一种基于XGBoost的认知无线电协作频谱感知方法及系统与流程

本发明涉及一种基于极端梯度提升树(xgboost)的认知无线电协作频谱感知方法及系统，属于认知无线电技术领域。

背景技术：

认知无线电是允许从用户对主用户暂时空闲的授权频谱资源加以利用，在不干扰主用户通信的前提下，尽量提高现有的频谱资源的利用率。目前，无线电频谱的资源主要采用固定的频谱分配策略和管理方式，在这种分配策略下，存在着频谱资源利用率偏低的情况：一方面授权频谱占据了整个无线电频谱资源的大多数，在某些情况下，主用户并不会每时每刻都占据着授权频谱。因此会有很多的授权频谱处于空闲的状态。导致频谱利用率低下。认知无线电技术的提出就是为了改善频谱利用率低的问题。

认知无线电技术的第一步就是捕获频谱变化的相关信息。认知无线电需要感知到周围环境的电磁特征，并根据感知的结果进行智能决策，自动调整其设备的发射和接收参数。认知无线电的主要四个功能是：频谱感知、频谱决策、频谱共享、频谱切换。这四个功能构成了认知无线中的一个认知环，其中认知无线中最重要的功能是频谱感知，即：从用户对频谱进行感知和检测，捕获频谱相关的信息，找到有可能在频谱上建立通信的频谱空穴。一般来说，认知无线电频谱感知技术可以分为：基于发射机检测、合作检测、基于干扰的检测和基于接收机的检测。其中基于发射机的检测又具体可以细分为：能量检测、匹配滤波检测、循环谱检测等。

目前单认知用户的相关技术已经发展的日益成熟，但是单个用户获取频谱信息具有一定的局限性，受到信道噪声和多普勒频移等因素的影响，最终频谱感知的准确率不是很高，协作各种重分类利用了多个次级用户获取到频谱的信息，不仅能够扩大感知的范围，而且也能够提高感知的精度。目前协作感知的主要方式分为两种：一种是集中式，另一种是分布式。其中集中式的频谱感知需要数据融合中心。在传统的集中式协作感知中，对于数据融合中心的硬件要求会比较高，因为有的感知方式需要在数据中心中进行信号的重构。而分布式的协作感知则不需要数据中心，因为会对硬件的要求不高。

5g的时代即将就要来临，但是目前在认知无线电领域中，对于窄带频谱的研究特别多，但是很少有人去研究宽带频谱中的频谱感知问题。特别是在现如今这个网络高速发展的时代。因此研究认知无线中的宽带频谱感知问题是非常有必要的。

技术实现要素：

发明目的：针对上述现有技术的不足，本发明的目的是提供一种基于xgboost的认知无线电协作频谱感知方法及系统，以提高宽带频谱感知的预测精度。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于xgboost的认知无线电协作频谱感知方法，该方法包括如下步骤：

(1)认知用户和距离较近的次级用户节点分别利用压缩感知观测矩阵对信号进行压缩抽样得到观测序列，对观测序列进行归一化的处理，并分别发送到数据融合中心，其中观测矩阵为满足约束等距性(rip)的压缩感知观测矩阵；

(2)数据融合中心接收到认知用户和次级用户的归一化观测序列后输入到采用xgboost算法设计的频谱感知分类器，利用频谱感知分类器输出判决结果；

(3)将步骤(2)中的认知用户和次级用户的判决结果根据融合判决规则得到最后的判决结果。

在优选的实施方案中，所述步骤(1)中采用dijkstra算法确定距离认知用户较近的次级用户节点，具体步骤包括：

(1.1)计算认知用户节点到次级用户节点的直接距离ddir；

(1.2)利用dijkstra算法计算认知用户节点到次级用户节点的最短距离dindir；

(1.3)若直接距离ddir大于最短距离dindir，那么就舍弃该次级用户节点；若直接距离ddir等于最短距离dindir，那么就保留该次级用户节点。

在优选的实施方案中，所述步骤(1)中的压缩感知观测矩阵选取的是基于walsh序列的哈达玛矩阵φ；经抽样得到的观测序列表示为：y＝φx，其中x表示次级用户时域离散信号；观测序列的归一化预处理表示为：y'＝(y-ymax)/(ymax-ymin)，其中y'是观测序列预处理后的信号，取值范围为：y'∈[0,1]，ymax表示的是观测序列的最大值，ymin表示的是观测序列的最小值。

在优选的实施方案中，所述步骤(2)中融合数据中心的基于xgboost的频谱感知分类器，其中xgboost的推导过程为：

(2.1)给定训练样本集合d＝{(y'1,z1),...,(y'n,zn)}，其中n是样本数量，y′i是观测序列yi经过归一化处理后的训练样本，i＝1,2,...n，zi表示的是某段子信道处于空闲还是占用的状态；树的集成模型表示为：其中f＝{f(y)＝wq(x)}(q:rⁿ→t,w∈r^t)是回归树的集合空间，k表示的是树的个数，q表示的是每一棵树的结构映射到样本所对应的叶子索引，t表示的是树上叶子的数量，每一棵fk对应一个队里的树结构q和叶子的权重w；

