一种基于深度神经网络的频谱感知方法与流程

本发明属于无线通信技术领域，涉及一种基于深度神经网络的频谱感知方法。

背景技术：

无线通信业务的飞速发展促使人们对频谱资源有着越来越大的需求，致使可用的频谱资源越来越稀缺，导致了“频谱危机”。据美国联邦通讯委员会报告显示，传统的固定频谱分配策略致使大部分现有频段频谱利用率偏低。为了提高频谱利用率，采用动态频谱接入机制的认知无线电技术应运而生，它的基本思想是频谱共享或频谱复用。因此，检测频谱空穴的频谱感知技术成为认知无线电实现动态频谱接入的重要前提和核心环节。

检测统计量的设计直接影响着频谱感知的性能，现有的频谱感知算法主要利用基于统计模型的检测统计量进行检测。这些模型驱动算法的一个主要缺点就是算法性能高度依赖于检测统计量模型的准确性，一旦统计模型存在不确定度或者不能获得，算法的性能急剧下降或者失效。

技术实现要素：

本发明的目的，就是针对上述问题，利用深度学习技术研究检测统计量的设计，提出一种基于深度神经网络(deepneuralnetwork,dnn)的检测机制。

本发明采用的技术方案为：

一种基于深度神经网络的频谱感知方法，其特征在于，包括以下步骤：

s1、采样：通过m元多天线系统采集n个时刻的观测向量；

s2、获取检测统计量：构建基于深度神经网络的检测统计量模型，采用步骤s1获得的数据进行训练，得到训练好的深度神经网络模型，根据获得的观测向量，获得检测统计量；

s3、判决：将检测统计量与阈值进行比较：如果检测统计量大于阈值，判为主用户信号存在；否则，判为主用户信号不存在。

本发明提出的一种基于深度神经网络的检测框架，主要包括离线训练和在线检测：

采样：多天线系统分别为离线模块和在线模块提供采样数据。对于离线模块：多天线系统提供有标记的采样数据，作为训练集；对于在线模块：多天线系统提供(无标记)的采样数据，作为测试数据。

离线训练：通过离线训练设计检测统计量。将频谱感知看作一个二元分类任务，那么dnn的输出可以建模为后验概率，从而开发适合于频谱感知的代价函数(比如，本发明设计的基于最大后验概率的代价函数)；给定训练集，通过离线训练，得到训练好的dnn，进而基于dnn设计检测统计量(比如，本发明设计的基于dnn的似然比ldnn)；给定主用户不存在情况下的训练集，基于蒙特卡洛方法将其依次送入训练好的dnn，得到每个样本对应的检测统计量，根据排序方法搜索不同虚警概率对应的检测阈值γ。

在线检测：基于阈值的在线检测机制。将采样点送到训练好的dnn，得到检测统计量，通过比较检测统计量与检测阈值，得到判决结果。以基于dnn的似然比检测(dnn-basedlikelihoodratiotest,dnn-lrt)为例：如果ldnn>γ，判为主用户信号存在；否则，判为主用户信号不存在。

本发明所提基于深度神经网络的检测机制是一种通用的dnn检测框架，其dnn可以为任意类型的网络，因此可以对不同网络泛化。本发明的dnn检测框架不局限于利用频谱感知问题模型，任何与之相关的检测或估计问题(如无线通信系统调制识别、信号检测与信道估计等问题)都可以使用。

本发明的有益效果为：(1)本发明开发了一种通用的dnn检测框架，其dnn可以为任意类型的网络，因此可以对不同网络泛化。(2)本发明提出了基于dnn的似然比检测方案，根据奈曼-皮尔逊定理，在训练集足够大的情况下，本发明方案可以达到最优检测器的性能。(3)已存在的基于深度学习的频谱感知方案直接用dnn替换整个检测系统，不能设置阈值改变虚警概率。与之不同，本发明提出的dnn检测方案开发了一种基于阈值的检测机制，它可以通过改变阈值方便的得到期望的虚警概率。

