认知无线电系统中基于卷积神经网络的频谱预测方法技术方案

认知无线电系统中基于卷积神经网络的频谱预测方法，本发明专利技术经过较短时间训练即可获得较高预测准确度，属于信息与通信领域。本发明专利技术包括：以周期T对频带F进行不间断地频谱感知，从t0时刻起记录多个频谱感知的

【技术实现步骤摘要】
认知无线电系统中基于卷积神经网络的频谱预测方法
本专利技术涉及信息与通信领域，具体涉及认知无线电系统中频谱感知后的一种空闲信道智能分配算法。
技术介绍
近些年来，无线通信技术飞速发展的同时，用户业务类型和业务需求也在不断地爆炸式增长，这就导致了用户对无线电频谱资源的需求日益增加。然而，目前已授权频谱在时间域、空间域、频率域、能量域的平均占用率都很低，频谱资源利用率普遍不高。频谱资源紧张与频谱资源浪费的矛盾愈发突出。认知无线电技术(CognitiveRadio,CR)能够智能地寻找当前频带中的空闲频谱接入，从而有效地提高频谱资源的利用率，受到了广泛的关注并已有诸多相关研究成果。其中频谱感知是CR系统中的重要基础，其主要功能是，一个处于地理空间中某一位置的次用户(SecondaryUser，SU)在某一时刻对某一授权频段进行检测，寻找其中各个子频段中是否存在主用户(PrimaryUser，PU)。频谱感知有两个关键点，其一是当判断出授权频段内不存在PU时接入；其二是当检测到授权频段内已有PU或有PU准备接入，要立刻退让。一般来说，对于SU，一个授权频段是可以被划分为多个可用信道来接入的，通常情况下SU频谱感知的最终结果即是这描述些可用信道中是否存在PU，并且从目前PU对于授权频段的占用率来看，这些信道中多数是不存在PU的(空闲)。在CR系统中，最普遍被使用的工作流程是：SU首先进行频谱感知，感知出当前频段内的多个空闲信道，之后随机选择一个信道接入传输，当检测到当前信道有PU重新接入时立即停止传输，再重新感知其它空闲信道重传数据包。但是，这种机制伴随着一个问题：如果当前频段中PU数量较多频繁接入退出信道或存在大功率动态恶意干扰时SU有极大可能需要频繁地避让PU，重新频谱感知，重新接入，重传数据包。这就无疑会增加SU的资源消耗，降低SU的传输速率。另外，一旦对PU重新接入信号发生漏检，还会与PU发生碰撞，干扰到PU通信。对于上述问题，频谱预测技术是一个较好的解决方案。频谱预测技术的核心思想是SU对历史频谱感知结果进行存储和分析，通过一定算法预测出未来一段时间某一信道中被PU占用的可能性，从而通过预测结果更合理的选择信道接入或提前切换信道来避免数据包传输残缺，避免和PU碰撞。可以预见地，如果SU能以较高准确率预测出未来一段时间内信道被占用请款并合理的选择信道接入，可以实现降低SU通信过程中的碰撞概率(碰撞率)，从而缩短SU感知用时，减少SU资源消耗，提高频谱资源利用率从而实现提升通信系统整体性能。现今，已有一些频谱预测的相关研究。比较成熟有效的频谱预测方法有3种，分别是基于马尔科夫链的频谱预测，基于回归分析的频谱预测，基于神经网络的频谱预测。勃兰登堡理工大学信息学研究所的Tabassam等人使用一阶马尔可夫模型基于当前PU对授权信道的占用情况来预测下一时刻的信道占用信息，预测准确率很低。田纳西科技大学库克维尔电气与计算机工程系制造研究中心的Chen等人利用实测Wi-Fi数据对隐马尔可夫模型进行了仿真，验证了其性能要优于基于一阶马尔可夫模型的频谱预测技术。南佛罗里达大学电气工程系的Gorcin等人对自回归频谱预测方法进行了理论推导，并利用自回归方法进行了频谱建模和预测，仿真结果表明，除了时间和频率信息，当加入地理位置信息时，可以进一步提高频谱预测的准确率。基于神经网络的频谱预测方法表现出了优于上述方法的性能并在近些年受到了广泛的研究。目前绝大多数有关神经网络应用于频谱预测的研究使用的神经网络模型大都是BP神经网络或改进的BP神经网络。新加坡南洋理工大学计算机工程学院的Tumuluru等人采用了BP神经网络进行了频谱预测的研究，在其仿真实验中BP神经网络表现出了较好的性能。中国科学院软件研究所综合信息系统实验室的Bai针对BP神经网络的收敛速度缓慢和其结构具有不确定性等问题提出基于遗传算法和动量算法的改进方案。在其仿真实验中，这种改进的BP神经网络的预测精度总是高于BP神经网络，采用阈值间隔的方法可以进一步提高性能。但是，现有频谱预测办法存在诸多问题，比如基于马尔科夫链的频谱预测和基于回归分析的频谱预测预测准确率较低，在某些情况下碰撞率甚至要高于随机选择空闲信道接入方法的碰撞率。而基于BP神经网络的频谱预测方法虽然预测准确率高于前两者，但需要训练使用一个全连接的神经网络，训练阶段误差反向传播耗时和预测阶段数据前向传播耗时都很长，且训练容易陷入局部最优，另外为获得较好泛化性还需要较多的训练样本。并且，上述方法参数一旦确定下来不易更改，当频谱环境发生变化或者频段内存在动态恶意干扰时预测准确率会下降，严重时方法可能会失效。
技术实现思路
针对上述不足，本专利技术提供一种卷积神经网络经过较短时间的训练即可获得较高预测准确度及实时地更新网络参数以适应环境的动态变化的认知无线电系统中基于卷积神经网络的频谱预测方法。本专利技术的认知无线电系统中基于卷积神经网络的频谱预测方法，所述方法包括：步骤1、以周期T对频带F进行不间断地频谱感知，从t0时刻起记录多个频谱感知的信道环境状态矩阵和它们对应的信道空闲时长矢量将t0+kT记为tk,k＝0,1,…；表示tk时刻频带F所有信道占用情况，表示从tk+T时刻起各信道的空闲的感知周期数；步骤2、将记录的多个频谱感知结果矩阵和对应的喂入卷积神经网络中，对卷积神经网络进行训练，在训练中，用于制作标签；步骤3、利用训练完成的卷积神经网络不断地根据各个时刻的信道环境状态矩阵预测出未来空闲概率最大的信道C。优选的是，所述步骤2中，在卷积神经网络训练过程中，在预测一个感知周期后，在卷积神经网络不断地进行空闲概率最大的信道预测的同时，计算选择所述最优信道接入时的碰撞率，将最优信道接入时的碰撞率与随机选择信道接入时的碰撞率进行比较；当最优信道接入时的碰撞率低于随机选择信道接入时的碰撞率时，改用卷积神经网络作为接入信道选择策略。优选的是，所述步骤3还包括，在利用卷积神经网络预测时，根据不断获得的信道环境状态矩阵来训练修正卷积神经网络内的参数。优选的是，所述步骤3还包括：若预测结果中可用频带的宽度超过设定值，将下一段时间的所需感知的频带替换为预测结果中部分大概率空闲频段。优选实施例中，所述步骤2包括：步骤2.1、将单个信道环境状态矩阵S输入到未训练的卷积神经网络，进行前向传播，卷积神经网络最终输出O，O用于表征未来一段时间内各信道空闲概率的相对大小；步骤2.2：使用每个S对应的I制作标签label，标签为一个1×N的矢量且其中的所有元素和为1，标签制作公式：其中，n＝1，2,…,N，label_n是标签矢量中第n个元素的值，表示t时刻第n个信道内存在主用户，否则不存在；当时，label_n＝0；N个信道的S所对应的标签L＝[label_1,label_2，…，label_N]；在获得每个信道环境状态矩阵S和其对应的标签L后，将S输入卷积神经网络得到输出O，利用L和所述输出O进行比对，获得误差，利用误差选定学习率后使用梯度下降法完成对卷积神经网络内参数的训练。优选的是，所述步骤2.1包括：将单个信道环境状态矩阵S输入到未训练的卷积神经网络的卷积层：conv_output＝W*S+b其中，conv_output是单个本文档来自技高网...

【技术保护点】
1.一种认知无线电系统中基于卷积神经网络的频谱预测方法，其特征在于，所述方法包括：步骤1、以周期T对频带F进行不间断地频谱感知，从t0时刻起记录多个频谱感知的信道环境状态矩阵

【技术特征摘要】
1.一种认知无线电系统中基于卷积神经网络的频谱预测方法，其特征在于，所述方法包括：步骤1、以周期T对频带F进行不间断地频谱感知，从t0时刻起记录多个频谱感知的信道环境状态矩阵和它们对应的信道空闲时长矢量将t0+kT记为tk,k＝0,1,…；表示tk时刻频带F所有信道占用情况，表示从tk+T时刻起各信道的空闲的感知周期数；步骤2、将记录的多个频谱感知结果矩阵和对应的喂入卷积神经网络中，对卷积神经网络进行训练，在训练中，用于制作标签；步骤3、利用训练完成的卷积神经网络不断地根据各个时刻的信道环境状态矩阵预测出未来空闲概率最大的信道C。2.根据权利要求1所述的频谱预测方法，其特征在于，所述步骤2中，在卷积神经网络训练过程中，在预测一个感知周期后，在卷积神经网络不断地进行空闲概率最大的信道预测的同时，计算选择所述最优信道接入时的碰撞率，将最优信道接入时的碰撞率与随机选择信道接入时的碰撞率进行比较；当最优信道接入时的碰撞率低于随机选择信道接入时的碰撞率时，改用卷积神经网络作为接入信道选择策略。3.根据权利要求1所述的频谱预测方法，其特征在于，所述步骤3还包括，在利用卷积神经网络预测时，根据不断获得的信道环境状态矩阵来训练修正卷积神经网络内的参数。4.根据权利要求1所述的频谱预测方法，其特征在于，所述步骤3还包括：若预测结果中可用频带的宽度超过设定值，将下一段时间的所需感知的频带替换为预测结果中部分大概率空闲频段。5.根据权利要求1或2所述的频谱预测方法，其特征在于，所述步骤2包括：步骤2.1、将单个信道环境状态矩阵S输入到未训练的卷积神经网络，进行前向传播，卷积神经网络最终输出O，O用于表征未来一段时间内各信道空闲概率的相对大小；步骤2.2：使用每个S对应的I制作标签label，标签为一个1×N的矢量且其中的所有元素和为1，标签制作公式：其中，n＝1,2,…,N，label_n是标签矢量中第n个元素的值，表示t时刻第n个信道内存在主用户，否则不存在；当时，label_n＝0；N个信道的S所对应的标签L＝[label_1,label_2,…,label_N]；在获得每个信道环境状态矩阵S和其对应的标签L后，将S输入卷积神经网络得到...

【专利技术属性】
技术研发人员：郭庆，孙锦添，贾敏，任广辉，刘晓锋，顾学迈，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23