CN113922899A - 基于神经网络和Welch变换的频谱感知接入方法 - Google Patents
基于神经网络和Welch变换的频谱感知接入方法 Download PDFInfo
- Publication number
- CN113922899A CN113922899A CN202111121235.2A CN202111121235A CN113922899A CN 113922899 A CN113922899 A CN 113922899A CN 202111121235 A CN202111121235 A CN 202111121235A CN 113922899 A CN113922899 A CN 113922899A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- unmanned aerial
- aerial vehicle
- channel
- cluster
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 230000009466 transformation Effects 0.000 title claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 43
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 107
- 238000001514 detection method Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 230000001413 cellular effect Effects 0.000 claims description 10
- 230000006855 networking Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000001149 cognitive effect Effects 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012360 testing method 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
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- 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)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于神经网络和Welch变换的频谱感知接入方法,用于由多个无人机构建的无人机蜂群通信***,该无人机蜂群通信***采用由宏蜂窝和微蜂窝构成的两层体系,该无人机蜂群通信***包括多个无人机节点,每个无人机节点均包括一个完整的通信功能模块,其具体包括网络层、MAC层和物理层部分。本方法利用无人机节点的频谱感知接入模块实现,该模块包括MAC层的频谱管理器SM和频谱任务处理器STP以及物理层的接收发射机。本发明采用基于机器学习神经网络的主用户识别技术,识别准确率高,抗噪能力强;将神经网络以及Welch带宽估计算法同整体无人机协议栈技术相结合,减少了信道切换次数,减少了通信中断的次数,最大化整体认知网络的吞吐量。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种基于神经网络和Welch变换的频谱感知接入方法。
背景技术
在无线网络环境中频谱时变和恶意阻隔等受限条件下,为满足无人机蜂群异构协同网络对可用频谱资源的使用需求,结合信息通信保障及快速接入要求,无人机节点在主用户信道上工作时需要对频谱进行感知,并根据实时网络环境的变化而进行通信策略的改变。目前,常用的频谱感知方法包括能量检测、匹配滤波器检测、循环平稳检测等。通过这些技术和认知无线电进行结合,认知环(Cognition Cycle)的概念被提出,其包括检测、分析、推理、学习、调整等环节。认知无线电是一种智能通信***,可以实现对外界通信环境感知。认知无线电具有感知能力、学习能力、自适应能力和***功能模块的可重构能力,从而实现无线网络的实时、有效通信,达到频谱资源的高效利用和网络通信的高可靠性目的。
目前对频谱感知技术研究,主要可以分为算法研究和策略研究两方面。算法研究方面主要采用频谱感知技术高效地识别出频谱空穴,为次用户的接入提供可用信道;策略研究目的主要是通过对频谱感知方式、模式以及时长等参数的选取来优化认知网络的性能,如最大化认知网络的吞吐量、最小化对授权用户网络的干扰、选择最优的切换信道等。
现有的频谱感知方法,主要有以下两方面的缺点:
一是当前算法研究方面,多数研究采用常用的信道切换方案,即采用频谱空穴检测等技术检测出当前信道不可用时,便进行信道切换。当处于频谱时变环境下时,因为频谱环境恶劣会导致信道切换次数过多,通信中断次数过多,影响通信质量的同时降低整体通信网络的吞吐量。
二是当前策略研究方面,如何将物理层感知技术和MAC的策略联合起来优化性能是研究热点,多数研究采用配置MAC层相应参数来优化网络的性能,策略优化参数固定化,没有自适应学习能力,当网络环境中主用户发生变化时,不能做出相应调整。
发明内容
针对在无线网络环境中频谱时变和恶意阻隔等受限条件下,无人机节点如何实现频谱感知的问题,本发明公开了一种基于神经网络和Welch变换的频谱感知接入方法及装置,实现主用户类型和数字调制方式的识别以及带宽估计,从而实现感知策略的自适应学习,支撑无人机节点进行信道切换和帧结构的自适应变化。
在本发明中,无人机节点作为次用户在伺机使用主用户所在信道时,对主用户信道进行实时数据分析,采用神经网络技术提取主用户特征以及Welch变换提取信道特征,并以此改变自己的工作策略,包括帧结构的变换和信道的切换,可根据主用户类型有效的避免信道的盲目频繁切换,提高通信时间占比,有效的提升了通信效率,避免了频谱资源浪费,减少了通信的中断频次,最大化网络的吞吐量。
本发明公开了一种基于神经网络和Welch变换的频谱感知接入方法,用于由多个无人机构建的无人机蜂群通信***,该无人机蜂群通信***采用由宏蜂窝和微蜂窝构成的两层体系,宏蜂窝是由各个微蜂窝的簇首组成的分布式网络,微蜂窝是由簇首和簇节点组成的、以簇首为中心的集中式网络,该无人机蜂群通信***包括多个无人机节点,每个无人机节点均包括一个完整的通信功能模块,其具体包括网络层、MAC层、物理层等部分,所述的网络层负责通信***的整体策略制定、通信协议的选择、命令的下发,所述的MAC层负责物理层与网络层的通信以及对物理层的控制,所述的物理层负责数据的上传与发送。
