CN115276856B - 一种基于深度学习的信道选择方法 - Google Patents
一种基于深度学习的信道选择方法 Download PDFInfo
- Publication number
- CN115276856B CN115276856B CN202210678275.5A CN202210678275A CN115276856B CN 115276856 B CN115276856 B CN 115276856B CN 202210678275 A CN202210678275 A CN 202210678275A CN 115276856 B CN115276856 B CN 115276856B
- Authority
- CN
- China
- Prior art keywords
- frame
- secondary user
- grant channel
- test
- signal transmitted
- 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深度学习的信道选择方法,其构建残差网络,在训练阶段通过计算授权信道中传输的信号的能量的检验统计量创建第1个训练数据,并从第1个训练数据中随机选择两个授权信道相关的数据构成第2个训练数据;对两个训练数据分别训练,得到第一、第二残差网络训练模型;在测试阶段,对于测试的第1帧,获取第一测试数据,并输入到第一残差网络训练模型中进行测试,对于测试的后续每帧,获取第二测试数据,第二测试数据仅包含前一帧测试得到的空闲概率最大的授权信道相关的数据及随机选择的一个授权信道相关的数据,并输入到第二残差网络训练模型中进行测试;优点是能在不同信噪比下准确地选择出空闲概率最大的授权信道进行接入。
Description
技术领域
本发明涉及一种认知无线电技术,尤其是涉及一种基于深度学习的信道选择方法,其通过残差网络来选择出授权信道集中空闲概率最大的授权信道进行接入。
背景技术
近年来,随着无线通信技术的快速发展,特别是5G网络的大规模部署和物联网的大规模应用,无线通信系统和设备的数量迅速增加,对频谱的需求也在不断增加。因此,如何有效地利用现有的频谱资源已成为无线通信领域的热点问题。目前,无线应用使用的主要频谱资源大多是通过简单的固定资源分配获得的。但目前频谱资源主要分为授权频带和未授权频带,与未授权频带相比,授权频带的频谱资源相对较多,但部分授权频带的频谱资源利用率较低,许多光谱甚至长时间处于空闲状态。这种利用频谱资源的方式实际上造成了稀缺频谱资源的巨大浪费。
通过研究频谱的占用率来识别空闲信道,可以有效地提高频谱资源的利用效率以及通信的成功率。认知无线电系统中的认知用户在访问未经许可的频谱时需要正确的频谱可用性评估和态势感知。毫无疑问,监测和了解频谱资源的使用情况将成为改善和规范5G无线频谱使用的重要条件。由于现有的频谱资源的稀缺性,因此人们对动态频谱接入原理产生了极大的兴趣。一些调查表明,当前的频谱分配策略对频谱的使用未充分利用。采用动态频谱接入方式将大大提高频谱使用效率。然而,这种方法高度依赖于基于占空比的时间频谱利用率的准确估计。因此,有研究者提出一个前瞻性的频谱预测系统,可以帮助减少能源消耗频谱感知认知用户和改善频谱接入,并减少网络中断。
近年来,基于深度学习的方法因其在大规模数据处理和分析方面的良好性能而受到广泛关注。卷积神经网络是一种经典的深度前馈人工神经网络,其在图像分类、视频分析、人脸识别、推荐系统、自然语言处理等大规模数据分析任务中取得了显著进展,卷积运算可以增强原始信号、减少干扰、参数训练少。目前,人们对各种预测技术和应用进行了广泛的研究,其中有基于线性回归分析、贝叶斯推理或马尔可夫分析的模型探索,然而,由于频谱数据的多维特性、离散状态表示的复杂性以及可扩展性问题,因此这些模型在捕捉非线性方面受到限制,这将阻碍信道质量或状态预测的准确性。
传统的随机信道选择策略是从一组主信道中随机选择一个信道进行感知,并根据感知结果决定是否接入和传输信息。传统的随机信道选择策略没有充分利用信道的特性,很有可能选择了被主用户频繁占用的信道。离散广义跟踪算法和灵活的基于多参数的信道预测与排序算法都能动态调整选择可用信道的概率,最终选择最佳的一个信道进行接入。但这两种方案可能会陷入局部最优,同时没有充分利用其它信道。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的信道选择方法,其能够在不同信噪比下准确地选择出授权信道集中空闲概率最大的授权信道进行接入,从而有效地提高了频谱利用率。
本发明解决上述技术问题所采用的技术方案为:一种基于深度学习的信道选择方法,其特征在于包括以下步骤:
步骤1:在认知无线电系统中,设定仅存在1个次级用户,设定有M个授权信道,设定每帧由N个时隙组成,且每个时隙取K个采样点;其中,M≥2,N≥1,K>1;
并构建残差网络:该残差网络包括第一批归一化层、第一卷积层、五个残差块、最大池化层、Flatten层、第一全连接层、Dropout层、第二全连接层,第一批归一化层的输入端作为该残差网络的输入端接收输入数据,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1个残差块的输入端接收第一卷积层的输出端输出的数据,第2个残差块的输入端接收第一卷积层的输出端输出的数据与第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残差网络的输出端;其中,第一卷积层的卷积核个数为32、卷积核大小为3×3、步长为1×1,第一卷积层的激活函数为Relu函数,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7或2;
步骤2:设定初始帧为第1帧,在每帧中的每个时隙的各个采样时刻次级用户都要接收每个授权信道中传输的信号,将在第f帧中的第n个时隙的第k个采样时刻次级用户接收到的第m个授权信道中传输的信号记为描述为:然后计算在每帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,将在第f帧中的第n个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量记为/> 再根据在每帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,创建残差网络第一次训练所需的训练数据,记为E,/>并从E中随机选择两个授权信道相关的数据构成残差网络第二次训练所需的训练数据,记为
其中,1≤f≤F,F表示训练的帧数,1≤n≤N,1≤k≤K,1≤m≤M,表示在第f帧中的第n个时隙的第k个采样时刻次级用户测量到的第m个授权信道中传输的主用户信号,/>表示在第f帧中的第n个时隙的第k个采样时刻次级用户测量到的第m个授权信道中传输的噪声,H1表示第m个授权信道处于忙碌状态,H0表示第m个授权信道处于空闲状态,符号“| |”为取绝对值符号,E的维数为M×(N×F),符号“[]”为向量或矩阵表示符号,E1表示E中的第1个样本,/>E2表示E中的第2个样本,/>EF表示E中的第F个样本,/> 表示在第1帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,表示在第F帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量, 表示在第f帧中的第1个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧中的第2个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧中的第N个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>的维数为2×(N×F),表示/>中的第1个样本,/> 表示/>中的第2个样本,/> 表示/>中的第F个样本,/> 表示在第1帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,m0和m1为随机选择的两个授权信道的索引号,m0∈[1,…,M],m1∈[1,…,M],m0与m1不相等;
步骤3:将E和标签Z=[z1 z2 … zF]输入到构建的残差网络中进行训练,残差网络输出空闲概率最大的授权信道的索引号,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残差网络中的参数;其中,z1表示在第1帧中真实空闲概率最大的授权信道的索引号,z2表示在第2帧中真实空闲概率最大的授权信道的索引号,zF表示在第F帧中真实空闲概率最大的授权信道的索引号,zf表示在第f帧中真实空闲概率最大的授权信道的索引号,zf∈[1,…,M],残差网络中的第二全连接层的神经元个数为7;
步骤4:将和标签Z=[z1 z2 … zF]输入到构建的残差网络中进行训练,残差网络输出空闲概率最大的授权信道的索引号,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残差网络中的参数;其中,残差网络中的第二全连接层的神经元个数为2;
步骤5:重复执行步骤3和4多次,完成多轮训练后训练得到第一残差网络训练模型和第二残差网络训练模型;
步骤6:测试时对于测试的第1帧,按步骤2的过程,以相同的方式获取在该帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,再根据在该帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,获得第一测试数据,记为Etest1,其中,Etest1的维数为M×N,/>表示在测试的第1帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第1帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第1帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量;
步骤7:将Etest1输入到第一残差网络训练模型中进行测试,第一残差网络训练模型输出在测试的第1帧中空闲概率最大的授权信道的索引号,并记为Ind1;
步骤8:测试时对于测试的第f'帧,按步骤2的过程,以相同的方式获取在测试的第f'帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,再获取第二测试数据,记为Etest2,其中,2≤f'≤F',f'的初始值为2,F'表示测试的帧数,Etest2的维数为2×N,/>表示在测试的第f'帧次级用户接收到的第Indf'-1个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第f'帧次级用户接收到的第ran个授权信道中传输的信号的能量的检验统计量,Indf'-1∈[1,…,M],ran∈[1,…,M],Indf'-1与ran不相等,Indf'-1为在测试的第f'-1帧中空闲概率最大的授权信道的索引号,ran为在测试的第f'帧中随机选择的一个授权信道的索引号;
步骤9:将Etest2输入到第二残差网络训练模型中进行测试,第二残差网络训练模型输出在测试的第f'帧中空闲概率最大的授权信道的索引号,并记为Indf'。
所述的步骤1中,五个残差块的结构相同,其由第二批归一化层、第二卷积层、第三批归一化层、第三卷积层组成,第二批归一化层的输入端为其所在的残差块的输入端,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,第三批归一化层的输入端接收第二卷积层的输出端输出的数据,第三卷积层的输入端接收第三批归一化层的输出端输出的数据,第三卷积层的输出端为其所在的残差块的输出端;其中,第二卷积层和第三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,第二卷积层和第三卷积层的激活函数均为Relu函数。
