一种基于神经网络的联合频谱感知方法及系统技术方案

本发明专利技术涉及认知无线电领域，具体涉及一种基于神经网络的联合频谱感知方法及系统。本发明专利技术利用了神经网络技术和认知无线电技术，将二者结合，用于空间环境中的频谱感知，从而给无线通信提供可靠的频段资源，该方法通过在多个边缘节点使用欠采样技术采集频谱数据并使用时延神经网络模型进行训练，最终得到频谱的判决结果，然后将该判决结果汇聚至中心节点，经过数据融合，用于训练卷积神经网络，最终在中心节点得到最终的全局频谱感知结果。该方法能够有效地提升频谱感知的准确性，同时能够使得频谱感知的结果更具有全局意义，为通信链路的建立提供准确可靠的基础。建立提供准确可靠的基础。建立提供准确可靠的基础。

【技术实现步骤摘要】
一种基于神经网络的联合频谱感知方法及系统


[0001]本专利技术涉及认知无线电
，具体涉及一种基于神经网络的联合频谱感知方法及系统。

技术介绍

[0002]使用机器学习算法进行频谱感知的研究在2014年就已经出现。如中国专利文献CN201410334044.8于2016年8月17日公开的一种基于神经网络的联合频谱感知方法基于狼群优化的人工神经网络频谱感知方法；中国专利文献CN107360577A于2017年11月17日公开的一种基于神经网络的联合频谱感知方法基于机器学习的频谱感知方法及装备；中国专利文献CN201711366712.5于2018年5月4日公开的一种基于神经网络的联合频谱感知方法深度学习的认知无线网络多用户协作频谱感知方法；中国专利文献CN109450573A与2019年3月8日公开的一种基于神经网络的联合频谱感知方法基于深度神经网络的频谱感知方法。纵观以上公开的专利文献所描述的频谱感知方法，基本都是属于单点频谱感知的范畴，其感知的过程都是在本地进行数据采集、处理、训练，最终判决得出频谱感知结果，这样的频谱感知策略具有一定的局限性，即在次用户数量较多，分布广泛且具备一定的网络结构时，使用单点的频谱感知方法不能够得到具有全局意义的感知结果，这并不利于稳定可靠的通信链路的建立。近年来随着毫米波等技术的发展，通信频段逐渐走向高频，随之而来的是信号覆盖范围的减小，这也就加剧了空间电磁环境随着时间和空间的变化。对于一个覆盖范围较广的机会通信系统而言，频谱感知的准确性直接决定了其通信的速率和可靠性，在这种情况下使用单点的频谱感知方法就远远不能满足要求，因为该点的频谱感知结果仅仅对于该点附近的电磁环境具有一定的参考价值，但是对于整个网络中的其余节点而言，却并不一定能够起到较好的参考作用。

技术实现思路

[0003]本专利技术的目的在于克服现有频谱感知方法的准确度不够且覆盖范围小的问题，提供一种基于神经网络的联合频谱感知方法及系统。
[0004]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0005]一种基于神经网络的联合频谱感知方法，包括以下步骤：
[0006]S1：在联合频谱感知网络的各个边缘节点进行欠采样，获取N个时刻内所述边缘节点的频谱信息；所述边缘节点是本专利技术方法中的联合频谱感知网络架构内，处于边缘的节点，用于直接采集频谱数据；
[0007]S2：将所述频谱信息输入到时延神经网络，进行模型训练，并根据频谱信息产生所述边缘节点的判决结果；所述判决结果用于显示所述边缘节点是否处于空闲状态；
[0008]S3：将所有所述判决结果与对应的所述频谱信息统一传输至所述系统的中心节点；所述中心节点将所有所述判决结果进行融合，形成全局观测图样数据；
[0009]S4：将所述全局观测图样数据输入到所述中心节点的卷积神经网络，并对下一时
刻的频谱状态进行预测。
[0010]本专利技术提出了一种基于神经网络的联合频谱感知方法，使用该方法能够有效提升频谱感知结果的准确性，同时该方法具有较大的感知带宽，能够满足当前认知无线电网络中对于频谱感知的需求，也能够保证频谱感知和预测的准确性，提升频谱感知技术中的感知结果参考价值、准确性和感知带宽，具有极大的实用价值。
[0011]作为本专利技术的优选方案，所述步骤S1采用欠奈奎斯特采样技术；所述频谱信息为整个频段内使用欠采样方法得到的信号功率谱估计结果。
[0012]本专利技术方法在边缘节点进行观测时，使用了宽带欠奈奎斯特采样技术，基于压缩感知理论的欠奈奎斯特采样(Sub
‑
Nyquist sampling)技术可以对稀疏或是可压缩的信号直接采样，既降低了采样速率，同时也减少了采样数量。特别是对宽带稀疏信号，用采样率远低于奈奎斯特速率的ADC，只需进行少量的采样，而且不需要预先知道频带的位置，通过特定的信号重构算法，即可高概率地重构出信号的频谱信息。从而能够大大提升原有的频谱感知方法的感知带宽，同时极大的提升了频谱感知和预测的准确性。
[0013]作为本专利技术的优选方案，所述步骤S3包括以下步骤：
[0014]S31：依次将所有所述判决结果Y
j
与对应的所述频谱信息统一传输至所述联合频谱感知网络的中心节点；
[0015]S32：将所有所述判决向量Y
j
融合，得到所述全局观测矩阵。
[0016]作为本专利技术的优选方案，所述全局观测图样数据为全局观测矩阵Y
M
，表示为：
[0017][0018]其中，n为所述频谱信息中子频带的数量，M为所述边缘节点的数量。
[0019]作为本专利技术的优选方案，所述卷积神经网络的输入为所述全局观测矩阵，所述卷积神经网络的输出为下一时刻的频谱状态预测数据。
[0020]作为本专利技术的优选方案，所述下一时刻的频谱状态预测数据表示为：
[0021]Y
p
＝f
conv
(Y
M
)
[0022]其中，Y
p
是经过卷积神经网络预测得到的下一时刻的频谱状态，为一个n维向量，每个向量元素与每个子频带对应，向量元素表示下一时刻该频段被占用的概率大小；f
conv
(
·
)为卷积神经网络函数；Y
M
表示全局观测矩阵。
[0023]本专利技术还公开了一种基于神经网络的联合频谱感知系统，包括欠采样模块、多个时延神经网络、汇聚模块以及卷积神经网络；
[0024]所述欠采样模块用于进行欠奈奎斯特采样，获取边缘节点的频谱信息；
[0025]所述时延神经网络用于对所述频谱信息进行判决，得到对应的判决结果；
[0026]所述汇聚模块用于将所述各个边缘节点的判决结果融合为全局观测图样数据；
[0027]所述卷积神经网络用于根据所述全局观测图样数据获取下一时刻的频谱状态预测数据。
[0028]作为本专利技术的优选方案，所述欠采样模块包括m路并行的通道，每路通道包括混频器、低通滤波器以及模拟数字转换器。
[0029]作为本专利技术的优选方案，所述时延神经网络包括一个输入层，一个隐藏层和一个输出层；
[0030]所述时延神经网络的输入为所述频谱信息，输出为所述边缘节点的判决结果，所述判决结果用变量y
ij
表示；所述变量y
ij
为布尔变量，当y
ij
＝0时表示该子频带处于空闲状态，当y
ij
＝1时表示该子频带处于占用状态，其中，i为子频带序号，j为边缘节点序号。所述隐藏层的神经元数量为3至10；学习率η∈[0.0001,0.001]。
[0031]作为本专利技术的优选方案，所述卷积神经网络包括三个串联的基本子块，每个所述基本子块由3个卷积层、整流线性单元层和最大池化层组成，所述卷积层中每个空间滤波器的大小为3
×
3。
[0032]与现有技术相比，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的联合频谱感知方法，其特征在于，包括以下步骤：S1：在联合频谱感知网络的各个边缘节点进行欠采样，获取N个时刻内所述边缘节点的频谱信息；S2：将所述频谱信息输入到时延神经网络，进行模型训练，并根据频谱信息产生所述边缘节点的判决结果；所述判决结果用于显示所述边缘节点对于整个通信频段中所有的子频段是否处于空闲状态的判断；S3：将所有所述判决结果与对应的所述频谱信息统一传输至所述联合频谱感知网络的中心节点；所述中心节点将所有所述判决结果进行融合，形成全局观测矩阵；S4：将所述全局观测矩阵输入到所述中心节点的卷积神经网络，并对下一时刻的频谱状态进行预测。2.根据权利要求1所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述步骤S1采用欠奈奎斯特采样技术；所述频谱信息为整个频段内使用欠采样方法得到的信号功率谱估计结果。3.根据权利要求2所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述步骤S3包括以下步骤：S31：依次将所有所述判决结果Y
j
与对应的所述频谱信息统一传输至所述联合频谱感知网络的中心节点；S32：将所有所述判决向量Y
j
融合，得到所述全局观测矩阵Y
M
。4.根据权利要求3所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述全局观测矩阵Y
M
表示为：其中，n为所述频谱信息中子频带的数量，M为所述边缘节点的数量。5.根据权利要求4所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述卷积神经网络的输入为所述全局观测矩阵，所述卷积神经网络的输出为下一时刻的频谱状态预测数据。6.根据权利要求5所述的一种基于神经网络的联合频谱感知方法，其特征在于，所述下一时刻的频谱状态预测数据表示为：Y
p
＝f
conv
(Y
M
...

【专利技术属性】
技术研发人员：李相辰，凌翔，陈杰男，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：