CN114567398B - 一种基于卷积长短时记忆神经网络的频谱感知方法 - Google Patents
一种基于卷积长短时记忆神经网络的频谱感知方法 Download PDFInfo
- Publication number
- CN114567398B CN114567398B CN202210371753.8A CN202210371753A CN114567398B CN 114567398 B CN114567398 B CN 114567398B CN 202210371753 A CN202210371753 A CN 202210371753A CN 114567398 B CN114567398 B CN 114567398B
- Authority
- CN
- China
- Prior art keywords
- data
- inputting
- neural network
- spectrum sensing
- network
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
一种基于卷积长短时记忆神经网络的频谱感知方法,先进行数据预处理得到2*N矩阵记作E0,将E0送入到ConvLstm2D网络,对E0进行第一次空间与时间特征提取得到输出的数据记作E1,将E1输入到批量归一化神经网络输出到归一化的数据记作E2,将E2输入到第二个ConvLstm2D网络中对IQ数据进行第二次空间和时间特征提取得到的数据记作E3;将E3输入到批量归一化神经网络中得到的数据记作E4;将E5输入到Flatten层将输入来的数据进行压平得到一维数据E5;然后将E5输入到全连接层得到数据E6;将E6输入到神经元为1的全连接层中,激活函数为sigmoid函数;通过最小化损失函数来训练模型参数。本发明极大程度的提高了频谱感知的性能。
Description
技术领域
本发明属于人工智能领域,涉及一种基于卷积长短时记忆神经网络的频谱感知方法。
背景技术
随着5G通信的逐渐普及与6G通信的发展,我们即将迎来万物互联、万物智联的时代。由于频谱资源有限,这就会导致频谱资源紧缺。但在2003年美国联邦通信委员会的研究发现,频谱利用率并不是很高。为了提高频谱资源的利用率来解决频谱资源的稀缺的问题,认知无线电技术由此被提出。认知无线电技术是在不干扰主用户(授权用户)使用的前提下,次用户(无权用户)可以在授权用户不使用频谱时利用该频谱发送信息。频谱感知是次用户检测主用户是否正在使用授权频谱,因此频谱感知便成为认知无线电技术的关键之一。但传统的频谱感知无法达到实际要求,如匹配滤波检测需要主用户的先验知识,但是在实际环境中无法得知主用户的先验知识。如今,由于深度学习在图像、视觉等领域发展地十分火热,许多研究人员也将深度学习与频谱感知相结合来提高检测的准确率与实际可用性。
由于现如今基于深度学习的频谱感知所使用的神经网络大部分是卷积神经网络、长短时记忆网络、卷积与长短时记忆网络的混合。次用户所检测到的IQ数据既有空间特征也有时间特征。若单独使用卷积神经网络则无法提取IQ的时间特征;若单独使用长短时记忆网络则无法提取IQ的空间特征且无法用GPU加速从而导致检测时间长;若混合使用两个网络则经过卷积神经网络后,数据的时间特征会有所减弱,再通过长短时记忆网络则性能并不是很理想。
发明内容
为了克服已有技术的不足,本发明提供了一种基于卷积长短时记忆神经网络的频谱感知方法,提出一种基于卷积长短时记忆神经网络(ConvLstm)的频谱感知,它可以同时提取IQ数据的空间特征与时间特征还可以使用GPU加速,可以克服以上神经网络的缺点,提高频谱感知检测性能。
本发明解决其技术问题所采用的技术方案是:
一种基于卷积长短时记忆神经网络的频谱感知方法,包括以下步骤:
1)数据预处理
将次用户所接收到的IQ信号先进行N点采样再进行数据归一化处理:
其中xI、xQ分别代表I和Q信号数据,xI_min、xQ_min分别代表I和Q信号数据中的最小值,xI_max、xQ_max分别代表I和Q信号数据中的最大值;
然后便得到2*N矩阵记作E0,其中第一行代表归一化后的I信号数据、第二行代表归一化后的Q信号数据。归一化可以在不改变内部结构的情况下将IQ信号数据转换为(0,1)区间的数,以便网络训练时加快梯度下降的速度,快速收敛;
2)将E0送入到ConvLstm2D网络,ConvLstm2D网络对E0进行第一次空间与时间特征提取得到输出的数据记作E1;
3)将E1输入到批量归一化神经网络输出到归一化的数据记作E2,对于一层具有d维的输入向量x=[x1...xd],将会对该向量的每一个维度进行归一化:
其中,xk代表第k维度的数据,E[xk]是代表第k维度数据的期望,Var[xk]是代表第k维度数据的方差,是代表第k维度数据归一化后的数据;
4)将E2输入到第二个ConvLstm2D网络中对IQ数据进行第二次空间和时间特征提取得到的数据记作E3;
5)将E3输入到批量归一化神经网络中进行如同步骤2)的操作得到的数据记作E4;
6)将E5输入到Flatten层将输入来的数据进行压平得到一维数据E5;