与现有技术相比,本发明的优点在于:
1)本发明方法采用残差网络来选择授权信道时不需要主用户的历史状态,因此也就不需要利用前面的历史信息对当前的主用户状态进行计算推导,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,从而达到提高训练得到的网络模型选择空闲概率最大的授权信道的准确性。
3)本发明方法不需要主用户的先验信息就可以选择空闲概率最大的授权信道,从而降低了本发明方法可行性的难度。
4)本发明方法所构建的残差网络经训练后得到的网络模型依然可以在低信噪比的情形之下,提取出主用户信号数据的特征,从而使网络模型选择空闲概率最大的授权信道的准确性相对较高,在一定程度上提高了频谱的利用率。
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残差网络的组成结构示意图;
图3为本发明方法构建的残差网络中的残差块的组成结构示意图;
图4为本发明方法与长短期记忆网络算法的检测准确率随信噪比变化的曲线对比示意图;
图5为本发明方法与长短期记忆网络算法、离散广义随机算法、灵活的基于多参数的信道预测与排序算法、随机选择方法的接入成功率随信噪比变化的曲线对比示意图。
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。
本发明提出的一种基于深度学习的信道选择方法,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,设定仅存在1个次级用户,设定有M个授权信道,设定每帧由N个时隙组成,且每个时隙取K个采样点;其中,M≥2,在本实施例中取M=7,N≥1,在本实施例中取N=10,K>1,在本实施例中取K=500。
并构建残差网络:如图2所示,该残差网络包括第一批归一化层(BN层)、第一卷积层、五个残差块、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,第一批归一化层的输入端作为该残差网络的输入端接收输入数据,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1个残差块的输入端接收第一卷积层的输出端输出的数据,第2个残差块的输入端接收第一卷积层的输出端输出的数据与第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残差网络的输出端;其中,第一卷积层的卷积核个数为32、卷积核大小为3×3、步长为1×1,第一卷积层的激活函数为Relu函数,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7或2。
在本实施例中,五个残差块的结构相同,如图3所示,其由第二批归一化层、第二卷积层、第三批归一化层、第三卷积层组成,第二批归一化层的输入端为其所在的残差块的输入端,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,第三批归一化层的输入端接收第二卷积层的输出端输出的数据,第三卷积层的输入端接收第三批归一化层的输出端输出的数据,第三卷积层的输出端为其所在的残差块的输出端;其中,第二卷积层和第三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,第二卷积层和第三卷积层的激活函数均为Relu函数。
在本实施例中,第一批归一化层、第二批归一化层、第三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、第三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;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。
步骤2:设定初始帧为第1帧,在每帧中的每个时隙的各个采样时刻次级用户都要接收每个授权信道中传输的信号,将在第f帧中的第n个时隙的第k个采样时刻次级用户接收到的第m个授权信道中传输的信号记为描述为:然后计算在每帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,将在第f帧中的第n个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量记为/> 再根据在每帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,创建残差网络第一次训练所需的训练数据,记为E,/>并从E中随机选择两个授权信道相关的数据构成残差网络第二次训练所需的训练数据,记为
其中,1≤f≤F,F表示训练的帧数,在本实施例中训练时F取值为100000,1≤n≤N,1≤k≤K,1≤m≤M,表示在第f帧中的第n个时隙的第k个采样时刻次级用户测量到的第m个授权信道中传输的主用户信号,/>表示在第f帧中的第n个时隙的第k个采样时刻次级用户测量到的第m个授权信道中传输的噪声,H1表示第m个授权信道处于忙碌状态,H0表示第m个授权信道处于空闲状态,在每帧中授权信道的状态可能会发生变化,即由忙碌状态变为空闲状态或空闲状态变为忙碌状态,符号“| |”为取绝对值符号,E的维数为M×(N×F),符号“[]”为向量或矩阵表示符号,E1表示E中的第1个样本,/>E2表示E中的第2个样本,/>EF表示E中的第F个样本,/> 表示在第1帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/> 表示在第f帧中的第1个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧中的第2个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧中的第N个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>通过/>计算得到,/>的维数为2×(N×F),/>表示/>中的第1个样本,/> 表示/>中的第2个样本,/> 表示/>中的第F个样本,/> 表示在第1帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,m0和m1为随机选择的两个授权信道的索引号,m0∈[1,…,M],m1∈[1,…,M],m0与m1不相等。
