一种基于狼群优化的人工神经网络频谱感知方法
【专利摘要】本发明涉及一种基于狼群优化的人工神经网络频谱感知方法，决策中心依次打开各个子区域内的主用户信号模拟发射机，决策中心接收来自认知用户的本地检测结果，将接收的认知用户发送的本地检测信息及统计和计算的认知用户的检测概率信息，生成训练样本集，根据神经网络结构及训练样本生成神经网络测试函数；基于神经网络测试函数和训练后生成的神经元权值矩阵，运用狼群优化方法对权值矩阵进行优化处理，将优化后的权值矩阵输入神经网络工作模块中；认知用户对主用户信号进行检测，决策中心将接收到的认知用户的本地检测结果与累计的认知用户检测概率进行融合，融合值输入优化后的神经网络，判断主用户信号是否出现。
【专利说明】-种基于狼群优化的人工神经网络频谱感知方法
【技术领域】
[0001] 本发明涉及一种基于狼群优化的人工神经网络频谱感知方法。
【背景技术】
[0002] "认知无线电"最早是由Jos印h Mitola于1999年提出，它以软件无线电为扩展平 台，是一种新的智能无线通信技术。它能够感知周围的无线环境，通过对环境的理解、主动 学习来实时调整传输参数等以适应外部无线环境的变化。频谱感知技术是指认知用户通过 各种信号检测和处理手段来获取无线网络中的频谱使用信息。目前频谱感知技术的研究大 多数集中在本地感知、协作感知和感知机制优化三个方面。
[0003] 本地检测的方法，目前主要有三种，第一种是匹配滤波器检测，该方法检测性能最 优，检测时间短，但是需要获取主用户信号的先验信息；第二种是循环平稳特性检测，该方 法可以区分信号类型、低信噪比环境下也有较好的检测性能，但是计算复杂度较高检测时 间较长；第三种方法就是能量检测的方法，实现简单、无需先验信息，受到广泛的应用，虽然 精度低、性能易受信噪比不确定性影响、不能辨别干扰，但是应用在协作式频谱感知方面， 作为认知用户的本地检测方法，能够很好的弥补这方面的问题。
[0004] 协作频谱感知的融合算法，经典的有'与'融合，'或'融合以及'K秩'融合等算法， 用在协作频谱感知算法上都有非常明显的缺陷，如，'与'融合对认知用户的本地检测有过 高的要求，'或'融合高虛警概率等，并且都不够智能，没有自主学习能力。
[0005] 人工神经网络作为一门活跃的边缘性交叉学科，众多方面有着十分广泛的应用。 人工神经网络是由多个简单（通常是自适应的）单元及其层次化组织所构成的大规模并行 互联的网络，它以类似于生物神经系统的方式与真实世界中的对象进行交互。通过在线学 习的方法来积累主用户信号的先验信息，在某个噪声波动范围内进行学习和训练以克服噪 声不确定性的影响，使认知用户能够快速地，准确地感知"频谱空穴"（即判断主用户是否存 在），伺机的接入频谱，达到提高频谱利用率的目的。一般将神经网络分为五类，单层前向网 络、多层前向网络、反馈网络、随机神经网络以及竞争神经网络。而其中采用误差反向传播 算法（Back-Propagation algorithm，BP算法）和反馈网络中的Hopfield神经网络已经被 广泛应用于多种学科中，而自组织神经网络作为竞争神经网络的一种，相对于这些神经网 络来说，更加的智能化，可以自主学习，可以将输出结果划分种类区域等，拥有其他神经网 络不可比拟的优势。
[0006] 狼群优化方法是在分析狼群的协作捕猎活动特点的基础上提出一种新的群体智 能算法。该算法将人工狼群分为头狼、探狼和猛狼三种，其中头狼是以胜者为王的方式选出 来的，探狼在一定范围内游走并寻找猎物，猛狼在头狼发出召唤时，向召唤发出方向进行奔 袭并发起围攻。
[0007] 与本发明最相关的现有技术为，在2012年1月北京邮电大学的柳青在硕士学位论 文《基于竞争神经网络的的认知无线电协作频谱感知》中，提出了一种基于自组织神经网络 的频谱感知方法，该方法检测的虚警概率为〇,在低信噪比环境下，依然具有一定的感知正 确概率，但是该正确概率并不高。
【发明内容】
[0008] 本发明目的在于提供一种基于狼群优化的人工神经网络频谱感知方法，具有更优 化的性能，能够有效提高感知正确概率。
[0009] 实现本发明目的技术方案：
[0010] 一种基于狼群优化的人工神经网络频谱感知方法，其特征在于：
[0011] 步骤1 :神经网络训练阶段；决策中心依次打开各个子区域内的主用户信号模拟 发射机，决策中心接收来自认知用户的本地检测结果，将接收的认知用户发送的本地检测 信息及统计和计算的认知用户的检测概率信息，生成训练样本集，将训练样本输入神经网 络训练模块中进行训练；训练结束后，根据神经网络结构及训练样本生成神经网络测试函 数；
