CN115276853A - 一种基于cnn-cbam的频谱感知方法 - Google Patents
一种基于cnn-cbam的频谱感知方法 Download PDFInfo
- Publication number
- CN115276853A CN115276853A CN202210678262.8A CN202210678262A CN115276853A CN 115276853 A CN115276853 A CN 115276853A CN 202210678262 A CN202210678262 A CN 202210678262A CN 115276853 A CN115276853 A CN 115276853A
- Authority
- CN
- China
- Prior art keywords
- sensing period
- energy
- secondary user
- representing
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001228 spectrum Methods 0.000 title claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 87
- 238000012360 testing method Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 48
- 230000008447 perception Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 230000001149 cognitive effect Effects 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 23
- 238000013527 convolutional neural network Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/08—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)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于CNN‑CBAM的频谱感知方法,其在训练阶段通过计算次级用户在每个感知时段的每个采样时刻采样的信号的能量,获取训练数据;构建CNN‑CBAM网络;使用训练数据进行训练,在训练过程中采用交叉熵损失函数并利用自适应矩估计算法更新CNN‑CBAM网络中的参数,最终训练得到CNN‑CBAM网络训练模型;在测试阶段以相同的方法获取测试数据;将测试数据中的每行能量作为一个测试向量,将每个测试向量输入到CNN‑CBAM网络训练模型中,CNN‑CBAM网络训练模型输出每个测试向量对应的一个数值,该数值代表在对应的感知时段主用户信号是否占用授权频谱;优点是其针对多次出现主用户随机到达和随机离开的情况进行频谱感知,且感知准确率高。
Description
技术领域
本发明涉及一种无线通信中的认知无线电技术,尤其是涉及一种基于CNN-CBAM(Convolutional Neural Network-Convolutional Block Attention Module,卷积神经网络-卷积块注意力模块)的频谱感知方法。
背景技术
现有的频段可以分为授权频段和非授权频段,授权频段相对较多。然而在传统的固定频谱资源分配策略下,频谱的利用情况却非常不均衡,甚至有许多的授权频段未被充分利用,这就造成了极大的资源浪费。与此同时,这也加剧了频谱资源的紧缺问题。为了合理利用有限的频谱资源,认知无线电技术应运而生。在认知无线电技术中可以把用户分为两类,即授权用户(主用户)和非授权用户(次级用户)。次级用户能够通过频谱感知技术对频谱进行感知,智能地使用未被主用户使用的空闲频谱,从而避免对主用户造成干扰。因此,频谱感知技术是认知无线电技术中的关键技术之一。现有的大部分对频谱感知技术的研究大都假设在感知时段主用户的状态是一直不变的或者仅仅只有一次变化,而没有考虑到主用户的状态发生多次变化的情况。因此,有必要研究一种考虑在感知时段主用户的状态可能会发生多次变化的情况的频谱感知方法。
发明内容
本发明所要解决的技术问题是提供一种基于CNN-CBAM的频谱感知方法,其针对在感知时段主用户的状态可能会出现多次变化的情况,即多次出现主用户随机到达和随机离开的情况进行频谱感知,且感知准确率高。
本发明解决上述技术问题所采用的技术方案为:一种基于CNN-CBAM的频谱感知方法,其特征在于包括以下步骤:
步骤1:在认知无线电系统中,设定主用户状态在任一个感知时段跳变的次数最多只有三次,即在任一个感知时段主用户信号出现随机到达和离开的情况最多只发生三次,设定仅存在1个次级用户,设定次级用户从一个待感知的频段采集信号,且在每个感知时段的N个采样时刻采样信号,在K个感知时段共采样K×N个信号,将次级用户在第k个感知时段的第n个采样时刻采样的信号记为sk(n),当在第k个感知时段主用户信号出现随机离开的情况时sk(n)描述为:并设置sk(n)的标记为H0;当在第k个感知时段主用户信号出现随机到达的情况时sk(n)描述为:并设置sk(n)的标记为H1;其中,K>1,N>1,1≤k≤K,1≤n≤N,xk(n)表示次级用户在第k个感知时段的第n个采样时刻采样的信号中的主用户信号,wk(n)表示次级用户在第k个感知时段的第n个采样时刻采样的信号中的高斯白噪声信号,wk(n)的均值为0且方差为Na、Nc和Ne表示在第k个感知时段主用户信号随机离开时的前一个采样时刻,Nb、Nd和Nf表示在第k个感知时段主用户信号随机到达时的前一个采样时刻,Na、Nb、Nc、Nd、Ne、Nf均服从超指数分布,Na∈[0,N-1]、Nb∈[0,N-1]、Nc∈[0,N]、Nd∈[0,N-1]、Ne∈[0,N-1]、Nf∈[0,N];
步骤2:计算次级用户在每个感知时段的每个采样时刻采样的信号的能量,将次级用户在第k个感知时段的第n个采样时刻采样的信号的能量记为Ek(n),Ek(n)=|sk(n)|2;然后获取训练数据,记为E,其中,符号“||”为取绝对值符号,符号“[]”为矩阵或向量表示符号,E的维数为K×N,E1(1)表示次级用户在第1个感知时段的第1个采样时刻采样的信号的能量,E1(2)表示次级用户在第1个感知时段的第2个采样时刻采样的信号的能量,E1(N)表示次级用户在第1个感知时段的第N个采样时刻采样的信号的能量,E2(1)表示次级用户在第2个感知时段的第1个采样时刻采样的信号的能量,E2(2)表示次级用户在第2个感知时段的第2个采样时刻采样的信号的能量,E2(N)表示次级用户在第2个感知时段的第N个采样时刻采样的信号的能量,EK(1)表示次级用户在第K个感知时段的第1个采样时刻采样的信号的能量,EK(2)表示次级用户在第K个感知时段的第2个采样时刻采样的信号的能量,EK(N)表示次级用户在第K个感知时段的第N个采样时刻采样的信号的能量;
步骤3:构建CNN-CBAM网络:该网络包括三个结构相同的子块、最大池化层、Flatten层、第一全连接层、Dropout层、第二全连接层,第1个子块的输入端作为该网络的输入端接收输入数据,第2个子块的输入端接收第1个子块的输出端输出的数据,第3个子块的输入端接收第2个子块的输出端输出的数据,最大池化层的输入端接收第3个子块的输出端输出的数据,Flatten层的输入端接收最大池化层的输出端输出的数据,第一全连接层的输入端接收Flatten层的输出端输出的数据,Dropout层的输入端接收第一全连接层的输出端输出的数据,第二全连接层的输入端接收Dropout层的输出端输出的数据,第二全连接层的输出端作为该网络的输出端;子块由依次连接的批量归一化层、卷积层和卷积块注意力模块组成,批量归一化层的输入端为其所在的子块的输入端,卷积层的输入端接收批量归一化层的输出端输出的数据,卷积块注意力模块的输入端接收卷积层的输出端输出的数据,卷积块注意力模块的输出端为其所在的子块的输出端;其中,最大池化层的池化窗口大小为2×2、步长为2×2,第一全连接层的神经元个数为128,Dropout层的丢失率为0.5,第二全连接层的神经元个数为2,卷积层的卷积核个数为32、卷积核大小为3×3、步长为1×1,卷积层的激活函数为ReLu函数,卷积块注意力模块的卷积核个数为1、卷积核大小为7×7、步长为1×1;
步骤4:将E和标签输入到构建的CNN-CBAM网络中进行训练,在训练过程中采用交叉熵损失函数并利用自适应矩估计算法更新CNN-CBAM网络中的参数;其中,Y的维数为K×1,y1、y2、yK的值为0或1,y1为E1对应的标签,E1表示次级用户在第1个感知时段采样的所有信号的能量构成的能量向量,E1=[E1(1) E1(2) … E1(N)],y1的值为0时代表在第1个感知时段主用户对授权频谱的真实占用状态为未占用,y1的值为1时代表在第1个感知时段主用户对授权频谱的真实占用状态为占用,y2为E2对应的标签,E2表示次级用户在第2个感知时段采样的所有信号的能量构成的向量能量,E2=[E2(1) E2(2) … E2(N)],y2的值为0时代表在第2个感知时段主用户对授权频谱的真实占用状态为未占用,y2的值为1时代表在第2个感知时段主用户对授权频谱的真实占用状态为占用,yK为EK对应的标签,EK表示次级用户在第K个感知时段采样的所有信号的能量构成的能量向量,EK=[EK(1) EK(2) … EK(N)],yK的值为0时代表在第K个感知时段主用户对授权频谱的真实占用状态为未占用,yK的值为1时代表在第K个感知时段主用户对授权频谱的真实占用状态为占用;
步骤5:使用训练数据E按照步骤4的过程训练40轮以上,最终训练得到CNN-CBAM网络训练模型;
步骤6:在测试阶段对于同一个待感知的频段,次级用户按照步骤1和步骤2的过程,以相同的方式从该待感知的频段采集信号,在计算在测试阶段次级用户在每个感知时段的每个采样时刻采样的信号的能量后获取测试数据,记为 其中,K'表示在测试阶段的感知时段的数量,K'>1,N'表示在测试阶段的每个感知时段的采样时刻的数量,N'>1,的维数为K'×N',表示在测试阶段次级用户在第1个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第1个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第1个感知时段的第N'个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第N'个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第N'个采样时刻采样的信号的能量;
步骤7:将中的每行能量作为一个测试向量,共有K'个测试向量;然后将每个测试向量输入到CNN-CBAM网络训练模型中,CNN-CBAM网络训练模型输出每个测试向量对应的一个数值,数值为0或1,CNN-CBAM网络训练模型输出的第k'个测试向量对应的数值为0时代表在测试阶段在第k'个感知时段主用户信号未占用授权频谱,CNN-CBAM网络训练模型输出的第k'个测试向量对应的数值为1时代表在测试阶段在第k'个感知时段主用户信号占用授权频谱;其中,1≤k'≤K'。
与现有技术相比,本发明的优点在于:
1)本发明方法通过利用所构建的CNN-CBAM网络来对授权频段进行感知时不需要关于主用户的任何先验信息,因此也就不需要利用主用户的先验信息对当前频谱的使用情况进行计算推导,从而可以减少计算的复杂度。
2)在任一个感知时段主用户的状态可能发生多次跳变,而本发明方法通过在卷积神经网络中引入卷积块注意力模块(CBAM)用于关注于感知时段最后一个状态相同的数据,从而加快了网络的训练速度以及提高了网络的准确性。
3)通过仿真结果可以看出,在低信噪比情况下本发明方法相较于其它对比方法依然有较好的性能,因此本发明方法具有更好的鲁棒性。
附图说明
图1为本发明方法的总体实现框图;
图2为本发明方法构建的CNN-CBAM网络的组成结构示意图;
图3为本发明方法构建的CNN-CBAM网络中的子块的组成结构示意图;
图4为虚警概率设置为0.1时本发明方法(CNN-CBAM)、卷积神经网络(CNN)、加权的能量检测法(WED)以及传统的能量检测法(CED)的信噪比-检测概率曲线;
图5为信噪比设置为-15dB时本发明方法(CNN-CBAM)、卷积神经网络(CNN)、加权的能量检测法(WED)以及传统的能量检测法(CED)的ROC曲线。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明针对在任一个感知时段主用户信号可能会出现多次随机到达或离开的情况,提出了一种基于CNN-CBAM的频谱感知方法,其总体实现框图如图1所示,其特征在于包括以下步骤:
步骤1:在认知无线电系统中,设定主用户状态在任一个感知时段跳变的次数最多只有三次,即在任一个感知时段主用户信号出现随机到达和离开的情况最多只发生三次,设定仅存在1个次级用户,设定次级用户从一个待感知的频段采集信号,且在每个感知时段的N个采样时刻采样信号,在K个感知时段共采样K×N个信号,将次级用户在第k个感知时段的第n个采样时刻采样的信号记为sk(n),当在第k个感知时段主用户信号出现随机离开(根据第k个感知时段的最后一个时刻决定)的情况时sk(n)描述为:并设置sk(n)的标记为H0;当在第k个感知时段主用户信号出现随机到达(根据第k个感知时段的最后一个时刻决定)的情况时sk(n)描述为:并设置sk(n)的标记为H1;其中,K>1,在本实施例中取K=250000,N>1,在本实施例中取N=1000,1≤k≤K,1≤n≤N,xk(n)表示次级用户在第k个感知时段的第n个采样时刻采样的信号中的主用户信号,wk(n)表示次级用户在第k个感知时段的第n个采样时刻采样的信号中的高斯白噪声信号,wk(n)的均值为0且方差为Na、Nc和Ne表示在第k个感知时段主用户信号随机离开时的前一个采样时刻,Nb、Nd和Nf表示在第k个感知时段主用户信号随机到达时的前一个采样时刻,Na、Nb、Nc、Nd、Ne、Nf均服从超指数分布,Na∈[0,N-1]、Nb∈[0,N-1]、Nc∈[0,N]、Nd∈[0,N-1]、Ne∈[0,N-1]、Nf∈[0,N]。
步骤2:计算次级用户在每个感知时段的每个采样时刻采样的信号的能量,将次级用户在第k个感知时段的第n个采样时刻采样的信号的能量记为Ek(n),Ek(n)=|sk(n)|2;然后获取训练数据,记为E,其中,符号“| |”为取绝对值符号,符号“[]”为矩阵或向量表示符号,E的维数为K×N,E1(1)表示次级用户在第1个感知时段的第1个采样时刻采样的信号的能量,E1(2)表示次级用户在第1个感知时段的第2个采样时刻采样的信号的能量,E1(N)表示次级用户在第1个感知时段的第N个采样时刻采样的信号的能量,E2(1)表示次级用户在第2个感知时段的第1个采样时刻采样的信号的能量,E2(2)表示次级用户在第2个感知时段的第2个采样时刻采样的信号的能量,E2(N)表示次级用户在第2个感知时段的第N个采样时刻采样的信号的能量,EK(1)表示次级用户在第K个感知时段的第1个采样时刻采样的信号的能量,EK(2)表示次级用户在第K个感知时段的第2个采样时刻采样的信号的能量,EK(N)表示次级用户在第K个感知时段的第N个采样时刻采样的信号的能量。
步骤3:构建CNN-CBAM网络:如图2所示,该网络包括三个结构相同的子块、最大池化层、Flatten层(铺平层)、第一全连接层、Dropout层(丢弃层)、第二全连接层,第1个子块的输入端作为该网络的输入端接收输入数据,第2个子块的输入端接收第1个子块的输出端输出的数据,第3个子块的输入端接收第2个子块的输出端输出的数据,最大池化层的输入端接收第3个子块的输出端输出的数据,Flatten层的输入端接收最大池化层的输出端输出的数据,第一全连接层的输入端接收Flatten层的输出端输出的数据,Dropout层的输入端接收第一全连接层的输出端输出的数据,第二全连接层的输入端接收Dropout层的输出端输出的数据,第二全连接层的输出端作为该网络的输出端;如图3所示,子块由依次连接的批量归一化层(BN层)、卷积层和卷积块注意力模块(CBAM)组成,批量归一化层的输入端为其所在的子块的输入端,卷积层的输入端接收批量归一化层的输出端输出的数据,卷积块注意力模块的输入端接收卷积层的输出端输出的数据,卷积块注意力模块的输出端为其所在的子块的输出端;其中,最大池化层的池化窗口大小为2×2、步长为2×2,第一全连接层的神经元个数为128,Dropout层的丢失率为0.5,第二全连接层的神经元个数为2,卷积层的卷积核个数为32、卷积核大小为3×3、步长为1×1,卷积层的激活函数为ReLu函数,卷积块注意力模块的卷积核个数为1、卷积核大小为7×7、步长为1×1。
在本实施例中,批量归一化层、卷积层均采用现有技术;第一全连接层、第二全连接层采用现有的全连接层,最大池化层、Flatten层、Dropout层均采用现有技术;卷积块注意力模块采用现有技术,来源于S Woo,J Park,J Y Lee et al.,CBAM:ConvolutionalBlock Attention Module[J],2018.(CBAM:卷积块注意力模块)。
步骤4:将E和标签输入到构建的CNN-CBAM网络中进行训练,在训练过程中采用交叉熵损失函数并利用自适应矩估计(Adam)算法更新CNN-CBAM网络中的参数;其中,Y的维数为K×1,y1、y2、yK的值为0或1,y1为E1对应的标签,E1表示次级用户在第1个感知时段采样的所有信号的能量构成的能量向量,E1=[E1(1) E1(2) … E1(N)],y1的值为0时代表在第1个感知时段主用户对授权频谱的真实占用状态为未占用,y1的值为1时代表在第1个感知时段主用户对授权频谱的真实占用状态为占用,y2为E2对应的标签,E2表示次级用户在第2个感知时段采样的所有信号的能量构成的向量能量,E2=[E2(1) E2(2) … E2(N)],y2的值为0时代表在第2个感知时段主用户对授权频谱的真实占用状态为未占用,y2的值为1时代表在第2个感知时段主用户对授权频谱的真实占用状态为占用,yK为EK对应的标签,EK表示次级用户在第K个感知时段采样的所有信号的能量构成的能量向量,EK=[EK(1) EK(2)… EK(N)],yK的值为0时代表在第K个感知时段主用户对授权频谱的真实占用状态为未占用,yK的值为1时代表在第K个感知时段主用户对授权频谱的真实占用状态为占用。
本发明在训练CNN-CBAM网络时采用的优化方法是Adam算法,采用其来优化CNN-CBAM网络中的参数θ,Adam算法对参数更新的大小不随着梯度大小的缩放而变化,且不需要固定的目标函数,适合于解决很高噪声或稀疏梯度的问题等。
步骤5:使用训练数据E按照步骤4的过程训练40轮以上,最终训练得到CNN-CBAM网络训练模型。
步骤6:在测试阶段对于同一个待感知的频段,次级用户按照步骤1和步骤2的过程,以相同的方式从该待感知的频段采集信号,在计算在测试阶段次级用户在每个感知时段的每个采样时刻采样的信号的能量后获取测试数据,记为 其中,K'表示在测试阶段的感知时段的数量,K'>1,在本实施例中取K'=10000,N'表示在测试阶段的每个感知时段的采样时刻的数量,N'>1,在本实施例中取N'=1000,的维数为K'×N',表示在测试阶段次级用户在第1个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第1个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第1个感知时段的第N'个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第N'个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第N'个采样时刻采样的信号的能量。
步骤7:将中的每行能量作为一个测试向量,共有K'个测试向量;然后将每个测试向量输入到CNN-CBAM网络训练模型中,CNN-CBAM网络训练模型输出每个测试向量对应的一个数值,数值为0或1,CNN-CBAM网络训练模型输出的第k'个测试向量对应的数值为0时代表在测试阶段在第k'个感知时段主用户信号未占用授权频谱,CNN-CBAM网络训练模型输出的第k'个测试向量对应的数值为1时代表在测试阶段在第k'个感知时段主用户信号占用授权频谱;其中,1≤k'≤K'。
采用检测概率和信噪比的关系曲线(信噪比-检测概率曲线)以及检测概率和虚警概率的关系曲线(ROC曲线)对本发明方法的性能进行评估。CNN-CBAM网络经过训练后,对于任何数据,可以很自然地将其通过CNN-CBAM网络训练模型输出结果,再根据纽曼皮尔逊准则(N-P)判断感知的结果。为了确定在给定虚警概率的情况下的检测阈值,使用蒙特卡洛方法。首先从训练数据E中的K个能量向量中按能量向量的序号先后顺序选出标记为H0的信号的能量构成的能量向量,假设选出的能量向量有个,对选出的个能量向量进行排序,排序的准则为:当时,有再将排序后的个能量向量构成的数据记为 最后获取在给定虚警概率的情况下的检测阈值,记为g,其中,表示选出的第l个能量向量,表示选出的第v个能量向量,表示对于在主用户信号出现随机到达的情况下参数θ的概率,表示对于在主用户信号出现随机到达的情况下参数θ的概率,表示排序后的第1个能量向量,表示排序后的第2个能量向量,表示排序后的第个能量向量,round()为取整函数,表示排序后的第个能量向量,pf为给定的虚警概率。
对于测试数据中的每个测试向量,可以根据CNN-CBAM网络训练模型中的第二全连接层输出精确度判断在对应的感知时段主用户信号是离开还是到达。采用的判别标准为:如果则判定在测试阶段在第k'个感知时段主用户信号是随机离开的;如果则判定在测试阶段在第k'个感知时段主用户信号是随机到达的;其中,θ*表示θ优化之后的值,表示测试数据中的第k'个测试向量,表示对于在主用户信号出现随机到达的情况下参数θ*的概率。再获取检测概率和虚警概率,对应记为pd和pf,pd定义为:pd=p(H1|H1),pf定义为:pf=p(H1|H0),p(H1|H1)代表在主用户信号出现随机到达的情况下判为主用户信号随机到达的概率,p(H1|H0)代表在主用户信号出现随机离开的情况下判为主用户信号随机到达的概率。
为进一步验证本发明方法的可行性和有效性,对本发明方法进行仿真实验。
仿真实验中参数的设置如下:每个感知时段的采样点个数为1000(即采样时刻数),在训练阶段有K=250000个感知时段,在测试阶段有K'=10000个感知时段。CNN-CBAM网络中的超参数Batch_size(一次训练所选取的样本大小)设置为128、epochs(训练的轮次)设置为25、learning rate(学习率)设置为0.0001。
在性能分析中,将本发明方法(CNN-CBAM)与卷积神经网络(CNN)、加权的能量检测法(WED)以及传统的能量检测法(CED)进行比较,以进一步验证本发明方法的优势。在此采用两种衡量指标来度量各方法的性能,第一个指标是用来衡量不同信噪比下的检测概率,称为信噪比-检测概率曲线;第二个指标是反映在不同虚警概率下的检测概率,称为ROC曲线。
图4显示了虚警概率设置为0.1时本发明方法(CNN-CBAM)、卷积神经网络(CNN)、加权的能量检测法(WED)以及传统的能量检测法(CED)的信噪比-检测概率曲线。从图4中可以看出,本发明方法的检测性能明显优于WED方法和CED方法,相较于CNN而言,当信噪比低于-4dB时,本发明方法的检测性能要优于CNN。
图5显示了信噪比设置为-15dB时本发明方法(CNN-CBAM)、卷积神经网络(CNN)、加权的能量检测法(WED)以及传统的能量检测法(CED)的ROC曲线。从图5中可以看出,本发明方法的性能要好于其它对比方法,原因在于:本发明方法构建的卷积神经网络结构中引入了CBAM,从而进一步提高了卷积神经网络的特征提取的能力。
Claims (1)
1.一种基于CNN-CBAM的频谱感知方法,其特征在于包括以下步骤:
步骤1:在认知无线电系统中,设定主用户状态在任一个感知时段跳变的次数最多只有三次,即在任一个感知时段主用户信号出现随机到达和离开的情况最多只发生三次,设定仅存在1个次级用户,设定次级用户从一个待感知的频段采集信号,且在每个感知时段的N个采样时刻采样信号,在K个感知时段共采样K×N个信号,将次级用户在第k个感知时段的第n个采样时刻采样的信号记为sk(n),当在第k个感知时段主用户信号出现随机离开的情况时sk(n)描述为:并设置sk(n)的标记为H0;当在第k个感知时段主用户信号出现随机到达的情况时sk(n)描述为:并设置sk(n)的标记为H1;其中,K>1,N>1,1≤k≤K,1≤n≤N,xk(n)表示次级用户在第k个感知时段的第n个采样时刻采样的信号中的主用户信号,wk(n)表示次级用户在第k个感知时段的第n个采样时刻采样的信号中的高斯白噪声信号,wk(n)的均值为0且方差为Na、Nc和Ne表示在第k个感知时段主用户信号随机离开时的前一个采样时刻,Nb、Nd和Nf表示在第k个感知时段主用户信号随机到达时的前一个采样时刻,Na、Nb、Nc、Nd、Ne、Nf均服从超指数分布,Na∈[0,N-1]、Nb∈[0,N-1]、Nc∈[0,N]、Nd∈[0,N-1]、Ne∈[0,N-1]、Nf∈[0,N];
步骤2:计算次级用户在每个感知时段的每个采样时刻采样的信号的能量,将次级用户在第k个感知时段的第n个采样时刻采样的信号的能量记为Ek(n),Ek(n)=|sk(n)|2;然后获取训练数据,记为E,其中,符号“| |”为取绝对值符号,符号“[]”为矩阵或向量表示符号,E的维数为K×N,E1(1)表示次级用户在第1个感知时段的第1个采样时刻采样的信号的能量,E1(2)表示次级用户在第1个感知时段的第2个采样时刻采样的信号的能量,E1(N)表示次级用户在第1个感知时段的第N个采样时刻采样的信号的能量,E2(1)表示次级用户在第2个感知时段的第1个采样时刻采样的信号的能量,E2(2)表示次级用户在第2个感知时段的第2个采样时刻采样的信号的能量,E2(N)表示次级用户在第2个感知时段的第N个采样时刻采样的信号的能量,EK(1)表示次级用户在第K个感知时段的第1个采样时刻采样的信号的能量,EK(2)表示次级用户在第K个感知时段的第2个采样时刻采样的信号的能量,EK(N)表示次级用户在第K个感知时段的第N个采样时刻采样的信号的能量;
步骤3:构建CNN-CBAM网络:该网络包括三个结构相同的子块、最大池化层、Flatten层、第一全连接层、Dropout层、第二全连接层,第1个子块的输入端作为该网络的输入端接收输入数据,第2个子块的输入端接收第1个子块的输出端输出的数据,第3个子块的输入端接收第2个子块的输出端输出的数据,最大池化层的输入端接收第3个子块的输出端输出的数据,Flatten层的输入端接收最大池化层的输出端输出的数据,第一全连接层的输入端接收Flatten层的输出端输出的数据,Dropout层的输入端接收第一全连接层的输出端输出的数据,第二全连接层的输入端接收Dropout层的输出端输出的数据,第二全连接层的输出端作为该网络的输出端;子块由依次连接的批量归一化层、卷积层和卷积块注意力模块组成,批量归一化层的输入端为其所在的子块的输入端,卷积层的输入端接收批量归一化层的输出端输出的数据,卷积块注意力模块的输入端接收卷积层的输出端输出的数据,卷积块注意力模块的输出端为其所在的子块的输出端;其中,最大池化层的池化窗口大小为2×2、步长为2×2,第一全连接层的神经元个数为128,Dropout层的丢失率为0.5,第二全连接层的神经元个数为2,卷积层的卷积核个数为32、卷积核大小为3×3、步长为1×1,卷积层的激活函数为ReLu函数,卷积块注意力模块的卷积核个数为1、卷积核大小为7×7、步长为1×1;
步骤4:将E和标签输入到构建的CNN-CBAM网络中进行训练,在训练过程中采用交叉熵损失函数并利用自适应矩估计算法更新CNN-CBAM网络中的参数;其中,Y的维数为K×1,y1、y2、yK的值为0或1,y1为E1对应的标签,E1表示次级用户在第1个感知时段采样的所有信号的能量构成的能量向量,E1=[E1(1) E1(2)…E1(N)],y1的值为0时代表在第1个感知时段主用户对授权频谱的真实占用状态为未占用,y1的值为1时代表在第1个感知时段主用户对授权频谱的真实占用状态为占用,y2为E2对应的标签,E2表示次级用户在第2个感知时段采样的所有信号的能量构成的向量能量,E2=[E2(1) E2(2)…E2(N)],y2的值为0时代表在第2个感知时段主用户对授权频谱的真实占用状态为未占用,y2的值为1时代表在第2个感知时段主用户对授权频谱的真实占用状态为占用,yK为EK对应的标签,EK表示次级用户在第K个感知时段采样的所有信号的能量构成的能量向量,EK=[EK(1) EK(2)…EK(N)],yK的值为0时代表在第K个感知时段主用户对授权频谱的真实占用状态为未占用,yK的值为1时代表在第K个感知时段主用户对授权频谱的真实占用状态为占用;
步骤5:使用训练数据E按照步骤4的过程训练40轮以上,最终训练得到CNN-CBAM网络训练模型;
步骤6:在测试阶段对于同一个待感知的频段,次级用户按照步骤1和步骤2的过程,以相同的方式从该待感知的频段采集信号,在计算在测试阶段次级用户在每个感知时段的每个采样时刻采样的信号的能量后获取测试数据,记为 其中,K'表示在测试阶段的感知时段的数量,K'>1,N'表示在测试阶段的每个感知时段的采样时刻的数量,N'>1,的维数为K'×N',表示在测试阶段次级用户在第1个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第1个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第1个感知时段的第N'个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第2个感知时段的第N'个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第1个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第2个采样时刻采样的信号的能量,表示在测试阶段次级用户在第K'个感知时段的第N'个采样时刻采样的信号的能量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678262.8A CN115276853B (zh) | 2022-06-16 | 2022-06-16 | 一种基于cnn-cbam的频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678262.8A CN115276853B (zh) | 2022-06-16 | 2022-06-16 | 一种基于cnn-cbam的频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115276853A true CN115276853A (zh) | 2022-11-01 |
CN115276853B CN115276853B (zh) | 2023-10-03 |
Family
ID=83761589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210678262.8A Active CN115276853B (zh) | 2022-06-16 | 2022-06-16 | 一种基于cnn-cbam的频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115276853B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108243129A (zh) * | 2017-12-15 | 2018-07-03 | 西安电子科技大学 | 基于注意力深度网络的无线电信号特征提取方法 |
US20180324595A1 (en) * | 2017-05-05 | 2018-11-08 | Ball Aerospace & Technologies Corp. | Spectral sensing and allocation using deep machine learning |