步骤3:将E和标签Z=[z1 z2 … zF]输入到构建的残差网络中进行训练,残差网络输出空闲概率最大的授权信道的索引号,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)算法更新残差网络中的参数;其中,z1表示在第1帧中真实空闲概率最大的授权信道的索引号,z2表示在第2帧中真实空闲概率最大的授权信道的索引号,zF表示在第F帧中真实空闲概率最大的授权信道的索引号,zf表示在第f帧中真实空闲概率最大的授权信道的索引号,zf∈[1,…,M],残差网络中的第二全连接层的神经元个数为7。
由于实际训练时E中的样本数量比较大,因此选用自适应矩估计(Adam)算法来更新残差网络中的参数,而不选用传统的随机梯度下降(SGD)算法。
在此,E输入到残差网络中,E先经过第一批归一化层和第一卷积层,输出一个特征提取的第一特征矩阵,然后第一特征矩阵再经过五个结构相同的残差块,得到的第二特征矩阵输入到最大池化层降低第二特征矩阵的维度,然后经过Flatten层将输入一维化,即将多维数据转化为一维数据,再将经过Flatten层的数据依次输入到神经元个数为128的第一全连接层和丢失率为0.5的Dorpout层,最后经过神经元个数为7的第二全连接层得到最终的输出结果。
步骤4:将和标签Z=[z1 z2 … zF]输入到构建的残差网络中进行训练,残差网络输出空闲概率最大的授权信道的索引号,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)算法更新残差网络中的参数;其中,残差网络中的第二全连接层的神经元个数为2。
步骤5:重复执行步骤3和4多次,完成多轮训练后训练得到第一残差网络训练模型和第二残差网络训练模型;
步骤6:测试时对于测试的第1帧,按步骤2的过程,以相同的方式获取在该帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,再根据在该帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,获得第一测试数据,记为Etest1,其中,Etest1的维数为M×N,/>表示在测试的第1帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第1帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第1帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量。
步骤7:将Etest1输入到第一残差网络训练模型中进行测试,第一残差网络训练模型输出在测试的第1帧中空闲概率最大的授权信道的索引号,并记为Ind1。
步骤8:测试时对于测试的第f'帧,按步骤2的过程,以相同的方式获取在测试的第f'帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,再获取第二测试数据,记为Etest2,其中,2≤f'≤F',f'的初始值为2,F'表示测试的帧数,在本实施例中测试时F'取值为10000,Etest2的维数为2×N,/>表示在测试的第f'帧次级用户接收到的第Indf'-1个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第f'帧次级用户接收到的第ran个授权信道中传输的信号的能量的检验统计量,Indf'-1∈[1,…,M],ran∈[1,…,M],Indf'-1与ran不相等,Indf'-1为在测试的第f'-1帧中空闲概率最大的授权信道的索引号,ran为在测试的第f'帧中随机选择的一个授权信道的索引号。
步骤9:将Etest2输入到第二残差网络训练模型中进行测试,第二残差网络训练模型输出在测试的第f'帧中空闲概率最大的授权信道的索引号,并记为Indf'。
为进一步说明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。
仿真实验中参数设置如下:M=7,N=10,K=500,F=100000,F'=10000。残差网络中的可调参数Batch_size(批量大小)设置为64,epochs(轮次)设置为20。
用于性能比较的现有方法有:长短期记忆网络算法、离散广义随机算法、灵活的基于多参数的信道预测与排序算法、随机选择方法。
图4给出了本发明方法与长短期记忆网络算法的检测准确率随信噪比变化的曲线对比。从图4中可以看出,当信噪比低于-5dB时,本发明方法的检测准确率高于长短期记忆网络算法的检测准确率。
图5给出了本发明方法与长短期记忆网络算法、离散广义随机算法、灵活的基于多参数的信道预测与排序算法、随机选择方法的接入成功率随信噪比变化的曲线对比。从图5中可以看出,本发明方法的性能远高于离散广义随机算法、灵活的基于多参数的信道预测与排序算法、随机选择方法的性能,略高于长短期记忆网络算法的性能;随着信噪比的降低本发明方法的性能也会随着降低,但是在相同信噪比情况下,本发明方法的性能也会高于离散广义随机算法、灵活的基于多参数的信道预测与排序算法、随机选择方法的性能。
通过仿真实验表明,本发明方法可以更好地利用授权信道集中的空闲信道。
