CN113315593A - 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 - Google Patents
一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 Download PDFInfo
- Publication number
- CN113315593A CN113315593A CN202110553337.5A CN202110553337A CN113315593A CN 113315593 A CN113315593 A CN 113315593A CN 202110553337 A CN202110553337 A CN 202110553337A CN 113315593 A CN113315593 A CN 113315593A
- Authority
- CN
- China
- Prior art keywords
- neural network
- lstm neural
- spectrum sensing
- data
- covariance matrix
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 76
- 238000001228 spectrum Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 17
- 238000005562 fading Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 8
- 238000000034 method Methods 0.000 description 8
- 230000008447 perception Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013468 resource allocation 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，属于认知无线电技术领域，采用FLOM对训练集内的样本进行预处理，搭建LSTM神经网络模型，将用于训练的训练集传输到LSTM神经网络进行学习，最后将测试集输入经学习后的LSTM神经网络，由softmax模块得到输出结果，将输出结果与阈值比较，做出主用户存在与否的决策。本发明科学合理，使用安全方便，通过FLOM在减少非高斯特征影响方面的强大能力和LSTM神经网络在提取数据时序特征方面的强大处理能力来提高检测性能，有效解决了在非高斯噪声没有能量和其他用于检测的二阶统计量这种情况下的频谱感知，提高了频谱感知性能，使其在低信噪比下相比于其他网络具有更好的性能。
Description
技术领域
本发明涉及认知无线电技术领域，具体是一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法。
背景技术
认知无线电能合理利用空闲的无线信道资源，是解决无线频谱匮乏问题的重要途径之一，频谱感知是认知无线电的关键技术之一。频谱感知的任务为识别适合子用户的频带。为了寻求更加高效的认知无线电资源分配方案，利用机器学习的方法解决频谱感知问题也得到了广泛的关注。
目前，已经有人提出许多模型驱动的频谱感知方案。然而，大多数的频谱感知算法是基于高斯噪声环境的，只是在高斯噪声环境下性能优越，实际的无线通信信道中受自然因素和人为因素的影响，噪声将含有“脉冲噪声”，与高斯噪声分布的特性不符，此噪声即为非高斯噪声。这些数据驱动的频谱感知算法因为在很大程度上取决于提取的二阶统计量信息，而非高斯噪声由于本身的分布特点，是不具有二阶统计量的，只存在分数低阶矩，所以当在非高斯噪声中进行频谱检测时,没有用于检测的二阶统计量。在这种情况下，传统的频谱感知算法出现了性能下降甚至无效的现象。所以，人们需要一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法来解决上述问题。
发明内容
发明目的：本发明目的在于针对现有技术，提供一种基于FLOM协方差矩阵和 LSTM神经网络的频谱感知算法解决非高斯噪声中进行频谱监测是算法性能下降甚至无效的问题。
技术方案：本发明所述一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，用于提高在非高斯噪声环境下的频谱感知性能，包括以下步骤：
S10、针对待检测设备，采集不同信噪比下的数字调制信号样本和没有用户信号的Alpha噪声样本作为原始数据；采用五重交叉验证对采集结果进行划分，将原始数据分为五组，依次挑选其中一组作为测试集，其余四组作为用于训练的训练集，从而得到五个模型；
S20、采用FLOM(分数低阶矩)对训练集内的样本进行预处理，获得分数低阶矩协方差矩阵，即获得样本集；对样本集进行标记，得到标签集；
