CN116192307A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116192307A CN116192307A CN202310207116.1A CN202310207116A CN116192307A CN 116192307 A CN116192307 A CN 116192307A CN 202310207116 A CN202310207116 A CN 202310207116A CN 116192307 A CN116192307 A CN 116192307A
- Authority
- CN
- China
- Prior art keywords
- global
- representing
- vector
- sensing
- antenna
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 86
- 239000013598 vector Substances 0.000 claims abstract description 125
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 52
- 238000009826 distribution Methods 0.000 claims description 33
- 230000002776 aggregation Effects 0.000 claims description 31
- 238000004220 aggregation Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 17
- 230000006854 communication Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 238000013475 authorization Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
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，方法包括：构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号增强，选取分数低阶协方差矩阵作为对预处理信号的智能表征；构建基于联邦学习的分布式协作频谱感知系统，并利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数，用于感知的全局网络模型，利用网络输出的二维特征向量的比值构建频谱感知的检测统计量和检测阈值，比较获取的检测统计量和检测阈值大小，实现非高斯噪声下分布式协同的多天线协作频谱智能感知，且在低零功率条件下具有良好的感知性能。
Description
技术领域
本发明属于认知无线电系统中频谱感知技术领域，尤其涉及一种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。
背景技术
近年来，随着移动通信技术的飞速发展，人们对无线频谱资源的巨大需求和频谱资源极度稀缺之间的供需矛盾日益显现，认知无线电技术是解决这一矛盾的关键所在，可以有效的提高频谱资源的利用率。其中，频谱感知技术作为认知无线电中的重要组成部分，其通过动态频谱接入的方式，可以完成对频谱资源的高效利用。感知结果的准确性将极大影响次级用户随机接入的效率和授权用户在通信过程中的稳定性。因此，设计高效、智能和安全的频谱感知方法显得极其重要。
目前，已经有很多研究频谱感知的方法。能量检测方法(W.Wu et al.,"IRS-Enhanced Energy Detection for Spectrum Sensing in Cognitive Radio Networks,"in IEEE Wireless Communications Letters,vol.10,no.10,pp.2254-2258,Oct.2021,doi:10.1109/LWC.2021.3099121.)、匹配滤波器检测方法(A.Brito,P.
andF.J.Velez,"Hybrid Matched Filter Detection Spectrum Sensing,"in IEEE Access,vol.9,pp.165504-165516,2021,doi:10.1109/ACCESS.2021.3134796.)、基于循环平稳特性的方法(M.Nouri,H.Behroozi,N.K.Mallat and S.A.Aghdam,"A Wideband 5GCyclostationary Spectrum Sensing Method by Kernel Least Mean Square Algorithmfor Cognitive Radio Networks,"in IEEE Transactions on Circuits and SystemsII:Express Briefs,vol.68,no.7,pp.2700-2704,July 2021,doi:10.1109/TCSII.2021.3051087.)、基于最大最小特征值的方法(R.B.Chaurasiya and R.Shrestha,"Hardware-Efficient and Fast Sensing-Time Maximum-Minimum-Eigenvalue-BasedSpectrum Sensor for Cognitive Radio Network,"in IEEE Transactions on Circuitsand Systems I:Regular Papers,vol.66,no.11,pp.4448-4461,Nov.2019,doi:10.1109/TCSI.2019.2921831.)。利用深度学习的强大的数据驱动能力，在处理拥有大量数据的样本分类问题上有着独特的优势。基于深度学习的频谱感知方法有：基于深度强化学习的协作频谱感知方法(R.Sarikhani and F.Keynia,"Cooperative Spectrum Sensing MeetsMachine Learning:Deep Reinforcement Learning Approach,"in IEEE CommunicationsLetters,vol.24,no.7,pp.1459-1462,July 2020,doi:10.1109/LCOMM.2020.2984430.)、基于卷积神经网络和长短期记忆神经网络的频谱感知方法(J.Xie,J.Fang,C.Liu andX.Li,"Deep Learning-Based Spectrum Sensing in Cognitive Radio:A CNN-LSTMApproach,"in IEEE Communications Letters,vol.24,no.10,pp.2196-2200,Oct.2020,doi:10.1109/LCOMM.2020.3002073.)、基于短时傅里叶变换和卷积神经网络结合的频谱感知方法(Z.Chen,Y.-Q.Xu,H.Wang and D.Guo,"Deep STFT-CNN for Spectrum Sensing inCognitive Radio,"in IEEE Communications Letters,vol.25,no.3,pp.864-868,March2021,doi:10.1109/LCOMM.2020.3037273.)、基于变分自编码器的无监督学习频谱感知方法(J.Xie,J.Fang,C.Liu and L.Yang,"Unsupervised Deep Spectrum Sensing:AVariational Auto-Encoder Based Approach,"in IEEE Transactions on VehicularTechnology,vol.69,no.5,pp.5307-5319,May 2020,doi:10.1109/TVT.2020.2982203.)。上面所提到的频谱感知方法大多在高斯噪声下有着极好的感知性能，但是在真实的无线环境场景下，接收端的接收信号会受到非高斯噪声的干扰，如果仍然使用高斯噪声模型，频谱感知性能将大大降低。
