基于深度学习的主用户信号分析

发布时间：2020-05-15 08:44

【摘要】：近年来,无线业务的迅猛增长造成了无线频谱资源十分紧缺的局面。为了解决该问题,人们提出了一种基于认知无线电的频谱共享思路:让次级用户在不影响主用户正常使用的情况下与主用户共享授权频段。如果已知主用户信号的特征信息,主用户和次级用户就能更好地实现频谱共享。另一方面,随着计算机硬件水平的提升和数据的海量增长,深度学习已经成为当前的研究热点。本文将深度学习应用在认知无线电领域,利用深度神经网络分析主用户信号,促进频谱共享的应用和发展,缓解当前频谱资源紧缺的现状。本文首先介绍了认知无线电的背景、定义以及关键技术,同时详细阐述了深度学习及卷积神经网络。之后,论文给出了认知无线电系统接收端接收到的主用户信号表达式,设计了一系列适用于深度学习网络的数据预处理方式,并通过实验选择最佳的预处理方式作为本文的数据表达。接下来,论文讨论了主用户信号数字调制方式识别任务。基于卷积神经网络和预处理的星座图数据,训练得到了主用户调制方式分类器。该分类器和传统的基于高阶累计量和支持向量机的识别算法相比,一方面不需要手动提取特征,另一方面在低信噪比条件下获得了更高的识别精度。然后,论文研究到认知无线电系统中存在干扰信号的情况,设计了一种基于深度学习的信号干扰分析算法。该算法综合考虑多信号影响,不仅能够在干扰条件下识别出主用户信号,还能分析出干扰的调制方式。仿真结果表明,本文设计的算法在多种条件下均具有较好的性能。最后,针对主用户信号的信噪比估计任务,论文设计了一种基于深度学习的估计方法。该方法利用不同信噪比条件下星座图的不同样式来完成模型训练和结果推断。与现有的基于二阶矩四阶矩和信号变化率的估计方法相比,本文方法能够有效减小信噪比估计值的归一化均方误差。
【图文】：

特征图,卷积核,计算过程,卷积

活函数得到卷积层的输出。其中激活函数的作用是保证卷积层的输出在一个指定的范围内的映射函数。通常将卷积层的输出称作特征图，每一个卷积核经过计算都会产生一个特征图。图1.3展示了卷积层的计算过程。图1.3 卷积核的计算过程2、池化层。通过卷积层的计算后，，输出的特征图理论上可以直接进行下一步特征的高阶学习或者直接输入全连接层进行特征整合后分类。但是由于特征图的数量多，在实际应用中如果直接利用卷积后的特征图进行下一步操作，会导致特征图的计算量过大，而且容易造成过拟合现象。此时需要减少网络参数，降低计算复杂度，所以通常在卷积层之后连接一个下采样层。这一下采样过程可以理解为，通过卷积层计算后输出的特征图是针对每一个像素点进行计算得到的，而相邻的像素点间的特征差别往往不大，故可以通过一个下采样操作整合特征图，在降低后续计算量的同时降低特征维度。但这种操作又不会损失原始图像的有效信息。常见的池化方式有两种：最大池化和平均池化。池化操作同样的

计算过程,全连接

9图1.4 最大池化和平均池化操作计算过程池化层的本质是用一个统计值来表示图像的局部区域。这种操作能够有效减少网络的计算量且在一定程度上缓解过拟合，提高网络的泛化能力。另外，池化操作还让图像特征具有一定程度的平移不变性。由于经过池化层后图像的某一个局部特征都由同一个统计值来表示，这意味着如果将图像平移一段小的距离，该区域的特征值还是由该统计值来表示。在许多实际应用中，都需要系统具备平移不变性的特性。3、全连接层。全连接层可以理解为一种特殊的卷积层。在卷积层中，神经元与上一层的输出之间是局部连接，共享权值。而全连接层中的每一个神经元都与上层的所有输出单元全部连接，这样做的目的是将之前提取到的特征进行融合，用作分类或者回归任务。另外，由于每个节点全部连接，全连接层的计算参数在网络的总计算参数中占了很大的比例。1.3 文本主要工作安排本文主要研究针对认知无线电系统中主用户信号的分析。利用深度学习网络与接收端接收到的主用户信号数据
【学位授予单位】：华侨大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN925;TP181

【参考文献】