一种基于CNN-LSTM的频谱感知方法技术

本发明专利技术属于认知无线电技术领域，具体涉及一种基于深度学习的频谱感知技术。本发明专利技术研究了一种基于深度学习的频谱感知检测器，不依赖于信号‑噪声模型假设，通过CNN分析多个感知窗口的信号能量相关特征，以及LSTM进一步提取信号的时间特征，以学习主用户占用信道和静默状态的转换规律。同时通过最大化检测器在训练集上的正确分类概率来优化网络参数。网络训练完成之后，根据奈曼皮尔逊准则，提出了一种有效的判断主用户的状态方法。实验表明，本发明专利技术提出的CNN‑LSTM检测算法在检测性能方面比传统算法更有优势。

【技术实现步骤摘要】
一种基于CNN-LSTM的频谱感知方法
本专利技术属于认知无线电
，具体涉及一种基于CNN-LSTM的频谱感知方法。
技术介绍
在传统固定的频谱资源分配策略下，频谱的利用情况呈现出极为不均匀的态势。例如蜂窝网络频段已经十分拥挤，而电视，广播频段却未能充分利用。为了合理而充分利用频谱资源，认知无线电技术应运而生。认知无线电技术框架把用户分为两类，即授权使用频谱的用户，或主用户(PU)，以及非授权用户，或次用户(SU)。次用户能够通过频谱感知技术对频谱分析，智能地使用空闲频谱，以避免对主用户形成干扰。所以频谱感知是认知无线电中动态频谱接入的关键技术。当今大部分频谱感知检测器的设计过程依赖于对信号-噪声先验模型的假设，因此其检测性能也受到模型准确性的影响。但在实际情况中先验模型很难与实际的信号-噪声模型完全相同。此外，大部分频谱感知检测器只关注从当前感知窗口的采样中判断主用户的频谱占用情况。现实中，主用户占用信道和静默着两种状态的相互转换是存在规律性的。如果能通过分析多个感知窗口的信号采样学习这种规律，则可以提高频谱感知的检测性能。...

【技术保护点】
1.一种基于CNN-LSTM的频谱感知方法，该方法用于单输入多输出的频谱感知，即主用户配置天线数为1，次用户配置的天线数为M，且M＞1，其特征在于，包括以下步骤：/nS1、获取训练数据集：从U个感知窗口采集信号，设在第u个感知窗口，次用户收集到N个信号样本，u＝1，2，...U，表示为：/n

【技术特征摘要】
1.一种基于CNN-LSTM的频谱感知方法，该方法用于单输入多输出的频谱感知，即主用户配置天线数为1，次用户配置的天线数为M，且M＞1，其特征在于，包括以下步骤：
S1、获取训练数据集：从U个感知窗口采集信号，设在第u个感知窗口，次用户收集到N个信号样本，u＝1，2，...U，表示为：



其中，H0代表主用户的静默状态，H1代表主用户占用信道，hu表示主用户和次用户之间的信道向量，在第u个感知窗口保持不变，针对不同的感知窗口，信道服从瑞利衰落，su(n)表示主用户发送的信号，∈u(n)为噪声，yu(n)为第n个信号样本，将在第u个感知窗口所接收到的所有信号采样Yu表示为：
Yu＝[yu(1)，...，yu(N)]
定义bu是Yu对应的标签，即信号采样对应的真实的主用户信道占用状态，获得训练集y为：
y＝{(Y1，b1)，...，(Yu，bu)，...(YU，bU)}
将原始采样信号转换为采样协方差矩阵：



将训练集转化为：
y＝{(R1，b1)，...，(Ru，bu)，...(RU，bU)}
定义λ表示输入数据的时间序列长度，将训练集转化为：
Ψ＝{(ψ1，bλ)，...，(Ψu，bu+λ-1)，...(ΨU-λ+1，...

【专利技术属性】
技术研发人员：方俊，谢建东，罗亮，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51