针对非高斯噪声假设下的频谱感知，研究人员提出了一些频谱感知方法。Li等人提出了一种基于Rαo检测的非高斯多径衰落信道频谱感知方法(J.Li,Q.Chen,Z.Long,W.Wang,H.Zhu and L.Wang,"Spectrum Sensing With Non-Gaussian Noise Over Multi-Path Fading Channels Towards Smart Cities With IoT,"in IEEE Access,vol.9,pp.11194-11202,2021,doi:10.1109/ACCESS.2021.3051719.)、Lee等人基于阶次分析，提出了一种非线性组合方案来应对脉冲噪声的重尾特性，在瑞利衰落脉冲噪声环境下，所提出方法的检测性能优于传统方法(S.Lee,S.R.Park,Y.H.Kim and I.Song,"Spectrumsensing for cognitive radio network with multiple receive antennas underimpulsive noise environments,"in Journal of Communications and Networks,vol.23,no.3,pp.171-179,June 2021,doi:10.23919/JCN.2021.000016.)、Bhavana等人利用最大相关熵准则对脉冲噪声的鲁棒性，提出了一种基于非高斯噪声下的非重建的宽带压缩频谱感知方法(B.Bhavana,S.Namburu,T.Panigrahi and S.L.Sabat,"Robust Methodsfor Wideband Compressive Spectrum Sensing Under Non-Gaussian Noise,"in IEEECommunications Letters,vol.25,no.10,pp.3398-3402,Oct.2021,doi:10.1109/LCOMM.2021.3098235.)、Bkassiny等人基于局部最优的Neyman-Pearson检测器，可以有效减少非高斯噪声对检测性能的影响(M.Bkassiny,A.Lima De Sousa and S.K.Jayaweera,"Wideband Spectrum Sensing for Cognitive Radios in Weakly Correlated Non-Gaussian Noise,"in IEEE Communications Letters,vol.19,no.7,pp.1137-1140,July2015,doi:10.1109/LCOMM.2015.2434996.)。
上述频谱感知方法仅在较高信噪比条件下可以达到较好的感知性能，但是在实际电磁环境中，特别是存在非高斯噪声的背景条件下，不对有用的微弱接收信号进行增强可能会导致感知性能的下降。为此，本文考虑先对微弱接收信号进行增强，提出了一种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，来提高频谱感知的检测性能。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有的频谱感知技术仅考虑对较高信噪比下的接收信号进行感知，而未处理的低零功率下的接收信号存在使得频谱感知性能变差的缺陷。
(2)现有的协作频谱感知方法大多考虑直接将各个子节点的感知信息发送到融合中心，但这会极大的占用信道的传输带宽。
发明内容
为了克服上述现有技术存在的问题，本发明的目的在于提供了一种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，能够通过对非高斯噪声下的微弱接收信号进行增强，基于参数共享的频谱感知模型，可以有效的节省网络传输带宽，解决数据传输过程中占用带宽过大的问题；实现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可以为复杂通信环境下认知无线电系统提供技术依据，突破现有的静态频谱划分机制，提高频谱资源的利用率。
为了实现上述目的，本发明采用的技术方案为：
一种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，包括以下步骤：
步骤一，构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵Ry作为对预处理信号的智能表征；
步骤二，构建基于联邦学习的分布式协作频谱感知系统，在该系统下，利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练；
步骤三，同时在该系统下，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数；
步骤四，利用获取到的全局最优网络参数w*加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量T和检测阈值γ，将获取到的检测统计量T和检测阈值γ大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知。
进一步，所述步骤一的具体过程为：
基于多天线协作频谱感知场景，当感知模型由一个主用户、L个次用户和一个融合中心所组成，主用户发射端有M根天线，次用户接收端有K根天线，在采样的n时刻，第d个次用户的接收端信号可以表示为：
H0:yd(n)＝wd(n)
H1:yd(n)＝hd(n)s(n)+wd(n)
其中，H1表示授权的主用户信号存在，H0表示授权的主用户信号不存在，s(n)表示主用户的发射信号，hd(n)＝[hd,1(n),...,hd,m(n),...,hd,K(n)]，hd,m(n)表示第d个次用户的第m根接收天线上的信道响应，wd(n)表示非高斯噪声；接收信号y(n)的矩阵表示为：
其中，yM(N)为第M根天线第N个采样数据；
采用alpha稳定分布噪声来对非高斯噪声进行描述，其特征函数的表示形式如下：
其中，α表示特征指数，取值为0＜α≤2，alpha稳定分布的脉冲程度是由这个参数所决定；μ表示对称参数，取值为-1≤μ≤1，alpha稳定分布的对称程度是由这个参数来决定；γ表示尺度参数，取值为γ≥0，样本相对于均值的分散程度可以用该参数来表示，相当于高斯分布中方差的定义；β表示位置参数，取值为-∞＜β＜+∞，稳定分布的概率密度函数在x轴上的偏移由该参数所决定，sign(t)表示符号函数；
接收信号y(n)的矩阵表示为：
其中，yM(N)为第M根天线第N个采样数据；
