一种基于卷积神经网络分类器的宽带频谱感知方法技术

本发明专利技术涉及一种基于卷积神经网络分类器的宽带频谱感知方法，属于无线通信领域。该方法包括：S1：获取不同环境下大量的原始训练数据；S2：对原始训练数据进行归一化和数据均衡化操作；S3：根据输入数据特征分别设计两个神经网络模型，其中模型1用于对PU占用子带的起始位置进行分类，模型2用于对PU占用带宽进行分类；S4：将经过归一化、样本均衡化等预处理操作的训练数据集以及其对应的标签集分别输入到这两个卷积神经网络模型中训练子带占用模式分类器；S5：将归一化处理过的实时测试数据分别输入到训练好的卷积神经网络分类器中，分别执行分类任务并输出子带占用模式标签。本发明专利技术达到了较好的宽带频谱感知性能。明达到了较好的宽带频谱感知性能。明达到了较好的宽带频谱感知性能。

【技术实现步骤摘要】
一种基于卷积神经网络分类器的宽带频谱感知方法


[0001]本专利技术属于无线通信领域，涉及一种基于卷积神经网络分类器的宽带频谱感知方法。

技术介绍

[0002]随着移动通信的不断变革和演进，用户业务对于移动网络的要求越来越高。
[0003]为了应对移动数据流量爆炸式增长、海量的设备连接及新的业务和应用场景，第五代移动通信系统(5G)应运而生。与4G相比，5G将支持更多样化的场景，融入多种无线接入方式，并充分利用从低频到高频的频谱资源，大幅提升频谱效率、能源效率和成本效率。为了实现5G移动通信系统的超高频谱利用率、传输速率和资源利用率等关键技术指标，需要根据不同频段的特性提供不同的服务类型、加大传输带宽、扩大通信系统容量。然而，如今频谱资源日渐匮乏，目前无线通信技术最主要的策略是静态频谱接入，即特定时间特定位置上固定的频谱由政府授权给主用户(Primary User,PU)专用，而次用户(Secondary User,SU)即使在PU未使用频谱的情况下也不能使用频谱。美国联邦通信委员会以及其他国家的大量研究表明，这种传统的固定频谱分配方式导致了大部分现有频段的低利用率。为了提高频谱效率，满足频谱的巨大需求，一项可实现频谱共享的关键技术—认知无线电(Cognitive Radio,CR)得以提出。
[0004]认知无线电的主要工作原理是：CR允许SU感知授权频段(Licensed Frequency Band,LFB)中PU的使用状态，若SU感知到该LFB未被使用，则SU可以在不影响PU的前提下接入该LFB进行无线传输。认知无线电主要包括频谱感知、动态频谱管理、动态频谱接入等技术，其中，频谱感知是实现频谱共享的先决条件。此外，随着移动通信宽带业务的飞速发展，提供高速率和低时延的宽带接入服务将成为未来移动通信系统的基本需求之一。频谱感知所需要感知的授权频段也从数百MHz的广播电视频段扩展到了数个GHz的混合频段，这些变化使得宽带频谱感知(Wideband Spectrum Sensing,WSS)技术成为时下CR领域的一大研究热点。在现有的宽带频谱感知方案中，主要的宽带频谱感知技术主要有：宽带能量检测技术、压缩感知技术等。
[0005]现有的宽带频谱感知技术主要存在以下缺点：
[0006]宽带能量检测技术将宽带信号转换为多路并行窄带信号，然后将获得的各路信号的能量值与预先设置的门限就行比较进而判断各路窄带信号是否被占用。该方法的关键是各路信号的门限选择。此外，在现实环境中，噪声功率并非恒定不变，由于受噪声功率估计不确定度影响，门限值难以精确确定。
[0007]压缩感知在宽带频谱具有稀疏性的前提下，充分利用信号的稀疏性或可压缩性对宽带信号进行欠采样，并由重构算法恢复出原始信号。由于其实现的前提条件是信号具有稀疏性或可压缩性，压缩感知的实时性和准确性较差，不一定能满足实际应用需求。
[0008]综上所述，针对传统宽带频谱感知算法的各种缺陷，亟需一种新的宽带频谱感知方法来解决上述问题。

