CN115276854B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115276854B CN115276854B CN202210678263.2A CN202210678263A CN115276854B CN 115276854 B CN115276854 B CN 115276854B CN 202210678263 A CN202210678263 A CN 202210678263A CN 115276854 B CN115276854 B CN 115276854B
- Authority
- CN
- China
- Prior art keywords
- sensing period
- energy
- secondary user
- layer
- representing
- 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
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
Abstract
本发明公开了一种基于ResNet‑CBAM的主用户信号随机到达和离开的能量频谱感知方法,其在训练阶段,构建ResNet‑CBAM网络,然后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,接着将训练数据与对应的标签输入到ResNet‑CBAM网络中进行训练,通过优化参数训练得到ResNet‑CBAM网络训练模型;在测试阶段,同样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测试数据,将测试数据中的每行能量作为一个测试向量输入到ResNet‑CBAM网络训练模型中,输出代表在该测试向量对应的感知时段主用户信号是否占用授权频谱的数值;优点是其计算复杂度低,鲁棒性好,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残差注意力网络ResNet-CBAM(Convolutional Block Attention Module,卷积块注意力模块)的主用户信号随机到达和离开的能量频谱感知方法。
背景技术
无线电频谱资源是一种不可再生的通信资源,然而随着无线通信业务的迅猛增长以及频谱利用率低下,无线电频谱资源短缺。因此,为了解决无线电频谱资源短缺的问题,人们提出了认知无线电技术。
认知无线电技术的基本思想是频谱复用,即允许次级用户(Secondary User,SU)在主用户(Primary User,PU)为非活动时使用授权频谱。为了实现这一点,需要SU经常进行频谱感知,即检测PU的授权频谱的占用状态。
频谱感知技术是认知无线电技术的关键技术之一。现有的频谱感知方法往往都假设在SU进行频谱感知的时候,PU的状态是固定不变的,即PU一直都存在或不存在,但是这样的假设过于理想,因为频谱感知往往要通过一段相对较长的时间来收集数据样本来做出正确的判决。在频谱感知阶段,PU的状态极有可能发生变化,即在SU进行频谱感知的过程中PU会随机地到达或离开,然而这样的随机到达或离开将造成现有的能量频谱感知方法即功率门限检测方法等性能下降。
相比于传统的能量频谱感知方法,深度学习是一种基于大规模数据的表征学习算法,它可以自动地从大量数据中寻找数据特征,同时它具有深层结构,有更强的特征提取能力。因此,研究一种基于深度学习的主用户信号随机到达和离开的能量频谱感知方法是非常有必要的。
发明内容
本发明所要解决的技术问题是提供一种基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法,其计算复杂度低,鲁棒性好,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ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法,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一次,即在任一个感知时段主用户信号出现随机到达或离开的情况最多只发生一次,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σw2,Na表示在感知时段主用户信号随机离开时的前一个采样时刻,Nb表示在感知时段主用户信号随机到达时的前一个采样时刻,Na和Nb均服从指数分布并且Na∈[0,N]、Nb∈[0,N-1];
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,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ResNet-CBAM网络:该网络包括五个结构相同的残差块、最大池化层、Flatten层、第一全连接层、Dropout层、第二全连接层,第1个残差块的输入端作为该网络的输入端接收输入数据,第2个残差块的输入端接收输入数据与第1个残差块的输出端输出的数据通过相加合并后得到的数据,第3个残差块的输入端接收第1个残差块的输出端输出的数据与第2个残差块的输出端输出的数据通过相加合并后得到的数据,第4个残差块的输入端接收第2个残差块的输出端输出的数据与第3个残差块的输出端输出的数据通过相加合并后得到的数据,第5个残差块的输入端接收第3个残差块的输出端输出的数据与第4个残差块的输出端输出的数据通过相加合并后得到的数据,最大池化层的输入端接收第4个残差块的输出端输出的数据与第5个残差块的输出端输出的数据通过相加合并后得到的数据,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;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,残差块由第一批归一化层、第一卷积层、第二批归一化层、第二卷积层、卷积块注意力模块组成,第一批归一化层的输入端为其所在的残差块的输入端,第一卷积层的输入端接收第一批归一化层的输出端输出的数据,第二批归一化层的输入端接收第一卷积层的输出端输出的数据,第二卷积层的输入端接收第二批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第二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残差块的输出端,第一卷积层和第二卷积层的卷积核个数均为32、卷积核大小均为3×3、步长均为1×1,第一卷积层和第二卷积层的激活函数均为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ResNet-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ResNet-CBAM网络中的参数;其中,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ResNet-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,/>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ResNet-CBAM网络训练模型中,ResNet-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,ResNet-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,ResNet-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)本发明方法构建的ResNet-CBAM网络是结合卷积块注意力模块的残差网络,利用其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)本发明方法构建的残差网络可以在加深网络深度的情况下而不会造成网络过拟合现象,进而增强网络的特征提取能力;与此同时又在残差网络中引入了卷积块注意力模块,卷积块注意力模块可以增加网络的表征能力,从而可以进一步提高网络训练模型的准确率。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ResNet-CBAM网络的组成结构示意图;