利用分数阶随机共振系统进行多天线接收端的有用微弱信号增强，其分数阶郎之万方程表示为：
其中，y(t)表示输入信号，ξ(t)表示alpha稳定分布噪声，
a和b表示系统结构参数，V'(x)表示对V(x)进行一阶求导，/>
算子用来代表非整数微分和积分，其中阶次/>
从整数扩展到了实数，包含了分数部分，a和t表示上下临界，/>
算子定义为：
其中，α表示阶次，α＞0时，表示进行求α阶导数字运算，α＜0时表示进行积分运算，积分上限为a，积分下限为t；
求解出alpha稳定分布噪声下关于输入信号y(t)的分数阶郎之万方程的解x(t)，该解集就是增强后的有用接收信号。
计算分数低阶协方差矩阵Ry作为对增强后有用接收信号的智能表征：
其中，|y(n)|p＝[|y1(n)|p,...,|ym(n)|p,...,|yK(n)|p]T，ym(n)是在采样时刻n，第m根天线所接收的信号经过分数阶随机共振系统增强后的信号表示，|·|表示取绝对值符号，T表示做转置运算，H表示共轭转置，|ym(n)|p表示对|ym(n)|做p阶分数低阶矩运算。
进一步，所述步骤二的具体过程为：
首先，对于步骤一预处理后的接收信号求取分数低阶协方差矩阵，提取协方差矩阵的实部和虚部进行归一化处理和灰度变换，组成双通道的灰度图像输入；
然后，在将输入的维度为h×w×c的灰度图像块输入到基于视觉的自注意力网络模型之前，需要进行切片处理，其中h表示灰度图像的长，w表示灰度图像的宽，c表示通道数量，×表示点乘运算；将输入的灰度图像展平成N＝hw/p2个大小为(p2·c)的向量xp，其中N表示展平的向量xp的总数，p表示向量的长和宽，c表示通道数量，/表示除法运算，·表示点乘运算；并对向量进行维度压缩，利用一个全连接层经过线性变换将其映射到维度大小d；加入一个可学习的位置向量
来对处理后的向量进行位置编码，并引入一个可学习的嵌入向量xclass作为最后的输出特征进行分类，经过切片、降维和嵌入后的特征向量可以表示为/>
其中/>
为投影矩阵，xclass表示分类向量，/>
表示展平后的输入向量，Epos表示位置编码向量；
接着，将提取的特征向量z0送入到编码器模块，在编码器模块中，首先将特征向量进行层归一化(LayerNormalization，LN)处理，LN(z0)表示可以使得每一层神经元输入的均值和方差都保证一致，其中z0表示提取的特征向量，LN表示进行层归一化操作；将处理后的向量
经过变换得到三个特征向量Q、K和V，大小均为(N+1)×dv，其中N+1表示特征向量的长，dv表示特征向量的宽；通过单头注意力单元SA可以得到注意力权重输出向量为/>
该公式用来计算特征向量中不同值之间相似性，其中
是设置好的固定值，T表示做转置运算，·表示对向量之间进行点积运算，softmax激活函数计算公式如下：
其中，xi为第i个节点的输出值，C为输出节点的个数，即分类的类别数，通过该函数就可以将多分类的输出值转换为范围在[0,1]之间的概率分布；
多头注意力层会对Nh个单头注意力单元的输出向量进行拼接，表示为
其中/>
表示第i个单头注意力单元的输入向量，concat(·)表示对多个向量进行拼接操作，LN表示进行层归一化操作，Nh表示单头注意力单元的个数，SA表示单头注意力单元；
最后，将拼接后的输出向量和z0进行残差连接，经过层归一化处理后作为一个多层感知机层(MLP)的输入，表示为z'0＝LN(MSA(z0)+z0)，其中z0表示提取的特征向量，MSA(z0)表示多头注意力单元的输出，LN表示进行层归一化操作，z'0表示残差连接后的输出向量。
进一步的，步骤二中所述多层感知机由两个全连接层组成，第一个全连接层的激活函数为GeLu，第二个全连接层的激活函数为softmax，计算公式为
其中/>
表示全连接层的输出向量，z'0表示残差连接后的输出向量，GeLu(z'0)表示对向量z'0做非线性变换，GeLu激活函数表示：
GeLu(x)＝x·Φ(x)
其中，x表示神经元输入值，Φ(x)是正态分布的概率密度函数，·表示做点乘运算。
进一步的，所述步骤三的具体过程为：
首先，在基于联邦学习的分布式协作频谱感知系统中，融合中心会先初始化所有子节点处网络模型的参数为w0，将该参数下发给所有的感知节点；
然后，在本地训练的过程中，从全部节点中随机选择感知节点，所选择的感知节点会利用自己的本地数据集进行多轮次的训练；在进行第k+1轮次的训练时，子节点处会进行一次网络参数的局部更新，局部更新规则公式如下所示：
其中，
表示第k次通信后全局聚合的全局模型参数，/>
表示第k+1次通信时第i个子节点的本地模型参数，η表示学习率，gi表示第i个子节点的本地梯度更新；
接着，在经历过若干次的局部网络参数更新后，在中心节点处进行各个子节点参数的全局聚合，引入动态加权联邦平均方法来聚合各个子节点处的网络参数；第k个子节点处的局部模型和当前全局模型之间的相似度可以表示为：
其中，[x]表示取整函数，即不超过x的最大整数，|·|表示取绝对值运算，wk+1,i,j表示第k+1次迭代训练时，第i个子节点处的第j个网络参数，wk,i,global表示第k次迭代训练时相应的全局网络参数，w表示全局聚合网络参数；
子节点处局部模型和全局模型在第k次迭代时的相似性权重表示如下：
其中，N表示所有子节点总数，softmax([L]k)用来将[L]k转化为在[0,1]之间的概率值。
权重约束条件表示如下：
αk在模型训练期间是动态变化的，权重系数越大，全局模型和局部模型的相似性越高。第k次迭代训练后，经过聚合的全局模型参数可以表示如下：
其中，αi是第i次迭代时，子节点处局部模型和全局模型之间的相似性权重，wk,i表示第k次迭代时，第i个子节点的局部网络参数；
最后，联邦学习的全局损失函数是由各子节点的本地损失函数加权得到的，全局损失函数的计算公式可如下表示：
其中，w表示全局网络参数，Di表示第i个感知节点的本地数据集的大小，li(w)表示第i个子节点在全局网络参数和本地训练集上的损失函数，N表示子感知节点的总个数，lglobal(w)表示在全局网络参数下的全局损失函数，×表示做点乘运算；
联邦学习要想达到训练终止，就必须要获取到一个全局聚合参数
在该参数下可以使得全局损失函数lglobal(w)达到最小，有：
其中，w迭代过程中的全局聚合参数，
表示训练停止后得到的全局聚合参数，argmin表示让lglobal(w)取最小值时，/>
的取值；
使用随机梯度下降(SGD)方法优化全局聚合参数，来使得全局损失函数达到最小；假设子节点在经过τ步局部更新后进行一次全局聚合，模型训练终止，得到全局网络模型参数w*。
进一步的，所述步骤四的具体过程为：
利用获取到的全局网络参数w*，将其加载到中心节点的自注意力网络中，获取到用于最终检测的网络模型；输出的特征向量z'0可以表示为：
其中，
表示一个二维输出向量，z'0表示最终检测络模型得出的输出特征向量，
表示网络模型对假设Hi的非线性表达式，/>
表示训练好的网络模型的整个非线性表达式，R表示输入向量，Hi表示对主用户信号存在与否做的二元假设，i＝1表示主用户信号存在，i＝0表示主用户信号不存在；
且选择向量表示为：
其中，i＝1时，
表示标识H1假设成立的二维向量；i＝0，/>
表示标识H0假设成立的二维向量；
构建出检测统计量表示为：
检测门限γ表示为：
其中，Ru为噪声样本向量；
给定噪声样本向量下的数据集
其中L表示噪声样本的个数，K表示每个噪声样本的大小，/>
表示输入的第L个噪声样本向量，然后输入到网络模型中，可以得到一组门限值γi，i∈{1,2,...,L}；通过对这些值进行降序排序，构造数据集合/>
