专利名称：基于压缩感知与bp神经网络的认知无线电频谱感知方法
技术领域：
本发明属于无线通信技术领域，具体的，涉及ー种认知无线电频谱感知方法及系统。
背景技术：
随着无线通信业务的广泛发展，频谱资源日趋匮乏，其主要原因是无线频谱接入技术的不合理一现有无线通信系统均采用低效率的固定信道分配策略。认知无线电被认为是解决该问题最行之有效的新技术之一，它允许认知用户在不影响频带内合法用户正常通信的前提下共享该频段。频谱感知技术是认知无线网络设计的重要基础环节，只有实时快捷地了解主用户对频谱使用的情况，才能在不对其造成额外干扰的情况下实现无线频谱的二次利用、提高 无线频谱利用率。根据奈奎斯特采样定律在进行模拟/数字信号的转换过程中，当采样频率
Zs大于信号中最高频率/·的2倍(ぷ2 2/·)时，采样后的数字信号能完整保留原始信
息。在实际应用中一般要保证采样频率为信号最高频率的5 10倍，特别地在宽带甚至超宽带环境下，信号要实现无损采样需要很高的采样频率，这对采样硬件是一大考验。由于现有无线通信系统均采用低效率的固定信道分配策略，无线频谱接入不合理，实际情况下主用户占用频谱情况具有很大的频域稀疏性。传统理论是这样处理这些稀疏信号的为节省存储空间提高传送效率，会对稀疏信号做压缩处理。假设长度为N的信号X是K-稀疏的，采样器遵从奈奎斯特采样定律对信号采样后将信号X投影至其稀疏域Ψ即
χ = ψβ,其中0 = ち…，各]_且|5| =尤。将这些非零參数及位置发送出去，在接收端将接
受到的r个分量放回相应位置中而其他位置填充零得到解压信号。这种思路有着固有的缺点
(O由于采样速率要求高，信号长度会很长，因此正变换过程耗时较长；
(2)保留的Γ个分量的位置是“自适应”的，需要空间存放分量位置；
(3)抗干扰性能差，由于这个分量是“最重要”的，传输过程中若丢失若干分量会带来严重后果。
发明内容
本发明所要解决的技术问题在于现有技术所存在的计算复杂度高、在线检测实时性差的不足，提供ー种基于压缩感知与BP神经网络的认知无线电频谱感知方法及系统，将压缩感知技术应用于认知无线电的频谱检测，并用BP (Back-Propagation)神经网络取代复杂的重建算法，将计算复杂度从在线检测转移到离线的网络训练，从而可大幅提高检测系统的在线检测实时性。压缩感知是ー门新兴技术，提供了一种能够直接非自适应的估计不需抛弃多余分量的方法，它利用了稀疏信号的自相关特性，使用少量的投影来还原信号。这些投影的地位是等价的，因而在传输中丢失若干不会造成严重后果。与传统思路的高采样速率相比，压缩感知只简单采集一部分数据(而非全部数据)，将复杂的处理部分交给数据还原端来做，在尽量少的数据中提取尽量多的信息，大大降低了需要的采样速率。压缩感知技术是传统信息论的ー个延伸，却又为信号采集技术带来了革命性的突破，它采用非自适应线性投影来保持信号的原始结构，以远低于奈奎斯特频率采样信号，通过数值最优化问题准确重构。然而压缩感知技术存在着一大劣势由于重建算法是NP-hard问题，计算复杂，需
要考虑ぱ个子空间的联合穷举。用Z1-最小算法来替代/Q-最小算法，可以在一定程度上
降低复杂度，但是其算法复杂度也接近0(i2) (F表示信号长度)，不适用于对能耗、时耗敏
感的感知场景。此外频谱感知只是为了大致判断主用户使用频谱状况，获取太过精确的频域重建信号会造成系统资源的浪费。本发明利用BP神经网络的强大拟合功能替代压缩重建过程，将耗时从信号重建过程时转移至事先的网络训练上。从而既保留了压缩感知低采样率、低时间空间消耗、鲁棒性强、压缩过程简单等优点，又从本质上降低解压缩端的系统复杂度,达到实时性检测要求。本发明具体采用以下技术方案解决上述技术问题。基于压缩感知与BP神经网络的认知无线电频谱感知方法，包括训练过程和实际检测过程；其中，训练过程包括以下步骤
步骤Al、对认知无线电的原始信号进行低于奈奎斯特速率的压缩采样，并对采集到的压缩采样数据进行Ι-bit量化处理；
步骤A2、以Ι-bit量化处理后的压缩采样数据作为训练输入，以实际频段占用情况作为训练输出，对BP神经网络检测器进行训练；
实际检测过程包括以下步骤
步骤BI、对认知无线电的原始信号进行低于奈奎斯特速率的压缩采样，并对采集到的压缩采样数据进行Ι-bit量化处理；
步骤B2、将Ι-bit量化处理后的压缩采样数据输入训练好的BP神经网络检测器，得到的输出即为所述认知无线电的频谱占用情況。采用上述方法的基于压缩感知与BP神经网络的认知无线电频谱感知系统，该系统包括
压缩采样单元，用于对认知无线电的原始信号进行低于奈奎斯特速率的压缩采样，并输出压缩米样数据；
l-bit量化単元，用于对压缩采样单元输出的压缩采样数据进行ι-bit量化处理，并输出处理后的数据；
BP神经网络检测器，以压缩采样单元输出数据为输入，输出所述认知无线电的频谱占用情况。作为本发明一优选方案，所述BP神经网络检测器为ー包括输入层、隐层、输出层的三层BP神经网络，输入层节点数为压缩采样信号的信号长度，输出层节点数为所述认知无线电的频谱分段数。当认知无线电的频谱较宽时，输出层神经元数会较大，如采用上述优选方案，可能会带来BP神经网络训练困难，为此，可以采用分级检测的策略，具体如下
所述BP神经网络检测器为T个BP神经网络级联而成，各级BP神经网络均包括输入层、隐层、输出层，上、下级BP神经网络之间分别串联ー带通滤波器，Γ为大于I的整数；设所述认知无线电频谱被等分力1τ个频段^^^巧”ビ…外七ル…^均为大于I的整数；第一级BP神经网络的输入层神经元数为压缩采样信号的信号长度Ai ,输出层节点数
为へ;第二级BP神经网络的输入层神经元数为一，输出层节点数为；第三级BP神经网络的输入层神经元数为输出层神经元数为^ ;依此类推，第级BP神经网络的输入层神经元数为^^一一，输出层神经元数为...。所述BP神经网络的隐层神经元数根据试验确定或者按照以下公式确定
V= ^/A.+ B +e 式中，7/为隐层神经元数4力输入层神经元数力输出层神经元数，力常数且 [1,10]。对于认知无线电环境下的频谱感知，本发明首次将压缩感知技术引入，从而可采用低于奈奎斯特速率的采样速度进行压缩采样，降低了对硬件的要求；并利用BP神经网络取代压缩重建算法过程，将计算复杂度从在线检测占用情况转移到离线的网络训练上来；并通过Ι-bit量化处理采样数据，大幅降低数据复杂度，減少神经网络训练复杂程度，避免“过训练”，且能在一定程度上降低噪声的影响。
图I为认知无线电频谱检测场景示意 图2为BP神经网络结构示意图3为本发明的基于压缩感知与BP神经网络的认知无线电频谱感知方法流程示意
图4为分步检测的流程示意 图5为分步检测的原理示意图。
具体实施例方式下面结合附图对本发明的技术方案进行详细说明
图I显示了典型的频分多址系统(如GSM、广播电视系统、OFDM等)中的认知无线电场景，其中，主用户占用频谱带宽固定，次用户与主用户共享频谱设处于激活态(active)
的主用户数量为尤，主用户i通过射频装置发送带宽为馬，中心频谱为/i的调制信号ろ，
叉…Z。由于主用户频谱占用带宽固定，信号具有块稀疏特性。频谱感知技术要求实时感知信道的频谱占用情况，无需无损重建信号。根据这ー检测目标，可以引入压缩采样理论框架。压缩感知只简单采集一部分数据(而非全部数据)，将复杂的处理部分交给数据还原端来做，在尽量少的数据中提取尽量多的信息，大大降低了需要的采样速率。然而其所具有的重建算法计算复杂度高的缺点，也使得频谱检测的实时性无法满足要求。本发明的思路是用BP神经网络取代复杂的压缩重建算法，将计算复杂度从在线检测转移到离线的网络训练，从而可大幅提高检测系统的在线检测实时性。BP神经网络的结构如图2所示，具有三层或以上网络结构(分为输入层、隐层与输出层)，不同层神经元间实现全连接，同层的神经元则互不相连。输入层神经元获取训练样本，通过隐层向输出层传播，输出层的各神经元获得网络的输入响应。然后，以减小目标与实际值误差为目标从输出层开始逐层修正连接权值，直至回到输入层。BP神经网络是前向神经网络的核心，汲取了神经网络理论的精华。已经证明，对于任意闭区间内的ー个连续函数都可以用单隐层的BP网络逼近。也就是说ー个三层BP网络可以以任意精度逼近任意连续函数。因此BP网络应用广泛，80%-90%的神经网络模型采用了 BP网络或其变化形式。BP神经网络系统对所有6个训练样本的总误差函数为
