非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质技术方案

非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质，方法包括：构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号增强，选取分数低阶协方差矩阵作为对预处理信号的智能表征；构建基于联邦学习的分布式协作频谱感知系统，并利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数，用于感知的全局网络模型，利用网络输出的二维特征向量的比值构建频谱感知的检测统计量和检测阈值，比较获取的检测统计量和检测阈值大小，实现非高斯噪声下分布式协同的多天线协作频谱智能感知，且在低零功率条件下具有良好的感知性能。功率条件下具有良好的感知性能。功率条件下具有良好的感知性能。

【技术实现步骤摘要】
Cognitive Radio,"in IEEE Communications Letters,vol.25,no.3,pp.864
‑
868,March 2021,doi:10.1109/LCOMM.2020.3037273.)、基于变分自编码器的无监督学习频谱感知方法(J.Xie,J.Fang,C.Liu and L.Yang,"Unsupervised Deep Spectrum Sensing:A Variational Auto
‑
Encoder Based Approach,"in IEEE Transactions on Vehicular Technology,vol.69,no.5,pp.5307
‑
5319,May 2020,doi:10.1109/TVT.2020.2982203.)。上面所提到的频谱感知方法大多在高斯噪声下有着极好的感知性能，但是在真实的无线环境场景下，接收端的接收信号会受到非高斯噪声的干扰，如果仍然使用高斯噪声模型，频谱感知性能将大大降低。
[0004]针对非高斯噪声假设下的频谱感知，研究人员提出了一些频谱感知方法。Li等人提出了一种基于Rαo检测的非高斯多径衰落信道频谱感知方法(J.Li,Q.Chen,Z.Long,W.Wang,H.Zhu and L.Wang,"Spectrum Sensing With Non
‑
Gaussian Noise Over Multi
‑
Path Fading Channels Towards Smart Cities With IoT,"in IEEE Access,vol.9,pp.11194
‑
11202,2021,doi:10.1109/ACCESS.2021.3051719.)、Lee等人基于阶次分析，提出了一种非线性组合方案来应对脉冲噪声的重尾特性，在瑞利衰落脉冲噪声环境下，所提出方法的检测性能优于传统方法(S.Lee,S.R.Park,Y.H.Kim and I.Song,"Spectrum sensing for cognitive radio network with multiple receive antennas under impulsive noise environments,"in Journal of Communications and Networks,vol.23,no.3,pp.171
‑
179,June 2021,doi:10.23919/JCN.2021.000016.)、Bhavana等人利用最大相关熵准则对脉冲噪声的鲁棒性，提出了一种基于非高斯噪声下的非重建的宽带压缩频谱感知方法(B.Bhavana,S.Namburu,T.Panigrahi and S.L.Sabat,"Robust Methods for Wideband Compressive Spectrum Sensing Under Non
‑
Gaussian Noise,"in IEEE Communications Letters,vol.25,no.10,pp.3398
‑
3402,Oct.2021,doi:10.1109/LCOMM.2021.3098235.)、Bkassiny等人基于局部最优的Neyman
‑
Pearson检测器，可以有效减少非高斯噪声对检测性能的影响(M.Bkassiny,A.Lima De Sousa and S.K.Jayaweera,"Wideband Spectrum Sensing for Cognitive Radios in Weakly Correlated Non
‑
Gaussian Noise,"in IEEE Communications Letters,vol.19,no.7,pp.1137
‑
1140,July 2015,doi:10.1109/LCOMM.2015.2434996.)。
[0005]上述频谱感知方法仅在较高信噪比条件下可以达到较好的感知性能，但是在实际电磁环境中，特别是存在非高斯噪声的背景条件下，不对有用的微弱接收信号进行增强可能会导致感知性能的下降。为此，本文考虑先对微弱接收信号进行增强，提出了一种非高斯噪声下分布式协同的多天线协作频谱智能感知方法，来提高频谱感知的检测性能。
[0006]通过上述分析，现有技术存在的问题及缺陷为：
[0007](1)现有的频谱感知技术仅考虑对较高信噪比下的接收信号进行感知，而未处理的低零功率下的接收信号存在使得频谱感知性能变差的缺陷。
[0008](2)现有的协作频谱感知方法大多考虑直接将各个子节点的感知信息发送到融合中心，但这会极大的占用信道的传输带宽。