具有期望的虚警概率值α的检测门限可以表示为：
其中，α表示设定好的虚警概率值，L表示噪声样本向量的个数，
表示求取的门限数据集合，/>
表示向下取整符号；
若T＞η时，则表明主用户信号存在，即主用户频谱处于占用，若T＜η时，则表明主用户信号不存在，即主用户处于频谱空闲。
进一步的，一种非高斯噪声下分布式协同的多天线协作频谱智能感知系统，包括：
智能表征模块，利用分数阶随机共振模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵Ry作为对预处理信号的特征表示；
子节点本地训练与全局参数聚合模块，构建基于联邦学习的分布式协作频谱感知系统，在该系统下，利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练，并利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数w*；
频谱检测模块，利用获取到的全局最优网络参数w*加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量T和检测阈值γ，将获取到的检测统计量T和检测阈值γ大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知。
进一步的，一种非高斯噪声下分布式协同的多天线协作频谱智能感知设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现步骤一至四任一项所述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。
进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够对非高斯噪声下分布式协同的多天线协作频谱智能感知。
本发明有益效果如下：
1、本发明提出了基于分数阶随机共振的数据预处理方法，将电磁环境中的部分噪声能量转化为微弱输入信号能量，实现对低零功率下输入信号的增强。
2、本发明提出了非高斯噪声下的频谱感知方法，克服了传统的频谱感知算法只在高斯噪声下性能良好，但alpha稳定分布噪声下性能衰退的弊病，对alpha稳定分布噪声具有很好的抑制效果。
3、本发明是基于参数共享的频谱感知模型，可以有效的节省网络传输带宽，同时考虑到不同感知节点的数据分布存在潜在的不平衡问题，利用动态加权的思想，可以动态的调整感知节点的权重，从而实现对全局模型的优化，在实际环境中更适用。
附图说明
为了更清晰有效地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图进行简单介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的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流程图。
图2是本发明实施例提供的非高斯噪声下分布式协同的多天线协作频谱智能感知系统的结构示意图。
图3是本发明实施例提供的非高斯噪声下分布式协同的多天线协作频谱智能感知性能示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了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及系统，下面结合附图对本发明作详细的描述。
S101，利用分数阶随机共振模型，对多天线接收端的有用微弱信号进行增强，并选取分数低阶协方差矩阵作为对预处理信号的特征表示；
S102，构建基于联邦学习的分布式协作频谱感知系统，在该系统下，利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练；
S103，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数；
S104，利用获取到的全局最优网络参数加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量和检测阈值，将获取到的检测统计量和检测阈值大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知。
如图2所示，本发明实施例提供的非高斯噪声下分布式协同的多天线协作频谱智能感知系统，包括：
智能表征模块1，利用分数阶随机共振模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵Ry作为对预处理信号的特征表示；
子节点本地训练与全局参数聚合模块2，构建基于联邦学习的分布式协作频谱感知系统，在该系统下，利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练，并利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数w*；
频谱检测模块3，利用获取到的全局最优网络参数w*加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量T和检测阈值γ，将获取到的检测统计量T和检测阈值γ大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知。
下面结合实施例对本发明作进一步描述。
本发明实施例提供的一种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包括以下步骤：
S101，构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵Ry作为对预处理信号的智能表征。
基于多天线协作频谱感知场景，设感知模型由一个主用户、L个次用户和一个融合中心所组成，主用户发射端有M根天线，次用户接收端有K根天线，在采样的n时刻，第d个次用户的接收端信号可以表示为：
H0:yd(n)＝wd(n)
H1:yd(n)＝hd(n)s(n)+wd(n)
其中，H1表示授权的主用户信号存在，H0表示授权的主用户信号不存在，s(n)表示主用户的发射信号，hd(n)＝[hd,1(n),...,hd,m(n),...,hd,K(n)]，yd,m(n)表示第d个次用户的第m根接收天线上的信道响应，wd(n)表示非高斯噪声。接收信号y(n)的矩阵表示为：
其中，yM(N)为第M根天线第N个采样数据。
采用alpha稳定分布噪声来对非高斯噪声进行描述，其特征函数的表示形式如下：
其中，α表示特征指数，取值为0＜α≤2，alpha稳定分布的脉冲程度是由这个参数所决定。μ表示对称参数，取值为-1≤μ≤1，alpha稳定分布的对称程度是由这个参数来决定。γ表示尺度参数，取值为γ≥0，样本相对于均值的分散程度可以用该参数来表示，相当于高斯分布中方差的定义。β表示位置参数，取值为-∞＜β＜+∞，稳定分布的概率密度函数在x轴上的偏移由该参数所决定，sign(t)表示符号函数。
第一步，构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵Ry作为对预处理信号的智能表征的具体过程为：
基于多天线协作频谱感知场景，设感知模型由一个主用户、L个次用户和一个融合中心所组成，主用户发射端有M根天线，次用户接收端有K根天线，在采样的n时刻，第d个次用户的接收端信号可以表示为：
H0:yd(n)＝wd(n)
H1:yd(n)＝hd(n)s(n)+wd(n)