S30、搭建LSTM神经网络模型，包括输入层、LSTM层、全连接层和Softmax函数模块，LSTM层提取高维特征后通过全连接层和Softmax函数模块将LSTM神经网络模型的输出映射到频谱感知结果；初始化LSTM神经网络的结构参数，包括输入层节点数、隐藏层节点数、隐藏元维度、数据向量维数、迭代次数和学习率；在搭建过程中，分别构建遗忘门、输入门和输出门控制信息的流通量，每个门PU权重矩阵和偏置不同，再利用它装备在RNN上控制信息流通；根据控制信息流通的不同地点，在LSTM神经网络的隐藏层单元内增添三个信息控制单元，以保留有用信息并去除无用信息；
S40、将标签集输入LSTM神经网络学习，通过训练的损失函数计算其损失值；利用随机梯度下降法反向传播，直到迭代结束；
S50、根据损失值绘制损失曲线，根据算法性能在不同虚警概率下的检测概率绘制测试集准确率曲线；观察损失曲线和测试集准确率曲线，曲线非收敛状态下增加隐藏元维度以及减小学习率，并执行S30，曲线呈收敛状态则执行下一步骤；
S60、将测试集输入经学习后的LSTM神经网络，由softmax模块得到输出结果，将输出结果与阈值比较；当输出结果小于阈值时，该频带未被主用户使用且可以被主用户访问用于通信；当输出结果大于阈值时，主用户正在使用该频带。
优选的，所述S20包括以下步骤：
S2001、对训练集内的样本采用FLOM进行处理：
其中，
为处理后的数据，zj(n)为训练集内的样本，p为对应的分数低阶矩的阶数，α为Alpha稳定分布噪声特征指数；
S2002、依据协方差的定义得出数据预处理后的分数低阶矩协方差矩阵：
其中，
为分数低阶矩协方差矩阵的计算方法，
表示数据的分数低阶矩，H表示矩阵的共轭转置；
由此，获得的样本集为
S2003、对获得的样本集标注，数字调制信号样本和Alpha噪声样本的标签分别为[1，0]和[0，1]，标注后得到的标签集为
其中，
表示数据的分数低阶矩协方差矩阵，ym表示标签[y1，y2，...ym...yM]。
优选的，所述S30中，设置输入层节点数为200，隐藏层节点数为100，隐藏元维度为10，数据向量维数为20，其迭代次数为600，学习率为5*10-6。
优选的，所述S40包括以下步骤：
S4001、将标签集中
输入LSTM神经网络，并通过Softmax函数模块输出训练
其中
表示主用户有无使用频带这两种情况下算法的检测概率；
S4002、分别假设主用户正在使用该频带和主用户没有使用该频带的条件概率表达式：
其中，H0表示主用户没有使用该频带，H1表示主用户正在使用该频带，
表示Hi(i＝0，1)情况下的概率；
S4003、对标签集进行训练，以最大限度地提高可能性，训练公式如下：
L(θ)＝P(ym＝1；θ)ymP(ym＝0；θ)1-ym
其中，P(ym＝1；θ)表示数据样本H1的概率，ym是数据样本H1的标签，P(ym＝0；θ) 表示数据样本H0的概率，(1-ym)是数据样本H0的标签；
S4004、计算训练的损失值：
其中，ym是数据样本H1的标签[1，0]，
表示数据样本预测为H1的概率；(1-ym)是数据样本H0的标签[0，1]，
表示数据样本预测为H0的概率；
S4005、采用随机梯度下降法反向传播，优化θ以获得最大化P(y；θ)和最小化J(θ)，直至迭代结束。
优选的，所述S60中：所述输出结果为测试
阈值为0.5。
有益效果：本发明采用FLOM对训练集内的样本进行预处理，搭建LSTM神经网络模型，将用于训练的训练集传输到LSTM神经网络进行学习，最后将测试集输入经学习后的LSTM神经网络，由softmax模块得到输出结果，将输出结果与阈值比较，做出主用户存在与否的决策；通过FLOM在减少非高斯特征影响方面的强大能力和 LSTM神经网络在提取数据时序特征方面的强大处理能力来提高检测性能，有效解决了在非高斯噪声没有能量和其他用于检测的二阶统计量这种情况下的频谱感知，提高了频谱感知性能，使其在低信噪比下相比于其他网络具有更好的性能。本发明使用BPSK信号对模型进行训练，还使用用8PSK、QFSK等其他信号对网络进行测试，使训练后的网络模型能够适应不同的新信号，使得方法应用范围广泛。
附图说明
图1为本发明算法流程示意图；
图2为本发明的算法在不同激活函数下的ROC曲线图；
图3为本发明的算法在不同采样点条件下的ROC曲线；
图4为本发明的算法在不同信道条件下的ROC曲线；
图5为本发明的Alpha噪声下不同算法的性能比较图；
图6为本发明的算法在不同信噪比条件下的ROC曲线图；
图7为本发明的模型训练性能图；
图8为本发明的算法在不同测试信号下的ROC曲线图；
具体实施方式
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于实施例。
一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，用于提高在非高斯噪声环境下的频谱感知性能，包括以下步骤：
步骤10、针对待检测设备，采集不同信噪比下的数字调制信号样本和没有用户信号的Alpha噪声样本作为原始数据；采用五重交叉验证对采集结果进行划分，将原始数据分为五组，依次挑选其中一组作为测试集，其余四组作为用于训练的训练集，从而得到五个模型；
步骤20、采用FLOM(分数低阶矩)对训练集内的样本进行预处理，获得分数低阶矩协方差矩阵，即获得样本集；对样本集进行标记，得到标签集；
