一种基于ANN的认知无线电频谱预测方法及设备技术

本发明专利技术公开了一种基于ANN的认知无线电中频谱预测方法及设备，属于通信中认知无线电技术领域，该方法包括：对从用户感知的各个主用户信号中提取出与调制方式相关的循环谱特征参数；将提取的特征参数值通过训练好的ANN分类模型识别出各主用户的调制方式；根据不同的调制方式和循环谱的特性，计算出信号的最大循环谱值；将信号的能量和最大循环谱值通过ANN检测判断主用户信号是否存在。与现有技术相比，本发明专利技术首先对多个主用户信号进行调制方式识别，识别不同的调制方式可以有效的应对噪声的干扰，再基于能量和循环谱检测的特性对主用户频谱进行预测，能够有效应对噪声干扰，提高了预测精度。

【技术实现步骤摘要】
一种基于ANN的认知无线电频谱预测方法及设备
本专利技术涉及一种基于人工神经网络(ANN)的认知无线电中的频谱预测方法及设备，属于认知无线电

技术介绍
认知无线电是允许从用户对主用户暂时空闲的授权频谱资源加以利用，在不干扰主用户通信的前提下，尽量提高现有的频谱资源的利用率。目前，无线电频谱的资源主要采用固定的频谱分配策略和管理方式，在这种分配策略下，存在着频谱资源利用率偏低的情况：一方面授权频谱占据了整个无线电频谱资源的大多数，在某些情况下，主用户并不会每时每刻都占据着授权频谱。因此会有很多的授权频谱处于空闲的状态。导致频谱利用率低下。认知无线电技术的提出就是为了改善频谱利用率低的问题。认知无线电技术的第一步就是捕获频谱变化的相关信息。认知无线电需要感知到周围环境的电磁特征，并根据感知的结果进行智能决策，自动调整其设备的发射和接收参数。认知无线电的主要四个功能是：频谱感知、频谱决策、频谱共享、频谱切换。这四个功能构成了认知无线中的一个认知环，其中认知无线中最重要的功能是频谱感知，即：从用户对频谱进行感知和检测，捕获频谱相关的信息，找到有可能在频谱上建立通信的频谱空穴。一般来说，认知无线电频谱感知技术可以分为：基于发射机检测、合作检测、基于干扰的检测和基于接收机的检测。其中基于发射机的检测又具体可以细分为：能量检测、匹配滤波检测、循环谱检测等。频谱感知中的能量检测法相对比较简单和灵活，并且不需要主用户信号的先验知识，而成为频谱检测算法的首选算法，能量检测算法是一种非相干检测，首先需要检测到发送端的信号，要先经过一个带通滤波器进行平滑滤波。然后对平平滑后的信号通过能量计算的公式计算出该信号的能量，然后通过判决准则，如果计算出的能量值大于设定的阈值，那么认为主用户是存在的，如果计算的能量值低于设置的阈值，那么认知主用户是不存在的。但是该方法是测量某一频带的能量为依据，因而当信号的信噪比非常低的时候，结果会变得非常不可靠。因而采用能量检测法会在某些情况中出现错误率很高的情况。循环谱特性检测具有更强的抵抗噪声功率中不确定性的能力，且不需要主用户信号的先验知识，因而具有较高的信号认知能力。但是此方法需要两次进行傅里叶变换，运算复杂度过大，会导致检测时间过长。
技术实现思路
专利技术目的：针对上述现有技术的不足，本专利技术的目的是提供一种基于ANN的认知无线电频谱预测方法及设备，该方法首先基于循环谱特性，预测主用户的调制方式，再基于传统的能量和不同调制方式下的循环谱检测的特性对主用户频谱进行预测，有效提高了预测精度。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于ANN的认知无线电频谱预测方法，该方法包括如下步骤：(1)对从用户感知的各个主用户信号中提取出与调制方式相关的以循环谱为基础的特征参数，所述的特征参数包括：频谱在f轴呈现的δ脉冲个数、在α轴上周期谱峰个数、谱相关系数和归一化最大值；(2)将提取的特征参数值作为第一级神经网络模型的输入，识别出各主用户的调制方式；所述第一级神经网络模型通过已知调制方式的样本信号提取的特征值进行训练得到；(3)根据识别出的主用户的调制方式和循环谱的特性，得到三个某一循环频率处的最大循环谱值，并结合感知的主用户信号的能量作为主用户识别的特征值；(4)步骤(3)得到的特征值作为第二神经网络模型的输入，根据输出结果预测主用户是否存在；所述第二神经网络模型通过已知调制方式和目标结果的样本信号提取的特征值进行训练得到。