本发明方法利用无人机节点的频谱感知接入模块实现,无人机节点的频谱感知接入模块包括MAC层的频谱管理器SM和频谱任务处理器STP,以及物理层的接收发射机,本发明方法的具体步骤包括:
S1,对每个无人机节点的SM、STP、接收发射机模块进行参数配置初始化;所有无人机节点加电开机,初始化频谱感知接入模块,并从无人机节点网络层下发指令中读取频谱感知接入模块的预设参数,该预设参数包括初始扫频范围、扫频宽度、静默周期、备选信道集深度、功率、调制方式等。
S2,无人机节点初始频谱感知;频谱任务处理器、频谱管理器和接收发射机进行初始频谱感知,确定当前簇的下行工作信道。频谱任务处理器首先根据无人机节点的网络层初始下发的感知参数,对规定频段进行频谱感知,无人机节点的网络层初始下发的感知参数包括扫频范围和扫频带宽,根据频谱感知结果,如果规定频段内存在可用信道,则在该可用信道中确定下行工作信道,如果规定频段内不存在可用信道,则重新对下行工作信道频段范围进行频谱感知,直至出现可用信道后,确定下行工作信道频段范围中第一个可用信道为下行工作信道。各无人机节点确定其各自的下行工作信道后,MAC层更新下行信道集参数,各无人机节点在各自的下行信道上发送hello包并开始组网。
S3,选举簇首。利用网络层的加权分簇算法,在所有无人机节点中进行簇首选举,选举确定簇首或簇子节点,实现分簇;若对所有无人机节点进行簇首选举得到的结果为簇首,则跳转至步骤S4,若对所有无人机节点进行簇首选举得到的结果为簇子节点,则跳转至步骤S10。
S4,所有无人机节点启动其频谱管理器,初始化频谱感知策略,簇内所有无人机节点按簇首SM设定的频谱感知策略进行频谱感知。
首先,感知静默期采用初始静默期策略,初始静默期间隔时间为20ms,后期SM将根据工作信道上主用户信号活动规律采用不同的静默期策略。
其次,同步信道帧SCH用于传送帧同步信号和基站识别码等信息,SCH帧由SM在每一个超帧的第50ms至70ms间生成并发送给簇子节点,发送周期为100ms,SCH帧中包含备选信道集,当备选信道集发生变化时,才进行SCH帧的发送。
当当前工作信道空闲时,超帧能成功发送,并保证下一个超帧静默期的正常进行。当超帧的第50ms至70ms内工作信道被占用或SCH帧因为碰撞丢失时,簇子节点没有收到SCH帧,则簇子节点按照前一个超帧内的静默期策略进行工作信道频带内的频谱感知和工作信道频带外的频谱感知。
当所有节点的带内频谱感知结果为信道忙碌时,则进入临时策略,调整静默期即感知间隔为10ms,即如果当前频谱感知结果为信道忙,在10ms后对信道再进行一次感知,直至一个超帧结束。
S5,簇首无人机节点确定其上行工作信道和宏蜂窝工作信道。簇首无人机节点的MAC层根据频谱任务处理器上传的上行工作信道集和宏蜂窝信道集,选定上行工作信道和宏蜂窝工作信道,并将选定的上行工作信道和宏蜂窝工作信道下发至各个簇子结点。
S6,簇首进行频谱感知。频谱任务处理器STP通过能量检测算法对上行工作信道、下行工作信道和宏蜂窝工作信道进行频谱空穴检测,得到频谱空穴感知结果,并将获得的频谱空穴感知结果保存后,对其进行主用户识别、主用户调制方式识别和带宽估计;主用户识别在步骤S7完成,主用户调制方式识别在步骤S8完成,带宽估计在步骤S9完成。
S7,主用户识别。利用基于神经网络算法(CNN)的主用户类型识别方法,对频谱数据进行处理,其具体包括:
S71,数据收集。采用***主用户生成的信号数据作为训练数据集,用于对神经网络模型进行训练,***主用户生成的信号包括LFM信号、OFDM信号和FM信号。
S72,神经网络模型的构建及训练。基于神经网络(CNN)的主用户类型识别方法,基于卷积神经网络模型和循环卷积神经网络模型来实现。
采用六层卷积神经网络模型作为特征提取网络,用于对信号的特征提取及调制方式识别,该网络中,每层卷积层包含了卷积、批规范化和激活层三种操作,卷积操作用于特征提取,批规范化操作用于加速网络训练,激活层采用ReLU函数,以引入非线性特征表征能力。该六层卷积神经网络模型的最后,使用了全连接层(fully connected layer,FC)结合Softmax分类器,实现对提取特征的映射及输出。六层卷积神经网络模型的训练采用SGD优化器,学习率采用固定值0.01,训练轮数设置为50,批次大小为1024,所收集的全部数据均用于训练。
S73,在频谱感知能量检测的同时,针对多种主用户信号,对其进行基带变换,得到的基带信号再进行中值滤波,再对中值滤波得到的信号做短时傅里叶变换,得到信号的时频特性图,将时频特性图转为灰度图像,送入六层卷积神经网络模型进行图像识别,得到主用户类型识别结果,并输出至STP,STP将该结果传输至SM。
S8,主用户调制方式识别;
将频谱感知接收到的主用户调制数字信号,利用基于神经网络(CNN)的信号调制识别方法,进行信号调制方式识别。
首先,对主用户调制数字信号进行中值滤波处理,消除孤立噪声点;
然后,将中值滤波后的信号映射到星座图平面,得到信号星座图,将信号星座图以单通道灰度图的形式进行归一化处理后,输入卷积神经网络,提取其特征;
最后,将提取的特征,经softmax分类器识别信号调制方式,并将结果输出至STP,STP将该结果传输至SM。
S9,将对工作信道进行频谱感知所获得的信号,进行带宽估计。
采用基于Welch算法的带宽估计方法,其步骤包括:
利用Welch算法计算信号功率谱,并对计算得到功率谱在波峰处的起伏进行修正,得到修正后的功率谱;对修正后的功率谱进行差分;遍历差分后的功率谱的所有值,找出其中的最大值和最小值,接着分别查找最大值左边的第一个零点L和最小值右边的第一个零点H,零点L处对应的频率值为WL,零点H处对应的频率值为WH,那么带宽的估计值B为:
其中fs为采样速率,将带宽的估计值经STP传输至SM。对簇首无人机节点,继续跳转至步骤S15进行操作。
S10,若对所有无人机节点进行簇首选举得到的结果为簇子节点,簇子结点发送入网申请,经过簇首无人机节点的网络层处理,簇子结点完成组网工作。
S11,簇子节点确定其上行工作信道和宏蜂窝信道。簇子结点组网完成后,簇子结点收取簇首无人机节点下发的上下行工作信道及宏蜂窝工作信道信息后,确定自身上行工作信道和宏蜂窝工作信道。
S12,簇子节点进行频谱感知。所有簇子节点根据簇首无人机节点下发的帧结构设计信息,在每个超帧的静默期内首先对当前工作信道进行带内频谱感知,完成带内频谱感知后,在静默期的剩余时间进行带外频谱感知,并将带内频谱感知和带外频谱感知的感知结果上传至簇首无人机节点SM,感知结果包括工作信道忙闲状态和备选信道集。
S13,簇子节点进行主用户识别和带宽估计。簇子节点利用频谱感知获得的工作信道频谱数据,对簇子节点进行主用户识别、主用户调制方式识别和带宽估计。主用户识别采用步骤S7中的操作完成,主用户调制方式识别采用步骤S8中的操作完成,带宽估计采用步骤S9中的操作完成。
S14,簇首无人机节点接收簇子节点上传的频谱感知信息。
