基于量子粒子群优化极限学习机的频谱感知方法技术

基于量子粒子群优化极限学习机的频谱感知方法，涉及认知无线电领域，解决现有无线信道环境中低信噪比情况下主用户信号检测率较低、传统极限学习机算法仅基于经验风险最小化容易过拟合、网络结构不佳等频谱感知问题，本发明专利技术包括提取信号循环谱特征和能量特征；构建训练数据集；根据获得的训练数据集，训练QPSO‑ELM频谱感知模型；将所述的提取接收信号的能量特征和循环谱特征作为检测数据输入步骤三中训练好的频谱感知模型，实现对主用户信号的频谱感知，所述频谱感知模型输出为1时，则主用户存在；输出为0时，则主用户不存在。本发明专利技术方法经过量子粒子群的优化和引入结构风险使得算法能够更有效的提取输入特征，虚警概率相对较低。

Spectrum sensing method of limit learning machine based on quantum particle swarm optimization

【技术实现步骤摘要】
基于量子粒子群优化极限学习机的频谱感知方法
本专利技术涉及认知无线电领域，具体涉及一种基于量子粒子群优化极限学习机的频谱感知算法。
技术介绍
随着通信行业的发展和人们对网络速度和质量的要求越来越高，无线电频谱资源愈加稀缺，各国根据无线电业务的技术特点、业务能力、宽带需求等因素分配固定频段给固定业务。使得频谱利用率很低，即使是繁忙的频段也有很多可利用空闲频谱。减少频谱浪费，提高频谱利用率成为了亟待解决的问题，为此提出了认知无线电技术，以频谱感知技术为核心，快速准确的检测频谱空洞实现空闲频谱利用。目前的频谱感知算法在高信噪比下都能取得良好的识别效果，但在低信噪比下识别性能并不理想。从分类角度看频谱感知可以看作是一个二元分类问题，在高信噪比下可以看作线性分类问题，传统频谱感知算法通过设定一个线性阈值就可以很好的解决该问题。在低信噪比的无线信道中，频谱感知研究方向在于解决非线性阈值信号分类问题，正是机器学习算法研究的问题。基于机器学习的协同频谱感知方法(包括有监督和无监督机器学习)，虽然取得了较好的检测性能，但是当噪声功率较大时，能量作本文档来自技高网...

【技术保护点】
1.基于量子粒子群优化极限学习机的频谱感知方法，其特征是：该方法由以下步骤实现：/n步骤一、提取信号循环谱特征和能量特征；/n在主用户存在(H

【技术特征摘要】
1.基于量子粒子群优化极限学习机的频谱感知方法，其特征是：该方法由以下步骤实现：
步骤一、提取信号循环谱特征和能量特征；
在主用户存在(H1)的条件下提取信号循环谱特征和能量特征，构成特征向量y1，在主用户不存在(H0)的条件下提取信号循环谱特征和能量特征，构成特征向量y0；
步骤二、构建训练数据集；
将步骤一获得的特征向量y1和特征向量y0构成训练数据集；
步骤三、采用步骤二获得的训练数据集，训练QPSO-ELM频谱感知模型；具体过程为：
步骤三一、初始化粒子群、初始化权值矩阵A、偏置矩阵B；
步骤三二、由步骤三一中的权值矩阵A和偏置矩阵B，计算隐含层与输出层连接权值矩阵，并计算每个粒子适应度函数；
所述适应度函数用下式表示为：



式中，||β||为结构风险，γ为一个在结构风险和经验风险之间进行权衡的因素；ib为隐含层数量，jb为样本个数；ib∈[1，2，...，L]，jb∈[1，2，...，N]，N为输入层节点数，L为隐含层节点数；

为第jb个样本的期望输出值，为连接第ib个隐含层神经元与输出层神经元的权值向量，为连接第ib个输入节点和隐含层节点的输入权值，为第ib个神经元的偏置即隐含层神经元的阈值，表示与的内积，g(·)为隐含层的激活函数；
步骤三三、更新每个粒子最佳个体位置；



式中：分别为第ia个粒子当前位置输出权重，个体极值输出权重；为第ia个粒子在t次迭代中个体最佳位置，为第ia个粒子在t次迭代中个体位置；为第ia个粒子在t-1次迭代中个体最位置，为在t-1次迭代中第ia个粒子个体位置；
步骤三四、更新全局最优位置；



式中，βpg为全局极值输出权重，pg(t-1)为在t-1次迭代中粒子全局最优位置，pg(t)为在t次迭代中全局最优位置；
步骤三五、判断是否满足迭代终止条件，如果否，则执行步骤三二至步骤三四，如果是，则获得最优QPSO-ELM模型；
步骤四、将步骤一所述的提取接收信号的能量特征和循环谱特征作为检测数据输入至步骤三训练好的频谱感知模型，实现对主用户信号的频谱感知，所述频谱感知模型输出为1时，则主用户存在...

【专利技术属性】
技术研发人员：张晨洁，郭滨，王志军，李可欣，郭熠，白雪梅，耿小飞，胡汉平，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：吉林;22