7)然后将E5输入到全连接层得到数据E6;
8)最后进入分类部分,将E6输入到神经元为1的全连接层中,激活函数为sigmoid函数,当输出结果大于等于0.5,则表明该信道被主用户所使用着;当结果小于0.5,则表明该信道未被占用;
10)通过最小化损失函数来训练模型参数,损失函数L定义为:
其中,qj表示主用户存在的真实概率;pj:主用户存在的预测概率;n表示每训练一批量中含有n个数据。
所述步骤10)中,模型参数包括矩阵元素与神经网络权重。
本发明的有益效果主要表现在:将卷积长短时记忆神经网络与频谱感知相结合,对已有的基于深度学习的频谱感知模型做出了改进,可以同时提取IQ数据的空间与时间特征,从而使得频谱感知的性能达到了较好的效果。
附图说明
图1是一种基于卷积长短时记忆神经网络的频谱感知方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种基于卷积长短时记忆神经网络的频谱感知方法,包括以下步骤:
1)数据预处理
将次用户所接收到的IQ信号先进行N点采样再进行数据归一化处理:
其中xI、xQ分别代表I和Q信号数据,xI_min、xQ_min分别代表I和Q信号数据中的最小值,xI_max、xQ_max分别代表I和Q信号数据中的最大值;
然后便得到2*N矩阵记作E0,其中第一行代表归一化后的I信号数据、第二行代表归一化后的Q信号数据。归一化可以在不改变内部结构的情况下将IQ信号数据转换为(0,1)区间的数,以便网络训练时加快梯度下降的速度,快速收敛;
2)将E0送入到ConvLstm2D网络,ConvLstm2D网络对E0进行第一次空间与时间特征提取得到输出的数据记作E1;
3)将E1输入到批量归一化神经网络输出到归一化的数据记作E2,对于一层具有d维的输入向量x=[x1...xd],将会对该向量的每一个维度进行归一化:
其中,xk代表第k维度的数据;E[xk]是代表第k维度数据的期望;Var[xk]是代表第k维度数据的方差;是代表第k维度数据归一化后的数据;
4)将E2输入到第二个ConvLstm2D网络中对IQ数据进行第二次空间和时间特征提取得到的数据记作E3;
5)将E3输入到批量归一化神经网络中进行如同步骤2)的操作得到的数据记作E4;
6)将E5输入到Flatten层将输入来的数据进行压平得到一维数据E5;
7)然后将E5输入到全连接层得到数据E6;
8)最后进入分类部分,将E6输入到神经元为1的全连接层中,激活函数为sigmoid函数,当输出结果大于等于0.5,则表明该信道被主用户所使用着;当结果小于0.5,则表明该信道未被占用;
10)通过最小化损失函数来训练模型参数,损失函数L定义为:
其中,qj表示主用户存在的真实概率;pj:主用户存在的预测概率;n表示每训练一批量中含有n个数据。
所述步骤10)中,模型参数包括矩阵元素与神经网络权重。
本实施例中,由特征提取与分类两个部分组成,其中特征提取部分由两个ConvLstm2D、两个批量归一化层、一个全连接层组成,分类部分是由激活函数为sigmoid函数的一个全连接层组成。
将卷积长短时记忆神经网络与频谱感知相结合,对已有的基于深度学习的频谱感知模型做出了改进,可以同时提取IQ数据的空间与时间特征,从而使得频谱感知的性能达到了较好的效果。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (2)
1.一种基于卷积长短时记忆神经网络的频谱感知方法,其特征在于,所述方法包括以下步骤:
1)数据预处理
将次用户所接收到的IQ信号先进行N点采样再进行数据归一化处理:
其中xI、xQ分别代表I和Q信号数据,xI_min、xQ_min分别代表I和Q信号数据中的最小值,xI_max、xQ_max分别代表I和Q信号数据中的最大值;
然后得到2*N矩阵记作E0,其中第一行代表归一化后的I信号数据、第二行代表归一化后的Q信号数据;
2)将E0送入到ConvLstm2D网络,ConvLstm2D网络对E0进行第一次空间与时间特征提取得到输出的数据记作E1;
3)将E1输入到批量归一化神经网络,输出的归一化的数据记作E2,对于一层具有d维的输入向量x=[x1…xd],将会对该向量的每一个维度进行归一化:
其中,xk代表第k维度的数据,E[xk]是代表第k维度数据的期望,Var[xk]是代表第k维度数据的方差,是代表第k维度数据归一化后的数据;
4)将E2输入到第二个ConvLstm2D网络中对IQ数据进行第二次空间和时间特征提取得到的数据记作E3;
5)将E3输入到批量归一化神经网络中进行如同步骤3)的操作得到的数据记作E4;
6)将E4输入到Flatten层,将输入来的数据进行压平得到一维数据E5;
7)然后将E5输入到全连接层得到数据E6;
8)最后进入分类部分,将E6输入到神经元为1的全连接层中,激活函数为sigmoid函数,当输出结果大于等于0.5,则表明信道被主用户所使用着;当结果小于0.5,则表明该信道未被占用;
10)通过最小化损失函数来训练模型参数,损失函数L定义为:
其中,qj表示主用户存在的真实概率;pj:主用户存在的预测概率;n表示每训练一批量中含有n个数据。
2.如权利要求1所述的一种基于卷积长短时记忆神经网络的频谱感知方法,其特征在于,所述步骤10)中,模型参数包括矩阵元素与神经网络权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371753.8A CN114567398B (zh) | 2022-04-11 | 2022-04-11 | 一种基于卷积长短时记忆神经网络的频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371753.8A CN114567398B (zh) | 2022-04-11 | 2022-04-11 | 一种基于卷积长短时记忆神经网络的频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114567398A CN114567398A (zh) | 2022-05-31 |
CN114567398B true CN114567398B (zh) | 2024-04-23 |
Family
ID=81721115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210371753.8A Active CN114567398B (zh) | 2022-04-11 | 2022-04-11 | 一种基于卷积长短时记忆神经网络的频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114567398B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856425B (zh) * | 2022-11-21 | 2023-10-17 | 中国人民解放军32802部队 | 一种基于隐空间概率预测的频谱异常检测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107995628A (zh) * | 2017-12-18 | 2018-05-04 | 北京工业大学 | 一种深度学习的认知无线网络多用户协作频谱感知方法 |
CN111224726A (zh) * | 2019-11-21 | 2020-06-02 | 南京邮电大学 | 一种基于长短期记忆网络的视频直播系统及其实现方法 |
CN111600667A (zh) * | 2020-05-25 | 2020-08-28 | 电子科技大学 | 一种基于cnn-lstm的频谱感知方法 |
CN111786738A (zh) * | 2020-07-01 | 2020-10-16 | 中国人民解放军陆军工程大学 | 基于长短期记忆的抗干扰学习的网络结构及学习方法 |
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 |
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 |
CN113095162A (zh) * | 2021-03-24 | 2021-07-09 | 杭州电子科技大学 | 一种基于半监督深度学习的频谱感知方法 |
CN113114400A (zh) * | 2021-04-14 | 2021-07-13 | 中南大学 | 基于时序注意力机制和lstm模型的信号频谱空洞感知方法 |
WO2021245374A1 (en) * | 2020-06-03 | 2021-12-09 | King's College London | Method and system for joint demosaicking and spectral signature estimation |
-
2022
- 2022-04-11 CN CN202210371753.8A patent/CN114567398B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107995628A (zh) * | 2017-12-18 | 2018-05-04 | 北京工业大学 | 一种深度学习的认知无线网络多用户协作频谱感知方法 |
CN111224726A (zh) * | 2019-11-21 | 2020-06-02 | 南京邮电大学 | 一种基于长短期记忆网络的视频直播系统及其实现方法 |
CN111600667A (zh) * | 2020-05-25 | 2020-08-28 | 电子科技大学 | 一种基于cnn-lstm的频谱感知方法 |
WO2021245374A1 (en) * | 2020-06-03 | 2021-12-09 | King's College London | Method and system for joint demosaicking and spectral signature estimation |