其中，H1表示授权的主用户信号存在，H0表示授权的主用户信号不存在，s(n)表示主用户的发射信号，hd(n)＝[hd,1(n),...,hd,m(n),...,hd,K(n)]，hd,m(n)表示第d个次用户的第m根接收天线上的信道响应，wd(n)表示非高斯噪声。接收信号y(n)的矩阵表示为：
其中，yM(N)为第M根天线第N个采样数据。
采用alpha稳定分布噪声来对非高斯噪声进行描述，其特征函数的表示形式如下：
其中，α表示特征指数，取值为0＜α≤2，alpha稳定分布的脉冲程度是由这个参数所决定。μ表示对称参数，取值为-1≤μ≤1，alpha稳定分布的对称程度是由这个参数来决定。γ表示尺度参数，取值为γ≥0，样本相对于均值的分散程度可以用该参数来表示，相当于高斯分布中方差的定义。β表示位置参数，取值为-∞＜β＜+∞，稳定分布的概率密度函数在x轴上的偏移由该参数所决定，sign(t)表示符号函数。
接收信号y(n)的矩阵表示为：
其中，yM(N)为第M根天线第N个采样数据。
利用分数阶随机共振系统进行多天线接收端的有用微弱信号增强，其分数阶郎之万方程表示为：
其中，y(t)表示输入信号，ξ(t)表示alpha稳定分布噪声，
a和b表示系统结构参数，V'(x)表示对V(x)进行一阶求导，/>
算子用来代表非整数微分和积分，其中阶次/>
从整数扩展到了实数，包含了分数部分，a和t表示上下临界，/>
算子定义为：
其中，α表示阶次，α＞0时，表示进行求α阶导数字运算，α＜0时表示进行积分运算，积分上限为a，积分下限为t。
求解出alpha稳定分布噪声下关于输入信号y(t)的分数阶郎之万方程的解x(t)，该解集就是增强后的有用接收信号。
计算分数低阶协方差矩阵Ry作为对增强后有用接收信号的智能表征：
其中，|y(n)|p＝[|y1(n)|p,...,|ym(n)|p,...,|yK(n)|p]T，ym(n)是在采样时刻n，第m根天线所接收的信号经过分数阶随机共振系统增强后的信号表示，|·|表示取绝对值符号，T表示做转置运算，H表示共轭转置，|ym(n)|p表示对|ym(n)|做p阶分数低阶矩运算。
S102，构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵Ry作为对预处理信号的智能表征的具体过程为：
然后，在将输入的维度为h×w×c的灰度图像块输入到基于视觉的自注意力网络模型之前，需要进行切片处理，其中h表示灰度图像的长，w表示灰度图像的宽，c表示通道数量，×表示点乘运算。将输入的灰度图像展平成N＝hw/p2个大小为(p2·c)的向量xp，其中N表示展平的向量xp的总数，p表示向量的长和宽，c表示通道数量，/表示除法运算。并对向量进行维度压缩，利用一个全连接层经过线性变换将其映射到维度大小d。加入一个可学习的位置向量
来对处理后的向量进行位置编码，并引入一个可学习的嵌入向量xclass作为最后的输出特征进行分类，经过切片、降维和嵌入后的特征向量可以表示为
其中/>
为投影矩阵，xclass表示分类向量，/>
表示展平后的输入向量，Epos表示位置编码向量。
接着，将提取的特征向量z0送入到编码器模块，在编码器模块中，首先将特征向量进行层归一化(LayerNormalization，LN)处理，LN(z0)表示可以使得每一层神经元输入的均值和方差都保证一致，其中z0表示提取的特征向量，LN表示进行层归一化操作。将处理后的向量
经过变换得到三个特征向量Q、K和V，大小均为(N+1)×dv，其中N+1表示特征向量的长，dv表示特征向量的宽。通过单头注意力单元SA可以得到注意力权重输出向量为/>
该公式用来计算特征向量中不同值之间相似性，其中
是设置好的固定值，T表示做转置运算，·表示对向量之间进行点积运算，softmax激活函数计算公式如下：
其中，xi为第i个节点的输出值，C为输出节点的个数，即分类的类别数，通过该函数就可以将多分类的输出值转换为范围在[0,1]之间的概率分布。
多头注意力层会对Nh个单头注意力单元的输出向量进行拼接，可以表示为
其中/>
表示第i个单头注意力单元的输入向量，concat(·)表示对多个向量进行拼接操作，LN表示进行层归一化操作，Nh表示单头注意力单元的个数，SA表示单头注意力单元。
最后，将拼接后的输出向量和z0进行残差连接，经过层归一化处理后作为一个多层感知机层(MLP)的输入，可以表示为z'0＝LN(MSA(z0)+z0)，其中z0表示提取的特征向量，MSA(z0)表示多头注意力单元的输出，LN表示进行层归一化操作z'0表示残差连接后的输出向量。多层感知机由两个全连接层组成，第一个全连接层的激活函数为GeLu，第二个全连接层的激活函数为softmax，计算公式为
其中/>
表示全连接层的输出向量，z'0表示残差连接后的输出向量，GeLu(z'0)表示对向量z'0做非线性变换，GeLu
激活函数表示：
GeLu(x)＝x·Φ(x)
其中，x表示神经元输入值，Φ(x)是正态分布的概率密度函数，·表示做点乘运算。
S103，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数的具体过程为：
首先，在基于联邦学习的分布式协作频谱感知系统中，融合中心会先初始化所有子节点处网络模型的参数为w0，将该参数下发给所有的感知节点。
然后，在本地训练的过程中，从全部节点中选择比例为0.12的感知节点，所选择的感知节点会利用自己的本地数据集进行多轮次的训练。在进行第k+1轮次的训练时，子节点处会进行一次网络参数的局部更新，局部更新规则公式如下所示：
其中，
表示第k次通信后全局聚合的全局模型参数，/>
表示第k+1次通信时第i个子节点的本地模型参数，η表示学习率，gi表示第i个子节点的本地梯度更新。
接着，在经历过若干次的局部网络参数更新后，在中心节点处要进行各个子节点参数的全局聚合，引入动态加权联邦平均方法来聚合各个子节点处的网络参数。第k个子节点处的局部模型和当前全局模型之间的相似度可以表示为：
其中，[x]表示取整函数，即不超过x的最大整数，|·|表示取绝对值运算，wk+1,i,j表示第k+1次迭代训练时，第i个子节点处的第j个网络参数，wk,i,global表示第k次迭代训练时相应的全局网络参数，w表示全局聚合网络参数。
子节点处局部模型和全局模型在第k次迭代时的相似性权重表示如下：
其中，N表示所有子节点总数，softmax([L]k)用来将[L]k转化为在[0,1]之间的概率值。
权重约束条件表示如下：
αk在模型训练期间是动态变化的，权重系数越大，全局模型和局部模型的相似性越高。第k次迭代训练后，经过聚合的全局模型参数可以表示如下：
其中，αi是第i次迭代时，子节点处局部模型和全局模型之间的相似性权重，wk,i表示第k次迭代时，第i个子节点的局部网络参数。
最后，联邦学习的全局损失函数是由各子节点的本地损失函数加权得到的，全局损失函数的计算公式可以如下表示：
其中，w表示全局网络参数，Di表示第i个感知节点的本地数据集的大小，li(w)表示第i个子节点在全局网络参数和本地训练集上的损失函数，N表示子感知节点的总个数，lglobal(w)表示在全局网络参数下的全局损失函数，×表示做点乘运算。
联邦学习要想达到训练终止，就必须要获取到一个全局聚合参数
在该参数下可以使得全局损失函数lglobal(w)达到最小，有：
其中w迭代过程中的全局聚合参数，
表示训练停止后得到的全局聚合参数，argmin表示让lglobal(w)取最小值时，/>
的取值。
使用随机梯度下降(SGD)方法优化全局聚合参数，来使得全局损失函数达到最小。假设子节点在经过τ步局部更新后进行一次全局聚合，模型训练终止，得到全局网络模型参数w*。