技术实现思路

[0009]有鉴于此，本专利技术的目的在于提供一种基于卷积神经网络分类器的宽带频谱感知方法。
[0010]为达到上述目的，本专利技术提供如下技术方案：
[0011]一种基于卷积神经网络分类器的宽带频谱感知方法，该方法包括以下步骤：
[0012]S1：获取不同环境下大量的宽带频谱接收信号能量观测矩阵以及这些矩阵所对应的子带占用模式标签；
[0013]S2：对获取到的原始数据进行归一化以及样本均衡化操作；
[0014]S3：根据能量观测矩阵的尺寸特征设计两个神经网络模型；
[0015]S4：利用训练过的数据集分别对设计好的神经网络模型进行训练得到可用于识别PU占用频带起始位置的分类器1和识别PU占用带宽的分类器2；
[0016]S5：分别向两个分类器输入经过归一化处理的实时频谱能量观测矩阵，由这两个分类器同时执行分类任务，得到当前时刻PU占用频带的起始位置和占用带宽。
[0017]可选的，所述步骤S1具体为：
[0018]根据初始条件，设当前时刻为t，所有的M个SU接收到的全部的Q子带上的能量值组成的Q
×
M维能量观测矩阵为X
t
，t时刻的频带占用模式为在一定长的时间内获取不同信噪比不同衰落环境下大量的频谱观测能量观测矩阵以及该矩阵对应的子带占用模式，组成训练集Θ＝{X1,X2,...,X
T
}和训练集对应的标签集其中
[0019]可选的，所述步骤S2具体为：为使分类器达到更好的分类效果，对S1中得到的原始数据集Θ中的能量观测矩阵进行归一化操作得到新的样本集Θ
norm
＝{Z1,Z2,...,Z
T
}，其中Z
t
是X
t
经过归一化操作后的矩阵，然后对归一化后的数据集进行样本均衡化处理；
[0020]样本均衡化处理采用过采样法进行样本均衡化，具体操作为：统计L中每个类的样本数量，对样本数量较少的类随机复制一部分数据，保证各个类对应的数据量保持均衡；得到新的训练样本集Θ
resamp
＝{Z1,Z2,
…
,Z
T'
}和训练样本集所对应的频带占用模式标签集其中T'≤T。
[0021]可选的，所述步骤S3包括：采用一种5层的网络结构，根据能量观测矩阵的特征，确定合适的卷积核尺寸、卷积核个数和采样窗口的大小，分别设计两个深度为5层的卷积神经网络，两个网络均由3个卷积层和2个全连接层组成；前两个卷积层均包含一个卷积层和池化层，所有卷积层采用ReLu为激活函数以增强网络的非线性；
[0022]该网络结构采用最大池化方法通过缩小特征图尺寸达到减小计算量的目的；在得到最后一个卷积层的输出特征图后，对该特征图进行扁平化操作，将其转换为一个新的特征向量；为防止过拟合，在第一个全连接层的基础上添加dropout层，然后添加第二个全连接层。
[0023]可选的，在所述步骤S4中，将数据{Θ
resamp
,d}输入分类器1、{Θ
resamp
,N
p
}输入分类器2，对两个分类器分别进行训练；采用自适应矩估计方法来更新卷积神经网络的参数，使用分类交叉熵作为目标损失函数，当目标函数最小时，停止训练。
[0024]可选的，所述步骤S5中，向两个分类器中输入当前时刻归一化后的频谱能量观测矩阵Z
t
，由这两个分类器分别执行分类任务，得到PU占用频带的起始位置和占用带宽
[0025]本专利技术的有益效果在于：本专利技术解决了传统宽带频谱感知对环境的可适应性低的问题，提高了感知准确性。
[0026]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：该方法包括以下步骤：S1：获取不同环境下大量的宽带频谱接收信号能量观测矩阵以及这些矩阵所对应的子带占用模式标签；S2：对获取到的原始数据进行归一化以及样本均衡化操作；S3：根据能量观测矩阵的尺寸特征设计两个神经网络模型；S4：利用训练过的数据集分别对设计好的神经网络模型进行训练得到可用于识别PU占用频带起始位置的分类器1和识别PU占用带宽的分类器2；S5：分别向两个分类器输入经过归一化处理的实时频谱能量观测矩阵，由这两个分类器同时执行分类任务，得到当前时刻PU占用频带的起始位置和占用带宽。2.根据权利要求1所述的一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：所述步骤S1具体为：根据初始条件，设当前时刻为t，所有的M个SU接收到的全部的Q子带上的能量值组成的Q
×
M维能量观测矩阵为X
t
，t时刻的频带占用模式为在一定长的时间内获取不同信噪比不同衰落环境下大量的频谱观测能量观测矩阵以及该矩阵对应的子带占用模式，组成训练集Θ＝{X1,X2,...,X
T
}和训练集对应的标签集其中d＝{d
(1)
,d
(2)
,...,d
(T)
}，3.根据权利要求2所述的一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：所述步骤S2具体为：为使分类器达到更好的分类效果，对S1中得到的原始数据集Θ中的能量观测矩阵进行归一化操作得到新的样本集Θ
norm
＝{Z1,Z2,...,Z
T
}，其中Z
t
是X
t
经过归一化操作后的矩阵，然后对归一化后的数据集进行样本均衡化处理；样本均衡化处理...

【专利技术属性】
技术研发人员：申滨，张燕，颜庭秋，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：