Claims (2)
1.一种基于深度学习的信道选择方法,其特征在于包括以下步骤:
步骤1:在认知无线电系统中,设定仅存在1个次级用户,设定有M个授权信道,设定每帧由N个时隙组成,且每个时隙取K个采样点;其中,M≥2,N≥1,K>1;
并构建残差网络:该残差网络包括第一批归一化层、第一卷积层、五个残差块、最大池化层、Flatten层、第一全连接层、Dropout层、第二全连接层,第一批归一化层的输入端作为该残差网络的输入端接收输入数据,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1个残差块的输入端接收第一卷积层的输出端输出的数据,第2个残差块的输入端接收第一卷积层的输出端输出的数据与第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残差网络的输出端;其中,第一卷积层的卷积核个数为32、卷积核大小为3×3、步长为1×1,第一卷积层的激活函数为Relu函数,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7或2;
步骤2:设定初始帧为第1帧,在每帧中的每个时隙的各个采样时刻次级用户都要接收每个授权信道中传输的信号,将在第f帧中的第n个时隙的第k个采样时刻次级用户接收到的第m个授权信道中传输的信号记为描述为:/>然后计算在每帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,将在第f帧中的第n个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量记为/> 再根据在每帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,创建残差网络第一次训练所需的训练数据,记为E,/>并从E中随机选择两个授权信道相关的数据构成残差网络第二次训练所需的训练数据,记为/>
其中,1≤f≤F,F表示训练的帧数,1≤n≤N,1≤k≤K,1≤m≤M,表示在第f帧中的第n个时隙的第k个采样时刻次级用户测量到的第m个授权信道中传输的主用户信号,表示在第f帧中的第n个时隙的第k个采样时刻次级用户测量到的第m个授权信道中传输的噪声,H1表示第m个授权信道处于忙碌状态,H0表示第m个授权信道处于空闲状态,符号“| |”为取绝对值符号,E的维数为M×(N×F),符号“[]”为向量或矩阵表示符号,E1表示E中的第1个样本,/>E2表示E中的第2个样本,/>EF表示E中的第F个样本, 表示在第1帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,表示在第2帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量, 表示在第f帧中的第1个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧中的第2个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>表示在第f帧中的第N个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,/>的维数为2×(N×F),表示/>中的第1个样本,/> 表示/>中的第2个样本,/> 表示/>中的第F个样本,/> 表示在第1帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第1帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第2帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量,/>表示在第F帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,m0和m1为随机选择的两个授权信道的索引号,m0∈[1,…,M],m1∈[1,…,M],m0与m1不相等;
步骤3:将E和标签Z=[z1 z2…zF]输入到构建的残差网络中进行训练,残差网络输出空闲概率最大的授权信道的索引号,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残差网络中的参数;其中,z1表示在第1帧中真实空闲概率最大的授权信道的索引号,z2表示在第2帧中真实空闲概率最大的授权信道的索引号,zF表示在第F帧中真实空闲概率最大的授权信道的索引号,zf表示在第f帧中真实空闲概率最大的授权信道的索引号,zf∈[1,…,M],残差网络中的第二全连接层的神经元个数为7;
步骤4:将和标签Z=[z1z2…zF]输入到构建的残差网络中进行训练,残差网络输出空闲概率最大的授权信道的索引号,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残差网络中的参数;其中,残差网络中的第二全连接层的神经元个数为2;
步骤5:重复执行步骤3和4多次,完成多轮训练后训练得到第一残差网络训练模型和第二残差网络训练模型;
步骤6:测试时对于测试的第1帧,按步骤2的过程,以相同的方式获取在该帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,再根据在该帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,获得第一测试数据,记为Etest1,其中,Etest1的维数为M×N,/>表示在测试的第1帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第1帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第1帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量;
