基于CNN的Wi-Fi子载波跨协议干扰识别方法技术

发明专利技术公开了一种基于CNN的Wi

【技术实现步骤摘要】
道估计，当发送有用的信息数据时，利用初始的信道估计结果进行一个判决更新，完成 实时的信道估计。
[0007](2)盲信道估计。利用信道结构信息和传输信息符号的统计特性来进行信道估计， 该方法不需要训练序列，仅通过对接收信号进行相关处理获得信道状态信息。
[0008](3)半盲信道估计。无需或只需要很短的训练序列。结合盲估计与基于训练序列估 计这两种方法优点的信道估计方法。
[0009]上述信道估计与分析方法各有优劣，分别适应于不同的特定应用场景，针对不同的 情况可能存在着不同的弊端，但是它们均没有关注到WiFi单个子载波的信道状态信息。 在异构无线网络中，受到跨协议干扰后，不同子载波信道状态是存在差异的，如果对所 有子载波一视同仁可能会导致通信性能的下降。因此，首先需要从子载波层面进行信道 估计，并采用有效的分类模型来对Wi
‑
Fi子载波进行干扰识别，快速定位受干扰子载波 和不受干扰子载波。

技术实现思路

[0010]为解决上述问题，本专利技术提出了一种基于卷积神经网络的Wi
‑
Fi子载波干扰识别方 法，该方法首先对真实场景下异构无线网络中子载波的信道特征信息进行采集和可视化 分析，划分为受干扰子载波和不受干扰子载波两类。通过对信道特征信息进行预处理后 构建训练集和测试集，进而采用提出的卷积神经网络(Convolutional Neural Networks， CNN)，通过训练生成子载波干扰识别的分类模型，最后通过分类模型实现对异构无线 网络中子载波的干扰识别。在这里子载波干扰识别问题等价于学习子载波分类的条件概 率分布，利用最大条件概率对子载波进行分类决策。
[0011]为了实现上述任务，本专利技术采用以下技术方案：
[0012]一种基于CNN的Wi
‑
Fi子载波干扰识别方法，具体包括以下步骤：
[0013]步骤1，采集异构无线网络中Wi
‑
Fi子载波的信道特征信息并分类；
[0014]步骤2，对步骤1采集到的信道特征信息进行数据预处理，包括缺失数值和出现异 常值进行填充，并将信道特征信息进行归一化处理，然后将预处理后的数据集划分为训 练集和测试集；
[0015]步骤3，对步骤2得到的训练集通过CNN模型学习训练，得到训练后的子载波分类 模型；所述CNN模型包括输入层、中间层L、输出层；所述中间层包括两层卷积层、非 线性拟合函数、全连接层、激活函数；
[0016]步骤4，根据步骤3训练得到的分类模型对测试集中的子载波进行干扰识别，定位受 干扰子载波和不受干扰子载波。
[0017]进一步的，所述步骤1的具体操作如下：
[0018]在时隙T中，发送端采用子载波S
i
向接收节点发送K个数据包，对于子载波S
i
，接收 端向发送端反馈子载波信道信息，发送端设备集接收端反馈的子载波S
i
的信道特征信息， 获取所有子载波的信道特征信息后，发送端划分n个子载波的类别。
[0019]进一步的，所述步骤2具体包括如下子步骤：
[0020]步骤21，对信道特征信息进行数据填充，得到数据填充后的数据集；具体操作如下：
[0021]采用箱型图分析法对于子载波的k次采样中偏离正常范围的值进行异常值检测，并 将异常值视为缺失值，采用K近邻算法对缺失值进行填充处理；
[0022]步骤22，对步骤21得到的数据填充后的数据集采用线性函数进行归一化处理，得 到预处理后的数据集。
[0023]步骤23，将预处理后的数据集划分为训练集和测试集。
[0024]进一步的，所述步骤3中，所述中间层的作用如下：
[0025]a)两层卷积层用于进行深层次特征感知和提取，局部感知子载波信道特征；
[0026]b)通过全连接层连接所有的特征，将输出值送给分类器；
[0027]c)在全连接层引入dropout操作，在一次循环中随机删除神经网络中的部分神经元， 然后再进行该次循环中网络的训练和优化过程，下一循环中重复这一过程，并用损失函 数衡量模型预测的好坏，随着训练的进行，损失值总体呈下降趋势，直至训练结束；
[0028]进一步的，所述步骤3中，所述两层卷积层采用3x3卷积核。
[0029]进一步的，所述步骤3中，采用BP算法进行更新优化，完成网络的学习与训练，最 小化预测误差；其中，所述优化的过程有两个阶段：
[0030]1)前向计算根据输入从前往后依次计算得到最终输出值，并计算当前输出与目标的 差距，即计算损失函数；
[0031]2)反向更新利用随机梯度下降法最小化损失函数，通过传递误差值更新权值；