CN111786738A (zh) * | 2020-07-01 | 2020-10-16 | 中国人民解放军陆军工程大学 | 基于长短期记忆的抗干扰学习的网络结构及学习方法 |
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 |
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 |
CN113095162A (zh) * | 2021-03-24 | 2021-07-09 | 杭州电子科技大学 | 一种基于半监督深度学习的频谱感知方法 |
CN113114400A (zh) * | 2021-04-14 | 2021-07-13 | 中南大学 | 基于时序注意力机制和lstm模型的信号频谱空洞感知方法 |
Non-Patent Citations (3)
Title |
---|
Convolutional LSTM-based Long-Term Spectrum Prediction for Dynamic Spectrum Access;Bethelhem S. Shawel等;《2019 27th European Signal Processing Conference(EUSIPCO)》;20190906;第1-5页 * |
刘东健 ; 杨霄鹏 ; 肖楠 ; 朱圣铭 ; .基于LSTM神经网络的卫星频谱多门限感知算法.信号处理.(08),全文. * |
岳文静 ; 瞿耀庭 ; 陈志 ; .基于信号能量分布拟合优度的长短时记忆网络频谱感知算法研究.信号处理.(07),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114567398A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492026B (zh) | 一种基于改进的主动学习技术的电信欺诈分类检测方法 | |
CN112308133A (zh) | 基于卷积神经网络的调制识别方法 | |
CN109887047B (zh) | 一种基于生成式对抗网络的信号-图像翻译方法 | |
CN114337880B (zh) | 一种考虑主用户信号随机到达和离开的频谱感知方法 | |
CN114567398B (zh) | 一种基于卷积长短时记忆神经网络的频谱感知方法 | |
CN112153615B (zh) | 一种多小区蜂窝d2d设备中基于深度学习的用户关联方法 | |
CN111353995A (zh) | 一种基于生成对抗网络的宫颈单细胞图像数据生成方法 | |
CN110932807A (zh) | 一种非高斯噪声下mimo系统的频谱感知方法 | |
CN112200772A (zh) | 痘痘检测设备 | |
CN109861864B (zh) | 一种基于lstm网络的mac协议识别方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
Li et al. | Modulation recognition algorithm based on digital communication signal time-frequency image | |
CN113095162B (zh) | 一种基于半监督深度学习的频谱感知方法 | |
CN112350790B (zh) | 一种基于深度学习的频谱感知检测方法、装置及设备 | |
CN106936527A (zh) | 一种基于双门限的多用户合作频谱感知方法 | |
CN112836788A (zh) | 一种用于干扰类型识别的低功耗深度学习网络方法 | |
CN109600181B (zh) | 一种用于多天线的频谱感知方法 | |
CN116192307A (zh) | 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质 | |
CN114337883B (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
CN116383719A (zh) | 一种用于lfm雷达的mgf射频指纹识别方法 | |
CN114463646B (zh) | 一种基于多头自注意力卷积神经网络的遥感场景分类方法 | |
Hou et al. | Implementation of a CNN identifing Modulation Signals on an Embedded SoC | |
CN112702132B (zh) | 一种基于卷积神经网络分类器的宽带频谱感知方法 | |
CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
CN112087275B (zh) | 基于生灭过程和粘性隐马尔可夫模型的合作频谱感知方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |