【技术实现步骤摘要】
本专利技术涉及计算机，具体说的是一种并行使用cnn和lstm的频谱感知方法、装置、设备及介质。
技术介绍
1、随着数据流量的不断增长和频谱资源的日渐紧缺，如何高效利用有限的频谱资源是下一代无线通信技术的主要研究方向[1]。频谱感知被认为是缓解频谱短缺及频谱未充分利用的有效手段，能在认知网络中感知主用户的状态，从而提高用户吞吐量和频谱利用率。未来无线网络通信中存在设备多元化、数据差异化且应用场景更加复杂，因此，在通信范围内，感知用户的接收信号强度(rss)可能较弱[2]。此外，在有限的频谱资源中，可用频段往往被其他设备或信号占用，背景噪声干扰大。因此，研究低信噪比(snr)情况下的频谱感知方法对促进无线网络的发展具有重要意义。
2、在低信噪比条件下，频谱感知的主要挑战在于如何快速和高精度感知。频谱占用状态常用能量检测(ed)法，该方法通过将rss与预定义的阈值进行比较后得出频谱状态判决结果[3][4]。但是，由于噪声动态变化和较低的信噪比，阈值确定困难。此外，由于信噪比壁效应的存在，ed的频谱感知性能在低信噪比区域可能会急剧下降[5]。为了缓解信噪比壁的影响，提出了基于高阶矩和时频分析等频谱感知方法[6][7]，这些方法要求一定的先验知识，并且需要设计统计决策机制对接收信号进行处理来完成感知过程，这种繁琐的处理过程与无线网络的敏捷决策要求相悖。与上述方法相比，深度学习(dl)可以通过数据驱动的方式进行频谱感知，不需要先验知识也能获得良好的频谱感知性能。因此，基于深度学习的频谱感知方法近年来被广泛研究[8][9][10[
3、深度学习算法不断改进与发展，特别是卷积神经网络(convolutional neuralnetwork，cnn)在挖掘数据的深层特征方面具有优势，利用cnn可有效提升频谱感知性能。文献[12]针对传统机器学习方法训练慢的问题，提出基于卷积神经网络(cnn)的ofdm频谱感知方法，利用信号的循环自相关结构特点，将频谱感知问题转换为图像识别问题。基于cnn的频谱感知方法不需要确定检测门限，也不需要构造特征参数，就可以识别信号并检测频谱状态。但是，cnn频谱感知方法提取特征能力受限于网络深度，而增加的网络层数又容易出现梯度消失等问题，导致频谱检测概率下降。为解决上述问题，文献[13][14]在cnn中添加了捷径连接，实现了输入层恒等映射更深的网络，与传统cnn频谱感知方法相比，这种方法的性能指标显著提高，且网络不易发生梯度消失等问题。对cnn进行结构优化能提高频谱感知性能，但是，深度cnn所需要训练的参数增多，离线训练时间长。
4、除此之外，对cnn进行方法优化也可有效提升频谱感知性能。其中，文献[15]研究了一个卫星作为感知节点的频谱感知系统，针对传统能量检测方法对噪声不确定性敏感的问题，提出了基于时间卷积网络(tcn)的频谱感知方法，利用tcn具有的提取信号时域特征的能力，消除噪声不确定性的影响。与cnn和dnn相比，该方法提高了检测概率，降低了计算复杂度。文献[16]探究了频谱感知中测试统计量设计的问题，引入深度神经网络(dnn)推导似然比检验以保证设计的测试统计量的最优性。基于开发的频谱感知框架，将样本协方差矩阵作为cnn的输入生成测试统计量，提出了cm-cnn频谱感知算法，该算法在线检测时不需要任何先验信息，性能优异，甚至接近于最优e-c检测器的性能。文献[17]利用卷积神经网络(cnn)和长短期记忆网络(lstm)在空间和时间特征提取上的强大能力，提出了一种基于深度学习的频谱感知方法，即cnn-lstm。所提出的方法不需要噪声模型假设，无论是否存在噪声不确定性，cnn-lstm的性能均比较优异。文献[18]则利用卷积神经网络(cnn)和长短期记忆网络(lstm)设计了一种基于分层合作的协作频谱感知(css)方法，通过学习主用户的活动模式从而判断主用户状态，仿真结果表明，即使报告信道不完善，所提方法也比传统方法具有更高的检测性能。同样利用了卷积神经网络(cnn)和长短期记忆网络(lstm)进行频谱感知的文献还有[19][20]，在这些文献中，cnn和lstm采用了串行结构。但是，感知时cnn和lstm的串行结构可能会导致数据退化。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种并行使用cnn和lstm的频谱感知方法、装置、设备及介质，通过采用并行的cnn和lstm，与串行结构的cnn-lstm相比，所构建的频谱感知模型在低信噪比情况下可以实现更高的频谱感知性能。