CN109379153A (zh) * | 2018-12-17 | 2019-02-22 | 电子科技大学 | 一种频谱感知方法 |
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 |
CN112311488A (zh) * | 2020-11-05 | 2021-02-02 | 上海应用技术大学 | 基于小波分解的频谱感知方法 |
CN112383369A (zh) * | 2020-07-23 | 2021-02-19 | 哈尔滨工业大学 | 基于cnn-lstm网络模型的认知无线电多信道频谱感知方法 |
CN113049084A (zh) * | 2021-03-16 | 2021-06-29 | 电子科技大学 | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 |
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 |
KR20210126912A (ko) * | 2020-04-13 | 2021-10-21 | 엘아이지넥스원 주식회사 | 인지 무선 시스템에서 합성곱 신경망 기반 스펙트럼 센싱 방법 및 장치 |
KR20210128161A (ko) * | 2020-04-16 | 2021-10-26 | 한밭대학교 산학협력단 | 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치 |
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 |
US20210357742A1 (en) * | 2018-10-03 | 2021-11-18 | Northeastern University | Real-Time Cognitive Wireless Networking Through Deep Learning in Transmission and Reception Communication Paths |
CN113852432A (zh) * | 2021-01-07 | 2021-12-28 | 上海应用技术大学 | 基于rcs-gru模型的频谱预测感知方法 |
US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
CN114337880A (zh) * | 2021-11-15 | 2022-04-12 | 宁波大学 | 一种考虑主用户信号随机到达和离开的频谱感知方法 |
-
2022
- 2022-06-16 CN CN202210678262.8A patent/CN115276853B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180324595A1 (en) * | 2017-05-05 | 2018-11-08 | Ball Aerospace & Technologies Corp. | Spectral sensing and allocation using deep machine learning |
CN108243129A (zh) * | 2017-12-15 | 2018-07-03 | 西安电子科技大学 | 基于注意力深度网络的无线电信号特征提取方法 |
US20210357742A1 (en) * | 2018-10-03 | 2021-11-18 | Northeastern University | Real-Time Cognitive Wireless Networking Through Deep Learning in Transmission and Reception Communication Paths |
CN109379153A (zh) * | 2018-12-17 | 2019-02-22 | 电子科技大学 | 一种频谱感知方法 |
KR20210126912A (ko) * | 2020-04-13 | 2021-10-21 | 엘아이지넥스원 주식회사 | 인지 무선 시스템에서 합성곱 신경망 기반 스펙트럼 센싱 방법 및 장치 |
KR20210128161A (ko) * | 2020-04-16 | 2021-10-26 | 한밭대학교 산학협력단 | 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치 |
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 |
CN112383369A (zh) * | 2020-07-23 | 2021-02-19 | 哈尔滨工业大学 | 基于cnn-lstm网络模型的认知无线电多信道频谱感知方法 |
US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
CN112311488A (zh) * | 2020-11-05 | 2021-02-02 | 上海应用技术大学 | 基于小波分解的频谱感知方法 |
CN113852432A (zh) * | 2021-01-07 | 2021-12-28 | 上海应用技术大学 | 基于rcs-gru模型的频谱预测感知方法 |