权利要求
1.一种基于压缩感知与BP神经网络的认知无线电频谱感知方法，其特征在于，包括训练过程和实际检测过程；其中，训练过程包括以下步骤 步骤Al、对认知无线电的原始信号进行低于奈奎斯特速率的压缩采样，并对采集到的压缩采样数据进行1-bit量化处理； 步骤A2、以1-bit量化处理后的压缩采样数据作为训练输入，以实际频段占用情况作为训练输出，对BP神经网络检测器进行训练； 实际检测过程包括以下步骤 步骤BI、对认知无线电的原始信号进行低于奈奎斯特速率的压缩采样，并对采集到的压缩采样数据进行1-bit量化处理； 步骤B2、将1-bit量化处理后的压缩采样数据输入训练好的BP神经网络检测器，得到的输出即为所述认知无线电的频谱占用情况。
2.如权利要求I所述基于压缩感知与BP神经网络的认知无线电频谱感知方法，其特征在于，所述BP神经网络检测器为一包括输入层、隐层、输出层的三层BP神经网络，输入层节点数为压缩采样信号的信号长度，输出层节点数为所述认知无线电的频谱分段数。
3.如权利要求I所述基于压缩感知与BP神经网络的认知无线电频谱感知方法，其特征在于，所述BP神经网络检测器为T个BP神经网络级联而成，各级BP神经网络均包括输入层、隐层、输出层，上、下级BP神经网络之间分别串联一带通滤波器,T为大于I的整数；设所述认知无线电频谱被等分力|T个频段，令,= 1* 2*—今，均为大于I的整数；第一级BP神经网络的输入层神经元数为压缩采样信号的信号长度I，输出层节点数为A ;第二级BP神经网络的输入层神经元数为&，输出层节点数为 ;第三级BP神经网络的输入层神经元数为，输出层 i1H. "t^神经元数为；依此类推，第级BP神经网络的输入层神经元数为——，输出层神经元数为4。
4.如权利要求2或3所述基于压缩感知与BP神经网络的认知无线电频谱感知方法，其特征在于，所述BP神经网络的隐层神经元数根据试验确定或者按照以下公式确定V= B + s 式中」力隐层神经元数，J为输入层神经元数，S为输出层神经元数，e为常数且ee[l，10]。
5.一种采用权利要求I所述方法的基于BP神经网络的认知无线电频谱压缩感知系统，其特征在于，该系统包括 压缩采样单元，用于对认知无线电的原始信号进行低于奈奎斯特速率的压缩采样，并输出压缩米样数据； .1-bit量化单元，用于对压缩采样单元输出的压缩采样数据进行1-bit量化处理，并输出处理后的数据；BP神经网络检测器，以压缩采样单元输出数据为输入，输出所述认知无线电的频谱占用情况。
6.如权利要求5所述基于BP神经网络的认知无线电频谱压缩感知系统，其特征在于，所述BP神经网络检测器为一包括输入层、隐层、输出层的三层BP神经网络，输入层节点数为压缩采样信号的信号长度，输出层节点数为所述认知无线电的频谱分段数，隐层神经元数根据试验确定或者按照以下公式确定
7.如权利要求5所述基于BP神经网络的认知无线电频谱压缩感知系统，其特征在于，所述BP神经网络检测器为T个BP神经网络级联而成，各级BP神经网络均包括输入层、隐层、输出层，上、下级BP神经网络之间分别串联一带通滤波器，7为大于I的整数；设所述认知无线电频谱被等分为丨个频段，令
全文摘要
本发明公开了一种基于压缩感知与BP神经网络的认知无线电频谱感知方法。本发明方法包括训练过程和实际检测过程；其中，训练过程包括对认知无线电的原始信号进行低于奈奎斯特采样速率的压缩采样，并对采样数据进行1-bit量化处理；以量化处理后的压缩采样数据作为训练输入，以实际频段占用情况作为训练输出，对BP神经网络检测器进行训练；实际检测过程包括对认知无线电的原始信号进行压缩采样，并对采样数据进行1-bit量化处理；将量化处理后的压缩采样数据输入训练好的BP神经网络检测器，得到的输出即为认知无线电的频谱占用情况。本发明还公开了一种采用上述方法的认知无线电频谱感知系统。本发明具有较低算法复杂度，能够大幅提高频谱检测的实时性。
文档编号G06N3/02GK102665221SQ201210080840
公开日2012年9月12日 申请日期2012年3月26日 优先权日2012年3月26日
发明者朱琦, 王璐瑜, 赵夙 申请人:南京邮电大学