步骤30、搭建LSTM神经网络模型，包括输入层、LSTM层、全连接层和Softmax 函数模块，LSTM层提取高维特征后通过全连接层和Softmax函数模块将LSTM神经网络模型的输出映射到频谱感知结果；初始化LSTM神经网络的结构参数，包括输入层节点数、隐藏层节点数、隐藏元维度、数据向量维数、迭代次数和学习率；在搭建过程中，分别构建遗忘门、输入门和输出门控制信息的流通量，每个门PU权重矩阵和偏置不同，再利用它装备在RNN(循环神经网络)上控制信息流通；根据控制信息流通的不同地点，在LSTM神经网络的隐藏层单元内增添三个信息控制单元，以保留有用信息并去除无用信息；
步骤40、将标签集输入LSTM神经网络学习，通过训练的损失函数计算其损失值；利用随机梯度下降法反向传播，直到迭代结束，以降低最终测试值与实际值之间损失函数的损失值；
步骤50、根据损失值绘制损失曲线，根据算法性能在不同虚警概率下的检测概率绘制测试集准确率曲线；观察损失曲线和测试集准确率曲线，曲线非收敛状态下增加隐藏元维度以及减小学习率，并执行S30，曲线呈收敛状态则执行下一步骤；
步骤60、将测试集输入经学习后的LSTM神经网络，由softmax模块得到输出结果，将输出结果与阈值比较；当输出结果小于阈值时，该频带未被主用户使用且可以被主用户访问用于通信；当输出结果大于阈值时，主用户正在使用该频带。
步骤20包括以下步骤：
步骤2001、对训练集内的样本采用FLOM进行处理：
其中，
为处理后的数据，zj(n)为训练集内的样本，p为对应的分数低阶矩的阶数，α为Alpha稳定分布噪声特征指数；
步骤2002、依据协方差的定义得出数据预处理后的分数低阶矩协方差矩阵：
其中，
为分数低阶矩协方差矩阵的计算方法，
表示数据的分数低阶矩，H表示矩阵的共轭转置；
由此，获得的样本集为
步骤S2003、对获得的样本集标注，数字调制信号样本和Alpha噪声样本的标签分别为[1，0]和[0，1]，标注后得到的标签集为
其中，
表示数据的分数低阶矩协方差矩阵，ym表示标签[y1，y2，...ym...yM]。
步骤30中，设置输入层节点数为200，隐藏层节点数为100，隐藏元维度为10，数据向量维数为20，其迭代次数为600，学习率为5*10-6。
步骤40包括以下步骤：
步骤4001、将标签集中
输入LSTM神经网络，并通过Softmax函数模块输出训练
其中
表示主用户有无使用频带这两种情况下算法的检测概率；
步骤4002、分别假设主用户正在使用该频带和主用户没有使用该频带的条件概率表达式：
其中，H0表示主用户没有使用该频带，H1表示主用户正在使用该频带，
表示Hi(i＝0，1)情况下的概率；
步骤4003、对标签集进行训练，以最大限度地提高可能性，训练公式如下：
L(θ)＝P(ym＝1；θ)ymP(ym＝0；θ)1-ym
其中，P(ym＝1；θ)表示数据样本H1的概率，ym是数据样本H1的标签，P(ym＝0；θ) 表示数据样本H0的概率，(1-ym)是数据样本H0的标签；
步骤4004、计算训练的损失值：
其中，ym是数据样本H1的标签[1，0]，
表示数据样本预测为H1的概率；(1-ym)是数据样本H0的标签[0，1]，
表示数据样本预测为H0的概率。
步骤4005、采用随机梯度下降法反向传播，优化θ以获得最大化P(y；θ)和最小化 J(θ)，直至迭代结束。
步骤60中：输出结果为测试
阈值为0.5。
实施例1：如图2-4所示，检测概率(Pd)和虚警概率(Pf)是频谱感知算法的衡量标准。在虚警概率固定的前提下，如果检测概率高于90％以上，则认为感知算法性能良好。实验仿真基于MATLAB和Pytorch。训练集和测试集由MATLAB生成，在ubuntu16.04 操作***下，使用Pytorch，scikitlearn库用来编程算法。仿真数据集参数见表1：
表1仿真数据集参数
首先将进行了FLOM预处理的数据输入改进的LSTM神经网络。在进行算法性能比较的时候，我们在其他条件相同的情况下，将没有进行分数低阶预处理的数据和进行分数低阶预处理后的数据输入到改进的的LSTM神经网络、DNN(深度神经网络)频谱感知算法以及CNN(卷积神经网络)频谱感知算法，并分析了网络参数对检测性能的影响。
激活函数可以增加模型的非线性，提高复杂函数的建模精度，减轻过拟合。Sigmoid (S型生长曲线函数)、tanh(双曲正切函数)和ReLU(线性整流函数)作为隐藏层的激活函数，分别用于训练网络，最后得到了频谱感知的ROC(受试者工作特征)曲线，如图2所示，用ReLU作为激活函数得到的模型收敛速度快，检测概率最高。因此选择ReLU作为模型隐藏层的激活函数。特别是当GSNR为0dB，p(分数低阶矩的阶数)＝0.7，Pf(虚警概率)＝0.5时，改进的LSTM算法的Pd(检测概率)达到87％，而激活函数为sigmoid和tanh的Pd分别为75％和78％。改进的激活函数为ReLU的CNN 算法的Pd达到95％，而激活函数为sigmoid和tanh的分别约为85％和87％。
