB时,Pd达到1,DMMG是在-6dB时,Pd达到1,ED是在-2dB时,Pd达到1。这种现象可以解释如下。首先,SVM是对协方差矩阵的特征值进行检测,虽然解决了阈值不精确的问题,但没有充分利用协方差矩阵所携带的所有信息。CNN模型在处理高维矩阵方面比SVM更具优势,所以CNN的检测概率整体高于SVM。其次,与CNN方案相比,所提出的技术方案通过Cholesky分解和统计量的计算,增强了PU信号的作用,然后使用融合的统计矩阵训练CNN,大大提高了低信噪比下的检测精度。因此,无论是低信噪比时还是高信噪比时,本发明所提方法检测概率都优于其余四种算法。
如图7所示,Pd的提升往往需要一定大小的Pfa,本发明所提方法在Pfa为0.4时,Pd达到1,CNN的Pd为0.69,SVM的Pd为0.45,DMMG的Pd为0.05,ED的Pd为0,Proposed、CNN和SVM明显高于传统的方案,可见这三种方案的决策阈值更加准确,对原始信号的特征利用更加充分,继而检测概率更高。此外,所提出的技术方案中采用Cholesky分解和统计量的计算以及融合,进一步提高了检测概率。因此,与CNN和SVM方案相比,所提出的技术方案获得了更好的检测性能。
如图8所示,本实施例公开了一种协方差矩阵Cholesky分解的CNN协作频谱感知系统,包括以下模块:
预处理模块,原始信号预处理,得到协方差矩阵;
协方差矩阵分解模块,将预处理模块所得协方差矩阵作为输入参数,按协方差矩阵分解方法执行计算,每个次用户得到其下三角矩阵X;
统计量构造模块,将协方差矩阵分解模块所得下三角矩阵X作为输入参数,按统计量构造方法执行计算,得到不同信噪比下的统计矩阵,作为CNN的训练与测试数据;
CNN频谱感知模块,将统计量构造模块所得统计矩阵标记后作为输入参数,按CNN频谱感知方法执行计算,将测试集输入到训练好的模型中,得到不同信噪比下的检测概率。
综上所述,本发明涉及一种协方差矩阵Cholesky分解的卷积神经网络(Convolutional Neural Network,CNN)协作频谱感知方法及系统,本发明中,认知无线系统包含1个主用户(primary user,PU),M个次用户(secondary user,SU)。其中,M为自然数,表示用户个数;当PU通信未被干扰时,第i个次用户SUi对PU信号检测,得到连续时间序列。其中,i为自然数,表示第i个用户;对连续时间序列执行原始信号采样矩阵处理方法,得到各自对应的协方差矩阵;将协方差矩阵作为输入,执行协方差矩阵分解方法,得到下三角矩阵;通过对下三角矩阵执行统计量构造方法,得到统计矩阵作为单个样本;将主用户信号与噪声信号得到的统计矩阵样本分别用“1”和“0”标记后,执行CNN频谱感知方法,得到最终的频谱感知结果。本发明充分提取了原始信号的特征,极大提高了检测性能,使其在认知无线电系统中有较好应用前景。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (7)
1.协方差矩阵Cholesky分解的CNN协作频谱感知方法,其特征在于按以下步骤:
步骤S1,原始信号预处理,得到协方差矩阵;
步骤S2,将步骤S1所得协方差矩阵作为输入参数,按协方差矩阵分解方法执行计算,每个次用户得到其下三角矩阵X;
步骤S3,将步骤S2所得下三角矩阵X作为输入参数,按统计量构造方法执行计算,得到不同信噪比下的统计矩阵,作为CNN的训练与测试数据;
步骤S4,将步骤S3所得统计矩阵标记后作为输入参数,按CNN频谱感知方法执行计算,将测试集输入到训练好的模型中,得到不同信噪比下的检测概率。
2.如权利要求1所述协方差矩阵Cholesky分解的CNN协作频谱感知方法,其特征在于,步骤S1具体如下:
步骤S1.1,典型认知无线系统包含1个主用户PU,M个次用户SU,其中,M为自然数,表示用户个数;当PU通信未被干扰时,第i个次用户SUi对PU信号检测,得到连续时间序列;其中,i为自然数,取值为i=1,2,···,M,表示第i个用户;
步骤S1.2,将步骤S1.1中所得连续时间序列作为输入参数,按原始信号采样矩阵处理方法执行计算,得到M×N维的主信号协方差矩阵;其中,N为自然数,表示采样点数。
3.如权利要求2所述协方差矩阵Cholesky分解的CNN协作频谱感知方法,其特征在于,步骤S1中原始信号预处理采用以下步骤完成:
步骤S1.1,当主用户PU通信未被干扰时,第i个次用户SUi对PU信号检测,接收信号采用二元假设模型表示为:
其中,ri(k)表示第i个次用户在时刻k所接收的连续时间序列;k为整数,hi(k)为表示在时刻k第i个传输信道损耗系数,取值在0到1之间的实数;s(k)表示主用户PU的信号;ni(k)表示第i个次用户在时刻k所接收的均值为0、方差为σ2的加性高斯白噪声;H0表示存在频谱空洞,H1表示不存在频谱空洞;
步骤S1.2,设SU有L根感知天线,次用户在k时刻接收到L个连续时间序列,表示为:
Rk,H1=[rk,rk-1,…,rk-L+1] (2)
Rk,H0=[rk,rk-1,…,rk-L+1] (3)
其中,k表示时刻;Rk,H1表示在H1条件下SU接受到的PU信号;Rk,H0表示在H0条件下SU接收到的PU信号;
上述连续时间序列经N次采样后,得到L×N维矩阵Rk,表示为:
5.如权利要求1所述权利要求4所述协方差矩阵Cholesky分解的CNN协作频谱感知方法,其特征在于,步骤S3中,统计量构造方法采用以下步骤完成:
步骤S3.1,在H0和H1不同条件下,各自分解协方差矩阵得出来的下三角矩阵X是不同;在H0条件下,矩阵X对角元素基本相同,其它元素都是趋近于0的;但在H1条件下,矩阵X对角线的元素不同,其它元素的值相对较大;将矩阵X的全部元素之和与斜对角线元素之和的比值作为统计量,其表达式为:
其中,Tk表示每个次用户产生的第k个统计量;
步骤S3.2,每个次用户经过步骤4.1得到一维统计量,表示为:
Tk=[T1 T2 … Tk]T (9)
步骤S3.3,然后M个次用户产生的统计向量融合成一个统计矩阵作为单个训练数据,表示为:
其中,TMk表示第M个次用户产生的第k个统计量;将TMk归一化后的矩阵,作为CNN频谱感知模型的单个数据集。
6.如权利要求5所述权利要求2所述协方差矩阵Cholesky分解的CNN协作频谱感知方法,其特征在于,步骤S4中,CNN频谱感知采用以下步骤完成:
步骤S4.1,将不同信噪比下产生的样本分为80%的训练数据集与20%的测试数据集,其中训练数据集表示为:{(D(1) Train,L(1) Train),(D(2) Train,L(2) Train),…,(D(P) Train,L(P) Train)};其中,D(P) Train表示数据预处理后的单个样本,L(P) Train表示相应的标签,上标P表示一共产生P组数据,下标表示该数据集是训练数据集;在H0条件下产生的样本标记为0,H1条件下产生的样本标记为1,D(P) Train经过卷积、池化操作后得到最终的输出值,该映射关系表示为:
lw,b{D(P) Train}=L(P) Train (11)
步骤S4.2,用来测试的20%的测试数据表示为:{(D(1) Test,L(1) Test),(D(2) Test,L(2) Test),…,(D(P) Test,L(P) Test)};其中,D(P) Test表示测试数据集中的测试数据,L(P) Test表示数据相对应的标签,上标P表示一共有P组数据,下标表示该数据集是测试数据集;将训练数据集执行背景技术所述的CNN训练方法,得到训练好的模型后,对测试数据集进行检测,得到测试结果为将其与真实标签对比得到误差e为:
其中,“||.||”为计算2-范数的运算,即计算符号“||.||”内变量的每一维元素的平方,累加后,再做开方计算,所得的结果;
在H1条件下时,假设产生了P组测试数据集;当e小于设定的误差门限eth时表示测试正确,假设测试正确的样本数有P1个,则得检测概率Pd为:
其中,Pd{D1|H1}表示在H1条件下检测正确的概率;P为自然数,表示生成的P组测试样本;P1为自然数,表示测试正确的样本数;同理,在H0条件下,假设产生了P组测试数据集,测试正确的样本数有P0个,则得误差门限eth下的虚警概率Pfa为:
7.协方差矩阵Cholesky分解的CNN协作频谱感知系统,其特征在于包括以下模块:
预处理模块,原始信号预处理,得到协方差矩阵;
协方差矩阵分解模块,将预处理模块所得协方差矩阵作为输入参数,按协方差矩阵分解方法执行计算,每个次用户得到其下三角矩阵X;
统计量构造模块,将协方差矩阵分解模块所得下三角矩阵X作为输入参数,按统计量构造方法执行计算,得到不同信噪比下的统计矩阵,作为CNN的训练与测试数据;
CNN频谱感知模块,将统计量构造模块所得统计矩阵标记后作为输入参数,按CNN频谱感知方法执行计算,将测试集输入到训练好的模型中,得到不同信噪比下的检测概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624495.1A CN114337883B (zh) | 2021-12-28 | 2021-12-28 | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624495.1A CN114337883B (zh) | 2021-12-28 | 2021-12-28 | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114337883A true CN114337883A (zh) | 2022-04-12 |
CN114337883B CN114337883B (zh) | 2024-03-01 |
Family
ID=81015097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111624495.1A Active CN114337883B (zh) | 2021-12-28 | 2021-12-28 | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114337883B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276857A (zh) * | 2022-07-04 | 2022-11-01 | 吉首大学 | 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
CN112787736A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
CN113315593A (zh) * | 2021-05-20 | 2021-08-27 | 南京工业大学 | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 |
CN113595664A (zh) * | 2021-08-13 | 2021-11-02 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的多用户宽带通信系统的频谱感知方法 |
-
2021
- 2021-12-28 CN CN202111624495.1A patent/CN114337883B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547133A (zh) * | 2018-12-06 | 2019-03-29 | 杭州电子科技大学 | 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法 |
