认知无线网络中基于监督学习的协作宽带压缩频谱检测方法技术

本发明专利技术公开了一种认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，针对当前宽带频谱检测中存在的信号稀疏度未知和次用户检测开销过大的问题。首先考虑使用使用采样向量二范数和子频谱块长度作为监督学习算法的特征向量，提出了一种自适应稀疏度预测模型。其次，基于该预测模型提出了一种协作宽带频谱筛选算法，利用次用户之间的协作在宽带频谱中找到待重构的稀疏频谱集。最后，基于预测模型和筛选算法提出一种协作宽带压缩频谱检测方案。实验结果表明，本发明专利技术所提的检测方案能够有效降低次用户采样率和频谱重构时延，同时改善了预测模型的拟合效果，增强了模型的自适应性。

【技术实现步骤摘要】
认知无线网络中基于监督学习的协作宽带压缩频谱检测方法
本专利技术属于认知无线网络中的频谱检测方法，属于移动通信领域。特别涉及一种利用监督学习和协作压缩感知的宽带频谱检测方法。
技术介绍
在认知无线电技术中，频谱检测是保证次用户在不影响主用户的前提下充分利用空闲频谱的关键技术。为了支持大量新兴的5G设备，频谱管理机构已开始制定使用高频段的服务政策。在高频段执行的宽带频谱检测技术需要克服传统采样定理所带来的高采样率问题。为了解决这一问题，研究人员提出了宽带压缩频谱检测方案。该方案利用宽带信号固有的稀疏特性，使用亚奈奎斯特速率对宽带信号进行采样重构，有效的降低了次用户采样率。在此基础上，为了解决由于阴影和多径衰落引起的隐藏终端问题，研究人员进一步提出了协作宽带压缩频谱检测。在宽带压缩频谱检测中，宽带信号的稀疏度是一个至关重要的参数，一方面，稀疏度可以计算重构信号所需要的观测值数目，另一方面，稀疏度也反映了频谱的占用情况。然而在实际操作中，由于宽带信号是未知或动态变化的，获取信号的真实稀疏度非常困难。当前研究中，大都直接将稀疏度设置为一个固定值，这种做法严重降低了宽带压缩频谱检测的性能。因此，为了实时预测信号的稀疏度，研究人员提出了基于机器学习的稀疏度预测模型。目前机器学习在认知无线网络中的带宽分配、频谱可用性估计、资源分配等领域已经得到了广泛应用，这使得利用机器学习研究频谱检测成为一种可行的思路。与传统的预测模型相比，学习预测模型不需要某些严格的先验条件，具有较强的适应性。文献[LiZ,WuW,LiuX,etal.Improvedcooperativespectrumsensingmodelbasedonmachinelearningforcognitiveradionetworks[J].IETCommunications,2018,12(19):2485-2492]系统的提出了机器学习和模式识别在窄带频谱检测中的应用，利用能量向量作为特征向量训练分类器，对窄带谱进行在线分类。文献[ThilinaKM,ChoiKW,SaquibN,etal.MachineLearningTechniquesforCooperativeSpectrumSensinginCognitiveRadioNetworks[J].IEEEJournalonSelectedAreasinCommunications,2013,31(11):2209-2221]提出了一种基于支撑向量机的窄带协作频谱检测方案，采用用户分组的方法，减少了协作开销，提高了检测性能。文献[ChangH,SongH,YiY,etal.DistributiveDynamicSpectrumAccessThroughDeepReinforcementLearning:AReservoirComputing-BasedApproach[J].IEEEInternetofThingsJournal,2019,6(2):1938-1948]利用深度强化学习使得次用户可以仅根据其当前和过去的频谱检测结果分布式地做出频谱切换决策。文献[吕斌,杨震,林畅.采用支持向量机的宽带频谱感知算法[J].信号处理,2014,(12):1502-1509]使用支撑向量机建立频谱检测分类器，代替宽带信号重构和检测的过程。文献[KhalfiB,ZaidA,HamdaouiB.Whenmachinelearningmeetscompressivesamplingforwidebandspectrumsensing[A].201713thInternationalWirelessCommunicationsandMobileComputingConference(IWCMC).2017:1120-1125]使用监督学习算法，在宽带压缩频谱检测中利用次用户的观测值等作为特征训练回归模型，实时预测宽带频谱稀疏度。但是在宽带压缩频谱检测中，以观测值作为特征向量的学习预测模型都存在着预测模型的特征维度过高，无法动态更新观测值等问题，导致频谱检测性能下降，此外，在宽带压缩频谱检测中通常对整个宽带频谱执行频谱重构，给次用户带来巨大的检测开销，主要是采样成本和重构时间的增加。
技术实现思路
本专利技术旨在解决以上现有技术的问题，提出一种认知无线网络中基于监督学习的协作宽带压缩频谱检测方法。本专利技术采用的技术方案是：认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，包括以下步骤：融合中心对认知无线网络中的次用户进行划分，分为若干个次用户群，并为每个次用户群设置窗口长度，依据窗口长度分别为每个次用户群划分整个宽带频谱；利用监督学习算法，使用采样向量的二范数和子频谱块长度作为特征向量，使用梯度下降法或支撑向量回归训练自适应稀疏度预测模型，采用协作宽带频谱筛选算法找到宽带频谱中的稀疏频谱集，通过比较请求接入的次用户数目来确定最终的待重构频谱集，最后使用稀疏度自适应匹配追踪算法对待重构频谱集进行频谱重构，确定空闲信道，完成频谱检测。本专利技术采用以上技术方案具有的有益效果如下：1.本专利技术针对宽带压缩频谱检测中信号稀疏度未知的问题，提出了一种自适应稀疏度预测模型。由于现有的以观测值作为特征向量的学习预测模型都存在着预测模型的特征维度过高，无法动态更新观测值的问题，通过对认知无线网络中的次用户进行分群，利用压缩采样向量二范数和子频谱块长度作为监督学习算法的特征向量，提出了一种自适应稀疏度预测模型，降低了模型的特征维度，提高了模型的拟合精度和自适应性。2.基于自适应稀疏度预测模型设计了宽带协作频谱筛选算法，由于在宽带压缩频谱检测中通常对整个频谱执行重构，造成采样成本和重构时间等开销增加。通过对认知无线网络中的次用户进行分群，通过次用户之间的协作及请求接入的次用户数目来找到宽带频谱中待重构的稀疏频谱集，对其执行频谱重构，从而降低了次用户采样率和信号重构时延。附图说明图1是本专利技术中认知无线网络模型示意图；图2是FC为次用户划分频谱的窗口机制；图3是单个次用户环境下预测模型的拟合效果对比；图4是协作次用户数目为5时自适应预测模型的拟合效果；图5是自适应预测模型的均方根误差随合作次用户数目变化的结果；图6是采样数目对自适应预测模型的影响；图7是协作协作宽带频谱筛选算法的筛选结果；图8是对选定的稀疏频谱集的重构效果；图9是不同稀疏度下的次用户采样率对比；图10是次用户的频谱重构时延对比。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本专利技术的一部分实施例。本方法综合考虑了特征向量的选取对稀疏度预测模型的性能影响以及传统宽带压缩频谱检测对次用户带来的高开销问题，能够有效提高预测模型的拟合效果和自适应性，降低次用户的采样率和重构时间。本专利技术提出的频谱检测方法包括以下步骤：101、对认知无线网络中的次用户进行划分，分为若本文档来自技高网...

