基于LSTM神经网络的卫星频谱多门限感知算法

发布时间：2021-04-18 14:17

　　针对在卫星认知通信场景下传统频谱感知算法感知性能低、受通信时延影响大的问题,提出了一种基于长短期记忆（LSTM）神经网络的卫星频谱多门限感知算法。首先构建卫星认知通信模型,其次将仿真数据送入长短期记忆（LSTM）神经网络进行预测感知,采用动量随机梯度下降（SGDM）算法对网络进行更新,然后提出多门限算法对网络输出进行优化,最后与其他神经网络算法作性能对比。该算法无需构建特征值,实验结果表明:在卫星信道条件下,当面对低接收信噪比及低网络迭代次数时,该算法频谱感知性能要优于其他神经网络算法。 

【文章来源】：信号处理. 2020,36(08)北大核心CSCD

【文章页数】：9 页

【部分图文】：

卫星认知通信网络模型

PU信道状态示意图

在传统的认知无线网络中,SU可实时感知PU的信道状态。而在卫星认知通信网络中,经过卫星通信时延后,SU端才能感知到当前时刻PU的信道状态,并且当SU利用PU信道的“频谱空穴”进行频谱接入,则还需要将SU发送到卫星端的时延考虑进去,具体场景如图3。卫星通信时延定义为D,假设当前 PU下行链路的信道状态为t0时刻的信道状态,SU在t1时刻感知到t0时刻的PU信道状态,当SU检测到PU信道的“频谱空穴”而进行接入时,发送数据将会经过时延D在t2时刻到达卫星端,即SU要根据t0时刻的信道状态,来预测时延为2D后的PU信道状态。

【参考文献】：
期刊论文
[1]基于HS-BP神经网络的认知无线电频谱预测技术[J]. 胡翩翩,曾碧卿.  计算机工程. 2017(07)



本文编号：3145617