从图3可以看出，增加采样点可以提高模型的检测性能。这是因为，随着采样点的增加，数据特征会越来越明显，神经网络进行特征提取、分类和决策将会更加正确高效。当GSNR为0dB，p＝0.7，Pf＝0.1时，1000个采样点的改进LSTM算法的Pd高达78％，而100个采样点的Pd仅为65％。1000个采样点的改进DNN算法的Pd达到73％，而100 个采样点的Pd仅为70％。
从图4可以看出，信道衰落对检测性能有一定的影响。当GSNR较高时，信道的衰落加入了噪声，用户信号仍然比纯噪声数据大得多，噪声数据的特征在总的信号特征中没有表现出来。但在低信噪比的情况下，信号的总特性基本上与噪声的总特性非常相似，又存在信道衰落，因此用户信号的数据特性所占的比例较小。无论有无用户衰落，在高信噪比的情况下，准确率都可以达到70％。在低信噪比条件下，信道衰落加非高斯噪声的衰落，其检测概率只有55％。低信噪比条件下，当GSNR为-10dB，p＝0.7，Pf＝0.01 时，无信道衰落的改进LSTM算法的Pd高达88％，而有信道衰落的改进LSTM算法的Pd仅为60％。相同条件下无信道衰落的改进CNN算法的Pd为80％，而有信道衰落的改进 CNN算法的Pd仅为60％。总之，当信号数据集经历信道衰落时，三种神经网络模型的检测性能都会下降，并且由上图可以得出当信噪比较低时，改进基于FLOM感知的 LSTM算法比基于DNN，CNN的检测方法具有更好的检测性能。
不同算法的检测时间如表2所示。对于表2中提到的频谱感知技术，评估了所提出的感知方案的感知时间。模型驱动的频谱感知大约需要7.8*103秒，而本文的LSTM 神经网络运行大约10个epoch，只需要48秒即能得到最终的检测结果。结果表明，该方案在检测时间和检测复杂度上优于基于模型驱动方法的频谱感知性能。
表2两种算法的时间比较
实施例2：如图5-6所示，对基于FLOM矩阵感知LSTM神经网络的频谱感知算法和基于FLOM矩阵感知的DNN、CNN频谱感知算法、以及LSTM频谱感知算法、DNN 频谱感知算法、CNN频谱感知算法以及能量检测算法进行比较：
在仿真中，检测阈值最初被设置为η＝0.5，然后通过与该阈值进行比较来做出决定。最终，基于蒙特卡罗实现，可以在不同条件下获得概率检测值。
图5为Alpha噪下不同算法的性能比较。从图8可以看出，在Alpha噪声的背景下，能量检测算法、DNN算法以及CNN算法和LSTM算法检测性能几乎失效，当通过低阶处理时，本发明提出的算法的频谱感测性能明显优于能量检测算法和原始的DNN、 CNN、LSTM算法。换句话说，结合低阶处理的频谱感测方法的频谱感测性能明显优于早期参考文献中提出的算法，并且进一步的结果显示，低信噪比情况下，改进的基于 FLOM感知的LSTM算法比基于DNN，CNN的检测方法具有更好的检测性能。例如， Alpha噪声下，当GSNR为-10dB时，原始LSTM算法的Pd只有45％，而本文提出的 LSTM算法的Pd高达85％；原始DNN算法的Pd只有40％，而改进DNN算法的Pd能有65％。综上所述，本发明提出的算法在低阶处理后，频谱感知性能明显优于能量检测算法和原始的DNN、CNN、LSTM算法。
图6示出了非高斯环境下并且信道是非衰落信道时，在不同的信噪比下，经过分数低阶处理之后改进LSTM算法的ROC曲线。
在低信噪比条件下，提出的经过分数低阶处理的算法的检测概率比原始的DNN、CNN、LSTM检测方法的检测概率高0.3。其原因是，在低信噪比的情况下，噪声分量明显大于信号分量。因此，从数据中提取的主要特征是噪声特征，而没有分数低阶矩处理的非高斯噪声没有特征。这导致检测性能很差。
从图6可以看出，当其他条件相同时，在低信噪比条件下，本发明提出的LSTM神经网络的检测概率是最优的。例如，当GSNR为-20dB，Pf为0.1时，DNN的Pd仅为 45％，而LSTM的Pd高达60％。当GSNR为-20dB，Pf为0.5时，CNN的Pd仅为68％，而LSTM的Pd高达80％。在其他条件相同的情况下，在高信噪比的情况下，CNN的检测概率是最优的。例如，当GSNR为20dB，Pf为0.6时，DNN的Pd为90％，而CNN 的Pd高达96％。总之，在低信噪比下，基于FLOM感知的LSTM检测***比其他两种网络具有更好的检测性能。
当通过分数低阶处理后，所提出的LSTM算法的训练性能如图7所示。随着训练步骤数量的增加，更新的权重提高了模型的性能。随着训练步骤数量的增加，更新后的权重将提高模型的性能。如图7所示，经过10个周期后，本文提出的LSTM神经网络的损失从0.7下降到0.35，经过50个周期后，损失几乎下降到0.09，表现出最好的检测效果。
实施例3：如图8所示，考虑到输入信号对算法性能的影响，为了验证几种信号类型训练的神经网络模型检测其他类型未训练信号的能力，本文还模拟了8PSK和QFSK 调制方式的信号数据，并将其作为未知信号的测试样本输入神经网络进行性能分析。结果如图8所示。从图8中可本文可以得出以下两个结论：
一：在样本量和网络模型参数相同的情况下，8PSK调制信号的检测性能最好，当GSNR为-15dB时，其Pd仍可达到0.8以上。QFSK调制信号的检测性能略差，在GSNR 为15dB时，Pd仅为0.75。例如，当GSNR为-15dB，p＝0.7时，8PSK的LSTM的Pd为80％，而QPSK的LSTM的Pd仅为65％。当GSNR为0dB，p＝0.7时，8PSK的LSTM 的Pd为90％，而QPSK的LSTM的Pd为78％。当GSNR为15dB时，p＝0.7。8PSK的 LSTM的Pd为95％，QPSK的LSTM的Pd为80％。经此可以得出结论，这些信号仍然可以高概率被检测到，这进一步表明本文的改进方法可以适应各种未知信号的检测。