【技术保护点】
1.认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，其特征在于，包括以下步骤：/n融合中心对认知无线网络中的次用户进行划分，分为若干个次用户群，并为每个次用户群设置窗口长度，依据窗口长度分别为每个次用户群划分整个宽带频谱；/n利用监督学习算法，使用采样向量的二范数和子频谱块长度作为特征向量，使用梯度下降法或支撑向量回归训练自适应稀疏度预测模型；/n采用协作宽带频谱筛选算法找到宽带频谱中的稀疏频谱集，通过比较请求接入的次用户数目来确定最终的待重构频谱集，最后使用稀疏度自适应匹配追踪算法对待重构频谱集进行频谱重构，确定空闲信道，完成频谱检测。/n

【技术特征摘要】
1.认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，其特征在于，包括以下步骤：
融合中心对认知无线网络中的次用户进行划分，分为若干个次用户群，并为每个次用户群设置窗口长度，依据窗口长度分别为每个次用户群划分整个宽带频谱；
利用监督学习算法，使用采样向量的二范数和子频谱块长度作为特征向量，使用梯度下降法或支撑向量回归训练自适应稀疏度预测模型；
采用协作宽带频谱筛选算法找到宽带频谱中的稀疏频谱集，通过比较请求接入的次用户数目来确定最终的待重构频谱集，最后使用稀疏度自适应匹配追踪算法对待重构频谱集进行频谱重构，确定空闲信道，完成频谱检测。


2.根据权利要求1所述认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，其特征在于：所述融合中心对认知无线网络中的次用户进行划分具体包括，将网络中的所有次用户划分为m个次用户群，每个次用户群都有n个次用户，SUij表示第i个次用户群的第j个次用户，融合中心根据窗口大小将宽带谱分为若干块，即N＝aiWi+li，其中Wi表示融合中心为第i个次用户群设置的窗口大小，ai表示第i个次用户群中频谱长度为Wi的子频谱块数，li表示剩余频谱块长度，N表示信道个数，对于任意次用户群，融合中心根据窗口大小将宽带频谱划分为ai+1个子频谱块。


3.根据权利要求1所述认知无线网络中基于监督学习的协作宽带压缩频谱检测方法，其特征在于：所述自适应稀疏度预测模型包括：
构造稀疏随机矩阵A＝ΘG，Θ是一个M×N的矩阵，它的每一列有d个非零元素，其值为矩阵G是一个对角矩阵，其对角线元素等概率取±1；
将特征向量带入梯度下降法或支撑向量回归中，得到相应的预测模型；预测模型的输入为特征向量z，z＝[||yi1||2,...,||yij||2,...,||yin||,si]，i＝[1,m]，其中yij表示第i个次用户群的第j个用户的压缩采样样本，si表示第i个次用户群所采样的子频谱块长度；模型的输出为相应子频谱块的稀疏度k，通过训练样本，得到最优的权值向量w。


4.根据权利要求3...

【专利技术属性】
技术研发人员：马彬，王宏明，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50