图3为本发明方法构建的ResNet-CBAM网络中的残差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(ResNet-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-10dB时本发明方法(ResNet-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随机到达或离开的情况,提出了一种基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法,其总体实现框图如图1所示,其包括以下步骤:
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一次,即在任一个感知时段主用户信号出现随机到达或离开的情况最多只发生一次,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,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表示在感知时段主用户信号随机离开时的前一个采样时刻,Nb表示在感知时段主用户信号随机到达时的前一个采样时刻,Na和Nb均服从指数分布并且Na∈[0,N]、Nb∈[0,N-1]。
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,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ResNet-CBAM网络:如图2所示,该网络包括五个结构相同的残差块、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个残差块的输入端作为该网络的输入端接收输入数据,第2个残差块的输入端接收输入数据与第1个残差块的输出端输出的数据通过相加合并后得到的数据,第3个残差块的输入端接收第1个残差块的输出端输出的数据与第2个残差块的输出端输出的数据通过相加合并后得到的数据,第4个残差块的输入端接收第2个残差块的输出端输出的数据与第3个残差块的输出端输出的数据通过相加合并后得到的数据,第5个残差块的输入端接收第3个残差块的输出端输出的数据与第4个残差块的输出端输出的数据通过相加合并后得到的数据,最大池化层的输入端接收第4个残差块的输出端输出的数据与第5个残差块的输出端输出的数据通过相加合并后得到的数据,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;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,如图3所示,残差块由第一批归一化层(BN层)、第一卷积层、第二批归一化层、第二卷积层、卷积块注意力模块(CBAM)组成,第一批归一化层的输入端为其所在的残差块的输入端,第一卷积层的输入端接收第一批归一化层的输出端输出的数据,第二批归一化层的输入端接收第一卷积层的输出端输出的数据,第二卷积层的输入端接收第二批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第二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残差块的输出端,第一卷积层和第二卷积层的卷积核个数均为32、卷积核大小均为3×3、步长均为1×1,第一卷积层和第二卷积层的激活函数均为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,第一批归一化层、第二批归一化层采用现有的批归一化层,第一卷积层、第二卷积层采用现有的卷积层,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(SWoo,J Park,J Y Lee et al.,CBAM:Convolutional Block Attention Module[J],2018.(CBAM:卷积块注意力模块));相加合并操作是指对应的元素相加,例如:第1个残差块的输出端输出的数据与第2个残差块的输出端输出的数据相加合并,是指第1个残差块的输出端输出的数据中的元素与第2个残差块的输出端输出的数据中对应的元素相加。
一般残差块由两个卷积层串联组合,而在本发明中引入了CBAM,即每个残差块是由两个卷积层和一个CBAM串联组合而成,其中CBAM放在残差块的最后一层。
步骤4:将E和标签输入到构建的ResNet-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ResNet-CBAM网络中的参数;其中,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。
本发明在训练网络时采用的优化方法是Adam算法,采用其来优化网络中的参数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ResNet-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,/>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ResNet-CBAM网络训练模型中,ResNet-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,ResNet-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,ResNet-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以及检测概率和虚警概率的关系曲线(ROC)对本发明方法的性能进行评估。ResNet-CBAM网络经过训练后,对于任何数据,可以很自然地将其通过ResNet-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γ,/>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,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ResNet-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优化之后的参数,/>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N=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。ResNet-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40、learning rate(学习率)设置为0.0001。
在性能分析中,将本发明方法(ResNet-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(ResNet-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-3dB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-10dB时本发明方法(ResNet-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:本发明方法构建的网络采用了残差网络以便可以加深网络的深度提高网络的特征提取能力,另外又在残差块中插入CBAM进一步提高了残差网络的性能。