CN112787736A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
CN113315593A (zh) * | 2021-05-20 | 2021-08-27 | 南京工业大学 | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 |
CN113595664A (zh) * | 2021-08-13 | 2021-11-02 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的多用户宽带通信系统的频谱感知方法 |
Non-Patent Citations (2)
Title |
---|
师浩东: ""深度学习与非重构压缩协作频谱感知技术研究"", 《CNKI》, 1 May 2023 (2023-05-01), pages 1 - 64 * |
曹越飞: ""深度学习框架下的自适应协作频谱感知技术研究"", 《CNKI》, 1 May 2023 (2023-05-01), pages 1 - 88 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276857A (zh) * | 2022-07-04 | 2022-11-01 | 吉首大学 | 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114337883B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Robust modulation classification under uncertain noise condition using recurrent neural network | |
CN109951214B (zh) | 一种适用于大规模mimo系统的信号检测方法 | |
CN109525369B (zh) | 一种基于循环神经网络的信道编码类型盲识别方法 | |
CN112887239B (zh) | 基于深度混合神经网络的快速准确水声信号调制方式识别方法 | |
Zheng et al. | DL-PR: Generalized automatic modulation classification method based on deep learning with priori regularization | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN109039534A (zh) | 一种基于深度神经网络的稀疏码分多址信号检测方法 | |
CN111224905B (zh) | 一种大规模物联网中基于卷积残差网络的多用户检测方法 | |
CN109450573B (zh) | 一种基于深度神经网络的频谱感知方法 | |
CN112422213A (zh) | 一种基于支持向量机的高效频谱感知方法 | |
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 | |
CN114189899B (zh) | 一种基于随机聚合波束成形的用户设备选择方法 | |
CN114337883A (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
Wang et al. | Adversarial learning-based spectrum sensing in cognitive radio | |
KR102596571B1 (ko) | 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기 | |
Kalade et al. | Using sequence to sequence learning for digital bpsk and qpsk demodulation | |
CN114912482A (zh) | 辐射源的识别方法及装置 | |
CN113869238A (zh) | 一种认知车联网智能频谱感知方法及系统 | |
Majumder | A variational Bayesian approach to multiantenna spectrum sensing under correlated noise | |
Zhao et al. | Multi-feature collaborative spectrum sensing method based on support vector machine | |
Kumar et al. | 2D-FFT based modulation classification using deep convolution neural network | |
Dai et al. | Power allocation for multiple transmitter-receiver pairs under frequency-selective fading based on convolutional neural network | |
CN114915526B (zh) | 通信信号调制识别方法、装置及系统 | |
CN113114423B (zh) | 一种自适应球形译码检测方法 | |
Yin et al. | Few-Shot Domain Adaption-Based Specific Emitter Identification Under Varying Modulation |
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 |