S15,簇首无人机节点的频谱管理器将所有簇子节点上传的频谱感知信息进行整合,并存入频谱管理器的同一文件中。
S16,簇首无人机节点的频谱管理器收集来自包含本节点在内的所有节点的频谱感知数据,其数据内容包括当前工作信道空闲情况、当前工作信道上主用户信号类型、当前信道上主用户调制方式和当前信道带宽估计结果。簇首无人机节点的频谱管理器处理所有节点的频谱感知数据时,采用投票方式进行计数,每个无人机节点仅拥有一票权,频谱管理器根据大数原则统计占比最大的频谱感知结果作为最终的频谱感知结果,即采纳统计占比最高的主用户信号类型为最终主用户类型,采纳统计占比最高的主用户调制方式为最终主用户调制方式,采纳统计占比最高的带宽估计结果为最终带宽估计结果。
根据最终的频谱感知结果,簇首无人机节点的频谱管理器根据预设程序给出相应的建议到簇首无人机节点的MAC层,该MAC层在每个超帧的末尾,将相应的建议传递给该簇内各个无人机节点,以便在下一个超帧开始,该簇内各个无人机节点根据接收的建议进行操作,该建议包括信道切换建议值和帧结构建议值。其中,信道切换建议值的取值范围为0至100,当信道切换建议值>=50时,进行信道切换;对每个工作信道进行能量检测,若对第i个工作信道的能量检测结果Zi(t)=0,即当前工作信道空闲,信道切换建议值为0;若对第i个工作信道的能量检测结果Zi(t)=1,即当前工作信道忙碌,此时查询主用户类型,当主用户为FM信号时,信道切换建议值为100,当主用户为LFM信号时,信道切换建议值为0,当主用户为OFDM信号时,统计10次当前工作信道忙闲状态,求取其信道占用率,根据信道占用率计算对应信道切换建议值。
其中,帧结构中静默期按照间隔时间为20ms的默认策略进行变化,若对第i个工作信道的能量检测结果Zi(t)=0,即当前工作信道空闲,当连续3次判断当前工作信道为空闲时,当上一时刻帧结构建议值为0时,帧结构建议值由0变为1,感知间隔时间由20ms变为50ms,当上一时刻帧结构建议值为1时,如果后续连续3次判断当前工作信道为空闲时,则帧结构建议值由1变为2,感知间隔时间由50ms变为100ms,当上一时刻帧结构建议值为2时,如果后续判断当前工作信道为空闲时,帧结构建议值不再发生变化。若对第i个工作信道的能量检测结果Zi(t)=1,即第i个工作信道为忙碌,则识别主用户类型,当识别到主用户类型为FM信号时,无论上一时刻帧结构建议值为何值,帧结构建议值均变为0,感知间隔时间仍为20ms,当识别到主用户类型为LFM信号时,当上一时刻帧结构建议值为0时,帧结构建议值由0变为1,感知间隔时间由20ms变为50ms,当上一时刻帧结构建议值为1时,如果后续连续3次判断当前工作信道为空闲时,则帧结构建议值由1变为2,感知间隔时间由50ms变为100ms,当上一时刻帧结构建议值为2时,如果后续判断当前工作信道为空闲时,帧结构建议值不再发生变化;当识别到主用户类型为OFDM信号时,当上一时刻帧结构建议值为0时,帧结构建议值不变,感知间隔时间为20ms,当上一时刻帧结构建议值为1时,帧结构建议值由1变为0,感知间隔时间变为20ms,当上一时刻帧结构建议值为2时,帧结构建议值由2变为1,感知间隔时间变为50ms,当帧结构建议值由2变为1后,如果仍然识别到主用户类型为OFDM信号,则帧结构建议值由1变为0,感知间隔时间变为100ms。
S17,簇首MAC进行处理。簇首无人机节点MAC层接收到簇首无人机节点频谱管理器输入的信道切换建议值,当该信道切换建议值大于信道切换建议阈值时,进行信道切换,选择备选信道集中的可用信道,簇首无人机节点MAC层向簇子节点MAC层下发信道切换命令;簇首无人机节点MAC层接收到簇首无人机节点频谱管理器上传的帧结构建议值,根据该建议值在三种预设帧结构中选择一个,当所选择的帧结构与目前使用的帧结构不同时,簇首无人机节点MAC层向簇子节点MAC层下发帧结构切换命令。
S18,簇首无人机节点的频谱任务处理器接收簇首无人机节点MAC层消息,执行信道切换和帧结构切换。
S19,簇子节点频谱任务处理器及MAC层接收簇首MAC层消息,执行信道切换和帧结构切换,完成信道切换和帧结构切换。
本发明的有益效果为:
相对现有的频谱感知方案,本发明采用基于机器学习神经网络的主用户识别技术。采用计算机视觉算法解决通信问题,利用不同主用户信号数据信息的不同的特征,以及卷积神经网络对图像具有很好的空间特征提取能力。通过预处理数据,将数据转化为时频特性图,最终实现使用神经网络框架进行分类,该方法识别准确率高,时间复杂度低,抗噪能力强。
同时本发明将基于机器学习神经网络的主用户识别技术以及Welch带宽估计算法这两项技术同整体无人机协议栈技术相结合,作为其中的频谱感知模块,将感知结果作为信道切换和帧结构切换的支撑数据。不单单依靠频谱感知空穴的检测结果进行切换,而是首先识别当前工作信道主用户类型。当主用户类型为稀疏周期信号时,次级用户依旧在当前信道进行工作,只是改变帧结构策略,加大对信道实时情况的探测;在主用户类型为频繁出现的密集无周期信号时,及时的给出信道切换建议,进行信道切换工作。这样避免了没有必要的信道切换,减少了信道切换次数,减少了通信中断的次数,最大化整体认知网络的吞吐量。
附图说明
图1为本发明方法具体步骤的实施流程图。
具体实施方式
为了更好的了解本发明内容,这里给出一个实施例。
在本发明中,无人机节点作为次用户在伺机使用主用户所在信道时,对主用户信道进行实时数据分析,采用神经网络技术提取主用户特征以及Welch变换提取信道特征,并以此改变自己的工作策略,包括帧结构的变换和信道的切换,可根据主用户类型有效的避免信道的盲目频繁切换,提高通信时间占比,有效的提升了通信效率,避免了频谱资源浪费,减少了通信的中断频次,最大化网络的吞吐量。
本发明利用大量无人机构建无人机蜂群通信***,该***采用“宏蜂窝-微蜂窝”的两层体系。宏蜂窝由各个微蜂窝的簇首组成。微蜂窝是由簇首和簇节点组成的、以簇首为中心的集中式网络。本项目为宏蜂窝/微蜂窝提供频谱管理服务,提升网络运行效率。频谱管理器只有当节点被选为簇首后才会启动。频谱管理器位于簇首中MAC层,是簇子网运行的关键,负责维护频谱可用信息、管理信道集、管理感知时间调度以及宏蜂窝频谱协同等。频谱任务处理器体,控制频谱感知模块并执行频谱管理器的命令。频谱任务处理器的感知任务由簇首控制通过感知请求帧来分配。接收发射机用来接收解调外界信息以及发送调制内部产生信息,为物理层,为频谱感知、主用户识别、带宽估计提供服务。
本发明公开了一种基于神经网络和Welch变换的频谱感知接入方法,如图1所示,用于由多个无人机构建的无人机蜂群通信***,该无人机蜂群通信***采用由宏蜂窝和微蜂窝构成的两层体系,宏蜂窝是由各个微蜂窝的簇首组成的分布式网络,微蜂窝是由簇首和簇节点组成的、以簇首为中心的集中式网络,该无人机蜂群通信***包括多个无人机节点,每个无人机节点均包括一个完整的通信功能模块,其具体包括网络层、MAC层、物理层等部分,所述的网络层负责通信***的整体策略制定、通信协议的选择、命令的下发,所述的MAC层负责物理层与网络层的通信以及对物理层的控制,所述的物理层负责数据的上传与发送。