Claims (1)
1.一种基于ResNet-CBAM的主用户信号随机到达和离开的能量频谱感知方法,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一次,即在任一个感知时段主用户信号出现随机到达或离开的情况最多只发生一次,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表示在感知时段主用户信号随机离开时的前一个采样时刻,Nb表示在感知时段主用户信号随机到达时的前一个采样时刻,Na和Nb均服从指数分布并且Na∈[0,N]、Nb∈[0,N-1];
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,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ResNet-CBAM网络:该网络包括五个结构相同的残差块、最大池化层、Flatten层、第一全连接层、Dropout层、第二全连接层,第1个残差块的输入端作为该网络的输入端接收输入数据,第2个残差块的输入端接收输入数据与第1个残差块的输出端输出的数据通过相加合并后得到的数据,第3个残差块的输入端接收第1个残差块的输出端输出的数据与第2个残差块的输出端输出的数据通过相加合并后得到的数据,第4个残差块的输入端接收第2个残差块的输出端输出的数据与第3个残差块的输出端输出的数据通过相加合并后得到的数据,第5个残差块的输入端接收第3个残差块的输出端输出的数据与第4个残差块的输出端输出的数据通过相加合并后得到的数据,最大池化层的输入端接收第4个残差块的输出端输出的数据与第5个残差块的输出端输出的数据通过相加合并后得到的数据,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;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,残差块由第一批归一化层、第一卷积层、第二批归一化层、第二卷积层、卷积块注意力模块组成,第一批归一化层的输入端为其所在的残差块的输入端,第一卷积层的输入端接收第一批归一化层的输出端输出的数据,第二批归一化层的输入端接收第一卷积层的输出端输出的数据,第二卷积层的输入端接收第二批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第二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残差块的输出端,第一卷积层和第二卷积层的卷积核个数均为32、卷积核大小均为3×3、步长均为1×1,第一卷积层和第二卷积层的激活函数均为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ResNet-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ResNet-CBAM网络中的参数;其中,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ResNet-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,/>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ResNet-CBAM网络训练模型中,ResNet-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,ResNet-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,ResNet-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'。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678263.2A CN115276854B (zh) | 2022-06-16 | 2022-06-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678263.2A CN115276854B (zh) | 2022-06-16 | 2022-06-16 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115276854A CN115276854A (zh) | 2022-11-01 |
CN115276854B true CN115276854B (zh) | 2023-10-03 |
Family
ID=83761862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210678263.2A Active CN115276854B (zh) | 2022-06-16 | 2022-06-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115276854B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102299748A (zh) * | 2010-06-28 | 2011-12-28 | 中国科学院微电子研究所 | 一种认知无线电网络中的频谱检测方法 |
CN109245840A (zh) * | 2018-10-15 | 2019-01-18 | 哈尔滨工业大学 | 认知无线电系统中基于卷积神经网络的频谱预测方法 |
CN111417124A (zh) * | 2019-06-28 | 2020-07-14 | 西南交通大学 | 在认知无线网络环境下频谱感知的方法 |
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 |
US10880752B1 (en) * | 2020-05-08 | 2020-12-29 | King Abdulaziz University | Method for spectrum sensing unoccupied frequency |
EP3789922A1 (en) * | 2019-09-06 | 2021-03-10 | Imec VZW | A neural network for identifying radio technologies |
CN112770325A (zh) * | 2020-12-09 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的认知车联网频谱感知方法 |
KR20210128161A (ko) * | 2020-04-16 | 2021-10-26 | 한밭대학교 산학협력단 | 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치 |
CN113570032A (zh) * | 2021-06-11 | 2021-10-29 | 杭州电子科技大学 | 基于半监督深度神经网络的有限数据频谱感知方法 |
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 |
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 |
