基于深度学习的频谱感知方法研究

发布时间：2020-08-02 22:43

【摘要】：频谱感知是组建认知无线电系统首要解决的问题,其意义在于使无线通信设备能够实时且准确地感知所处的射频环境,发现并确定“频谱空洞”,以便合理利用。本论文从两个角度出发,一方面针对基于特征匹配的盲频谱感知技术检测概率较低,相邻时刻采样协方差矩阵特征向量关系分析不足的问题,提出了基于Hausdorff距离的盲频谱感知算法,以Hausdorff距离来作为衡量相邻检测单元特征向量关系的参数,并以随机矩阵相关定论和采样协方差矩阵特征值的特性为基础,推导出检测门限值和检测概率的理论值。通过实验仿真将所改进的方法和传统的频谱感知算法进行了对比,可以得出在信噪比为-15dB时,基于Hausdorff距离的盲频谱感知算法的接收机工作特性曲线明显优于基于特征匹配的盲频谱感知算法。另一方面,在研究频谱感知方法的过程中发现,随着大数据时代的到来以及计算能力的提升,传统的频谱感知算法不能有效利用信道内存在的信息,亦不能满足认知无线电系统的智能性要求等问题较为突出。遂将深度学习方法应用到认知无线电频谱感知过程中。并以此为本论文研究重点,提出了基于卷积神经网络(Convolutional Neural Networks,CNN)的频谱感知算法。为了使CNN方法能够有效地处理频谱感知问题,我们量化了CNN结构,并通过所提取的信号的能量特征和循环谱特征构建的训练集进行CNN训练,确立合适的频谱感知模型。进而对接收到的信号进行频谱感知,判断出授权用户信号的存在与否。为了验证所提算法,通过对调制信号进行仿真实验可知,完全能够构建合适的CNN频谱感知模型,并且相较于其他基于机器学习的频谱感知算法检测概率有明显的提升。
【学位授予单位】：长春理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN925;TP181
【图文】：

原理模型,神经元,样本分类,不可分

图 3.2 神经元原理模型线性函数的原因在于，在实际样本分类过程中，示，简单的线性分割显然不能够将两种分别开来通过非线性的映射将其划分。图 3.3 二维线性不可分

结构图,结构图,特征映射

那么这一层神经元个数为 14*14。可训练个数 6*（1+1）。4. C3 层：这一层是卷积层。鉴于 S2 层具有多组特征映射，所以提出这样的假设连接机制：S2 层的特征映射的每 3 个连续子集确定 C3 层的最开始的 6 个特征。S2 层的特征映射的每四个子集确定接下来的 6 个特征映射。S2 层的特征映射的每 4 个不连续子集确定再接下来的 3 个特征映射，S2 层所有特征映射确定 C3 层最后一个特征映射。这样共有 60 个滤波器，大小是 5*5。得到 16 组大小为 10*10 的特征映射。C3 层的神经元个数为 16*100。可训练参数个数为(60*25+16)。5. S4 层：这一层是一个下采样层，采用平均值函数，工作原理同得 S2 层。到16 组 5*5 大小的特征映射。可训练参数个数为 16*2。6. C5 层：这是一个卷积层，得到 120 组大小为 1*1 的特征映射。每个特征映射与 S4 层的全部特征相连。有 120*16 个滤波器，大小是 5*5。C5 层的神经元个数为 120，可训练参数个数 1920*25+120。7. F6 层：全连接层，设定 84 个神经元，可训练参数个数为 84*（120+1）。8. 输出层：10 个欧式径向基函数对来自全连接的数据分类处理。下图为 LeNet-5 结构示意图：

变化曲线,损失函数,变化曲线,模型

下采样层 0.001 20 Mean全连接层 0.001 20 Softmax我们以 2PSK 主用户信号为例。图 4.3 表示的是在不同信噪比下，对 2PSK 信号进行频谱检测所获得的损失函数变化曲线。可以看出，随着模型训练的进行，损失函数在递减，说明模型在很好的训练，即模型在达到最优的频谱检测效果。而且可以看出随着信噪比的增加，更易进行模型训练。图 4.3 卷积神经网络模型损失函数变化曲线图 4.4 展示出了在不同信噪比情况下，对 2PSK 信号进行频谱检测，模型训练过程中权值的分布情况。Conv1 表示卷积层，Pool1 表示下采样层

【参考文献】