S104，利用获取到的全局最优网络参数w*加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量T和检测阈值γ，将获取到的检测统计量T和检测阈值γ大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知的具体过程为：
利用获取到的全局网络参数w*，将其加载到中心节点的自注意力网络中，获取到用于最终检测的网络模型。输出的特征向量z'0可以表示为：
其中，
表示一个二维输出向量，z'0表示最终检测络模型得出的输出特征向量，
表示网络模型对假设Hi的非线性表达式，/>
表示训练好的网络模型的整个非线性表达式，R表示输入向量，Hi表示对主用户信号存在与否做的二元假设，i＝1表示主用户信号存在，i＝0表示主用户信号不存在。
且选择向量表示为：
其中，i＝1时，
表示标识H1假设成立的二维向量；i＝0，/>
表示标识H0假设成立的二维向量。
构建出检测统计量表示为：
检测门限γ表示为：
其中，Ru为噪声样本向量。
给定噪声样本向量下的数据集
其中L表示噪声样本的个数，K表示每个噪声样本的大小，/>
表示输入的第L个噪声样本向量，然后输入到网络模型中，可以得到一组门限值γi，i∈{1,2,...,L}。通过对这些值进行降序排序，构造数据集合/>
因此，具有期望的虚警概率值α的检测门限可以表示为：
其中α表示设定好的虚警概率值，L表示噪声样本向量的个数，
表示求取的门限数据集合，/>
表示向下取整符号。
若T＞η时，则表明主用户信号存在，即主用户频谱处于占用，若T＜η时，则表明主用户信号不存在，即主用户处于频谱空闲。
下面结合仿真实验对本发明的技术效果作详细的描述。
为了评估本发明的性能，进行仿真验证。在仿真实验中，使用Matlab软件仿真MIMO信号，其基带调制方式为QPSK，非高斯噪声为alpha稳定分布噪声,信道为瑞利平坦衰落信道。设置信号的信噪比范围为-20dB～5dB,每种信噪比下产生1000对数据，每对数据采样点数为1024。对这些接收信号进行增强，提取其分数低阶协方差并设置标签[1,0]T，表示主用户存在。另外对生成的纯噪声数据进行处理并设置标签[0,1]T，表示主用户不存在，处理方法同上。最终总共产生样本数量为36000的训练数据集和12000的测试数据集。本地子感知节点网络模型采用交叉熵作为损失函数，利用动态加权联邦平均方法在融合中心处进行全局网络参数的聚合，经过多次训练迭代后得到最优全局网络参数。子节点本地训练过程中使用随机梯度下降(SGD)方法来优化损失函数，最终得到训练好的网络模型。本发明结果仿真图如图三所示，本发明所提方法(分布式协同的多天线协作频谱感知)与基于深度学习的单节点频谱感知方法(Transformer，AlexNet，SVM)以及基于能量检测(ED)性能对比如图3所示。可以看出，分布式协同的多天线协作频谱感知方法总体性能要优于单节点的频谱感知方法,证明了分布式协同的多天线协作频谱感知方法的有效性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (9)
1.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，其特征在于，包括以下步骤：
步骤一，构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵Ry作为对预处理信号的智能表征；
步骤二，构建基于联邦学习的分布式协作频谱感知系统，在该系统下，利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练；
步骤三，同时在该系统下，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数；
步骤四，利用获取到的全局最优网络参数w*加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量T和检测阈值γ，将获取到的检测统计量T和检测阈值γ大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知。
2.如权利要求1所述的非高斯噪声下分布式协同的多天线协同频谱智能感知方法，其特征在于，所述步骤一的具体过程为：
基于多天线协作频谱感知场景，当感知模型由一个主用户、L个次用户和一个融合中心所组成，主用户发射端有M根天线，次用户接收端有K根天线，在采样的n时刻，第d个次用户的接收端信号可以表示为：
H0:yd(n)＝wd(n)
H1:yd(n)＝hd(n)s(n)+wd(n)
其中，H1表示授权的主用户信号存在，H0表示授权的主用户信号不存在，s(n)表示主用户的发射信号，hd(n)＝[hd,1(n),...,hd,m(n),...,hd,K(n)]，hd,m(n)表示第d个次用户的第m根接收天线上的信道响应，wd(n)表示非高斯噪声；接收信号y(n)的矩阵表示为：
其中，yM(N)为第M根天线第N个采样数据；
采用alpha稳定分布噪声来对非高斯噪声进行描述，其特征函数的表示形式如下：
其中，α表示特征指数，取值为0＜α≤2，alpha稳定分布的脉冲程度是由这个参数所决定；μ表示对称参数，取值为-1≤μ≤1，alpha稳定分布的对称程度是由这个参数来决定；γ表示尺度参数，取值为γ≥0，样本相对于均值的分散程度可以用该参数来表示，相当于高斯分布中方差的定义；β表示位置参数，取值为-∞＜β＜+∞，稳定分布的概率密度函数在x轴上的偏移由该参数所决定，sign(t)表示符号函数；
接收信号y(n)的矩阵表示为：
其中，yM(N)为第M根天线第N个采样数据；
利用分数阶随机共振系统进行多天线接收端的有用微弱信号增强，其分数阶郎之万方程表示为：
其中，y(t)表示输入信号，ξ(t)表示alpha稳定分布噪声，
a和b表示系统结构参数，V'(x)表示对V(x)进行一阶求导，/>
算子用来代表非整数微分和积分，其中阶次/>
从整数扩展到了实数，包含了分数部分，a和t表示上下临界，/>
算子定义为：
其中，α表示阶次，α＞0时，表示进行求α阶导数字运算，α＜0时表示进行积分运算，积分上限为a，积分下限为t；
求解出alpha稳定分布噪声下关于输入信号y(t)的分数阶郎之万方程的解x(t)，该解集就是增强后的有用接收信号。
计算分数低阶协方差矩阵Ry作为对增强后有用接收信号的智能表征：
其中，|y(n)|p＝[|y1(n)|p,...,|ym(n)|p,...,|yK(n)|p]T，ym(n)是在采样时刻n，第m根天线所接收的信号经过分数阶随机共振系统增强后的信号表示，|·|表示取绝对值符号，T表示做转置运算，H表示共轭转置，|ym(n)|p表示对|ym(n)|做p阶分数低阶矩运算。
3.如权利要求1所述的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，其特征在于，所述步骤二的具体过程为：
首先，对于步骤一预处理后的接收信号求取分数低阶协方差矩阵，提取协方差矩阵的实部和虚部进行归一化处理和灰度变换，组成双通道的灰度图像输入；
然后，在将输入的维度为h×w×c的灰度图像块输入到基于视觉的自注意力网络模型之前，需要进行切片处理，其中h表示灰度图像的长，w表示灰度图像的宽，c表示通道数量，×表示点乘运算；将输入的灰度图像展平成N＝hw/p2个大小为(p2·c)的向量xp，其中N表示展平的向量xp的总数，p表示向量的长和宽，c表示通道数量，/表示除法运算，·表示点乘运算；并对向量进行维度压缩，利用一个全连接层经过线性变换将其映射到维度大小d；加入一个可学习的位置向量
来对处理后的向量进行位置编码，并引入一个可学习的嵌入向量xclass作为最后的输出特征进行分类，经过切片、降维和嵌入后的特征向量可以表示为/>
其中/>
为投影矩阵，xclass表示分类向量，
表示展平后的输入向量，Epos表示位置编码向量；
接着，将提取的特征向量z0送入到编码器模块，在编码器模块中，首先将特征向量进行层归一化(LayerNormalization，LN)处理，LN(z0)表示可以使得每一层神经元输入的均值和方差都保证一致，其中z0表示提取的特征向量，LN表示进行层归一化操作；将处理后的向量
经过变换得到三个特征向量Q、K和V，大小均为(N+1)×dv，其中N+1表示特征向量的长，dv表示特征向量的宽；通过单头注意力单元SA可以得到注意力权重输出向量为/>
该公式用来计算特征向量中不同值之间相似性，其中
是设置好的固定值，T表示做转置运算，·表示对向量之间进行点积运算，softmax激活函数计算公式如下：
其中，xi为第i个节点的输出值，C为输出节点的个数，即分类的类别数，通过该函数就可以将多分类的输出值转换为范围在[0,1]之间的概率分布；
多头注意力层会对Nh个单头注意力单元的输出向量进行拼接，表示为
其中/>
表示第i个单头注意力单元的输入向量，concat(·)表示对多个向量进行拼接操作，LN表示进行层归一化操作，Nh表示单头注意力单元的个数，SA表示单头注意力单元；
最后，将拼接后的输出向量和z0进行残差连接，经过层归一化处理后作为一个多层感知机层(MLP)的输入，表示为z'0＝LN(MSA(z0)+z0)，其中z0表示提取的特征向量，MSA(z0)表示多头注意力单元的输出，LN表示进行层归一化操作，z'0表示残差连接后的输出向量。
4.如权利要求3所述的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，其特征在于，步骤二中所述多层感知机层(MLP)由两个全连接层组成，第一个全连接层的激活函数为GeLu，第二个全连接层的激活函数为softmax，计算公式为
其中/>
表示全连接层的输出向量，z'0表示残差连接后的输出向量，GeLu(z'0)表示对向量z'0做非线性变换，GeLu激活函数表示：
GeLu(x)＝x·Φ(x)
其中，x表示神经元输入值，Φ(x)是正态分布的概率密度函数，·表示做点乘运算。
5.如权利要求1所述的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，其特征在于，所述步骤三的具体过程为：
首先，在基于联邦学习的分布式协作频谱感知系统中，融合中心会先初始化所有子节点处网络模型的参数为w0，将该参数下发给所有的感知节点；
然后，在本地训练的过程中，从全部节点中随机选择感知节点，所选择的感知节点会利用自己的本地数据集进行多轮次的训练；在进行第k+1轮次的训练时，子节点处会进行一次网络参数的局部更新，局部更新规则公式如下所示：
其中，
表示第k次通信后全局聚合的全局模型参数，/>
表示第k+1次通信时第i个子节点的本地模型参数，η表示学习率，gi表示第i个子节点的本地梯度更新；
接着，在经历过若干次的局部网络参数更新后，在中心节点处进行各个子节点参数的全局聚合，引入动态加权联邦平均方法来聚合各个子节点处的网络参数；第k个子节点处的局部模型和当前全局模型之间的相似度可以表示为：
其中，[x]表示取整函数，即不超过x的最大整数，·表示取绝对值运算，wk+1,i,j表示第k+1次迭代训练时，第i个子节点处的第j个网络参数，wk,i,global表示第k次迭代训练时相应的全局网络参数，w表示全局聚合网络参数；
子节点处局部模型和全局模型在第k次迭代时的相似性权重表示如下：
其中，N表示所有子节点总数，softmax([L]k)用来将[L]k转化为在[0,1]之间的概率值。
权重约束条件表示如下：
αk在模型训练期间是动态变化的，权重系数越大，全局模型和局部模型的相似性越高。第k次迭代训练后，经过聚合的全局模型参数可以表示如下：
其中，αi是第i次迭代时，子节点处局部模型和全局模型之间的相似性权重，wk,i表示第k次迭代时，第i个子节点的局部网络参数；
最后，联邦学习的全局损失函数是由各子节点的本地损失函数加权得到的，全局损失函数的计算公式可如下表示：
其中，w表示全局网络参数，Di表示第i个感知节点的本地数据集的大小，li(w)表示第i个子节点在全局网络参数和本地训练集上的损失函数，N表示子感知节点的总个数，lglobal(w)表示在全局网络参数下的全局损失函数，×表示做点乘运算；
联邦学习要想达到训练终止，就必须要获取到一个全局聚合参数
在该参数下可以使得全局损失函数lglobal(w)达到最小，有：
其中，w迭代过程中的全局聚合参数，
表示训练停止后得到的全局聚合参数，argmin表示让lglobal(w)取最小值时，/>
的取值；
使用随机梯度下降(SGD)方法优化全局聚合参数，来使得全局损失函数达到最小；假设子节点在经过τ步局部更新后进行一次全局聚合，模型训练终止，得到全局网络模型参数w*。
6.如权利要求1所述的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，其特征在于，所述步骤四的具体过程为：
利用获取到的全局网络参数w*，将其加载到中心节点的自注意力网络中，获取到用于最终检测的网络模型；输出的特征向量z'0可以表示为：
其中，
表示一个二维输出向量，z'0表示最终检测络模型得出的输出特征向量，
表示网络模型对假设Hi的非线性表达式，/>
表示训练好的网络模型的整个非线性表达式，R表示输入向量，Hi表示对主用户信号存在与否做的二元假设，i＝1表示主用户信号存在，i＝0表示主用户信号不存在；
且选择向量表示为：
其中，i＝1时，
表示标识H1假设成立的二维向量；i＝0，eH0＝[0,1]表示标识H0假设成立的二维向量；
构建出检测统计量表示为：
检测门限γ表示为：
其中，Ru为噪声样本向量；
给定噪声样本向量下的数据集
其中L表示噪声样本的个数，K表示每个噪声样本的大小，/>
表示输入的第L个噪声样本向量，然后输入到网络模型中，可以得到一组门限值γi，i∈{1,2,...,L}；通过对这些值进行降序排序，构造数据集合/>
具有期望的虚警概率值α的检测门限可以表示为：
其中，α表示设定好的虚警概率值，L表示噪声样本向量的个数，
表示求取的门限数据集合，/>
表示向下取整符号；
若T＞η时，则表明主用户信号存在，即主用户频谱处于占用，若T＜η时，则表明主用户信号不存在，即主用户处于频谱空闲。
7.基于权利要求1～6任意一项所述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的感知系统，其特征在于，包括：
智能表征模块，利用分数阶随机共振模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵Ry作为对预处理信号的特征表示；
子节点本地训练与全局参数聚合模块，构建基于联邦学习的分布式协作频谱感知系统，在该系统下，利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练，并利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数w*；