二：在低信噪比下，基于FLOM感知的LSTM检测***比其他两种网络具有更好的检测性能。例如，当GSNR在-20dB到0dB之间时，LSTM神经网络的检测性能可以达到90％，而DNN和CNN算法的检测性能仅为70％。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (5)
1.一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，用于提高在非高斯噪声环境下的频谱感知性能，其特征在于，包括以下步骤：
S10、针对待检测设备，采集不同信噪比下的数字调制信号样本和没有用户信号的Alpha噪声样本作为原始数据；采用五重交叉验证对采集结果进行划分，将原始数据分为五组，依次挑选其中一组作为测试集，其余四组作为用于训练的训练集，从而得到五个模型；
S20、采用FLOM对训练集内的样本进行预处理，获得分数低阶矩协方差矩阵，即获得样本集；对样本集进行标记，得到标签集；
S30、搭建LSTM神经网络模型，包括输入层、LSTM层、全连接层和Softmax函数模块，LSTM层提取高维特征后通过全连接层和Softmax函数模块将LSTM神经网络的输出映射到频谱感知结果；初始化LSTM神经网络的结构参数，包括输入层节点数、隐藏层节点数、隐藏元维度、数据向量维数、迭代次数和学习率；
S40、将标签集输入LSTM神经网络学习，通过训练的损失函数计算其损失值；利用随机梯度下降法反向传播，直到迭代结束；
S50、根据损失值绘制损失曲线，根据算法性能在不同虚警概率下的检测概率绘制测试集准确率曲线；观察损失曲线和测试集准确率曲线，曲线非收敛状态下增加隐藏元维度以及减小学习率，并执行S30，曲线呈收敛状态则执行下一步骤；
S60、将测试集输入经学习后的LSTM神经网络，由softmax模块得到输出结果，将输出结果与阈值比较；当输出结果小于阈值时，该频带未被主用户使用且可以被主用户访问用于通信；当输出结果大于阈值时，主用户正在使用该频带。
2.根据权利要求1所述的一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，其特征在于，所述S20包括以下步骤：
S2001、对训练集内的样本采用FLOM进行处理：
其中，
为处理后的数据，zj(n)为训练集内的样本，p为对应的分数低阶矩的阶数，α为Alpha稳定分布噪声特征指数；
S2002、依据协方差的定义得出数据预处理后的分数低阶矩协方差矩阵：
其中，
为分数低阶矩协方差矩阵的计算方法，
表示数据的分数低阶矩，H表示矩阵的共轭转置；
由此，获得的样本集为
S2003、对获得的样本集标注，数字调制信号样本和Alpha噪声样本的标签分别为[1，0]和[0，1]，标注后得到的标签集为
其中，
表示数据的分数低阶矩协方差矩阵，ym表示标签[y1，y2，...ym...yM]。
3.根据权利要求1所述的一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，其特征在于：所述S30中，设置输入层节点数为200，隐藏层节点数为100，隐藏元维度为10,数据向量维数为20，其迭代次数为600，学习率为5*10-6。
4.根据权利要求2所述的一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，其特征在于，所述S40包括以下步骤：
S4001、将标签集中
输入LSTM神经网络，并通过Softmax函数模块输出为训练
其中
表示主用户有无使用频带这两种情况下算法的检测概率；
S4002、分别假设主用户正在使用该频带和主用户没有使用该频带的条件概率表达式：
H1:
H0:
其中，H0表示主用户没有使用该频带，H1表示主用户正在使用该频带，
表示Hi(i＝0，1)情况下的概率；
S4003、对标签集进行训练，以最大限度地提高可能性，训练公式如下：
L(θ)＝P(ym＝1；θ)ymP(ym＝0；θ)1-ym
其中，P(ym＝1；θ)表示数据样本H1的概率，ym是数据样本H1的标签，P(ym＝0；θ)表示数据样本H0的概率，(1-ym)是数据样本H0的标签；
S4004、计算训练的损失值：
其中，ym是数据样本H1的标签[1，0]，
表示数据样本预测为H1的概率；(1-ym)是数据样本H0的标签[0，1]，
表示数据样本预测为H0的概率；
S4005、采用随机梯度下降法反向传播，优化θ以获得最大化P(y；θ)和最小化J(θ)，直至迭代结束。
5.根据权利要求1所述的一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，其特征在于，所述S60中：所述输出结果为测试
