基于改进的DenseNet模型的信噪比分级频谱感知方法

本发明涉及频谱感知，尤其涉及基于改进的densenet模型的信噪比分级频谱感知方法。

背景技术：

1、随着通信技术的迅猛发展，第六代移动通信技术(6g)的研究逐渐受到业界广泛的关注。研究指出，6g将在5g的基础上，要在通信速率，用户容量，传播时延等方面实现跨越式的通信，这些提升都离不开对频谱资源的巨大需求。

2、而频谱资源依旧采取传统“固定分配”的方式，即对频谱资源按需求将某一段频谱划分给某授权用户(主用户)，此段频谱资源只允许授权用户进行数据通信传输，非授权用户(次用户)不能接入该频谱进行数据通信传输。然而，在实际场景中，经常出现已分配的频谱资源只有极少数一直处于信息传输，其他通信设备没有频谱资源可使用的现象，导致频谱资源浪费。

3、频谱感知能够对授权频段进行感知，检测授权频段是否空闲，若空闲即可通过频谱接入技术在该信道传输。故对授权频段进行准确的检测是至关重要的。

4、当前深度学习越来越成熟，随着各种网络模型的搭建，使得频谱感知技术的检测精度越来越高。

5、传统信噪比分级是通过对感知信号根据距离、主用户发射功率、路径损耗等进行计算得出信噪比结果进行分级，而实际环境复杂多变，且移动通信过程次用户动态移动，难以把握距离等因素，误差较大。

技术实现思路

1、为克服现有传统信噪比分级由于移动通信过程次用户动态移动，难以把握距离等因素，误差较大的技术缺陷，本发明提供了一种基于改进的densenet模型的信噪比分级频谱感知方法，具体为当次用户进行本地感知时先对感知信号进行高低信噪比分级，高信噪比信号可直接由cnn信噪比分级模型得出检测结果，低信噪比信号即输入改进的densenet低信噪比模型进行深度特征挖掘得检测结果。

2、本发明提供了基于改进的densenet模型的信噪比分级频谱感知方法，步骤为：

3、步骤一、从gnu radio采集多种调制方式下、不同信噪比的调制信号数据集进行实验，调制信号数据集的类型为二进制iq信号；

4、步骤二、对于每个调制信号数据集以最大最小归一化方式进行预处理，将二进制iq信号映射到[0,1]区间内，以便进行特征提取；

5、步骤三、将预处理之后的iq信号按照一定比例分成训练集、验证集和测试集；

6、步骤四、构建densetnet多尺度信噪比分级模型，其由cnn信噪比分级模型和改进的densenet低信噪比模型组成；cnn信噪比分级模型包括依次连接的两个一维卷积神经网络层、两个fc全连接层和一个softmax分类器，将预处理之后的iq信号输入cnn信噪比分级模型，分析得到分级阅值点，若是高信噪比信号，则输出高信噪比信号检测结果，若是低信噪比信号则输出低信噪比索引；改进的densenet模型是在原有densenet模型的基础上增加了三个finaloutput模块，三个finaloutput模块分别连接至原有densenet模型的三个output模块之后，其中一个output模块的输出与另外两个output模块的输出在对应的finaloutput模块中交互，三个finaloutput模块的输出在原有densenet模型的poolingand normalize and concat模块中融合输出；cnn信噪比分级模型得到的低信噪比索引与预处理之后的iq信号相乘，再输入改进的densenet低信噪比模型进行检测，最终输出低信噪比信号检测结果；

7、步骤五、先将训练集输入cnn信噪比分级模型，通过比较相同信噪比下，不同调制方式的分级准确率；选择最合适的阈值作为信噪比分级点；再将验证集输入到cnn信噪比分级模型进行验证操作，对超参数进行调整，得到训练并验证好的cnn信噪比分级模型；

8、步骤六、然后将训练集输入改进的densenet低信噪比模型，进行低信噪比感知；再将验证集输入到改进的densenet低信噪比模型中进行验证操作，对超参数进行调整，得到训练并验证好的改进的densenet低信噪比模型；

