CN115276857B - 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法 - Google Patents

Abstract

本发明涉及一种基于Cholesky分解和卷积神经网络相结合的全盲频谱感知方法，该方法步骤包括：首先，对多天线接收信号连续采样，计算接收信号取样协方差矩阵，在此基础上计算其Cholesky分解矩阵并合成新的实矩阵，将其编为训练数据集；其次，将训练数据集输入卷积神经网络进行训练，产生训练好的网络，以卷积神经网络输出的得分向量构造检验统计量；再次，将训练数据集的中噪声数据输入训练好的卷积神经网络产生判决门限；最后，将多天线接收信号进行预处理获得测试矩阵并输入已经训练好的网络，由此产生相应的检验统计量。在此基础上进行感知判决：当检验统计量大于门限时，判定主用户信号存在，否则判定主用户信号不存在。

Description

基于Cholesky分解和卷积神经网络相结合的全盲频谱检测 方法

技术领域

本发明涉及无线通信技术中的认知无线电领域，具体而言，涉及一种基于Cholesky(乔里斯基)分解和卷积神经网络相结合的全盲频谱感知方法。

背景技术

随着无线通信技术的飞速发展，无线网络传输的数据呈现爆炸式增长，相对地对于频谱资源的需求也越来越多。传统的频谱分配策略只允许指定的主用户使用许可的频谱，而次级用户被禁止使用。虽然这种分配方式能够避免不同用户之间的干扰，但是造成了频谱资源的极大浪费，不再适应当前日益紧张的频谱需求形势。为了进一步提高频谱使用效率，减少频谱资源的浪费，认知无线电技术作为一种频谱共享技术应运而生。认知无线电的基本思想允许次级用户在主用户空闲时使用其已获授权的频谱资源。为了实现这一点，需要次级用户实时地进行频谱感知，即检测主用户的频谱占用情况。因此，频谱感知作为认知无线电技术的一项基本任务，引起了学术界和业界的广泛关注。

频谱感知的关键问题是设计合适的检验统计量以提高检测概率。目前，许多模型驱动的频谱感知方案被提出，在现有的模型驱动检验统计量中，取样协方差矩阵经常被用来构造检验统计量，其原因在于它包含了检测主用户信号所需的多种判别特征。例如，如果主用户信号和噪声的先验统计协方差矩阵是可用的，那么估计-相关器检测器可以获得最优的检测性能。然而，由于在实际应用中并不是总能得到主用户信号和噪声的先验信息，此时估计-相关器检测器不再适用。为了获得更加实用的检测方法，许多研究者开始关注半盲检测方法，如能量检测和最大特征值检测，这些方法只需要噪声功率的知识。能量检测在独立高斯信号检测方面具有最佳检测性能，最大特征值检测擅长通过捕获相关特征来检测高度相关的信号。半盲方法的性能在很大程度上依赖于对噪声功率的准确获取。然而，由于噪声不确定性现象的存在，使得半盲方法的检测性能严重下降。为了克服噪声不确定性的负面影响，进而研究者提出了全盲方法，主要包括盲能量检测、协方差绝对值检测等。这些方法不需要任何先验知识，对噪声不确定性具有较强的鲁棒性,但其性能略逊于半盲方法。虽然上述模型驱动的方法通过利用信号统计特征实现了良好的检测性能，但它们的一个共同缺点是检测统计量基于依赖于假定的信号统计特征，可能并不一定适合真实环境中的检测。相比传统的基于模型的方法,深度学习技术则可以通过深层神经网络以数据驱动方式智能地提取不同环境的特征以实现目标分类,并已在许多领域被证明是非常有效的,如计算机视觉和自然语言处理。

发明内容

技术问题：本发明提出了一种基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法。本发明将取样协方差矩阵的Cholesky分解矩阵合成新的实矩阵作为卷积神经网络的输入，进而以此判断主用户信号是否存在。通过从数据中智能提取信号特征以实现主用户信号的检测，其不依赖于信号的统计模型，因而更加适应于真实天线环境中主用户信号的检测。