附图说明

图1示出了基于模型驱动的频谱感知框架；

图2示出了本发明基于dnn的频谱感知方案；

图3示出了本发明基于dnn的似然比推导；

图4示出了独立信号模型下各个算法的roc性能曲线；

图5示出了相关信号模型下各个算法的roc性能曲线。

具体实施方式

下面结合附图和仿真示例对本发明进行详细描述，以便本领域的技术人员能够更好地理解本发明。

考虑一个多天线认知无线电场景。如图1所示，一个认知无线电终端通过m元天线系统采集n个观测向量进行频谱感知。令x(n)＝[x1(n),x2(n),…,xm(n)]^t表示第n个观测向量(n＝0,1,…,n-1)，其中xm(n)是在第m个天线的第n个离散时间采样(m＝1,2,…,m)。因此，多天线下的频谱感知问题可以表示为一个二元假设检验问题：

其中，h1和h0分别代表主用户存在和主用户不存在两种假设检验，s(n)表示信号向量，u(n)表示均值为0，协方差为的独立同分布圆对称复高斯(cscg)向量，表示噪声方差。

本发明利用dnn开发特征设计数据驱动的检测统计量，提出了一种基于dnn的检测框架，该框架由离线训练和在线检测两个模块组成。

(1)离线训练：基于dnn的检测统计量设计

训练集可以表示为(y,z)＝{(y⁽¹⁾,z⁽¹⁾),(y⁽²⁾,z⁽²⁾),…,(y^(k),z^(k))}(2)

其中，y表示输入数据y的集合，y可以是原始采样数据或者基于原始采样得出的数据；与之对应，z代表标签的集合。因此，(y^(k),z^(k))表示第k个样本，对于频谱感知模型，z^(k)＝1和z^(k)＝0分别表示h1和h0。

令

表示dnn的输出，它是一个2×1维的类分数向量。其中，hθ(·)表示在参数θ下的dnn表达式，表示dnn对应于假设检验hi的表达式。这样，表示对应于hi的类分数。

因此，有

其中p(·)表示概率。那么dnn训练的目标就是最大化似然：

或者对数似然：

这等价于最小化代价函数：

基于此，dnn训练的目标是获得最优的参数θ，使得后验概率p(z|y)最大，也即，

其中，θ^*代表最大后验概率准则下的最优参数。

基于代价函数，可以通过反向传播算法逐步更新dnn的参数，最终得到训练好的dnn。如图2所示，训练好的dnn可以建模为

其中，表示以y为输入的训练好的dnn，表示对应于hi的类分数。因此，可以得到两种假设对应的后验概率：

然后基于贝叶斯定理，就可以得到条件概率：

和

其中，p(hi)表示hi的先验概率。给定条件概率p(y|h1)和p(y|h0)，奈曼-皮尔逊定理证明了最优的检测统计量是似然比。因此，可以推导出基于dnn的似然比：

其中，

而且

具体如图3所示。

接下来，需要设置检测阈值。令表示标签h0下的单个样本输入，可以得到ldnn在h0情况下的表达式：

令

表示h0下的数据集。将其送到训练好的dnn，可以得到各个样本对应的ldnn|h0的值。将这些值按降序排列，组成一个集合，记为那么，对应于的检测阈值可以表示为

其中，表示向下取最近整数，表示集合的第l个元素。

(2)在线检测：基于阈值的检测机制

对于在线模块，多天线系统收集在线无标记数据作为测试数据，记为将其送到训练好的dnn进行基于dnn的似然比检验：

如图2所示，一旦得到检测统计量，就可以将其与阈值比较，进而做出判决。

将卷积神经网络(convolutionalneuralnetwork,cnn)应用于所提dnn频谱感知机制，令协方差矩阵为cnn的输入，可以实现一种基于cnn的频谱感知算法。图4和图5分别给出了在独立cscg信号模型和相关cscg信号模型下的roc曲线仿真结果。其中，cm-cnn、e-c、med、ed、bced以及cav分别表示基于本发明的算法、估计器-相关器算法、最大特征值检测、能量检测、盲结合能量检测以及协方差绝对值算法。从仿真结果可以看出，基于本发明的算法可以方便的设置检测阈值得到期望的虚警概率。此外，无论信号是独立或相关，基于本发明算法的接收机工作特性(receiveroperatingcharacteristic,roc)曲线性能都接近于最优e-c算法的性能。特别的，在虚警概率为0.001时，基于本发明的算法取得了96.7％的检测概率，超出传统算法的检测概率约4倍。