9、步骤七、将步骤五和步骤六中最后的cnn信噪比分级模型与最后的改进的densenet低信噪比模型进行结合，得到训练并验证好的densetnet多尺度信噪比分级模型，将步骤三中的测试集输入得到的densetnet多尺度信噪比分级模型中，测试该模型对测试集的判断准确率，当判断准确率满足需求时，则得到最佳densetnet多尺度信噪比分级模型；

10、步骤八、将待感知的授权频段数据经过步骤七得到的最佳densetnet多尺度信噪比分级模型进行处理，待感知的授权频段数据经过数据预处理后先输入cnn信噪比分级模型，分析得到分级阅值点，若是高信噪比信号，则输出该授权频段是否处于空闲状态，若是低信噪比信号则输出低信噪比索引；cnn信噪比分级模型得到的低信噪比索引与预处理之后的待感知的授权频段数据相乘，再输入改进的densenet低信噪比模型进行检测，最终输出该授权频段是否处于空闲状态。

11、cnn信噪比分级模型在于：采用简单的一维卷积神经网络对信号进行特征提取后,经过fc全连接层对前层的特征进行加权和,最后经过softmax分类器将特征转换为检测结果输出。该模型结构简单，感知速度快，极大地降低了高信噪比信号感知时延。其中一个output模块的输出与另外两个output模块的输出在对应的finaloutput模块中交互，没有交互的output模块的输出直接经过对应的finaloutput模块输出，最终三个finaloutput模块实现融合输出，这样操作，减少了参数，但依旧保留加强特征传递的优势。

12、优选的，步骤三中，预处理之后的iq信号按照8：1：1的比例分成训练集、验证集和测试集。

13、优秀的，步骤六中，进行低信噪比感知时，采用adam优化器，初始学习率设为0.001。

14、本发明提供的技术方案与现有技术相比具有如下技术效果：

15、本发明设计了一种轻量级cnn信噪比分级模型，能够对感知信号进行高精度、低时延的信噪比分级，该模型结构简单，感知速度快，极大地降低了高信噪比信号感知时延；本发明还对现有的densenet模型进行改进，增加了三个finaloutput模块，将其中一个output模块的输出与其余两个output模块的输出进行交互，可以提取更多的特征，同时也可以对没有交互的output模块输出产生一个噪声，使其结果更具有鲁棒性；改进后的densenet低信噪比模型摒弃了原有三个输出的两两交互，而是只进行两次交互，减少参数的同时依旧保留加强特征传递的优势。

技术特征：

1.基于改进的densenet模型的信噪比分级频谱感知方法，其特征在于，步骤为：

2.根据权利要求1所述的基于改进的densenet模型的信噪比分级频谱感知方法，其特征在于，步骤三中，预处理之后的iq信号按照8：1：1的比例分成训练集、验证集和测试集。

3.根据权利要求2所述的基于改进的densenet模型的信噪比分级频谱感知方法，其特征在于，步骤六中，进行低信噪比感知时，采用adam优化器，初始学习率设为0.001。

技术总结
本发明涉及频谱感知技术领域，尤其涉及基于改进的DenseNet模型的信噪比分级频谱感知方法，解决了现有传统信噪比分级由于移动通信过程次用户动态移动，难以把握距离等因素，误差较大的技术缺陷，具体为当次用户进行本地感知时先对感知信号进行高低信噪比分级，高信噪比信号可直接由CNN信噪比分级模型得出检测结果，低信噪比信号即输入改进的DenseNet低信噪比模型进行深度特征挖掘得检测结果。CNN信噪比分级模型能够对感知信号进行高精度、低时延的信噪比分级，该模型结构简单，感知速度快，极大地降低了高信噪比信号感知时延，利用改进的DenseNet低信噪比模型在减少参数的同时依旧保留加强特征传递的优势。

技术研发人员：赵菊敏,李灯熬,王文娟
受保护的技术使用者：太原理工大学
技术研发日：
技术公布日：2024/3/24