(2.2)目标函数定义为：其中公式的前半部分l是预测值和目标真实值的训练误差，后半部分表示的是每棵树的复杂度之和，其中其中γ和λ是正则化系数；

(2.3)采用加法训练模型分步优化目标函数：

…

是第i个样本在第t轮的模型预测值，保留t-1轮的模型预测值后，加入了一个新的函数ft(y′i)；在每一轮的加法过程中都选择加入一个新的函数，目标函数可以改写为：

采用泰勒级数展开近似定义目标函数：

把常数项移除以后就得到判决函数。

在优选的实施方案中，基于xgboost的协作频谱预测算法的具体过程为：

首先把宽带频谱视为一个整体，那么在感知的过程中只能产生两种结果：频谱处于占用状态或者空闲状态。将多个次级用户压缩采样的数据输入到xgboost分类器中，然后得到具体的感知结果。

如果在整体感知频谱的过程中感知结果是已经被占用的状态，那么将整个宽带频谱均匀的划分为几个子信道，然后将多个次级用户感知的子信道的压缩采样数据输入到分类器中。如果感知的结果是处于空闲状态，那么采用带通滤波器滤掉该子信道，如果判断是处于占用的状态，那么把剩余子信道继续划分为均匀的子信道，然后通过分类器得到感知结果。反复进行这样的动作，一直到感知结果满足迭代的要求。

在优选的实施方案中，所述步骤(3)中判决结果的融合规则为k秩准则。

本发明另一方面提供的一种基于xgboost的认知无线电协作频谱感知系统，包括多个次级用户节点和融合中心，其中认知用户和距离认知用户较近的次级用户节点分别利用压缩感知观测矩阵对信号进行压缩抽样得到观测序列，对观测序列进行归一化的处理，并分别发送到数据融合中心，其中观测矩阵为满足约束等距性的压缩感知观测矩阵；数据融合中心接收到认知用户和次级用户的归一化观测序列后输入到采用xgboost算法设计的频谱感知分类器，利用频谱感知分类器输出判决结果，并根据融合判决规则得到最后的判决结果。

有益效果：与现有技术相比，本发明的优点在于：以往的基于压缩感知的协作感知，对于观测矩阵的选取大多采用已经目前比较成熟的方案，比如高斯随机矩阵等，而采用基于walsh序列的观测矩阵不仅能够满足目前成熟方案中的观测矩阵的观测性能，而且还能降低硬件的实现难度。在数据中心中采用基于xgboost对频谱的状态进行判断，而非采用传统的对信号进行重构并根据能量来进行判断。因为信号在重构的过程中，不仅时间复杂度会很高，而且重构的精度直接影响到对频谱状态的判断，通过采用xgboost算法对频谱进行预测。取代之前信号重构和频谱检测的过程，有效的减少了时间复杂度和预测的精度。

附图说明

图1为本发明实施例中判断频谱是否被占用的流程示意图；

图2为本发明实施例中xgboost模型训练的流程示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细描述。

图1是本发明判断频谱是否被占用的主要流程，具体要求如下：首先，认知用户通过最短路径距离算法计算出距离该认知用户最近的次级用户。然后认知用户和距离最短的次级用户通过压缩感知方法中的传感矩阵计算出观测值并对观测值进行预处理，数据融合中心利用xgboost来建立频谱感知分类器，通过该分类器中进行频谱的检测。最后根据融合规则得到的检测结果判断该频谱是否被占用。

如图2所示，本发明实施例公开的一种基于xgboost的认知无线电频谱协作感知方法，主要包括如下步骤：

(1)认知用户x和距离本节点相对较近的次级用户节点xi(i＝1,2...)分别利用压缩感知观测矩阵对信号进行压缩抽样得到观测序列，对观测序列进行归一化的处理，并分别发送到数据融合中心。

在本步骤中的选择次级用户参与协作感知的问题可以归结为单源节点的最短路径问题，也即图的问题。采用的是dijkstra算法，该算法的具体步骤为：

(1.1)计算认知用户节点到次级用户节点的直接距离ddir；

(1.2)利用dijkstra算法计算认知用户节点到(1.1)中次级用户节点的最短距离dindir。其中该计算的方法为：

(1.2.1)将源点a放入集合s中，此时a点的权值为0。

(1.2.2)与源点a相连的所有点的权值设置为a到该点距离，如果连接不到，那么设置为∞，并且找出其中的最小权值b存入集合s中。

(1.2.3)与b相连的所有点的权值设置为b到该点的距离。并且找出最小权值点存入集合当中。

(1.2.4)重复步骤(1.2.3)直至所有点加入集合中。便能够得到所有点与源点a的最短距离。

(1.3)若直接距离ddir大于最短距离dindir，那么就舍弃该次级用户节点。若直接距离ddir等于最短距离dindir，那么就保留该次级用户节点，并记该节点的时域离散信号为xi(i＝1,2...)。