技术方案：本发明的一种基于Cholesky(乔里斯基)分解和卷积神经网络相结合的全盲频谱检测方法基于卷积神经网络，通过数据驱动，利用多天线接收信号产生的Cholesky分解矩阵合成新的实矩阵以训练神经网络，并提取噪声数据输入训练好的神经网络中获得判决门限，进而实施感知判决：首先，对多天线接收信号连续采样得到接收信号向量，计算接收信号取样协方差矩阵并对其进行Cholesky分解，由分解得到的Cholesky矩阵合成得到新的实矩阵并将其编为训练数据集；其次，将训练数据集输入卷积神经网络进行训练，产生训练好的神经网络，同时以神经网络输出的得分向量构造检验统计量；再次，将训练数据集中的噪声数据输入训练好的神经网络产生判决门限；最后，进行感知判决：当检验统计量大于门限时，判定主用户信号存在；当检验统计量小于门限时，判定主用户信号不存在。

该方法的具体步骤为：

步骤1.对天线接收的信号进行采样，将收集到的信号进行编组，并将每组数据进行预处理产生相应的训练矩阵；

步骤2.对步骤1预处理得到的矩阵进行标注，作为训练数据集输入卷积神经网络进行训练，产生训练好的模型，同时以卷积神经网络输出的得分向量构造检验统计量；

步骤3.提取训练数据集中的噪声数据，基于步骤2产生的模型将训练数据集中的噪声数据输入训练好的神经网络产生判决门限；

步骤4.将多天线实时收到的信号采样并预处理后产生相应的测试矩阵，并输入步骤2生成的模型，通过该模型计算相应的检验统计量，并联合步骤3生成的判决门限对频谱占用情况进行实时检测。

步骤1所述预处理过程为：

由M根天线得到接收信号向量为x(n)＝[x₁(n),x₂(n),…,x_M(n)]^T，其中，n表示采样时刻，上标“T”表示向量的转置，连续采样N次得到接收信号向量x(1)、x(2)、…、x(N)，并将其编为一组，其中第k组表示为X^(k)＝{x((k-1)N),x((k-1)N+1),…,x(kN-1)}；在此基础上，计算每组接收信号的取样协方差矩阵其中上标“H”表示矩阵的共轭转置；

进一步，对第k个编组对应的取样协方差矩阵进行Cholesky分解得到上三角矩阵L^(k)，其表示为：

其中，k＝1,2,…,K，非对角线元素r_p,q为复数，2≤p≤M，1≤q≤M-1；将r_p,q的实部表示为a_p,q，其虚部表示为b_p,q；在此基础上，合成新的实数矩阵A^(k)，并将其作为训练矩阵，其中矩阵A^(k)构造为：

所述步骤2具体为：

卷积神经网络随着天线数量的不同具有不同的结构，所用卷积神经网络都包含一个输入层，至少一个隐含层及一个输出层，隐含层由卷积层、池化层、全连接层和激活层组成；根据步骤1产生的矩阵是否含有信号采用独热编码进行标识，并将其编为训练数据集，数据集中单个数据表示为(A^(k),z^(k))，A^(k)表示输入卷积神经网络的矩阵，z^(k)为独热向量表示为：

其中，H₁表示有信号，H₀表示无信号；

将单个标识数据(a^(k),z^(k))输入卷积神经网络后将产生归一化得分向量：

其中， 表示卷积神经网络对矩阵A^(k)是否为H_i类的分类评分；在此基础上，构造检验统计量/>

所述步骤3的具体为:

步骤3.1.将步骤2中的训练数据集中的噪声数据取出形成新的数据集

步骤3.2.将新的数据集输入训练好的模型中产生检验统计量T|H₀，并将他们从大到小排列，表示为/>

步骤3.3.计算判决门限其中P_FA为目标虚警概率，χ为数据集中数据的个数，/>表示向下取整。

在步骤3中将训练数据集中的噪声数据输入训练好的神经网络，产生检验统计量T，在此基础上联合判决门限γ实施判决：当T>γ，则有信号；当T<γ，则无信号。

有益效果:本发明与现有技术相比，具有如下优点与有益效果：

(1)本发明所提方法基于接收信号取样协方差矩阵的Cholesky分解矩阵构造训练和测试矩阵，能很好地抓住多天线信号的相关及能量特征，提高算法检测性能；

(2)本发明所提方法采用基于数据驱动方式，智能提取信号的特征并实现主用户信号有无的判断，不依赖于信号的统计特征，更适应于真实无线环境的频谱感知；

(3)本发明所提方法属于一种全盲检测方案，检验统计量和判决门限的设计无需知道主用户信号、信道及噪声的相关信息，具有广泛的适用性。

附图说明

图1为本发明一种基于Cholesky分解和卷积神经网络相结合的全盲频谱感知算法流程图。

图2为一种适用于32天线系统的卷积神经网络的结构图。

图3当N＝50，M＝32，信噪比为-15dB时不同算法的检测效果对比图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本实施例所提供的频谱感知工作流程，包括：

①多天线系统采样：通过对多天线系统接收信号进行采样来获取原始数据；

②构造离线标注数据集：收集离线采样数据预处理并标注，构造成训练数据集；

③训练卷积神经网络并产生判决门限：将离线标注数据集输入卷积神经网络中训练，得到训练好的卷积神经网络并得到判决门限；

④实时检测：在线采集数据并预处理后输入已训练好的卷积神经网络中，通过产生的检验统计量和判决门限的比对自动判断有无主用户信号。

本实施例所述的多天线系统有32根天线，单次采样所得数据为32维列向量x(n)＝[x₁(n),x₂(n),…,x₃₂(n)]^T，将N次采样得到的信号编为一组并求取样协方差矩阵，其中第k组的取样协方差矩阵为在此基础上将所得的取样协方差矩阵进行Cholesky分解，利用分解矩阵构造输入卷积神经网络的训练矩阵:

本实施例所述数据集为其中，K为数据集的数据个数。设N_s为离线采样得到的数据总数则有N＝N_s/K。

本实施例所述卷积神经网络结构如图2所示，由1个输入层D₀，2个卷积层Conv₁、Conv₂，2个池化层P₁、P₂和2个全连接层FC₁、FC₂组成。在2个卷积层和第1个全连接层FC₁后用ReLU函数激活，第2个全连接层FC₂后用Softmax函数分类。在本实施例中，输入层输入32×32矩阵，卷积层Conv₁的卷积参数为16×3×3,卷积层Conv₂的卷积参数为32×3×3。2个池化层P₁、P₂采用的池化类型是最大池化(max pooling)，执行最大池化的树池是一个2×2矩阵。全连接层FC₁的神经元个数为1000，全连接层FC₂的输出为2×1归一化得分向量：

其中 表示卷积神经网络对矩阵A^(k)是否为H_i类的分类评分。

下面为本实施例的具体流程，包括以下步骤：

1、对一个有32根天线的认知无线电系统进行采样，单次采样所得数据为32维列向量x(n)＝[x₁(n),x₂(n),…,x₃₂(n)]^T，共采集1000000个数据x(n)并分为10000组，其中第k组表示为X^(k)＝{x((k-1)N),x((k-1)N+1),…,x(kN-1)}。对每组数据计算取样协方差矩阵并对第k个编组对应的取样协方差矩阵/>进行Cholesky分解得到上三角矩阵L^(k)，其表示为：

其中，k＝1,2,…,K，非对角线元素r_p,q为复数，2≤p≤32，1≤q≤31。将r_p,q的实部表示为a_p,q，其虚部表示为b_p,q。在此基础上，合成新的实数矩阵A^(k)，并将其作为训练矩阵，其中矩阵A^(k)构造为：

2、根据步骤1产生的矩阵是否含有信号采用独热编码进行标识，并建立训练数据集将训练数据集/>输入卷积神经网络进行训练，得到训练好的神经网络，在此基础上构造检验统计量/>

3、将训练数据集中的噪声数据取出形成新的数据集/>输入已经训练好的神经网络，产生检验统计量T|H₀，并将他们从大到小排列，表示为/>同时根据目标虚警率获得判决门限/>

4、在检测过程中，通过对信号进行实时采样得到计算其对应的取样协方差矩阵/>并对该矩阵求Cholesky分解矩阵，将其的实部和虚部合成新的实矩阵/>将/>输入到已经训练好的神经网络得到检验统计量T并进行判决：如果T>γ,则认为该组数据含有主用户信号；如果T<γ，则认为该组数据不含主用户信号。