阈值为0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110553337.5A CN113315593A (zh) | 2021-05-20 | 2021-05-20 | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110553337.5A CN113315593A (zh) | 2021-05-20 | 2021-05-20 | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113315593A true CN113315593A (zh) | 2021-08-27 |
Family
ID=77373911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110553337.5A Pending CN113315593A (zh) | 2021-05-20 | 2021-05-20 | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113315593A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114337883A (zh) * | 2021-12-28 | 2022-04-12 | 杭州电子科技大学 | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及*** |
| 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 |
| CN114826500A (zh) * | 2022-04-21 | 2022-07-29 | 中国人民解放军国防科技大学 | 基于深度学习的恒包络调制突发信号检测方法与*** |
| CN115021845A (zh) * | 2022-06-20 | 2022-09-06 | 西安航空学院 | 一种频谱感知方法、***、介质、设备及终端 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200153535A1 (en) * | 2018-11-09 | 2020-05-14 | Bluecom Systems and Consulting LLC | Reinforcement learning based cognitive anti-jamming communications system and method |
| 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 |
| CN111865863A (zh) * | 2020-07-20 | 2020-10-30 | 山东大学 | 一种基于rnn神经网络的ofdm信号检测方法 |
| CN112003663A (zh) * | 2020-07-22 | 2020-11-27 | 哈尔滨工业大学 | 基于lstm神经网络的认知无线电频谱感知方法 |
| CN112787736A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
-
2021
- 2021-05-20 CN CN202110553337.5A patent/CN113315593A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200153535A1 (en) * | 2018-11-09 | 2020-05-14 | Bluecom Systems and Consulting LLC | Reinforcement learning based cognitive anti-jamming communications system and method |
| 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 |
| CN111865863A (zh) * | 2020-07-20 | 2020-10-30 | 山东大学 | 一种基于rnn神经网络的ofdm信号检测方法 |
| CN112003663A (zh) * | 2020-07-22 | 2020-11-27 | 哈尔滨工业大学 | 基于lstm神经网络的认知无线电频谱感知方法 |
| CN112787736A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
Non-Patent Citations (3)
| Title |
|---|
| YUNXUE ZHAO等: "Spectrum Sensing for Cognitive Radio Using FLOM and CNN in Alpha Noise", 《2021 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 * |
| 刘祥龙: "《飞桨PaddlePaddle深度学习实战》", 31 August 2020 * |
