基于信号能量分布拟合优度的长短时记忆网络频谱感知算法研究

发布时间：2021-03-02 22:13

　　传统频谱感知算法性能在低信噪比下不够理想,在高信噪比下较好,算法性能随信噪比降低逐渐变差。本文提出了基于信号能量分布拟合优度的长短时记忆网络频谱感知算法,利用授权用户信号存在时的接收信号为基础,计算接收信号的能量分布,并将通过拟合优度算法得到的距离值作为特征构造特征向量,然后将特征向量输入长短时记忆网络训练得到模型,最后将测试数据输入训练模型进行预测,从而实现频谱感知。仿真结果表明,本文提出的新算法在信噪比为-13 dB,采样点数为28时,检测概率达到96.21%,明显优于传统能量检测算法和传统拟合优度算法。 

【文章来源】：信号处理. 2020,36(07)北大核心

【文章页数】：10 页

【部分图文】：

LSTM神经元结构图

得到拟合优度距离值后,构造特征向量集,分成了训练数据集和测试数据集,然后输入LSTM模型进行训练并不断优化准确率,最后得到良好的频谱感知模型。模型建立和训练的流程图如下图3。图3 频谱感知模型训练和建立流程图

图2 信号能量分布及拟合优度距离的提取过程图LSTM网络模型中输入层数为4,LSTM神经网络的输出层为2,LSTM隐含层节点个数为64,隐含层层数为1。设拟合优度距离值A Ν 2 ,信号能量值为E,AD检验的临界值为CV,观察到观极端检验统计量的概率P,特征向量便由以上四个分量组成,其中概率P定义为:当原假设为真时,比所得到的样本观察结果更极端的结果出现的概率,即检验原假设成立或表现更严重的可能性。统计学中P值反映了结果的真实程度,本文中P值衡量了距离值A Ν 2 的可信程度,为LSTM处理一些极端数据时提供判断依据,从而能够提升分类效果。LSTM神经网络的输出的是对主信号存在与否的分类结果,在程序中表现为输出“0”和“1”,所以LSTM神经网络的输出层为2。LSTM隐含层节点个数影响模型的训练时间和准确率,隐含层节点个数与输入序列长度有关,一般为2n(n为整数),且接近输入序列长度的一半,本文中特征向量分量的长度为50～100,故选取隐含层64节点个数;实验仿真中发现隐含层层数对实验结果的影响不大,为了节约时间成本,故隐含层层数选取1层。因篇幅限制,相关参数的选取过程不作过多展开。LSTM神经网络为实现分类效果,需在网络模型中加入Softmax Layer[18]以达到分类效果。本文中研究的是频谱感知问题,即授权用户存在与否的问题,在模型中就简化为‘0’和‘1’的问题。


本文编号：3060048