CN114363128A (zh) * | 2022-01-05 | 2022-04-15 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的宽带信号检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11190944B2 (en) * | 2017-05-05 | 2021-11-30 | Ball Aerospace & Technologies Corp. | Spectral sensing and allocation using deep machine learning |
-
2022
- 2022-06-16 CN CN202210678263.2A patent/CN115276854B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102299748A (zh) * | 2010-06-28 | 2011-12-28 | 中国科学院微电子研究所 | 一种认知无线电网络中的频谱检测方法 |
CN109245840A (zh) * | 2018-10-15 | 2019-01-18 | 哈尔滨工业大学 | 认知无线电系统中基于卷积神经网络的频谱预测方法 |
CN111417124A (zh) * | 2019-06-28 | 2020-07-14 | 西南交通大学 | 在认知无线网络环境下频谱感知的方法 |
EP3789922A1 (en) * | 2019-09-06 | 2021-03-10 | Imec VZW | A neural network for identifying radio technologies |
KR20210128161A (ko) * | 2020-04-16 | 2021-10-26 | 한밭대학교 산학협력단 | 인지 무선 통신을 위한 순환 신경망 기반 스펙트럼 센싱 방법 및 장치 |
US10880752B1 (en) * | 2020-05-08 | 2020-12-29 | King Abdulaziz University | Method for spectrum sensing unoccupied frequency |
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 |
CN112770325A (zh) * | 2020-12-09 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的认知车联网频谱感知方法 |
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 |
CN113570032A (zh) * | 2021-06-11 | 2021-10-29 | 杭州电子科技大学 | 基于半监督深度神经网络的有限数据频谱感知方法 |
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 |
CN114363128A (zh) * | 2022-01-05 | 2022-04-15 | 电子科技大学长三角研究院(湖州) | 一种基于深度学习的宽带信号检测方法 |
Non-Patent Citations (5)
Title |
---|
JIAI HE.An Effective Reconstruction Algorithm Based on Modulated Wideband Converter for Wideband Spectrum Sensing.《IEEE Access》.2020,全文. * |
Zan Yin.The Performance Analysis of Signal Recognition Using Attention Based CNN Method.《IEEE Access》.2020,全文. * |
束学渊 ; 汪立新 ; .联合循环平稳特征PCA与XGBoost的频谱感知.计算机应用与软件.2020,(第04期),全文. * |
贾云峰 ; 邱琳 ; 魏鸿浩 ; .基于k最近邻回归的频谱占用度预测.电讯技术.2016,(第08期),全文. * |
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.2018,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115276854A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115276855B (zh) | 一种基于ResNet-CBAM的频谱感知方法 | |
CN107743103B (zh) | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 | |
Hu et al. | Robust modulation classification under uncertain noise condition using recurrent neural network | |
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 | |
CN111614584B (zh) | 基于神经网络的变换域自适应滤波信道估计方法 | |
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 | |
CN113723007B (zh) | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 | |
Sung et al. | Asymptotic locally optimal detector for large-scale sensor networks under the Poisson regime | |
CN103117820A (zh) | 基于可信度的加权协作频谱检测方法 | |
CN113572708B (zh) | 一种dft信道估计改进方法 | |
CN113852432A (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN110311876A (zh) | 基于深度神经网络的水声正交频分复用接收机的实现方法 | |
CN112787736B (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
CN111431825B (zh) | 一种基于深度多流神经网络的信号自动分类识别方法 | |
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 | |
Zhang et al. | Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection | |
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 | |
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 | |
CN115276853B (zh) | 一种基于cnn-cbam的频谱感知方法 | |
CN116170066B (zh) | 一种面向低轨卫星物联网的负载预测方法 | |
CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
Xie et al. | Blind identification of autoregressive system using chaos | |
CN109286937B (zh) | 利用小特征值估计噪声功率的协方差矩阵频谱感知方法 | |
CN113114398A (zh) | 基于残差连接与膨胀卷积的通信干扰存在性检测方法 | |
CN109067483B (zh) | 一种利用以往感知时隙数据的最大特征值频谱感知方法 |
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 |