步骤7:将Etest1输入到第一残差网络训练模型中进行测试,第一残差网络训练模型输出在测试的第1帧中空闲概率最大的授权信道的索引号,并记为Ind1;
步骤8:测试时对于测试的第f'帧,按步骤2的过程,以相同的方式获取在测试的第f'帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,再获取第二测试数据,记为Etest2,其中,2≤f'≤F',f'的初始值为2,F'表示测试的帧数,Etest2的维数为2×N,/>表示在测试的第f'帧次级用户接收到的第Indf'-1个授权信道中传输的信号的能量的检验统计量,/>表示在测试的第f'帧次级用户接收到的第ran个授权信道中传输的信号的能量的检验统计量,Indf'-1∈[1,…,M],ran∈[1,…,M],Indf'-1与ran不相等,Indf'-1为在测试的第f'-1帧中空闲概率最大的授权信道的索引号,ran为在测试的第f'帧中随机选择的一个授权信道的索引号;
步骤9:将Etest2输入到第二残差网络训练模型中进行测试,第二残差网络训练模型输出在测试的第f'帧中空闲概率最大的授权信道的索引号,并记为Indf'。
2.根据权利要求1所述的一种基于深度学习的信道选择方法,其特征在于所述的步骤1中,五个残差块的结构相同,其由第二批归一化层、第二卷积层、第三批归一化层、第三卷积层组成,第二批归一化层的输入端为其所在的残差块的输入端,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,第三批归一化层的输入端接收第二卷积层的输出端输出的数据,第三卷积层的输入端接收第三批归一化层的输出端输出的数据,第三卷积层的输出端为其所在的残差块的输出端;其中,第二卷积层和第三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,第二卷积层和第三卷积层的激活函数均为Relu函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678275.5A CN115276856B (zh) | 2022-06-16 | 2022-06-16 | 一种基于深度学习的信道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210678275.5A CN115276856B (zh) | 2022-06-16 | 2022-06-16 | 一种基于深度学习的信道选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115276856A CN115276856A (zh) | 2022-11-01 |
CN115276856B true CN115276856B (zh) | 2023-09-29 |
Family
ID=83760739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210678275.5A Active CN115276856B (zh) | 2022-06-16 | 2022-06-16 | 一种基于深度学习的信道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115276856B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109495198A (zh) * | 2019-01-25 | 2019-03-19 | 西安电子科技大学 | 基于残差相关矩阵检测的欠采样频谱感知方法 |
JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
CN110929842A (zh) * | 2019-10-15 | 2020-03-27 | 中国人民解放军国防科技大学 | 非合作无线电信号突发时间区域精确智能检测方法 |
WO2020253690A1 (zh) * | 2019-06-17 | 2020-12-24 | 浙江大学 | 一种基于近似消息传递算法的深度学习波束域信道估计方法 |
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 |
CN113014340A (zh) * | 2021-02-22 | 2021-06-22 | 南京邮电大学 | 一种基于神经网络的卫星频谱资源动态分配方法 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9119214B2 (en) * | 2012-04-18 | 2015-08-25 | Bae Systems Information And Electronic Systems Integration Inc. | Coordinated optimization of underlay network communication for efficient use of spectrum |
US10390364B2 (en) * | 2017-04-18 | 2019-08-20 | Government Of The United States Of America, As Represented By The Secretary Of Commerce | Apparatus and method for dynamically controlling spectrum access |
-
2022
- 2022-06-16 CN CN202210678275.5A patent/CN115276856B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