CN113049084A (zh) * | 2021-03-16 | 2021-06-29 | 电子科技大学 | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 |
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 |
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 |
CN114337880A (zh) * | 2021-11-15 | 2022-04-12 | 宁波大学 | 一种考虑主用户信号随机到达和离开的频谱感知方法 |
Non-Patent Citations (5)
Title |
---|
JIANDONG XIE: "Deep Learning-Based Spectrum Sensing in Cognitive Radio: A CNN-LSTM Approach", 《IEEE COMMUNICATIONS LETTERS》 * |
LIXING YU: "Spectrum Availability Prediction for Cognitive Radio Communications: A DCG Approach", 《IEEE TRANSACTIONS ON COGNITIVE COMMUNICATIONS AND NETWORKING》 * |
卢光跃;施聪;吕少卿;周亮;: "基于LSTM神经网络的频谱感知算法", 信号处理, no. 12 * |
焦传海;王可人;冯辉;: "认知无线电中基于自相关矩阵的协作盲感知", 电路与系统学报, no. 01 * |
陈芬;林洁;叶勋;俞敏杰;王正旺;刘婷婷;王俊;束锋;: "一种适用于主用户信号随机出现和离开的能量频谱感知方法", 数据采集与处理, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN115276853B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111600667B (zh) | 一种基于cnn-lstm的频谱感知方法 | |
CN108509911B (zh) | 基于卷积神经网络的干扰信号识别方法 | |
Hu et al. | Robust modulation classification under uncertain noise condition using recurrent neural network | |
CN115276855A (zh) | 一种基于ResNet-CBAM的频谱感知方法 | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN110210644A (zh) | 基于深度神经网络集成的交通流量预测方法 | |
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 | |
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 | |
CN112241724A (zh) | 一种基于双路卷积长短期神经网络的自动识别方法及系统 | |
CN114239749A (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
CN114398992A (zh) | 一种基于无监督域适应的智能故障诊断方法 | |
CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
CN114355298A (zh) | 一种雷达复合调制脉冲信号识别方法 | |
CN117556230A (zh) | 基于多尺度注意力特征融合的射频信号识别方法及系统 | |
CN117648948A (zh) | 基于信号周期性特征的cnn-lstm网络信号调制识别方法 | |
CN113109782A (zh) | 一种直接应用于雷达辐射源幅度序列的新型分类方法 | |
CN115276853B (zh) | 一种基于cnn-cbam的频谱感知方法 | |
CN115276854B (zh) | 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 | |
CN116566777A (zh) | 一种基于图卷积神经网络的跳频信号调制识别方法 | |
CN113114398B (zh) | 基于残差连接与膨胀卷积的通信干扰存在性检测方法 | |
CN115270891A (zh) | 一种信号对抗样本的生成方法、装置、设备及存储介质 | |
CN115563485A (zh) | 一种基于深度学习的低复杂度干扰识别方法 | |
CN111259861A (zh) | 一种数据集不均衡条件下的水声通信信号调制方式识别方法 | |
Jiang et al. | A network fault diagnostic approach based on a statistical traffic normality prediction algorithm | |
CN112529035B (zh) | 识别不同电台个体种类的智能识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |