1.本发明涉及认知无线电技术领域，具体地，涉及一种基于卷积神经网络(cnn)的频谱感知方法。
背景技术：2.当前随着5g和物联网等新兴无线通信技术的飞速发展，人们对数据的传输速率的要求越来越高，频谱资源的需求也越来越大。传统的静态频谱分配策略只允许指定的主用户(pu)使用授权的频谱，这使得大量的频谱资源在时间和空间上都处于空闲状态，导致频谱利用率低。认知无线电(cr)被认为是实现频谱资源动态分配的有效方式，它可以使次用户(su)有机会访问授权的频段，从而提高频谱使用效率。
3.频谱感知是cr的关键技术之一，su通过感知pu信号从而智能地使用频谱。传统的频谱感知方法包括能量检测、最大特征值检测、匹配滤波器检测和循环特征检测等。这些技术需要有pu的一些先验知识或者要求对阈值进行准确的估计，然而这在cr中并不总是可用的，并且在低信噪比下检测性能急剧下降。深度学习(dl)技术可以智能地从原始数据中学习数据的特征，其本质是通过深度神经网络结构来实现对复杂函数的无限逼近。通过深度神经网络提取cr中信道环境的特征，使频谱感知智能化，从而适应实际通信环境。因此，dl在频谱感知中得到了广泛的应用。
4.卷积神经网络(cnn)作为dl的重要模型，它可以直接将图像作为网络的输入，而无需进行任何其他处理，如高阶统计量、小波变换等。并且cnn采用权重共享的神经网络，大大降低了训练参数的数量和复杂度，因此，cnn在图像特征学习方面具有独特的优势。一般情况下，cnn选择置信度最高的类别作为分类结果。然而如果采用这种策略，对于频谱感知这种二元分类问题，将选择置信度大于0.5的类作为检测结果。但是，由于无法在训练过程中控制模型对某一类的偏差程度。因此，需要将信号检测问题转化为图像处理后，提出了一种基于cnn的阈值检测方案。
技术实现要素：5.针对现有技术中的缺陷，本发明的目的是提供一种基于卷积神经网络的频谱感知方法，采用卷积神经网络提取信号的时频图特征，并基于阈值进行频谱感知，进一步提高了检测概率。
6.根据本发明提供的基于卷积神经网络的频谱感知方法，包括如下步骤：
7.步骤s1：采集m个天线上n个时刻的观测向量；
8.步骤s2：对所述观测向量进行变换以获取信号的时频图，进而生成第一训练数据集；
9.步骤s3：获取预设置的cnn模型，将所述第一训练数据集输入至所述cnn模型进行离线训练生成频谱感知模型；
10.步骤s4：给定离线训练下pu信号不存在时的第二训练数据集，将第二训练数据集
送入频谱感知模型，得到第二训练数据集中每个样本的统计检测量；
11.步骤s5：对多个所述统计检测量的进行排序，根据预设置的虚警概率pf确定对应的阈值γ。
12.步骤s6：通过所述频谱感知模型频谱感知生成待测样本的统计量t，将待测样本的统计量t与γ进行比较，如果t＞γ，则判定为pu信号存在；否则，则判定pu信号不存在。
13.优选地，在步骤s1中，su天线数为m，m＞1，pu天线数为1；
14.所述观测向量表示为：{x1(n)，x2(n)，...，xm(n)}；
15.其中，n＝0，1，...，n-1，xm(n)表示第m个su天线上第n个离散时间采样。
16.优选地，在步骤s2中通过短时傅里叶变换对观测向量进行变换以获取信号的时频图；
17.所述第一训练数据集表示为：{(x1，b1)，(x2，b2)...(xk，bk)}；
18.其中，k＝1，2，...，k，xk表示第k个样本的时频图，bk为对应的标签。
19.优选地，在步骤s3中，所述cnn模型的输出为：
[0020][0021]
其中，g
θ
(
·
)表示整个cnn非线性层表达式，参数为θ，h1表示pu信号存在，h0表示pu信号不存；
[0022]
表示对应hi的置信度，i取值为0或1，并且g
θ
(x)是一个归一化的分类向量，有：
[0023][0024]
则，cnn模型的训练目标就是最大化似然函数l(θ)：
[0025][0026]
转化为对数形式：
[0027][0028]
因此损失函数定义为：
[0029][0030]
优选地，在步骤s3中，通过梯度下降法最小化损失函数，得到最优的参数θ
*
：
[0031][0032]
优选地，在步骤s4中，对于所述频谱感知模型，得到：
[0033][0034]