2、为实现上述技术目的，所采用的技术方案是：一种并行使用cnn和lstm的频谱感知方法，包括以下步骤：
3、步骤1、m个次用户su分别接收感知数据转发给数据融合中心fc，数据融合中心fc将得到的感知数据分为训练集、验证集、测试集；
4、步骤2、所有的感知数据分别进行cnn数据预处理和lstm数据预处理；
5、步骤3、经过cnn数据预处理的感知数据的训练集和验证集训练cnn模型，通过最小化损失函数得到最优的cnn模型参数，cnn模型训练完成，经过lstm数据预处理的感知数据的训练集和验证集训练lstm模型，通过最小化损失函数得到最优的lstm模型参数，lstm模型训练完成；
6、步骤4、将经过cnn数据预处理的感知数据的测试集输入至训练完成的cnn模型，得到cnn模型预测结果，将经过lstm数据预处理的感知数据的测试集输入至训练完成的lstm模型，得到lstm模型预测结果；
7、步骤5、采用加权和对cnn模型预测结果和lstm模型预测结果进行组合，选择softmax函数作为激活函数进行分类特征的提取得到最终的感知结果。
8、cnn数据预处理的方法为，一个感知周期内接收的感知数据用一个复矩阵表示，对复矩阵进行归一化处理，然后将归一化后的数据的实部和虚部以及零矩阵作为真彩色图像的三个通道。
9、lstm数据预处理的方法为，一个感知周期内接收的感知数据用一个复矩阵表示，对复矩阵的每一行数据进行平均值计算(即一个感知周期内对每一个su接收的数据进行平均值计算)，再将所有计算结果进行集合。
10、一种频谱感知装置，包括：
11、数据采集模块，m个次用户su分别接收感知数据转发给数据融合中心fc，数据融合中心将得到的数据分为训练集、验证集、测试集；
12、数据预处理模块，对所有的感知数据分别进行cnn数据预处理和lstm数据预处理；
13、p-cnn-lstm网络模块，将经过cnn数据预处理的感知数据的训练集和验证集训练cnn模型，通过最小化损失函数得到最优的cnn模型参数，cnn模型训练完成，将经过lstm数据预处理的感知数据的训练集和验证集训练lstm模型，通过最小化损失函数得到最优的lstm模型参数，lstm模型训练完成；将经过cnn数据预处理的感知数据的测试集输入至训练完成的cnn模型，得到cnn模型预测结果，将经过lstm数据预处理的感知数据的测本文档来自技高网...
【技术保护点】
1.一种并行使用CNN和LSTM的频谱感知方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种并行使用CNN和LSTM的频谱感知方法，其特征在于：CNN数据预处理的方法为，一个感知周期内接收的感知数据用一个复矩阵表示，对复矩阵进行归一化处理，然后将归一化后的数据的实部和虚部以及零矩阵作为真彩色图像的三个通道。
3.如权利要求1所述的一种并行使用CNN和LSTM的频谱感知方法，其特征在于：LSTM数据预处理的方法为，一个感知周期内接收的感知数据用一个复矩阵表示，对复矩阵的每一行数据进行平均值计算，再将所有计算结果进行集合。
4.一种频谱感知装置，其特征在于，包括：
5.一种设备，其特征在于，包括：
6.一种计算机可读存储介质，其特征在于：计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时能够对无线通信中的频谱进行感知。
【技术特征摘要】
1.一种并行使用cnn和lstm的频谱感知方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种并行使用cnn和lstm的频谱感知方法，其特征在于：cnn数据预处理的方法为，一个感知周期内接收的感知数据用一个复矩阵表示，对复矩阵进行归一化处理，然后将归一化后的数据的实部和虚部以及零矩阵作为真彩色图像的三个通道。
3.如权利要求1所述的一种并行使用cnn和lstm的频谱感知方...
【专利技术属性】
技术研发人员：郑国强，白薇薇，韩哲，孙晓璐，王俊英，马华红，穆昱，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。