(1.4)统计出认知用户和距离较近的次级用户的节点个数，计为w。

在本步骤中压缩感知观测矩阵为满足约束等距性(rip)的压缩感知观测矩阵，选取的是基于walsh序列的哈达码矩阵，具体选取方法为：walsh码是一种正交码，而且是一种二值码，码中的元素只能为+1，-1两种值。而一个walsh矩阵通过可以有哈达码矩阵来产生。哈达码矩阵的每一行都代表一个walsh码。

假设要产生一个m×m的观测矩阵φ，其中m是观测序列的维度，m是被压缩的宽带时域离散信号维度。那么首先产生一个m×m哈达码矩阵hm，然后随机在该哈达码矩阵中取m行，因此由抽取的m行组成该观测矩阵φ。此观测矩阵作为压缩感知过程中的唯一矩阵。

本步骤中所述观测序列表示为：y＝φx，x表示为次级用户时域离散信号。x＝(x1,...,xm)，即信号的长度为m。观测序列的归一化预处理为：y'＝(y-ymax)/(ymax-ymin)，其中y'是观测序列预处理后的信号，取值范围为：y'∈[0,1]，ymax表示的是观测序列的最大值，ymin表示的是观测序列的最小值。

(2)数据融合中心接收到认知用户和次级用户的归一化观测序列后输入到采用xgboost算法设计的频谱感知分类器，利用频谱感知分类器输出判决结果。

在本步骤中融合数据中心的基于xgboost的频谱感知分类器，其中xgboost的推导过程为：

(2.1)给定训练样本集合d＝{(y'1,z1),...,(y'n,zn)}，y'∈rⁿ，z∈{-1,1}，其中n是样本数量，y′i是观测序列yi经过归一化处理后的训练样本，i＝1,2,...n，zi表示的是某段子信道处于空闲还是占用的状态；那么树的集成模型可以表示为：其中f＝{f(y)＝wq(x)}(q:rⁿ→t,w∈r^t)是回归树的集合空间，k表示的是树的个数，q表示的是每一棵树的结构映射到样本所对应的叶子索引，t表示的是树上叶子的数量，每一棵fk对应一个队里的树结构q和叶子的权重w；

(2.2)目标函数定义为：其中公式的前半部分l是预测值和目标真实值的训练误差，后半部分表示的是每棵树的复杂度之和，其中其中γ和λ是正则化系数；

(2.3)采用加法训练模型分步优化目标函数：

…

是第i个样本在第t轮的模型预测值，保留t-1轮的模型预测值后，加入了一个新的函数ft(y′i)；在每一轮的加法过程中都选择加入一个新的函数，目标函数可以改写为：

采用泰勒级数展开近似定义目标函数：

把常数项移除以后就得到判决函数。

那么基于xgboost的协作频谱预测算法的具体过程为：

假设认知无线电频谱的总带宽为b，那么令b＝bmin×1×a×b×…×c。其中bmin表示在分级算法中，每一级感知的最小带宽。而1、a、b、c表示的是每一级感知的子信道数量。

首先把宽带频谱视为一个整体，那么在感知的过程中只能产生两种结果：频谱处于占用状态或者空闲状态。将多个次级用户压缩采样的数据输入到xgboost分类器中，然后得到具体的感知结果。

如果在整体感知频谱的过程中感知结果是已经被占用的状态，那么将整个宽带频谱均匀的划分为a个子信道，此时每个子信道的带宽为b/a，然后将多个次级用户感知的子信道的压缩采样数据输入到分类器中。如果感知的结果是处于空闲状态，那么采用带通滤波器滤掉该子信道，如果判断是处于占用的状态，那么剩余的带宽为b/a子信道是有可能处于被占用的。那么把剩余的子信道继续均匀的划分为b个子信道，然后通过分类器得到感知结果。反复进行这样的动作，一直到感知结果满足迭代的要求。

(3)将步骤(2)中的认知用户和次级用户的判决结果根据融合判决规则得到最后的判决结果。

本步骤中融合规则为k秩准则，具体是：认知网络进行合作检测的过程中，如果有多于k个节点的判决结果为主用户信号存在，那么融合中心最终的判决结果为主用户信号存在，否在判决结果为主用户信号不存在。该判决规则是对“与”规则与“或”规则的折衷。在这里取k＝w/2，如果判决结果的中判断主用户信号存在的个数大于k，则融合中心的判结果为主用户信号存在，否在则判断主用户信号不存在。

基于相同的技术构思，本发明实施例提供的一种基于xgboost的认知无线电协作频谱感知系统，包括多个次级用户节点和融合中心，其中认知用户和距离认知用户较近的次级用户节点分别利用压缩感知观测矩阵对信号进行压缩抽样得到观测序列，对观测序列进行归一化的处理，并分别发送到数据融合中心，其中观测矩阵为满足约束等距性的压缩感知观测矩阵；数据融合中心接收到认知用户和次级用户的归一化观测序列后输入到采用xgboost算法设计的频谱感知分类器，利用频谱感知分类器输出判决结果，并根据融合判决规则得到最后的判决结果。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。