本发明方法利用无人机节点的频谱感知接入模块实现,无人机节点的频谱感知接入模块包括MAC层的频谱管理器SM和频谱任务处理器STP,以及物理层的接收发射机,本发明方法的具体步骤包括:
S1,对每个无人机节点的SM、STP、接收发射机模块进行参数配置初始化;所有无人机节点加电开机,初始化频谱感知接入模块,并从无人机节点网络层下发指令中读取频谱感知接入模块的预设参数,该预设参数包括初始扫频范围、扫频宽度、静默周期、备选信道集深度、功率、调制方式等。
S2,无人机节点初始频谱感知;频谱任务处理器、频谱管理器和接收发射机进行初始频谱感知,确定当前簇的下行工作信道。频谱任务处理器首先根据无人机节点的网络层初始下发的感知参数,对规定频段进行频谱感知,无人机节点的网络层初始下发的感知参数包括扫频范围和扫频带宽,根据频谱感知结果,如果规定频段内存在可用信道,则在该可用信道中确定下行工作信道,如果规定频段内不存在可用信道,则重新对下行工作信道频段范围进行频谱感知,直至出现可用信道后,确定下行工作信道频段范围中第一个可用信道为下行工作信道。各无人机节点确定其各自的下行工作信道后,MAC层更新下行信道集参数,各无人机节点在各自的下行信道上发送hello包并开始组网。
S3,选举簇首。利用网络层的加权分簇算法,在所有无人机节点中进行簇首选举,选举确定簇首或簇子节点,实现分簇;若对所有无人机节点进行簇首选举得到的结果为簇首,则跳转至步骤S4,若对所有无人机节点进行簇首选举得到的结果为簇子节点,则跳转至步骤S10。
S4,所有无人机节点启动其频谱管理器,初始化频谱感知策略,簇内所有无人机节点按簇首SM设定的频谱感知策略进行频谱感知。
首先,感知静默期采用初始静默期策略,初始静默期间隔时间为20ms(在一个超帧中静默期的间隔时间为20ms、50ms或100ms),后期SM将根据工作信道上主用户信号活动规律采用不同的静默期策略。主用户为微蜂窝内使用规定频段的固定用户。
其次,同步信道帧SCH用于传送帧同步信号和基站识别码等信息,SCH帧由SM在每一个超帧的第50ms至70ms间生成并发送给簇子节点,发送周期为100ms,SCH帧中包含备选信道集,当备选信道集发生变化时,才进行SCH帧的发送。
当当前工作信道空闲时,超帧能成功发送,并保证下一个超帧静默期的正常进行。当超帧的第50ms至70ms内工作信道被占用或SCH帧因为碰撞丢失时,簇子节点没有收到SCH帧,则簇子节点按照前一个超帧内的静默期策略进行工作信道频带内的频谱感知和工作信道频带外的频谱感知。
当所有节点的带内频谱感知结果为信道忙碌时,则进入临时策略,调整静默期即感知间隔为10ms,即如果当前频谱感知结果为信道忙,在10ms后对信道再进行一次感知,直至一个超帧结束。
S5,簇首无人机节点确定其上行工作信道和宏蜂窝工作信道。簇首无人机节点的MAC层根据频谱任务处理器上传的上行工作信道集和宏蜂窝信道集,选定上行工作信道和宏蜂窝工作信道,并将选定的上行工作信道和宏蜂窝工作信道下发至各个簇子结点。
S6,簇首进行频谱感知。频谱任务处理器STP通过能量检测算法对上行工作信道、下行工作信道和宏蜂窝工作信道进行频谱空穴检测,得到频谱空穴感知结果,并将获得的频谱空穴感知结果保存后,对其进行主用户识别、主用户调制方式识别和带宽估计;主用户识别在步骤S7完成,主用户调制方式识别在步骤S8完成,带宽估计在步骤S9完成。
S7,主用户识别。利用基于神经网络算法(CNN)的主用户类型识别方法,对频谱数据进行处理,其具体包括:
S71,数据收集。采用***主用户生成的信号数据作为训练数据集,用于对神经网络模型进行训练,***主用户生成的信号包括LFM信号、OFDM信号和FM信号。
S72,神经网络模型的构建及训练。基于神经网络(CNN)的主用户类型识别方法,基于卷积神经网络模型和循环卷积神经网络模型来实现,其中,基于卷积神经网络的调制识别方法适用性更为广泛,可以适用于多种数据类型,可以根据数据类型及长度确定适合的模型。
采用六层卷积神经网络模型作为特征提取网络,用于对信号的特征提取及调制方式识别,该网络中,每层卷积层包含了卷积、批规范化和激活层三种操作,卷积操作用于特征提取,批规范化操作用于加速网络训练,激活层采用ReLU函数,以引入非线性特征表征能力。该六层卷积神经网络模型的最后,使用了全连接层(fully connected layer,FC)结合Softmax分类器,实现对提取特征的映射及输出。六层卷积神经网络模型的训练采用SGD优化器,学习率采用固定值0.01,训练轮数设置为50,批次大小为1024,所收集的全部数据均用于训练。
S73,在频谱感知能量检测的同时,针对多种主用户信号,对其进行基带变换,得到的基带信号再进行中值滤波,再对中值滤波得到的信号做短时傅里叶变换,得到信号的时频特性图,将时频特性图转为灰度图像,送入六层卷积神经网络模型进行图像识别,得到主用户类型识别结果,并输出至STP,STP将该结果传输至SM。
S8,主用户调制方式识别;
将频谱感知接收到的主用户调制数字信号,利用基于神经网络(CNN)的信号调制识别方法,进行信号调制方式识别。
首先,对主用户调制数字信号进行中值滤波处理,消除孤立噪声点,以减小高斯白噪声对信号的干扰;
然后,将中值滤波后的信号映射到星座图平面,得到信号星座图,将信号星座图以单通道灰度图的形式进行归一化处理后,输入卷积神经网络,提取其特征;
最后,将提取的特征,经softmax分类器识别信号调制方式,并将结果输出至STP,STP将该结果传输至SM。
S9,将对工作信道进行频谱感知所获得的信号,进行带宽估计。
信号带宽是指信号的能量或者功率的主要部分所占的频率范围,也就是信号的最高频率分量与最低频率分量之差,依据信号的不同,可以分别在其能量谱或者功率谱上进行度量。采用基于Welch算法的带宽估计方法,其步骤包括:
利用Welch算法计算信号功率谱,并对计算得到功率谱在波峰处的起伏进行修正,得到修正后的功率谱;因为所得功率谱在波峰处会有起伏,因此需要对其进行修正;对修正后的功率谱进行差分;遍历差分后的功率谱的所有值,找出其中的最大值和最小值,接着分别查找最大值左边的第一个零点L和最小值右边的第一个零点H,零点L处对应的频率值为WL,零点H处对应的频率值为WH,那么带宽的估计值B为:
其中fs为采样速率,将带宽的估计值经STP传输至SM。对簇首无人机节点,继续跳转至步骤S15进行操作。
S10,若对所有无人机节点进行簇首选举得到的结果为簇子节点,簇子结点发送入网申请,经过簇首无人机节点的网络层处理,簇子结点完成组网工作。
S11,簇子节点确定其上行工作信道和宏蜂窝信道。簇子结点组网完成后,簇子结点收取簇首无人机节点下发的上下行工作信道及宏蜂窝工作信道信息后,确定自身上行工作信道和宏蜂窝工作信道。