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 |
CN109495198A (zh) * | 2019-01-25 | 2019-03-19 | 西安电子科技大学 | 基于残差相关矩阵检测的欠采样频谱感知方法 |
WO2020253690A1 (zh) * | 2019-06-17 | 2020-12-24 | 浙江大学 | 一种基于近似消息传递算法的深度学习波束域信道估计方法 |
CN110929842A (zh) * | 2019-10-15 | 2020-03-27 | 中国人民解放军国防科技大学 | 非合作无线电信号突发时间区域精确智能检测方法 |
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 |
CN113014340A (zh) * | 2021-02-22 | 2021-06-22 | 南京邮电大学 | 一种基于神经网络的卫星频谱资源动态分配方法 |
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 (6)
Title |
---|
Distributed Deep Reinforcement Learning with Wideband Sensing for Dynamic Spectrum Access;Umuralp Kaytaz;《2020 IEEE Wireless Communications and Networking Conference (WCNC)》;全文 * |
Nguyen Cong Luong.《ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》.2019,全文. * |
一种融合EMD分解和LSTM网络的频谱占用度预测模型;赵晓东;苏公瑾;李克利;成杰;徐江峰;;计算机科学(第S1期);全文 * |
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;岳文静;瞿耀庭;陈志;;信号处理(第07期);全文 * |
基于概率密度估计的认知无线电动态频谱接入算法;贺新颖;曾志民;郭彩丽;;北京邮电大学学报(第01期);全文 * |
联合循环平稳特征PCA与XGBoost的频谱感知;束学渊;汪立新;;计算机应用与软件(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115276856A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Koçkaya et al. | Spectrum sensing in cognitive radio networks: threshold optimization and analysis | |
CN112508044A (zh) | 人工智能ai模型的评估方法、系统及设备 | |
Zhang et al. | Signal detection and classification in shared spectrum: A deep learning approach | |
US20150161518A1 (en) | System and Method for Non-Invasive Application Recognition | |
CN114039870B (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
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 | |
CN110717895A (zh) | 基于置信分数的无参考图像质量评价方法 | |
CN115508073B (zh) | 基于多尺度注意力的原型适配机械设备故障诊断方法 | |
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 | |
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 | |
CN112307927A (zh) | 基于bp网络针对非合作通信中mpsk信号的识别研究 | |
Gong et al. | Multi-task based deep learning approach for open-set wireless signal identification in ISM band | |
CN115276855A (zh) | 一种基于ResNet-CBAM的频谱感知方法 | |
CN111310719A (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN112821968B (zh) | 一种基于压缩感知和支持向量机的高效频谱感知方法 | |
CN115276856B (zh) | 一种基于深度学习的信道选择方法 | |
CN115802401B (zh) | 一种无线网络信道状态预测方法、装置、设备及存储介质 | |
CN116865884A (zh) | 基于在线学习的宽带频谱感知方法 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
CN116405139A (zh) | 一种基于Informer的频谱预测模型和方法 | |
Almohamad et al. | A deep learning model for LoRa signals classification using cyclostationay features | |
CN114285701B (zh) | 一种主用户发射功率识别方法、系统、设备及终端 |
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 |