技术实现思路

[0009]为了克服上述现有技术存在的问题，本专利技术的目的在于提供了一种非高斯噪声下
分布式协同的多天线协作频谱智能感知方法、系统、设备及介质，能够通过对非高斯噪声下的微弱接收信号进行增强，基于参数共享的频谱感知模型，可以有效的节省网络传输带宽，解决数据传输过程中占用带宽过大的问题；实现非高斯噪声下分布式协同的多天线协作频谱智能感知方法可以为复杂通信环境下认知无线电系统提供技术依据，突破现有的静态频谱划分机制，提高频谱资源的利用率。
[0010]为了实现上述目的，本专利技术采用的技术方案为：
[0011]一种非高斯噪声下分布式协同的多天线协作频谱智能感知方法，包括以下步骤：
[0012]步骤一，构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵R
y
作为对预处理信号的智能表征；
[0013]步骤二，构建基于联邦学习的分布式协作频谱感知系统，在该系统下，利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练；
[0014]步骤三，同时在该系统下，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数；
[0015]步骤四，利用获取到的全局最优网络参数w
*
加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量T和检测阈值γ，将获取到的检测统计量T和检测阈值γ大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知。
[0016]进一步，所述步骤一的具体过程为：
[0017]基于多天线协作频谱感知场景，当感知模型由一个主用户、L个次用户和一个融合中心所组成，主用户发射端有M根天线，次用户接收端有K根天线，在采样的n时刻，第d个次用户的接收端信号可以表示为：
[0018]H0:y
d
(n)＝w
d
(n)
[0019]H1:y
d
(n)＝h
d
(n)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.非高斯噪声下分布式协同的多天线协作频谱智能感知方法，其特征在于，包括以下步骤：步骤一，构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号y(n)进行增强，并选取分数低阶协方差矩阵R
y
作为对预处理信号的智能表征；步骤二，构建基于联邦学习的分布式协作频谱感知系统，在该系统下，利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练；步骤三，同时在该系统下，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数；步骤四，利用获取到的全局最优网络参数w
*
加载用于感知的全局网络模型，并利用网络输出的二维特征向量的比值构建频谱感知的检测统计量T和检测阈值γ，将获取到的检测统计量T和检测阈值γ大小进行比较，实现非高斯噪声下分布式协同的多天线协作频谱智能感知。2.如权利要求1所述的非高斯噪声下分布式协同的多天线协同频谱智能感知方法，其特征在于，所述步骤一的具体过程为：基于多天线协作频谱感知场景，当感知模型由一个主用户、L个次用户和一个融合中心所组成，主用户发射端有M根天线，次用户接收端有K根天线，在采样的n时刻，第d个次用户的接收端信号可以表示为：H0:y
d
(n)＝w
d
(n)H1:y
d
(n)＝h
d
(n)s(n)+w
d
(n)其中，H1表示授权的主用户信号存在，H0表示授权的主用户信号不存在，s(n)表示主用户的发射信号，h
d
(n)＝[h
d,1
(n),...,h
d,m
(n),...,h
d,K
(n)]，h
d,m
(n)表示第d个次用户的第m根接收天线上的信道响应，w
d
(n)表示非高斯噪声；接收信号y(n)的矩阵表示为：其中，y
M
(N)为第M根天线第N个采样数据；采用alpha稳定分布噪声来对非高斯噪声进行描述，其特征函数的表示形式如下：采用alpha稳定分布噪声来对非高斯噪声进行描述，其特征函数的表示形式如下：其中，α表示特征指数，取值为0＜α≤2，alpha稳定分布的脉冲程度是由这个参数所决定；μ表示对称参数，取值为
‑
1≤μ≤1，alpha稳定分布的对称程度是由这个参数来决定；γ
表示尺度参数，取值为γ≥0，样本相对于均值的分散程度可以用该参数来表示，相当于高斯分布中方差的定义；β表示位置参数，取值为
‑
∞＜β＜+∞，稳定分布的概率密度函数在x轴上的偏移由该参数所决定，sign(t)表示符号函数；接收信号y(n)的矩阵表示为：其中，y
M
(N)为第M根天线第N个采样数据；利用分数阶随机共振系统进行多天线接收端的有用微弱信号增强，其分数阶郎之万方程表示为：其中，y(t)表示输入信号，ξ(t)表示alpha稳定分布噪声，a和b表示系统结构参数，V'(x)表示对V(x)进行一阶求导，算子用来代表非整数微分和积分，其中阶次从整数扩展到了实数，包含了分数部分，a和t表示上下临界，算子定义为：其中，α表示阶次，α＞0时，表示进行求α阶导数字运算，α＜0时表示进行积分运算，积分上限为a，积分下限为t；求解出alpha稳定分布噪声下关于输入信号y(t)的分数阶郎之万方程的解x(t)，该解集就是增强后的有用接收信号。计算分数低阶协方差矩阵R
y
作为对增强后有用接收信号的智能表征：其中，|y(n)|
p
＝[|y1(n)|
p
,...,|y
m
(n)|
p
,...,|y
K
(n)|
p
]
T
，y
m
(n)是在采样时刻n，第m根天线所接收的信号经过分数阶随机共振系统增强后的信号表示，|
·
|表示取绝对值符号，T表示做转置运算，H表示共轭转置，|y
m
(n)|
p
表示对|y
m
(n)|做p阶分数低阶矩运算。3.如权利要求1所述的非高斯噪声下分布式协同的多天线协作频谱智能感知方法，其特征在于，所述步骤二的具体过程为：首先，对于步骤一预处理后的接收信号求取分数低阶协方差矩阵，提取协方差矩阵的实部和虚部进行归一化处理和灰度变换，组成双通道的灰度图像输入；然后，在将输入的维度为h
×
w
×
c的灰度图像块输入到基于视觉的自注意力网络模型之前，需要进行切片处理，其中h表示灰度图像的长，w表示灰度图像的宽，c表示通道数量，
×
表示点乘运算；将输入的灰度图像展平成N＝hw/p2个大小为(p2·
c)的向量x
p
，其中N表示展平的向量x
p
的总数，p表示向量的长和宽，c表示通道数量，/表示除法运算，
·
表示点乘运算；并对向量进行维度压缩，利用一个全连接层经过线性变换将其映射到维度大小d；加入一个可学习的位置向量来对处理后的向量进行位置编码，并引入一个可学习的嵌入向量x
class
作为最后的输出特征进行分类，经过切片、降维和嵌入后的特征向量可以表示为其中为投影矩阵，x
class
表示分类向量，表示展平后的输入向量，E
pos
表示位置编码向量；接着，将提取的特征向量z0送入到编码器模块，在编码器模块中，首先将特征向量进行层归一化(LayerNormalization，LN)处理，LN(z0)表示可以使得每一层神经元输入的均值和方差都保证一致，其中z0表示提取的特征向量，LN表示进行层归一化操作；将处理后的向量经过变换得到三个特征向量Q、K和V，大小均为(N+1)
×
d
v
，其中N+1表示特征向量的长，d
v
表示特征向量的宽；通过单头注意力单元SA可以得到注意力权重输出向量为该公式用来计算特征向量中不同值之间相似性，其中是设置好的固定值，T表示做转置运算，
·
表示对向量之间进行点积运算，softmax激活函数计算公式如下：其中，x
i
为第i个节点的输出值，C为输出节点的个数，即分类的类别数，通过该函数就可以将多分类的输出值转换为范围在[0,1]之间的概率分布；多头注意力层会对N
h
个单头注意力单元的输出向量进行拼接，表示为其中表示第i个单头注意力单元的输入向量，concat(
·
)表示对多个向量进行拼接操作，LN表示进行层归一化操作，N
h
表...

【专利技术属性】
技术研发人员：刘明骞，程回归，张俊林，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：