Claims (1)

1.一种基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法，其特征在于该方法基于卷积神经网络，通过数据驱动，利用多天线接收信号产生的Cholesky分解矩阵合成新的实矩阵以训练神经网络，并提取噪声数据输入训练好的神经网络中获得判决门限，进而实施感知判决：首先，对多天线接收信号连续采样得到接收信号向量，计算接收信号取样协方差矩阵并对其进行Cholesky分解，由分解得到的Cholesky矩阵合成得到新的实矩阵并将其编为训练数据集；其次，将训练数据集输入卷积神经网络进行训练，产生训练好的神经网络，同时以神经网络输出的得分向量构造检验统计量；再次，将训练数据集中的噪声数据输入训练好的神经网络产生判决门限；最后，进行感知判决：当检验统计量大于门限时，判定主用户信号存在；当检验统计量小于门限时，判定主用户信号不存在；

该方法的具体步骤为：

步骤1.对天线接收的信号进行采样，将收集到的信号进行编组，并将每组数据进行预处理产生相应的训练矩阵；

步骤2.对步骤1预处理得到的矩阵进行标注，作为训练数据集输入卷积神经网络进行训练，产生训练好的模型，同时以卷积神经网络输出的得分向量构造检验统计量；

步骤3.提取训练数据集中的噪声数据，基于步骤2产生的模型将训练数据集中的噪声数据输入训练好的神经网络产生判决门限；所述将训练数据集中的噪声数据输入训练好的神经网络，产生检验统计量T，在此基础上联合判决门限γ实施判决：当T>γ，则有信号；当T<γ，则无信号；

步骤4.将多天线实时收到的信号采样并预处理后产生相应的测试矩阵，并输入步骤2生成的模型，通过该模型计算相应的检验统计量，并联合步骤3生成的判决门限对频谱占用情况进行实时检测；

步骤1所述预处理过程为：

由M根天线得到接收信号向量为x(n)＝[x₁(n),x₂(n),…,x_M(n)]^T，其中，n表示采样时刻，上标“T”表示向量的转置，连续采样N次得到接收信号向量x(1)、x(2)、…、x(N)，并将其编为一组，其中第k组表示为X^(k)＝{x((k-1)N),x((k-1)N+1),…,x(kN-1)}；在此基础上，计算每组接收信号的取样协方差矩阵其中上标“H”表示矩阵的共轭转置；

进一步，对第k个编组对应的取样协方差矩阵进行Cholesky分解得到上三角矩阵L^(k)，其表示为：

其中，k＝1,2,…,K，非对角线元素r_p,q为复数，2≤p≤M，1≤q≤M-1；将r_p,q的实部表示为a_p,q，其虚部表示为b_p,q；在此基础上，合成新的实数矩阵A^(k)，并将其作为训练矩阵，其中矩阵A^(k)构造为：

所述步骤2具体为：

卷积神经网络随着天线数量的不同具有不同的结构，所用卷积神经网络都包含一个输入层，至少一个隐含层及一个输出层，隐含层由卷积层、池化层、全连接层和激活层组成；根据步骤1产生的矩阵是否含有信号采用独热编码进行标识，并将其编为训练数据集数据集中单个数据表示为(A^(k),z^(k))，A^(k)表示输入卷积神经网络的矩阵，z^(k)为独热向量表示为：

其中，H₁表示有信号，H₀表示无信号；

将单个标识数据(A^(k),z^(k))输入卷积神经网络后将产生归一化得分向量：

其中， 表示卷积神经网络对矩阵A^(k)是否为H_i类的分类评分；在此基础上，构造检验统计量/>

所述步骤3的具体为:

步骤3.1.将步骤2中的训练数据集中的噪声数据取出形成新的数据集/>

步骤3.2.将新的数据集输入训练好的模型中产生检验统计量T|H₀，并将他们从大到小排列，表示为/>

步骤3.3.计算判决门限其中P_FA为目标虚警概率，χ为数据集中数据的个数，/>表示向下取整。