| 宋永健等: "非高斯噪声中基于分数低阶矩协方差MME检测的频谱感知算法", 《信号处理》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114337880B (zh) * | 2021-11-15 | 2023-12-05 | 中电中南(武汉)计量检测有限公司 | 一种考虑主用户信号随机到达和离开的频谱感知方法 |
| CN114337883A (zh) * | 2021-12-28 | 2022-04-12 | 杭州电子科技大学 | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及*** |
| CN114337883B (zh) * | 2021-12-28 | 2024-03-01 | 杭州电子科技大学 | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及*** |
| CN114826500A (zh) * | 2022-04-21 | 2022-07-29 | 中国人民解放军国防科技大学 | 基于深度学习的恒包络调制突发信号检测方法与*** |
| CN115021845A (zh) * | 2022-06-20 | 2022-09-06 | 西安航空学院 | 一种频谱感知方法、***、介质、设备及终端 |
| CN115021845B (zh) * | 2022-06-20 | 2023-04-18 | 西安航空学院 | 一种频谱感知方法、***、介质、设备及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
| CN110110862A (zh) | 一种基于适应性模型的超参数优化方法 | |
| CN111600667B (zh) | 一种基于cnn-lstm的频谱感知方法 | |
| CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
| CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
| CN112949387B (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
| CN112949820B (zh) | 基于生成对抗网络的认知抗干扰目标检测方法 | |
| 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 | |
| CN111199127A (zh) | 基于深度强化学习的雷达干扰决策方法 | |
| 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 | |
| CN113205140B (zh) | 基于生成式对抗网络的半监督式特定辐射源个体识别方法 | |
| CN112307927A (zh) | 基于bp网络针对非合作通信中mpsk信号的识别研究 | |
| CN116866129A (zh) | 一种无线通信信号检测方法 | |
| CN110929842A (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
| CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
| Tang et al. | Specific emitter identification for IoT devices based on deep residual shrinkage networks | |
| CN112836788B (zh) | 一种用于干扰类型识别的低功耗深度学习网络方法 | |
| 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 | |
| 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 | |
| CN114337883B (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及*** | |
| CN116386847A (zh) | 基于db-lstm神经网络的移动医疗物联网频谱智能预测算法 | |
| CN115563485A (zh) | 一种基于深度学习的低复杂度干扰识别方法 | |
| Zhang et al. | Accurate spectrum prediction based on joint lstm with cnn toward spectrum sharing | |
| Ma et al. | Fast Monte Carlo dropout and error correction for radio transmitter classification |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |