[0058] 以下通过具体实施例对本发明的技术方案作进一步解释说明。
[0059] 本发明提出了一种基于接收信号协方差矩阵的LSTM协作频谱感知方法。信号和噪声的统计协方差矩阵或自相关通常是不同的。因此,在所提出的方法中,这种差异被用来区分信号分量和信道噪声。实际上,因为只有有限的样本信号。所以检测的方法基于样本协方差矩阵。
[0060] 如图2所示,本发明实施例的基于协方差矩阵的长短期记忆(LSTM)协作频谱感知方法,通过以下方法或步骤完成:
[0061] 步骤1.1、如图1所示,典型认知无线系统包含1个主用户,L个次用户,且L为自然数;当主用户PU通信未被干扰时,第i个次用户SUi(i=1,2,…,L)对PU信号检测,得到的连续时间序列。之后,对该序列执行次用户感知信号检测方法,得到N×N维的主信号协方差矩阵,且N为自然数,表示采样点数;
[0062] 步骤1.2、将步骤1.1所得的主信号样本协方差矩阵,作为输入参数,执行信号样本标注方法,得到L个次用户的样本标签集,即把每个样本协方差矩阵中的N个序列,标记为0或1的标签集,分别代表PU存在或不存在频谱空穴;
[0063] 步骤1.3、将步骤1.2所得的第i个SUi的样本标签集,作为输入参数,执背景技术所述的LSTM网络训练方法,输出样本的特征序列;
[0064] 步骤1.4、将步骤1.3所得样本特征序列,作为输入参数,执行全连接层与Softmax层联合处理方法,分别输出每个次用户0到1间的数值PiH0,表示PU存在频谱空穴的概率,即为本发明方法的最终计算结果。
[0065] 其中,次用户感知信号检测方法,采用以下步骤实现:
[0066] 步骤2.1、当主用户(PU)通信未被干扰时,次用户SUi(i=1,2,…,L)对PU信号检测:第i个次用户的接收信号SUi可采用二元假设模型表示为:
[0067]
[0068] 其中,ri(k)为复数,表示第i个次用户,在时刻k,所接收的连续时间序列,且i为自然数,取值为1到L,k为整数,hi(k)为实数,表示在时刻k第i个传输信道损耗系数,取值在02
到1之间;ni(k)为复数,表示第i个次用户所接收的均值为0、方差为σ的加性高斯白噪声;s(k)表示主用户PU的信号,H0表示无PU信号,H1表示有PU信号;
[0069] 步骤2.2、对次用户SUi(i=1,2,…,L)接收到的PU信号,执行背景技术所述的协方差矩阵方法,即把所得该PU信号采样为L×N维矩阵Rk,且k为时刻;然后,通过公式计算,得到N×N维样本协方差矩阵SN,N为采样点数。
[0070] 其中,如图3所示,信号样本标注方法,采用以下步骤实现:
[0071] 步骤3.1、次用户在k时刻接收的L个连续时间序列,经N次采样后,得到L×N维矩阵Rk,表示为:
[0072]
[0073] 步骤3.2、通过 公式,可计算得到维度为N×N的协方差实矩阵SN。然后,将其依次分为N个序列,并表示为:S=[s1 s2 s3 ... sN]。其中,si为1×N维实向量,标记为0或1,分别代表PU存在或不存在频谱空穴,即标记为0时,无主用户信号存在,出现频谱空穴;否则无频谱空穴。
[0074] 步骤3.3、将标注的相应标签集设为:X={x1 x2 x3 ... xN},则xi(i=1,2,…,L)可取值为0或1,分别表示PU不存在或PU存在。
[0075] 其中,全连接层与Softmax层联合处理方法,通过以下步骤实现:
[0076] 步骤4.1、将SU1(即i=1)得到的样本序列,按a:b(如8:2等)比例训练数据集X1和验证数据集X2,将其余次用户SUi(i=2,3,…,L)中得到的样本序列作为测试集X3;再将该训练数据集X1输入LSTM网络,以执行背景技术所述的LSTM网络训练方法,来完成模型训练,得到特征序列TN,N为输出的维度。
[0077] 步骤4.2、从LSTM输出的特征序列TN,输入到设计好的全连接层,即通过每个层的卷积运算,完成标签的分类,再经Softmax层归一化处理,即通过Softmax函数把0和1分类,输出最终的频谱感知结果P1H0。其特征在于,采用以下子步骤完成:
[0078] 步骤4.2.1、将之前LSTM输出的特征序列TN作为输入,全连接层通过每个层的卷积运算,将特征序列TN维度由N降到1,然后将其输出到样本标记空间,即输出0或1两个实数。之后,将全连接层的输出输入softmax层,该层主要将全连接层的输出结果0和1分类,并输出0和1的概率。其中,softmax层将0和1输出为2个[0,1]区间实数,即PiH0,表示为PU存在频谱空穴的概率。
[0079] 步骤4.2.2、softmax在执行分类过程时,采用了以下公式:
[0080]
[0081] yt=softmax(wht+b) (4)
[0082] 其中,xi为全输入层的输出,i为自然数,表示第i次输入,exp(xi)表示输入xi的指数函数,w为权重矩阵,b为向量偏差,ht为隐藏层的输出,yt的最终输出的就是0和1的分类概率,t为时刻;
[0083] 步骤4.3、待训练数据集X1训练结束后,将SU1中得到的验证数据集X2,输入到已训练好的模型Y,当模型发散或出现不寻常结果时,终止训练,对LSTM中内部参数,如隐藏层层数、权重矩阵w、向量偏差b等参数,进行人工调参,然后再继续训练,以得到最优模型。
[0084] 步骤4.4、最后整个系统的映射关系可表示为:
[0085] PiH0=fw,b(xi) (5)
[0086] 其中,PiH0为信号通过LSTM网络,在全连接层与Softmax层处理后所得的分类概率。最后,将其余次用户SUi(i=2,3,…,L)中得到的协方差样本序列,作为测试集,在该LSTM网络及全连接层与Softmax层测试,得到最终测试值PiH0,即为频谱感知结果。
[0087] 如图4所示,本发明的模型算法流程图,整体的流程为:次用户接收信号后将数据处理,采样后算出其协方差矩阵,然后分成N个序列后对每个样本序列标记,输入到LSTM网络中,经过隐藏层提取其主要特性,最后经过全输入层与Softmax层最终输出频谱感知的结果PiH0。
[0088] 以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。