[0012] 步骤2 :神经网络优化阶段；基于神经网络测试函数和训练后生成的神经元权值 矩阵，运用狼群优化方法在神经网络优化模块中对权值矩阵进行优化处理，将优化后的权 值矩阵输入神经网络工作模块中；
[0013] 步骤3 :神经网络工作阶段；认知用户对主用户信号进行检测，将本地检测结果发 往决策中心，决策中心将接收到的认知用户的本地检测结果与累计的认知用户检测概率进 行融合，融合值输入优化后的神经网络，判断主用户信号是否出现，并将检测结果发送给各 认知用户。
[0014] 认知用户频谱感知区域划分方法为，选定一块方形区域，均分成若干块子区域并 编号，在同一时间内每块子区域内只存在一个认知用户。
[0015] 神经网络网络结构分为输入神经元与输出神经元两层，输入神经元个数与子区域 数量相等，输出神经元个数表示主用户出现情况。
[0016] 认知用户采用能量检测方法对主用户信号进行检测；设置在环境中无主用户信 号存在时的能量大小为能量检测的检测门限，当认知用户检测到的信号能量高于检测门限 时，判定主用户存在，记为1，反之主用户不存在，记为0。
[0017] 步骤1中，决策中心依次向各个子区域的主用户信号模拟发射机，发送打开关闭 命令，在同一时间段内有且只有一个信号发射机工作，并接受若干次所有认知用户发送的 本地检测结果，决策中心判断并累计计算各认知用户的本地检测概率。
[0018] 步骤1、步骤2中所说的神经网络测试函数，其输入为神经网络权值矩阵，输出为 频谱感知检测正确概率。
[0019] 步骤2中，具体包括以下步骤，
[0020] 步骤2. 1 :确定神经网络权值矩阵的定义域，该权值矩阵内元素的最小值到最大 值所形成的区间，为该自组织神经网络权值矩阵的定义域；
[0021] 步骤2. 2 :狼群的衍生，以当前神经网络训练后的得到的权值矩阵W表征一只人工 狼的位置，并设为头狼；将生成的狼群分为两部分，第一部分在头狼周围生成％只位置分 别戈
【权利要求】
1. 一种基于狼群优化的人工神经网络频谱感知方法，其特征在于： 步骤1 :神经网络训练阶段；决策中心依次打开各个子区域内的主用户信号模拟发射 机，决策中心接收来自认知用户的本地检测结果，将接收的认知用户发送的本地检测信息 及统计和计算的认知用户的检测概率信息，生成训练样本集，将训练样本输入神经网络训 练模块中进行训练；训练结束后，根据神经网络结构及训练样本生成神经网络测试函数； 步骤2 :神经网络优化阶段；基于神经网络测试函数和训练后生成的神经元权值矩阵， 运用狼群优化方法在神经网络优化模块中对权值矩阵进行优化处理，将优化后的权值矩阵 输入神经网络工作模块中； 步骤3 :神经网络工作阶段；认知用户对主用户信号进行检测，将本地检测结果发往决 策中心，决策中心将接收到的认知用户的本地检测结果与累计的认知用户检测概率进行融 合，融合值输入优化后的神经网络，判断主用户信号是否出现，并将检测结果发送给各认知 用户。
2. 根据权利要求1所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于： 认知用户频谱感知区域划分方法为，选定一块方形区域，均分成若干块子区域并编号，在同 一时间内每块子区域内只存在一个认知用户。
3. 根据权利要求2所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于： 神经网络网络结构分为输入神经元与输出神经元两层，输入神经元个数与子区域数量相 等，输出神经元个数表示主用户出现情况。
4. 根据权利要求3所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于： 认知用户采用能量检测方法对主用户信号进行检测；设置在环境中无主用户信号存在时的 能量大小为能量检测的检测门限，当认知用户检测到的信号能量高于检测门限时，判定主 用户存在，记为1，反之主用户不存在，记为0。
5. 根据权利要求4所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于： 步骤1中，决策中心依次向各个子区域的主用户信号模拟发射机，发送打开关闭命令，在同 一时间段内有且只有一个信号发射机工作，并接受若干次所有认知用户发送的本地检测结 果，决策中心判断并累计计算各认知用户的本地检测概率。
6. 根据权利要求5所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于： 步骤1、步骤2中所说的神经网络测试函数，其输入为神经网络权值矩阵，输出为频谱感知 检测正确概率。
7. 根据权利要求6所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于： 步骤2中，具体包括以下步骤， 步骤2. 1 :确定神经网络权值矩阵的定义域，该权值矩阵内元素的最小值到最大值所 形成的区间，为该自组织神经网络权值矩阵的定义域； 步骤2. 2 :狼群的衍生，以当前神经网络训练后的得到的权值矩阵W表征一只人工狼 的位置，并设为头狼；将生成的狼群分为两部分，第一部分在头狼周围生成％只位置分别 为
i勺人工狼，并另Di = W，其中％是一个各项大小为权值矩阵W内最大值的 ±0. 01倍之间的随机数所组成的LXM阶矩阵，其中h = 1，2,;第二部分在一定范围 内随机生成V2只位置分别为&的人工狼，其中％为各项大小在定义域内的随机数所组成 的LXM阶矩阵，12 = 1，2, "·，ν2，将D和F共同组成权值矩阵集合H，代表所有人工狼的位 置，人工狼总数为V = Vi+V2; 步骤2. 3 :分别将上述V组权值矩阵输入神经网络测试函数，并记录函数的输出结果， 将其定义为人工狼所感知的猎物气味浓度C，输出结果越大，C越大。选出C最大的人工狼 作为头狼，将头狼所代表的权值矩阵置换到氏位置； 步骤2. 4 :游走行为；从狼群中选出Tnum只探狼，其中Tnum为[VAa+l)，VAa)]间的随 机整数，a为探狼比例因各探狼以步长StepY= |maXj-minj|S,朝h个方向，以V g(j)= Q(j)+sin(2 π Xg/h) XStepY(j)方式分别探出一步，其中Q(j)和Q' g(j)分别表示某只探 狼在进行g方向上的游走前后所代表的权值矩阵的第j列，ma\_(minp表示该狼所代表的 权值矩阵的第j列的最大值（最小值），S为步长因子，g= 1，2, ···，!!；同时感知各个方向 上的猎物气味浓度，选择浓度最浓的方向前进一步；若所有方向的猎物气味浓度，均小于当 前位置，则保持原地不动；在游走过程中应确保每只人工狼所代表的权值矩阵中每个元素 的数值的大小均在定义域内。若有某只探狼感知的猎物气味浓度C t大于头狼所感知的浓 度Clead时或者达到最大游走次数Tmax时，游走结束，进入步骤2. 5 ; 步骤2. 5 :召唤行为；除头狼与探狼之外均为猛狼，各猛狼以StepB = 2X ImaXj-mirijlS 为步长，以 Zk+1(j) =Zk(j)+St印B(j) · = 方式向头狼所在方向 进行奔袭，其中Zk(j)表示某只猛狼在进行第k次奔袭时所代表的权值矩阵的第j列；在奔 袭过程中通过不断计算每只猛狼与头狼之间的距I
，并不断与判定 距离
进行比较，
时，该猛狼停止奔袭，其中$ 和E分别表示头狼与各猛狼所代表的权值矩阵，f为距离判定因子；在奔袭过程中每只猛狼 不断感知猎物气味浓度，若有某只猛狼感知气味浓度Cm高于头狼感知气味浓度Clead，该猛 狼成为头狼，重新发起召唤，所有猛狼改为向该狼进行奔袭；在奔袭过程中同样确保每个权 值矩阵中每个元素的数值的大小定义域内，当所有猛狼停止奔袭或达到最大奔袭次数T maxl 时，进入步骤2.6 ; 步骤2.6 :围攻行为；所有猛狼及探狼，以Stepw = |maXj-minjk(2XS)为步长，以 〇' (j) =〇(j) + A ?Skpjj) ?iHjjO-CKj) |方式进行围攻并感知猎物气味浓度，其中0(j) 和(V (j)分别表示某只人工狼在进行围攻前后所代表的权值矩阵的第j列，λ为[-1，1] 间均匀分布的随机数；若当前位置浓度更高，则保持原权值矩阵不变，反之更新人工狼所代 表的权值矩阵。在围攻过程中同样应确保每个权值矩阵中每个元素的数值的大小定义域 内；所有人工狼重新感知猎物气味浓度，并按感知的浓度大小进行排序，感知浓度最高的设 为头狼，排名靠后的G_只人工狼被淘汰并更新，其中G num为[VA2 X β )，VA β )]间的随机 整数，β为更新比例因子，判断头狼所感知的猎物气味浓度是否达到最优精度要求，即其所 代表的权值矩阵是否达到最优，或者达到最大迭代次数K max，进入步骤2. 7 ; 步骤2. 7 :头狼所代表的权值矩阵即为当前最优权值矩阵，将该权值矩阵输入神经网 络工作模块，神经网络进入工作期。
【文档编号】H04W16/14GK104092503SQ201410334044
【公开日】2014年10月8日 申请日期:2014年7月15日 优先权日:2014年7月15日
【发明者】刁鸣, 钱荣鑫, 高洪元, 张志强, 张帆 申请人:哈尔滨工程大学