一种基于卷积神经网络分类器的宽带频谱感知方法

1.本发明属于无线通信领域，涉及一种基于卷积神经网络分类器的宽带频谱感知方法。


背景技术：

2.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。
3.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。
4.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。
5.现有的宽带频谱感知技术主要存在以下缺点：
6.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。
7.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。
8.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。


技术实现要素：

9.有鉴于此，本发明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。
10.为达到上述目的，本发明提供如下技术方案：
11.一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：
12.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；
13.s2：对获取到的原始数据进行归一化以及样本均衡化操作；
14.s3：根据能量观测矩阵的尺寸特征设计两个神经网络模型；
15.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；
16.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。
17.可选的，所述步骤s1具体为：
18.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
19.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；
20.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。
21.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；
22.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。
23.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。
24.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
25.本发明的有益效果在于：本发明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。
26.本发明的其他优点、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，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
27.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
28.图1为宽带授权频段上的子带占用模式示意图；
29.图2为本发明所设计的神经网络结构示意图；
30.图3为基于卷积神经网络分类器的子带占用模式分类方法流程图。
具体实施方式
31.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
32.其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
33.本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
34.如图3所示，以子带数q＝24，su数m＝32为例，所述的基于卷积神经网络分类器的宽带频谱感知方法实施过程，具体包括以下三个初始条件和五个主要步骤。
35.初始条件1：
36.假设认知无线电网络crn中存在m个su和单个pu。将pu对应的宽带授权频段划分为
q个互不重叠、带宽均为w的子带。pu在i时刻占用子带的起始位置是d
(i)
(d
(i)
∈{0,1,...,i1})，pu占用子带的宽度为其中i1≤q且i2≤q
‑
i1。在i时刻pu所占用子带的集合为频带占用模式表示为
37.初始条件2：
38.在i时刻，第m个su接收到的第q个子带上的观测信号表示为：
[0039][0040]
其中h
m,q
表示pu在第q个子带上与第m个su之间的信道增益；n
q
(i)表示su接收机在第q个子带上对应的加性高斯白噪声；为pu发射功率；h1和h0分别表示pu是否占用频带的假设；s
q
(i)代表pu发射机i时刻在第q个子带上对应的传输信号，在假设h1成立情况下且时s
q
(i)＝1，否则s
q
(i)＝0。
[0041]
在第t次感知过程中，第m个su接收到的第q个子带的能量值为：
[0042][0043]
其中，2wτ表示一个感知间隔内的信号采样点数，单次感知间隔时长为τ。因此所有su接收到的全部子带上的能量值组成的能量观测矩阵为：
[0044][0045]
初始条件3：
[0046]
假设在一定长的时间内获取足够多的能量观测矩阵θ＝{x1,x2,
…
,x
t
}以及各能量观测矩阵对应的子带占用模式标签集
[0047][0048]
在以上初始条件的基础上，基于卷积神经网络分类器的宽带频谱感知方法以如下步骤实施：
[0049]
步骤1：获取原始训练数据
[0050]
根据初始条件3，在足够长的时间内获取不同snr条件下以及不同衰落环境下大量的能量观测矩阵θ以及其对应的子带占用模式标签l。
[0051]
步骤2：数据预处理
[0052]
2.1：对步骤1中得到的原始数据集θ中的能量观测矩阵进行如下的归一化操作得到新的样本集θ
norm
＝{z1,z2,
…
,z
t
}：
[0053][0054]
其中，是θ里的能量观测矩阵x
t
中元素经过归一化后的值，为矩阵x
t
中所有元素的平均值，分别为矩阵x
t
中所有元素的最大值和最小值。
[0055]
2.2：为了使得分类器达到更好的分类效果，对步骤2.1中归一化后的数据集进行样本均衡化处理，常见的样本均衡化操作有过采样和欠采样，由于欠采样容易丢失重要的原始信息，本发明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。由此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。
[0056]
步骤3：设计卷积神经网络
[0057]
本发明采用采用一种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，两个网络由3个卷积层、2个全连接层组成。该发明所涉及的卷积神经网络具体结构如图2所示，具体的参数设置如表1(以q＝24个子带和m＝32个su为例)所示。
[0058]
3.1：卷积层：三个卷积层的卷积核大小均为3
×
3，卷积核个数分别设置为16、32和64，步长为1，填充个数为0；池化时采样窗口大小为2
×
2，步长设置为1。三个卷积层的输出矩阵分别如下：
[0059][0060][0061][0062]
其中，*、w
lv
和分别表示卷积操作符、第l层中第v个卷积核的权重矩阵和偏置值矩阵，v表示每一个卷积层的卷积核个数；relu(
·
)为激活函数，该网络模型为增强神经网络的非线性均采用relu为各个卷积层的激活函数，即：
[0063][0064]
池化操作将相邻的多个特征用一个特征代替，该网络模型采用最大池化方法，即从相邻的多个特征中选取最大的特征作为池化后的特征。因此池化通过缩小特征图尺寸达到了减小计算量的目的。
[0065]
3.2：全连接层：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。为了防止过拟合，在第一个全连接层的基础上添加dropout层，本发明中dropout参数取0.2，然后添加第二个全连接层。两个全连接层的输出向量如下：
[0066][0067][0068]
其中，x
fc1
、x
fc2
、和分别是第一个全连接层的输入向量、第二个全连接层的输入向量、第一个全连接层的卷积权重向量、第一个全连接层的偏置向量，最后一个全连接
层的softmax分类器的第j个神经元的输出表示输入的样本被分类为第j类的概率，对于本发明中的分类器1和分类器2分别有i＝i1、i＝i2。
[0069]
步骤4：训练卷积神经网络模型
[0070]
将步骤2中获得的能量观测矩阵集θ
resamp
和对应的标签集l
resamp
作为卷积神经网络分类器的训练数据和训练标签，完成子带占用模式分类器的模型训练，从而可以从下一步开始进行子带占用模式识别。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。本发明采用自适应矩估计方法来训练卷积神经网络，使用分类交叉熵作为目标损失函数：
[0071][0072]
其中，θ为cnn模型中的参数，y
i,s
∈{0,1}表示样本s是否被分为第i类，是则取1，反之取0；p
i,s
是softmax分类器输出的预测概率值，表示第s个样本能量观测矩阵被预测为标签i的概率。当y
i,s
＝1且p
i,s
＝1时交叉熵最小，当目标损失函数达到最小时停止训练。
[0073]
步骤5：输入当前时刻能量观测矩阵的归一化矩阵z
t
，利用步骤4中得到的两个分类器分别执行分类任务，输出的结果经组合得到当前时刻对应的子带占用模式标签
[0074]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。