S12,簇子节点进行频谱感知。所有簇子节点根据簇首无人机节点下发的帧结构设计信息,在每个超帧的静默期内首先对当前工作信道进行带内频谱感知,完成带内频谱感知后,在静默期的剩余时间进行带外频谱感知,并将带内频谱感知和带外频谱感知的感知结果上传至簇首无人机节点SM,感知结果包括工作信道忙闲状态和备选信道集。
S13,簇子节点进行主用户识别和带宽估计。簇子节点利用频谱感知获得的工作信道频谱数据,对簇子节点进行主用户识别、主用户调制方式识别和带宽估计。主用户识别采用步骤S7中的操作完成,主用户调制方式识别采用步骤S8中的操作完成,带宽估计采用步骤S9中的操作完成。
S14,簇首无人机节点接收簇子节点上传的频谱感知信息。
S15,簇首无人机节点的频谱管理器将所有簇子节点上传的频谱感知信息进行整合,并存入频谱管理器的同一文件中。
S16,簇首无人机节点的频谱管理器收集来自包含本节点在内的所有节点的频谱感知数据,其数据内容包括当前工作信道空闲情况、当前工作信道上主用户信号类型、当前信道上主用户调制方式和当前信道带宽估计结果。簇首无人机节点的频谱管理器处理所有节点的频谱感知数据时,采用投票方式进行计数,每个无人机节点仅拥有一票权,频谱管理器根据大数原则统计占比最大的频谱感知结果作为最终的频谱感知结果,即采纳统计占比最高的主用户信号类型为最终主用户类型,采纳统计占比最高的主用户调制方式为最终主用户调制方式,采纳统计占比最高的带宽估计结果为最终带宽估计结果。
根据最终的频谱感知结果,簇首无人机节点的频谱管理器根据预设程序给出相应的建议到簇首无人机节点的MAC层,该MAC层在每个超帧的末尾,将相应的建议传递给该簇内各个无人机节点,以便在下一个超帧开始,该簇内各个无人机节点根据接收的建议进行操作,该建议包括信道切换建议值和帧结构建议值。其中,信道切换建议值的取值范围为0至100,当信道切换建议值>=50时,进行信道切换;对每个工作信道进行能量检测,若对第i个工作信道的能量检测结果Zi(t)=0,即当前工作信道空闲,信道切换建议值为0;若对第i个工作信道的能量检测结果Zi(t)=1,即当前工作信道忙碌,此时查询主用户类型,当主用户为FM信号时,信道切换建议值为100,当主用户为LFM信号时,信道切换建议值为0,当主用户为OFDM信号时,统计10次当前工作信道忙闲状态,求取其信道占用率,根据信道占用率计算对应信道切换建议值,值分布在0~100。
其中,帧结构中静默期按照间隔时间为20ms的默认策略进行变化,若对第i个工作信道的能量检测结果Zi(t)=0,即当前工作信道空闲,当连续3次判断当前工作信道为空闲时,当上一时刻帧结构建议值为0时,帧结构建议值由0变为1,感知间隔时间由20ms变为50ms,当上一时刻帧结构建议值为1时,如果后续连续3次判断当前工作信道为空闲时,则帧结构建议值由1变为2,感知间隔时间由50ms变为100ms,当上一时刻帧结构建议值为2时,如果后续判断当前工作信道为空闲时,帧结构建议值不再发生变化。若对第i个工作信道的能量检测结果Zi(t)=1,即第i个工作信道为忙碌,则识别主用户类型,当识别到主用户类型为FM信号时,无论上一时刻帧结构建议值为何值,帧结构建议值均变为0,感知间隔时间仍为20ms,当识别到主用户类型为LFM信号时,当上一时刻帧结构建议值为0时,帧结构建议值由0变为1,感知间隔时间由20ms变为50ms,当上一时刻帧结构建议值为1时,如果后续连续3次判断当前工作信道为空闲时,则帧结构建议值由1变为2,感知间隔时间由50ms变为100ms,当上一时刻帧结构建议值为2时,如果后续判断当前工作信道为空闲时,帧结构建议值不再发生变化;当识别到主用户类型为OFDM信号时,当上一时刻帧结构建议值为0时,帧结构建议值不变,感知间隔时间为20ms,当上一时刻帧结构建议值为1时,帧结构建议值由1变为0,感知间隔时间变为20ms,当上一时刻帧结构建议值为2时,帧结构建议值由2变为1,感知间隔时间变为50ms,当帧结构建议值由2变为1后,如果仍然识别到主用户类型为OFDM信号,则帧结构建议值由1变为0,感知间隔时间变为100ms。
S17,簇首MAC进行处理。簇首无人机节点MAC层接收到簇首无人机节点频谱管理器输入的信道切换建议值,当该信道切换建议值大于信道切换建议阈值时,进行信道切换,选择备选信道集中的可用信道,簇首无人机节点MAC层向簇子节点MAC层下发信道切换命令;簇首无人机节点MAC层接收到簇首无人机节点频谱管理器上传的帧结构建议值,根据该建议值在三种预设帧结构中选择一个,当所选择的帧结构与目前使用的帧结构不同时,簇首无人机节点MAC层向簇子节点MAC层下发帧结构切换命令。信道切换建议阈值可取50。
S18,簇首无人机节点的频谱任务处理器接收簇首无人机节点MAC层消息,执行信道切换和帧结构切换。
S19,簇子节点频谱任务处理器及MAC层接收簇首MAC层消息,执行信道切换和帧结构切换,完成信道切换和帧结构切换。
本发明经过仿真测试,通过计算机模拟验证本专利所提方法的有效性。
在机器学习神经网络的主用户识别方法以及Welch带宽估计算法方面,本发明整体无人机蜂群***中,使用opnet作为整体仿真***,包括网络层、MAC层、物理层,其中物理层和MAC层作为频谱感知模块的所在。具体先使用opnet仿真软件模拟信号源设置,实现OFDM、LFM和FM三种信号,在接收端使用接收机接收信号,并做A/D变换,接着调用matlab软件进行能量检测、带宽估计、主信号识别和数字调制方式识别等频谱感知和特征识别处理,最后通过显示界面显示出信号特征。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种基于神经网络和Welch变换的频谱感知接入方法,其特征在于,用于由多个无人机构建的无人机蜂群通信***,该无人机蜂群通信***采用由宏蜂窝和微蜂窝构成的两层体系,宏蜂窝是由各个微蜂窝的簇首组成的分布式网络,微蜂窝是由簇首和簇节点组成的、以簇首为中心的集中式网络,该无人机蜂群通信***包括多个无人机节点,每个无人机节点均包括一个完整的通信功能模块,其具体包括网络层、MAC层和物理层部分,所述的网络层负责通信***的整体策略制定、通信协议的选择、命令的下发,所述的MAC层负责物理层与网络层的通信以及对物理层的控制,所述的物理层负责数据的上传与发送;
本方法利用无人机节点的频谱感知接入模块实现,无人机节点的频谱感知接入模块包括MAC层的频谱管理器SM和频谱任务处理器STP以及物理层的接收发射机;本方法的具体步骤包括:
S1,对每个无人机节点的SM、STP、接收发射机模块进行参数配置初始化;所有无人机节点加电开机,初始化频谱感知接入模块,并从无人机节点网络层下发指令中读取频谱感知接入模块的预设参数,
