一种基于CM-LSTM的频谱感知算法制造技术

本发明专利技术提供了一种基于CM

【技术实现步骤摘要】
一种基于CM
‑
LSTM的频谱感知算法


[0001]本专利技术属于认知无线电
，尤其是涉及一种基于CM
‑
LSTM的频谱感知算法。

技术介绍

[0002]近年来，机器学习在语音识别，文本翻译领域被广泛应用，越来越多专家学者将机器学习算法应用于频谱感知，提高了频谱感知的性能。机器学习中的集成学习算法联合多个分类算法将多个”单学习器”用某种策略结合起来，以提高分类的准确率。
[0003]频谱感知的基本原理是检测主用户是否存在，利用深度学习技术将主用户是否存在作为分类问题进行研究。现有技术中，通过将信号的时序数据作为长短期记忆网络(LSTM)模型的输入数据，将频谱感知作为分类问题进行研究，在单个主用户和单个次级用户的情况下性能得到了显著的提升，且在有色噪声背景下具有优越的检测性能。
[0004]基于机器学习的频谱感知算法可以提高检测的性能，但现有的机器学习方法普遍存在训练时间较长的问题，深度学习作为机器学习的一个新兴分支，其模型和算法不断进行改进和优化，且计算机计算能力的提升，使深度学习被广泛应用在各个领域，同时也被应用在频谱感知中。信号的子空间特征代表不同次级用户信号数据维度间的相关性，信号数据的时间相关性序列特征为单个次级用户接收的序列信号数据前后之间的相关性，因此在多个次级用户的场景下将具有子空间特征和时间相关性序列特征的信号作为深度学习算法的输入数据，使深度学习算法可以提取信号更多的有用信息，从而显著提高频谱感知的性能。现有技术中基于分类的频谱感知模型和使用信号协方差矩阵特征作为输入数据的频谱感知模型，二者均不能同时提取信号数据的子空间特征和时间相关性序列特征。

技术实现思路

[0005]有鉴于此，本专利技术旨在提出一种基于CM
‑
LSTM的频谱感知算法，以提升频谱感知性能。
[0006]为达到上述目的，本专利技术的技术方案是这样实现的：
[0007]一种基于CM
‑
LSTM的频谱感知算法，包括以下步骤：
[0008]S1：利用仿真平台生成数据集，采集不同信噪比下的数字调制信号样本作为原始数据，计算采集到的信号的得到信号的协方差矩阵，并将信号协方差矩阵进行维度变换，生成训练数据集和验证数据集；
[0009]S2：搭建LSTM模型并进行训练与感知，输入测试数据，得到感知结果。
[0010]进一步的，所述CM
‑
LSTM算法既能提取信号的时间相关性序列特征，也能捕获到信号的子空间特征。
[0011]进一步的，所述步骤S1中还包括在发送端产生一系列随机序列，经过QPSK调制后进入高斯白噪声信道，然后使用阵元天线模块模拟多次级用户，使每根天线接收不同的数据信息。
[0012]进一步的，所述步骤S1中还包括通过切片的方式对数据集进行划分，将前若干数
据集和后若干数据集作为训练集，其余作为验证集；具体的，将数据集的百分之70或80划分为训练集，剩余的作为验证集。
[0013]进一步的，所述步骤S2中，将信号协方差矩阵经过维度变换后作为输入数据传递给LSTM模型，第一步要经过遗忘门层，舍弃无用的信息，并且经过激活函数之后输出值都介于0和1之间，传输给记忆门，决定将有用的信息存放在细胞状态中，由sigmoid层决定需要更新的值，tanh层创建一个新的候选值向量，生成候选记忆，对遗忘门丢失的属性信息，在记忆层中找到相应的新的属性信息，并进行添加，以补充丢弃的属性信息，然后交给输出门，根据细胞的状态，使用sigmoid函数来确定细胞状态需要输出的部分，然后经过tanh层处理，两者相乘之后经过全连接层使用softmax分类器得到最终的结果，判断主用户是否存在。
[0014]进一步的，所述步骤S2中，具体计算过程如下：
[0015]设定timesteps＝1，epoch＝100，batch_size＝32,num_class＝2；其中W
f
，W
i
，W
C
，W
o
代表权重矩阵，b
f
，b
i
，b
C
，b
o
代表偏置项，o
t
为输出门的输出，f
t
为遗忘门的输出；
[0016]遗忘门:通过计算f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)来选择遗忘过去某些不重要的信息；
[0017]记忆门：决定新输入的信息x
t
和h
t
‑1中哪些信息将被保留
[0018]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0019][0020]经过遗忘门和记忆们之后，更新下一状态的信息
[0021][0022]输出门：通过更新的信息状态，计算信号的输出
[0023]o
t
＝σ(W
o
[h
t
‑1,x
t
]+b
o
)
[0024]h
t
＝o
t
*tanh(C
t
)；
[0025]使用交叉熵损失函数计算预测值与真实值的损失值
[0026][0027]通过adam优化器对损失值进行优化，直到loss收敛；
[0028]Dense:通过Dense层使用softmax分类函数进行分类。
[0029]进一步的，所述步骤S2还包括，输入测试数据数目，统计测试正确的数目，得到准确率。
[0030]本专利技术还提出一种基于CM
‑
LSTM的频谱感知装置，包括
[0031]数据预处理模块，用于通过仿真平台生成数据集，采集不同信噪比下的数字调制信号样本作为原始数据，计算采集到的信号的得到信号的协方差矩阵，并将信号协方差矩阵进行维度变换，生成训练数据集和验证数据集；
[0032]频谱感知模型训练与感知模块，用于搭建LSTM模型并进行训练与感知，输入测试数据，得到感知结果。
[0033]本专利技术还提出一种终端，所述终端包括一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述一种基于CM
‑
LSTM的频谱感知算法。
[0034]本专利技术还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述一种基于CM
‑
LSTM的频谱感知算法。
[0035]相对于现有技术，本专利技术所述的一种基于CM
‑
LSTM的频谱感知算法具有以下优势：
[0036](1)本专利技术使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CM
‑
LSTM的频谱感知算法，其特征在于：包括以下步骤：S1：利用仿真平台生成数据集，采集不同信噪比下的数字调制信号样本作为原始数据，计算采集到的信号得到信号的协方差矩阵，并将信号协方差矩阵进行维度变换，生成训练数据集和验证数据集；S2：搭建LSTM模型并进行训练与感知，输入测试数据，得到感知结果。2.根据权利要求1所述的一种基于CM
‑
LSTM的频谱感知算法，其特征在于：所述CM
‑
LSTM算法既能提取信号的时间相关性序列特征，也能提取信号的子空间特征。3.根据权利要求1所述的一种基于CM
‑
LSTM的频谱感知算法，其特征在于：所述步骤S1中还包括在发送端产生一系列随机序列，经过QPSK调制后进入高斯白噪声信道，然后使用阵元天线模块模拟多次级用户，使每根天线接收不同的数据信息。4.根据权利要求1所述的一种基于CM
‑
LSTM的频谱感知算法，其特征在于：所述步骤S1中还包括通过切片的方式对数据集进行划分，将前若干数据集和后若干数据集作为训练集，其余作为验证集。5.根据权利要求1所述的一种基于CM
‑
LSTM的频谱感知算法，其特征在于：所述步骤S2中，将信号协方差矩阵经过维度变换后作为输入数据传递给LSTM模型，第一步要经过遗忘门层，舍弃无用的信息，并且经过激活函数之后输出值都介于0和1之间，传输给记忆门，决定将有用的信息存放在细胞状态中，由sigmoid层决定需要更新的值，tanh层创建一个新的候选值向量，生成候选记忆，对遗忘门丢失的属性信息，在记忆层中找到相应的新的属性信息，并进行添加，以补充丢弃的属性信息，然后交给输出门，根据细胞的状态，使用sigmoid函数来确定细胞状态需要输出的部分，然后经过tanh层处理，两者相乘之后经过全连接层使用softmax分类器得到最终的结果，判断主用户是否存在。6.根据权利要求5所述的一种基于CM
‑
LSTM的频谱感知算法，其特征在于：所述步骤S2中，具体计算过程如下：设定timesteps＝1，epoch＝100，batch_size＝32,num_class＝2；其中W
f
，W
i
，W
C
，W
o
代表权重矩阵，b
f
，b
i
，b
C
，b
o
代表偏置项，o

【专利技术属性】
技术研发人员：任诗雨，陈万通，吴海龙，李冬霞，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：