频谱检测模块，利用获取到的全局最优网络参数w*加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量T和检测阈值γ，将获取到的检测统计量T和检测阈值γ大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知。
8.一种非高斯噪声下分布式协同的多天线协作频谱智能感知设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现权利要求1至6任一项所述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。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够对非高斯噪声下分布式协同的多天线协作频谱智能感知。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207116.1A CN116192307A (zh) | 2023-03-06 | 2023-03-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207116.1A CN116192307A (zh) | 2023-03-06 | 2023-03-06 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116192307A true CN116192307A (zh) | 2023-05-30 |
Family
ID=86444241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310207116.1A Pending CN116192307A (zh) | 2023-03-06 | 2023-03-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116192307A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116938367A (zh) * | 2023-07-03 | 2023-10-24 | 南京邮电大学 | 一种智能反射面增强的抗模仿攻击协作频谱感知系统和方法 |
| CN117951749A (zh) * | 2024-03-27 | 2024-04-30 | 青岛文达通科技股份有限公司 | 一种基于动态引导注意力的联邦多任务学习方法 |
-
2023
- 2023-03-06 CN CN202310207116.1A patent/CN116192307A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116938367A (zh) * | 2023-07-03 | 2023-10-24 | 南京邮电大学 | 一种智能反射面增强的抗模仿攻击协作频谱感知系统和方法 |
| CN117951749A (zh) * | 2024-03-27 | 2024-04-30 | 青岛文达通科技股份有限公司 | 一种基于动态引导注意力的联邦多任务学习方法 |
| CN117951749B (zh) * | 2024-03-27 | 2024-06-07 | 青岛文达通科技股份有限公司 | 一种基于动态引导注意力的联邦多任务学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Deep power control: Transmit power control scheme based on convolutional neural network | |
| Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
| CN106059972B (zh) | 一种基于机器学习算法的mimo相关信道下的调制识别方法 | |
| 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 | |
| CN107332598A (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
| CN103391143A (zh) | 基于特征值的多天线盲频谱感知方法及系统 | |
| CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
| CN110460359A (zh) | 一种基于神经网络的mimo系统信号接收方法 | |
| Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
| Wang et al. | Adversarial learning-based spectrum sensing in cognitive radio | |
| CN107181705A (zh) | 一种半盲信道估计方法及系统 | |
| CN114337883B (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
| CN116170066A (zh) | 一种面向低轨卫星物联网的负载预测方法 | |
| Tamilselvan et al. | Frequency domain learning scheme for massive MIMO using deep neural network | |
| Zhang et al. | Application of convolutional neural network in multi-channel scenario D2D communication transmitting power control | |
| CN111541472B (zh) | 低复杂度机器学习辅助鲁棒预编码方法及装置 | |
| CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
| Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO systems | |
| CN114915526B (zh) | 通信信号调制识别方法、装置及系统 | |
| Aer et al. | Modulation Recognition of MIMO Systems Based on Dimensional Interactive Lightweight Network. | |
| Liu et al. | Multi-antenna intelligent spectrum sensing in the presence of non-Gaussian interference | |
| CN115499278B (zh) | 基于轻量级神经网络的mimo信号调制识别方法 | |
| CN108234010B (zh) | 一种低复杂度的信号检测算法 | |
| CN116418431A (zh) | 一种非高斯干扰下多天线系统频谱智能感知方法、系统、设备及介质 | |
| Ding et al. | Deep Transfer Learning for Actions Recognition with WiFi Signals |
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 |