其中，g
θ*
(y)表示输入样本为y时频谱感知模型输出的分类向量，所述统计检测量为
[0035]
优选地，所述步骤s4具体为：获取给定h0条件下的第二训练数据集其中z＝1,2,...,z；
[0036]
将第二训练数据集送入训练后的频谱感知模型中去，得到由统计检测量组成的集合φ，并对其进行降序排序。
[0037]
优选地，所述步骤s4具体为：根据预设置的定虚警概率pf＝α，对应的阈值γ表示为:
[0038][0039]
其中表示向下取整，φ(y)表示集合φ第y个元素，z为样本个数。
[0040]
与现有技术相比，本发明具有如下的有益效果：
[0041]
本发明提供的种基于卷积神经网络的频谱感知方法，采用卷积神经网络提取信号的时频图特征，并基于阈值进行频谱感知，显著提高了检测准确度。
附图说明
[0042]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0043]
图1为本发明实施例中基于卷积神经网络的频谱感知方法的步骤流程图；
[0044]
图2为本发明实施例中cnn模型的结构示意图；
[0045]
图3为本发明实施例中不同信噪比下的roc曲线图；
[0046]
图4为本发明实施例中仿真对比了采用阈值的cnn、没有使用阈值的cnn以及量检测在不同信噪比下的检测概率图。
具体实施方式
[0047]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0048]
图1为本发明实施例中基于卷积神经网络的频谱感知方法的步骤流程图，如图1所示，本发明提供的一种基于卷积神经网络的频谱感知方法，包括如下步骤：
[0049]
步骤1：对于采样后的信号，频谱感知可以归为二元假设检验问题：
[0050][0051]
其中，h1和h0分别表示pu信号存在和pu信号不存在两种假设。s(n)表示pu信号，ε
(n)表示高斯白噪声。
[0052]
步骤2：在一个单输入多输出的认知无线电使用场景。su配置的天线数为m，m＞1，pu配置的天线数为1。对m个天线n个时刻上的信号进行采集，得到{x1(n),x2(n),...,xm(n)}，其中n＝0,1,...,n-1，xm(n)表示第m个天线上第n个离散时间采样。
[0053]
步骤3：通过短时傅里叶变换，对信号进行加窗、分帧，得到信号的时频图，此时训练集表示为{(x1,b1),(x2,b2)...(xk,bk)}，其中k＝1，2，...，k，xk表示第k个样本的时频图，bk∈{0，1}标签，对应于两种假设h0和h1[0054]
本发明实施例中，采用数据驱动方式，对于数据驱动的算法，包含两个阶段：离线训练段和在线检测阶段。
[0055]
步骤4：离线训练，如图2所示，将训练集{(x1，b1)，(x2，b2)...(xk，bk)}送入预设置的cnn模型进行训练，所述cnn模型的输出为：
[0056][0057]
其中g
θ
(
·
)表示整个cnn非线性层表达式，参数为θ，表示对应hi的置信度，i取值为0或1，并且g
θ
(x)是一个归一化的分类向量，有：
[0058][0059]
那么cnn模型的训练目标就是最大化似然函数l(θ)：
[0060][0061]
转化为对数形式：
[0062][0063]
因此损失函数定义为：
[0064][0065]
通过梯度下降法最小化损失函数，得到最优的参数θ
*
：
[0066][0067]
步骤5：在确定阈值时，对于训练好的cnn模型，得到：
[0068][0069]
其中，g
θ*
(y)表示输入样本为y时频谱感知模型输出的分类向量，所述统计检测量为
[0070]
步骤6：获取给定h0条件下的第二训练数据集其中z＝1,2,...,z。将其送入训练好的频谱感知模型中去，得到由统计检测量组成的集合φ，并对其进行降序排序。
[0071]
步骤7：根据预设置虚警概率pf＝α，对应的阈值γ表示为:
[0072][0073]
其中，表示向下取整。φ(y)表示集合φ第y个元素。
[0074]
步骤8：在进行在线检测时，将待测样本送入频谱感知模型，根据频谱感知模型的输出得到的统计检测量t，根据：
[0075][0076]
得到最终的频谱感知检测结果，即通过比较待测样本的统计量t与γ进行比较，如果t＞γ，则判定为pu信号存在；否则，则判定pu信号不存在。
[0077]
图3为本发明实施例中不同信噪比下的roc曲线图，如图3所示，仿真结果表明所采用的统计检测量在低信噪比下仍具有一定的鲁棒性。
[0078]
图4为本发明实施例中仿真对比了采用阈值的cnn、没有使用阈值的cnn以及量检测在不同信噪比下的检测概率图，如图4所示，从仿真可以看出本发明所采用的基于阈值的cnn检测器性能优于其他两种。
[0079]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
技术特征：1.一种基于卷积神经网络的频谱感知方法，其特征在于，包括如下步骤：步骤s1：采集m个天线上n个时刻的观测向量；步骤s2：对所述观测向量进行变换以获取信号的时频图，进而生成第一训练数据集；步骤s3：获取预设置的cnn模型，将所述第一训练数据集输入至所述cnn模型进行离线训练生成频谱感知模型；步骤s4：给定离线训练下pu信号不存在时的第二训练数据集，将第二训练数据集送入频谱感知模型，得到第二训练数据集中每个样本的统计检测量；步骤s5：对多个所述统计检测量的进行排序，根据预设置的虚警概率p
f
确定对应的阈值γ。步骤s6：通过所述频谱感知模型频谱感知生成待测样本的统计量t，将待测样本的统计量t与γ进行比较，如果t＞γ，则判定为pu信号存在；否则，则判定pu信号不存在。2.根据权利要求1所述的基于卷积神经网络的频谱感知方法，其特征在于，在步骤s1中，su天线数为m，m＞1，pu天线数为1；所述观测向量表示为：{x1(n)，x2(n)，...，x
m
(n)}；其中，n＝0，1，...，n-1，x
m
(n)表示第m个su天线上第n个离散时间采样。3.根据权利要求1所述的基于卷积神经网络的频谱感知方法，其特征在于，在步骤s2中通过短时傅里叶变换对观测向量进行变换以获取信号的时频图；所述第一训练数据集表示为：{(x1，b1)，(x2，b2)
…
(x
k
，b
k
)}；其中，k＝1，2，...，k，x
k
表示第k个样本的时频图，b
k
为对应的标签。4.根据权利要求1所述的基于卷积神经网络的频谱感知方法，其特征在于，在步骤s3中，所述cnn模型的输出为：其中，g
θ
(
·
)表示整个cnn非线性层表达式，参数为θ，h1表示pu信号存在，h0表示pu信号不存；表示对应h
i
的置信度，i取值为0或1，并且g
θ
(x)是一个归一化的分类向量，有：则，cnn模型的训练目标就是最大化似然函数l(θ)：转化为对数形式：因此损失函数定义为：
5.根据权利要求4所述的基于卷积神经网络的频谱感知方法，其特征在于，在步骤s3中，通过梯度下降法最小化损失函数，得到最优的参数θ
*
：6.根据权利要求1所述的基于卷积神经网络的频谱感知方法，其特征在于，在步骤s4中，对于所述频谱感知模型，得到：其中，表示输入样本为y时频谱感知模型输出的分类向量，所述统计检测量为7.根据权利要求6所述的基于卷积神经网络的频谱感知方法，其特征在于，所述步骤s4具体为：获取给定h0条件下的第二训练数据集其中z＝1，2，...，z；将第二训练数据集送入训练后的频谱感知模型中去，得到由统计检测量组成的集合φ，并对其进行降序排序。8.根据权利要求1所述的基于卷积神经网络的频谱感知方法，其特征在于，所述步骤s4具体为：根据预设置的定虚警概率p
f
＝α，对应的阈值γ表示为：其中表示向下取整，φ(y)表示集合φ第y个元素，z为样本个数。
技术总结本发明提供了一种基于卷积神经网络的频谱感知方法，包括：采集M个天线上N个时刻的观测向量；对观测向量进行变换以获取信号的时频图，进而生成第一训练数据集；获取预设置的CNN模型，将第一训练数据集输入至CNN模型进行离线训练生成频谱感知模型；给定离线训练下PU信号不存在时的第二训练数据集，将第二训练数据集送入频谱感知模型，得到第二训练数据集中每个样本的统计检测量；对多个所述统计检测量的进行排序，根据预设置的虚警概率P
技术研发人员：曹开田 蔡连宁 姜梦彦
受保护的技术使用者：上海应用技术大学
技术研发日：2022.03.21
技术公布日：2022/7/5