[0032]进一步的，所述步骤3中，对于中间层L和L+i，采用非线性函数对中间层L的输 出作非线性映射；第L层的输入表示为x
(L)
，权重表示为u
(L)
；
[0033]则L+1层的输入x
(L+1)
表示为：
[0034]x
(L+1)
＝f(u
(L)
x
(L)
)
[0035]中间层L的权重＝(u
(1)
，u
(2)
，
…
u
(L)
)，输入＝(x
(1)
，x
(2)
，
…
x
(L)
)，f(
·
)表示非线性函 数。
[0036]进一步的，所述步骤3中，所述全连接层通过激活函数softmax获取实现子载波分类 的条件概率，不同类别的条件概率之和为1；条件概率分布如下：
[0037][0038]softmax激活函数表达式如下：
[0039][0040]其中，x
(0)
表示输入层数据，u表示权重，j＝0或1表示可能输出的子载波类别， exp(y(j|u，x
(0)
))表示输出层输出子载波类别为j时给出的数值。
[0041]进一步的，所述步骤3中，所述CNN模型用到的交叉熵损失函数表达式为：
[0042][0043]其中，n表示输入样本数，k表示类别数，S
i
表示输入样本i的真实类别，j表示预 测类别，1{
·
}表示只有当括号内表达式为真时函数才等于1，否则等于0。
[0044]进一步的，所述步骤3中，所述CNN模型的目标函数：
[0045]G(u，x
(0)
)＝
‑
klog(P(k＝1|u，x
(0)
))
‑
(1
‑
k)log(P(k＝0|u，x
(0)
))
[0046]＝
‑
log(P
K
(k))
[0047]其中，k表示类别数目，x
(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的Wi
‑
Fi子载波干扰识别方法，其特征在于，具体包括以下步骤：步骤1，采集异构无线网络中Wi
‑
Fi子载波的信道特征信息并分类；步骤2，对步骤1采集到的信道特征信息进行数据预处理，包括缺失数值和出现异常值进行填充，并将信道特征信息进行归一化处理，然后将预处理后的数据集划分为训练集和测试集；步骤3，对步骤2得到的训练集通过CNN模型学习训练，得到训练后的子载波分类模型；所述CNN模型包括输入层、中间层L、输出层；所述中间层包括两层卷积层、非线性拟合函数、全连接层、激活函数；步骤4，根据步骤3训练得到的分类模型对测试集中的子载波进行干扰识别，定位受干扰子载波和不受干扰子载波。2.如权利要求1所述的基于CNN的Wi
‑
Fi子载波干扰识别方法，其特征在于，所述步骤1的具体操作如下：在时隙T中，发送端采用子载波S
i
向接收节点发送K个数据包，对于子载波S
i
，接收端向发送端反馈子载波信道信息，发送端设备集接收端反馈的子载波S
i
的信道特征信息，获取所有子载波的信道特征信息后，发送端划分n个子载波的类别。3.如权利要求1所述的基于CNN的Wi
‑
Fi子载波干扰识别方法，其特征在于，所述步骤2具体包括如下子步骤：步骤21，对信道特征信息进行数据填充，得到数据填充后的数据集；具体操作如下：采用箱型图分析法对于子载波的k次采样中偏离正常范围的值进行异常值检测，并将异常值视为缺失值，采用K近邻算法对缺失值进行填充处理；步骤22，对步骤21得到的数据填充后的数据集采用线性函数进行归一化处理，得到预处理后的数据集。步骤23，将预处理后的数据集划分为训练集和测试集。4.如权利要求1所述的基于CNN的Wi
‑
Fi子载波干扰识别方法，其特征在于，所述步骤3中，所述中间层的作用如下：a)两层卷积层用于进行深层次特征感知和提取，局部感知子载波信道特征；b)通过全连接层连接所有的特征，将输出值送给分类器；c)在全连接层引入dropout操作，在一次循环中随机删除神经网络中的部分神经元，然后再进行该次循环中网络的训练和优化过程，下一循环中重复这一过程，并用损失函数衡量模型预测的好坏，随着训练的进行，损失值总体呈下降趋势，直至训练结束；5.如权利要求1所述的基于CNN的Wi
‑
Fi子载波干扰识别方法，其特征在于，所述步骤3中，所述两层卷积层采用3x3卷积核。6.如权利要求1所述的基于CNN的Wi
‑
Fi子载波干扰识别方法，其特征在于，所述步骤3中，采用BP算法进行更新优化，完成网络的学习与训练，最小化预测误差；其中，权值优化的过程有两个阶段：1)前向计算根据输入从前往后依次计算得到最终输出值，并计算当前输出与目标的差距，即计算损失函数...

【专利技术属性】
技术研发人员：尹小燕，李阳，王培勇，牟文杰，龚志敏，崔瑾，陈晓江，房鼎益，
申请(专利权)人：西北大学，
类型：发明
国别省市：