S2,无人机节点初始频谱感知;频谱任务处理器、频谱管理器和接收发射机进行初始频谱感知,确定当前簇的下行工作信道;频谱任务处理器首先根据无人机节点的网络层初始下发的感知参数,对规定频段进行频谱感知,无人机节点的网络层初始下发的感知参数包括扫频范围和扫频带宽,根据频谱感知结果,如果规定频段内存在可用信道,则在该可用信道中确定下行工作信道,如果规定频段内不存在可用信道,则重新对下行工作信道频段范围进行频谱感知,直至出现可用信道后,确定下行工作信道频段范围中第一个可用信道为下行工作信道;各无人机节点确定其各自的下行工作信道后,MAC层更新下行信道集参数,各无人机节点在各自的下行信道上发送hello包并开始组网;
S3,选举簇首;利用网络层的加权分簇算法,在所有无人机节点中进行簇首选举,选举确定簇首或簇子节点,实现分簇;若对所有无人机节点进行簇首选举得到的结果为簇首,则跳转至步骤S4,若对所有无人机节点进行簇首选举得到的结果为簇子节点,则跳转至步骤S10;
S4,所有无人机节点启动其频谱管理器,初始化频谱感知策略,簇内所有无人机节点按簇首SM设定的频谱感知策略进行频谱感知;
S5,簇首无人机节点确定其上行工作信道和宏蜂窝工作信道;簇首无人机节点的MAC层根据频谱任务处理器上传的上行工作信道集和宏蜂窝信道集,选定上行工作信道和宏蜂窝工作信道,并将选定的上行工作信道和宏蜂窝工作信道下发至各个簇子结点;
S6,簇首进行频谱感知;频谱任务处理器STP通过能量检测算法对上行工作信道、下行工作信道和宏蜂窝工作信道进行频谱空穴检测,得到频谱空穴感知结果,并将获得的频谱空穴感知结果保存后,对其进行主用户识别、主用户调制方式识别和带宽估计;主用户识别在步骤S7完成,主用户调制方式识别在步骤S8完成,带宽估计在步骤S9完成;
S7,主用户识别;利用基于神经网络算法的主用户类型识别方法,对频谱数据进行处理;
S8,主用户调制方式识别;
将频谱感知接收到的主用户调制数字信号,利用基于神经网络的信号调制识别方法,进行信号调制方式识别;
S9,将对工作信道进行频谱感知所获得的信号,进行带宽估计;
S10,若对所有无人机节点进行簇首选举得到的结果为簇子节点,簇子结点发送入网申请,经过簇首无人机节点的网络层处理,簇子结点完成组网工作;
S11,簇子节点确定其上行工作信道和宏蜂窝信道;簇子结点组网完成后,簇子结点收取簇首无人机节点下发的上下行工作信道及宏蜂窝工作信道信息后,确定自身上行工作信道和宏蜂窝工作信道;
S12,簇子节点进行频谱感知;所有簇子节点根据簇首无人机节点下发的帧结构设计信息,在每个超帧的静默期内首先对当前工作信道进行带内频谱感知,完成带内频谱感知后,在静默期的剩余时间进行带外频谱感知,并将带内频谱感知和带外频谱感知的感知结果上传至簇首无人机节点SM,感知结果包括工作信道忙闲状态和备选信道集;
S13,簇子节点进行主用户识别和带宽估计;簇子节点利用频谱感知获得的工作信道频谱数据,对簇子节点进行主用户识别、主用户调制方式识别和带宽估计;主用户识别采用步骤S7中的操作完成,主用户调制方式识别采用步骤S8中的操作完成,带宽估计采用步骤S9中的操作完成;
S14,簇首无人机节点接收簇子节点上传的频谱感知信息;
S15,簇首无人机节点的频谱管理器将所有簇子节点上传的频谱感知信息进行整合,并存入频谱管理器的同一文件中;
S16,簇首无人机节点的频谱管理器收集来自包含本节点在内的所有节点的频谱感知数据,其数据内容包括当前工作信道空闲情况、当前工作信道上主用户信号类型、当前信道上主用户调制方式和当前信道带宽估计结果;簇首无人机节点的频谱管理器处理所有节点的频谱感知数据时,采用投票方式进行计数,每个无人机节点仅拥有一票权,频谱管理器根据大数原则统计占比最大的频谱感知结果作为最终的频谱感知结果,即采纳统计占比最高的主用户信号类型为最终主用户类型,采纳统计占比最高的主用户调制方式为最终主用户调制方式,采纳统计占比最高的带宽估计结果为最终带宽估计结果;
根据最终的频谱感知结果,簇首无人机节点的频谱管理器根据预设程序给出相应的建议到簇首无人机节点的MAC层,该MAC层在每个超帧的末尾,将相应的建议传递给该簇内各个无人机节点,以便在下一个超帧开始,该簇内各个无人机节点根据接收的建议进行操作,该建议包括信道切换建议值和帧结构建议值;其中,信道切换建议值的取值范围为0至100,当信道切换建议值>=50时,进行信道切换;对每个工作信道进行能量检测,若对第i个工作信道的能量检测结果Zi(t)=0,即当前工作信道空闲,信道切换建议值为0;若对第i个工作信道的能量检测结果Zi(t)=1,即当前工作信道忙碌,此时查询主用户类型,当主用户为FM信号时,信道切换建议值为100,当主用户为LFM信号时,信道切换建议值为0,当主用户为OFDM信号时,统计10次当前工作信道忙闲状态,求取其信道占用率,根据信道占用率计算对应信道切换建议值;
帧结构中静默期按照间隔时间为20ms的默认策略进行变化,若对第i个工作信道的能量检测结果Zi(t)=0,即当前工作信道空闲,当连续3次判断当前工作信道为空闲时,当上一时刻帧结构建议值为0时,帧结构建议值由0变为1,感知间隔时间由20ms变为50ms,当上一时刻帧结构建议值为1时,如果后续连续3次判断当前工作信道为空闲时,则帧结构建议值由1变为2,感知间隔时间由50ms变为100ms,当上一时刻帧结构建议值为2时,如果后续判断当前工作信道为空闲时,帧结构建议值不再发生变化;若对第i个工作信道的能量检测结果Zi(t)=1,即第i个工作信道为忙碌,则识别主用户类型,当识别到主用户类型为FM信号时,无论上一时刻帧结构建议值为何值,帧结构建议值均变为0,感知间隔时间仍为20ms,当识别到主用户类型为LFM信号时,当上一时刻帧结构建议值为0时,帧结构建议值由0变为1,感知间隔时间由20ms变为50ms,当上一时刻帧结构建议值为1时,如果后续连续3次判断当前工作信道为空闲时,则帧结构建议值由1变为2,感知间隔时间由50ms变为100ms,当上一时刻帧结构建议值为2时,如果后续判断当前工作信道为空闲时,帧结构建议值不再发生变化;当识别到主用户类型为OFDM信号时,当上一时刻帧结构建议值为0时,帧结构建议值不变,感知间隔时间为20ms,当上一时刻帧结构建议值为1时,帧结构建议值由1变为0,感知间隔时间变为20ms,当上一时刻帧结构建议值为2时,帧结构建议值由2变为1,感知间隔时间变为50ms,当帧结构建议值由2变为1后,如果仍然识别到主用户类型为OFDM信号,则帧结构建议值由1变为0,感知间隔时间变为100ms;
S17,簇首MAC进行处理;簇首无人机节点MAC层接收到簇首无人机节点频谱管理器输入的信道切换建议值,当该信道切换建议值大于信道切换建议阈值时,进行信道切换,选择备选信道集中的可用信道,簇首无人机节点MAC层向簇子节点MAC层下发信道切换命令;簇首无人机节点MAC层接收到簇首无人机节点频谱管理器上传的帧结构建议值,根据该建议值在三种预设帧结构中选择一个,当所选择的帧结构与目前使用的帧结构不同时,簇首无人机节点MAC层向簇子节点MAC层下发帧结构切换命令;
S18,簇首无人机节点的频谱任务处理器接收簇首无人机节点MAC层消息,执行信道切换和帧结构切换;
S19,簇子节点频谱任务处理器及MAC层接收簇首MAC层消息,执行信道切换和帧结构切换,完成信道切换和帧结构切换。
2.如权利要求1所述的基于神经网络和Welch变换的频谱感知接入方法,其特征在于,
步骤S1所述的预设参数,包括初始扫频范围、扫频宽度、静默周期、备选信道集深度、功率和调制方式。
3.如权利要求1所述的基于神经网络和Welch变换的频谱感知接入方法,其特征在于,
所述的步骤S4,其具体包括,
首先,感知静默期采用初始静默期策略,初始静默期间隔时间为20ms,后期SM将根据工作信道上主用户信号活动规律采用不同的静默期策略;
其次,同步信道帧SCH用于传送帧同步信号和基站识别码信息,SCH帧由SM在每一个超帧的第50ms至70ms间生成并发送给簇子节点,发送周期为100ms,SCH帧中包含备选信道集,当备选信道集发生变化时,才进行SCH帧的发送;
当当前工作信道空闲时,超帧能成功发送,并保证下一个超帧静默期的正常进行;当超帧的第50ms至70ms内工作信道被占用或SCH帧因为碰撞丢失时,簇子节点没有收到SCH帧,则簇子节点按照前一个超帧内的静默期策略进行工作信道频带内的频谱感知和工作信道频带外的频谱感知;
当所有节点的带内频谱感知结果为信道忙碌时,则进入临时策略,调整静默期即感知间隔为10ms,即如果当前频谱感知结果为信道忙,在10ms后对信道再进行一次感知,直至一个超帧结束。
4.如权利要求1所述的基于神经网络和Welch变换的频谱感知接入方法,其特征在于,
所述的步骤S7,其具体包括:
S71,数据收集;采用***主用户生成的信号数据作为训练数据集,用于对神经网络模型进行训练,***主用户生成的信号包括LFM信号、OFDM信号和FM信号;
S72,神经网络模型的构建及训练;基于神经网络的主用户类型识别方法,基于卷积神经网络模型和循环卷积神经网络模型来实现;
采用六层卷积神经网络模型作为特征提取网络,用于对信号的特征提取及调制方式识别,该网络中,每层卷积层包含了卷积、批规范化和激活层三种操作,卷积操作用于特征提取,批规范化操作用于加速网络训练,激活层采用ReLU函数,以引入非线性特征表征能力;该六层卷积神经网络模型的最后,使用了全连接层结合Softmax分类器,实现对提取特征的映射及输出;六层卷积神经网络模型的训练采用SGD优化器,学习率采用固定值0.01,训练轮数设置为50,批次大小为1024,所收集的全部数据均用于训练;
S73,在频谱感知能量检测的同时,针对多种主用户信号,对其进行基带变换,得到的基带信号再进行中值滤波,再对中值滤波得到的信号做短时傅里叶变换,得到信号的时频特性图,将时频特性图转为灰度图像,送入六层卷积神经网络模型进行图像识别,得到主用户类型识别结果,并输出至STP,STP将该结果传输至SM。
5.如权利要求1所述的基于神经网络和Welch变换的频谱感知接入方法,其特征在于,
所述的步骤S8,其具体包括,
首先,对主用户调制数字信号进行中值滤波处理,消除孤立噪声点;
然后,将中值滤波后的信号映射到星座图平面,得到信号星座图,将信号星座图以单通道灰度图的形式进行归一化处理后,输入卷积神经网络,提取其特征;
最后,将提取的特征,经softmax分类器识别信号调制方式,并将结果输出至STP,STP将该结果传输至SM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121235.2A CN113922899B (zh) | 2021-09-24 | 2021-09-24 | 基于神经网络和Welch变换的频谱感知接入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121235.2A CN113922899B (zh) | 2021-09-24 | 2021-09-24 | 基于神经网络和Welch变换的频谱感知接入方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113922899A true CN113922899A (zh) | 2022-01-11 |
CN113922899B CN113922899B (zh) | 2023-10-24 |
Family
ID=79236075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111121235.2A Active CN113922899B (zh) | 2021-09-24 | 2021-09-24 | 基于神经网络和Welch变换的频谱感知接入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113922899B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114727356A (zh) * | 2022-05-16 | 2022-07-08 | 北京邮电大学 | 无人集群组网方法、装置和电子设备 |
CN115412122A (zh) * | 2022-09-01 | 2022-11-29 | 遨海科技有限公司 | 一种海上对讲机数字模拟自主切换方法、***及存储介质 |
CN115843005A (zh) * | 2022-10-28 | 2023-03-24 | 苏州科技大学 | 通感一体化无人机网络的多点多维接入方法、***及存储介质 |
CN116156516A (zh) * | 2023-02-27 | 2023-05-23 | 北京理工大学 | 基于叠加传输的无人机蜂群神经网络传输方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090196173A1 (en) * | 2008-01-31 | 2009-08-06 | Microsoft Corporation | Management of a Wireless Network |
CN102075950A (zh) * | 2011-01-07 | 2011-05-25 | 哈尔滨工程大学 | Mimo-ofdm认知无线电通信方法 |
CN106507370A (zh) * | 2016-11-25 | 2017-03-15 | 重庆邮电大学 | 主动式频谱感知切换的方法 |
CN110492955A (zh) * | 2019-08-19 | 2019-11-22 | 上海应用技术大学 | 基于迁移学习策略的频谱预测切换方法 |
CN112615804A (zh) * | 2020-12-12 | 2021-04-06 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度学习的短突发水声通信信号调制识别方法 |
-
2021