在优选的实施方案中，所述步骤(1)中特征参数取谱相关系数的最大值；其中为随机循环平稳信号x(t)的循环谱，是在α＝0情况下的值。在优选的实施方案中，所述步骤(1)中的归一化最大值β为循环谱在α轴上的最大值与在f轴上最大值的比值。在优选的实施方案中，所述步骤(2)中的第一级神经网络模型为BP神经网络模型，模型训练方法包括：(2.1)初始化模型参数，以及期望的输出矩阵、每层的权值修正学习速率、最小误差以及最大迭代次数；(2.2)输入P个样本，设当前输入样本为第p个，开始对模型进行训练；(2.3)根据公式输入以及输出yi＝f(Ii)依次开始计算各层的各个输出，并通过期望的输出矩阵求出网络误差Ep，其中xj为神经元j接收到的输入数据，n为输入数据的总数目，θi是神经元的阈值，wij是两个神经元i和j的连接权值，Ii是第i个输入，yi是第i个神经元输出数据，为激励函数；(2.4)根据公式δkl(p)＝(dl(p)-yl(p))yl(p)(1-yl(p))及分别计算各层的反传误差变化δkl(p)。其中是第p个样本时第l个输出数据，是第p个样本的隐含层输出结果，是第p个样本时第l个期望输出数据，是第p-1个样本时第l个神经元与第p个样本时第k个神经元的反传误差。是第p-1个样本时第k个神经元与第p个样本时第j个神经元的反传误差；(2.5)记录已经学习的样本数，如果当前训练的样本数p＜P，那么返回(2.2)继续进行计算，直到p＝P时，跳入(2.6)；(2.6)根据权值的修正公式以及逐个修正网络各层的权值；其中vkl是第p个样本的隐含层输出结果，n0为迭代次数，wkl是网络的输入层神经元到隐含层神经元的连接权值，是第p个样本的第j个输入，常数η∈(0,1)表示学习速率，Δvkl表示为隐含层第l层到第k层的修正量，Δwkl是第l层输入到第k层隐含的修正量；(2.7)计算总的误差EA，如果总误差EA满足EA＜ε或达到最大迭代次数，则训练结束，否则，返回到(2.2)继续进行新一轮的学习；其中ε表示的是期望的最小误差。在优选的实施方案中，所述步骤(3)中主用户识别的特征值包括三个最大在α＝2fc循环频率处的循环频谱值，其中fc是载波频率。在优选的实施方案中，所述步骤(4)中的第二神经网络模型为BP神经网络模型，模型训练中权值的迭代公式为：w(n0+1)＝w(n0)+η(n0)d(n0)，其中，w(n0)表示由第n0次迭代时，网络各层权值所组成的矩阵，n0为迭代次数，η(n0)表示第n0次迭代时的学习速率，当总误差EA减小时，学习速率增加；若总误差EA增加时，学习速率减小，EA为误差。本专利技术另一方面提供的一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于ANN的认知无线电频谱预测方法。有益效果：与现有技术相比，本专利技术的优点在于：以往传统的认知无线中频谱感知技术只能够单一的检测主用户信号是否存在，而且检测方法会受到噪声很大的干扰，本专利技术首先对多个主用户的信号进行调制方式的识别，识别不同的调制方式可以有效的应对噪声的干扰，在此过程中，模型的训练根据简单的输入样本进行训练得到调制方式的分类器，然后根据此分类器输出的结果和基于传统循环谱的特性，提取三处不同频率处的谱峰值和信号的能量值作为判断主用户是否存在模型的输入样本。通过训练的模型，可以对主用户的信号进行判断是否存在。此方法能够准确的判断出频谱空穴。附图说明图1为本专利技术实施例中判断主用户是否存在的流程示意图；图2为本专利技术实施例中BP神经网络模型训练的流程示意图；图3为本专利技术实施例中频谱预测方法的流程示意图。具体实施方式以下结合附图和具体实施例对本专利技术作进一步详细描本文档来自技高网...

【技术保护点】
1.一种基于ANN的认知无线电频谱预测方法，其特征在于：该方法包括如下步骤：(1)对从用户感知的各个主用户信号中提取出与调制方式相关的以循环谱为基础的特征参数，所述的特征参数包括：频谱在f轴呈现的δ脉冲个数、在α轴上周期谱峰个数、谱相关系数和归一化最大值；(2)将提取的特征参数值作为第一级神经网络模型的输入，识别出各主用户的调制方式；所述第一级神经网络模型通过已知调制方式的样本信号提取的特征值进行训练得到；(3)根据识别出的主用户的调制方式和循环谱的特性，得到三个某一循环频率处的最大循环谱值，并结合感知的主用户信号的能量作为主用户识别的特征值；(4)步骤(3)得到的特征值作为第二神经网络模型的输入，根据输出结果预测主用户是否存在；所述第二神经网络模型通过已知调制方式和目标结果的样本信号提取的特征值进行训练得到。

【技术特征摘要】
1.一种基于ANN的认知无线电频谱预测方法，其特征在于：该方法包括如下步骤：(1)对从用户感知的各个主用户信号中提取出与调制方式相关的以循环谱为基础的特征参数，所述的特征参数包括：频谱在f轴呈现的δ脉冲个数、在α轴上周期谱峰个数、谱相关系数和归一化最大值；(2)将提取的特征参数值作为第一级神经网络模型的输入，识别出各主用户的调制方式；所述第一级神经网络模型通过已知调制方式的样本信号提取的特征值进行训练得到；(3)根据识别出的主用户的调制方式和循环谱的特性，得到三个某一循环频率处的最大循环谱值，并结合感知的主用户信号的能量作为主用户识别的特征值；(4)步骤(3)得到的特征值作为第二神经网络模型的输入，根据输出结果预测主用户是否存在；所述第二神经网络模型通过已知调制方式和目标结果的样本信号提取的特征值进行训练得到。2.根据权利要求1所述的一种基于ANN的认知无线电频谱预测方法，其特征在于：所述步骤(1)中特征参数取基于主用户信号的循环谱特征的谱相关系数的最大值；其中为随机循环平稳信号x(t)的循环谱，是在α＝0情况下的值。3.根据权利要求1所述的一种基于ANN的认知无线电频谱预测方法，其特征在于：所述步骤(1)中的归一化最大值β为循环谱在α轴上的最大值与在f轴上最大值的比值。4.根据权利要求1所述的一种基于ANN的认知无线电频谱预测方法，其特征在于：所述步骤(2)中的第一级神经网络模型为BP神经网络模型，模型训练方法包括：(2.1)初始化模型参数，以及期望的输出矩阵、每层的权值修正学习速率、最小误差以及最大迭代次数；(2.2)输入P个样本，设当前输入样本为第p个，开始对模型进行训练；(2.3)根据公式输入以及输出yi＝f(Ii)依次开始计算各层的各个输出，并通过期望的输出矩阵求出网络误差Ep，其中xj为神经元j接收到的输入数据，n为输入数据的总数目，θi是神经元的阈值，wij是两个神经元i和j的连接权值，...

【专利技术属性】
技术研发人员：胡静，宋铁成，张鸿祥，李茜，夏玮玮，燕锋，沈连丰，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32