- 2021-09-24 CN CN202111121235.2A patent/CN113922899B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090196173A1 (en) * | 2008-01-31 | 2009-08-06 | Microsoft Corporation | Management of a Wireless Network |
CN102075950A (zh) * | 2011-01-07 | 2011-05-25 | 哈尔滨工程大学 | Mimo-ofdm认知无线电通信方法 |
CN106507370A (zh) * | 2016-11-25 | 2017-03-15 | 重庆邮电大学 | 主动式频谱感知切换的方法 |
CN110492955A (zh) * | 2019-08-19 | 2019-11-22 | 上海应用技术大学 | 基于迁移学习策略的频谱预测切换方法 |
CN112615804A (zh) * | 2020-12-12 | 2021-04-06 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度学习的短突发水声通信信号调制识别方法 |
Non-Patent Citations (1)
Title |
---|
赵知劲;陈京来: "蜂群优化神经网络的频谱感知", 信号处理, vol. 32, no. 1, pages 77 - 82 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114727356A (zh) * | 2022-05-16 | 2022-07-08 | 北京邮电大学 | 无人集群组网方法、装置和电子设备 |
CN115412122A (zh) * | 2022-09-01 | 2022-11-29 | 遨海科技有限公司 | 一种海上对讲机数字模拟自主切换方法、***及存储介质 |
CN115412122B (zh) * | 2022-09-01 | 2023-09-01 | 遨海科技有限公司 | 一种海上对讲机数字模拟自主切换方法、***及存储介质 |
CN115843005A (zh) * | 2022-10-28 | 2023-03-24 | 苏州科技大学 | 通感一体化无人机网络的多点多维接入方法、***及存储介质 |
CN115843005B (zh) * | 2022-10-28 | 2024-04-19 | 苏州科技大学 | 通感一体化无人机网络的多点多维接入方法、***及存储介质 |
CN116156516A (zh) * | 2023-02-27 | 2023-05-23 | 北京理工大学 | 基于叠加传输的无人机蜂群神经网络传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113922899B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113922899B (zh) | 基于神经网络和Welch变换的频谱感知接入方法 | |
CN101667874B (zh) | 部分协作频谱感知的方法和*** | |
CN108076432A (zh) | 广播控制带宽分配和数据收发方法及装置 | |
CN103929255B (zh) | 一种基于多信道的认知用户能效优化方法 | |
CN105959988B (zh) | 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法 | |
CN102098799A (zh) | 一种实现异构网络融合的智能认知无线网络*** | |
US11968541B2 (en) | Spectrum sharing with deep reinforcement learning (RL) | |
CN111313996A (zh) | 基于强化学习的ap信道分配和功率控制联合优化方法 | |
CN104796899A (zh) | 基于最优中继的自适应协作频谱感知方法和*** | |
Banerjee et al. | Modeling of software defined radio architecture and cognitive radio: The next generation dynamic and smart spectrum access technology | |
Hasegawa et al. | Performance evaluation of machine learning based channel selection algorithm implemented on IoT sensor devices in coexisting IoT networks | |
CN107231427B (zh) | 基于支持向量机的mac协议识别方法 | |
CN109819457B (zh) | 基于fpga的两级门限轮询*** | |
CN110139283B (zh) | 基于双门限能量检测的认知车联网协作频谱感知方法 | |
WO2013102294A1 (zh) | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 | |
CN114501344B (zh) | 一种基于无线测距技术的海量LoRa节点快速自组网通信方法 | |
WO2023146756A1 (en) | Lower analog media access control (mac-a) layer and physical layer (phy-a) functions for analog transmission protocol stack | |
CN108964813A (zh) | 基于802.11ac舱内抗干扰无线通信*** | |
CN113595663B (zh) | 基于实时信道状态估计的协作频谱感知接入方法 | |
CN106937326A (zh) | 基站间协调传输方法和第一基站 | |
CN113473402A (zh) | 一种面向认知无线传感网的稳定分簇路由方法 | |
CN114143189B (zh) | 一种wifi6设备的批量监管*** | |
CN102480465B (zh) | 自适应调节方法、传感器节点及传感器网络 | |
KR101673519B1 (ko) | 지식기반을 활용한 수중음파 통신환경 설정 시스템 및 그 방법 | |
CN116647889B (zh) | 应用于物联网智能设备的无线通信网络的切换方法 |
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 |