[发明专利]一种基于狼群优化的人工神经网络频谱感知方法

权利要求书

1.一种基于狼群优化的人工神经网络频谱感知方法，其特征在于:

步骤1：神经网络训练阶段；决策中心依次打开各个子区域内的主用户信号模拟发射机，决策中心接收来自认知用户的本地检测结果，将接收的认知用户发送的本地检测信息及统计和计算的认知用户的检测概率信息，生成训练样本集，将训练样本输入神经网络训练模块中进行训练；训练结束后，根据神经网络结构及训练样本生成神经网络测试函数；

步骤2：神经网络优化阶段；基于神经网络测试函数和训练后生成的神经元权值矩阵，运用狼群优化方法在神经网络优化模块中对权值矩阵进行优化处理，将优化后的权值矩阵输入神经网络工作模块中；

步骤3：神经网络工作阶段；认知用户对主用户信号进行检测，将本地检测结果发往决策中心，决策中心将接收到的认知用户的本地检测结果与累计的认知用户检测概率进行融合，融合值输入优化后的神经网络，判断主用户信号是否出现，并将检测结果发送给各认知用户。

2.根据权利要求1所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于：认知用户频谱感知区域划分方法为，选定一块方形区域，均分成若干块子区域并编号，在同一时间内每块子区域内只存在一个认知用户。

3.根据权利要求2所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于：神经网络网络结构分为输入神经元与输出神经元两层，输入神经元个数与子区域数量相等，输出神经元个数表示主用户出现情况。

4.根据权利要求3所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于：认知用户采用能量检测方法对主用户信号进行检测；设置在环境中无主用户信号存在时的能量大小为能量检测的检测门限，当认知用户检测到的信号能量高于检测门限时，判定主用户存在，记为1，反之主用户不存在，记为0。

5.根据权利要求4所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于：步骤1中，决策中心依次向各个子区域的主用户信号模拟发射机，发送打开关闭命令，在同一时间段内有且只有一个信号发射机工作，并接受若干次所有认知用户发送的本地检测结果，决策中心判断并累计计算各认知用户的本地检测概率。

6.根据权利要求5所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于：步骤1、步骤2中所说的神经网络测试函数，其输入为神经网络权值矩阵，输出为频谱感知检测正确概率。

7.根据权利要求6所述的基于狼群优化的人工神经网络频谱感知方法，其特征在于：步骤2中，具体包括以下步骤，

步骤2.1：确定神经网络权值矩阵的定义域，该权值矩阵内元素的最小值到最大值所形成的区间，为该自组织神经网络权值矩阵的定义域；

步骤2.2：狼群的衍生，以当前神经网络训练后的得到的权值矩阵W表征一只人工狼的位置，并设为头狼；将生成的狼群分为两部分，第一部分在头狼周围生成V₁只位置分别为的人工狼，并另D₁＝W，其中是一个各项大小为权值矩阵W内最大值的±0.01倍之间的随机数所组成的L×M阶矩阵，其中l₁＝1,2,…,V₁；第二部分在一定范围内随机生成V₂只位置分别为的人工狼，其中为各项大小在定义域内的随机数所组成的L×M阶矩阵，l₂＝1,2,…,V₂，将D和F共同组成权值矩阵集合H，代表所有人工狼的位置，人工狼总数为V＝V₁+V₂；

步骤2.3：分别将上述V组权值矩阵输入神经网络测试函数，并记录函数的输出结果，将其定义为人工狼所感知的猎物气味浓度C，输出结果越大，C越大。选出C最大的人工狼作为头狼，将头狼所代表的权值矩阵置换到H₁位置；

步骤2.4：游走行为；从狼群中选出T_num只探狼，其中T_num为[V/(a+1),V/(a)]间的随机整数，a为探狼比例因各探狼以步长Step_Y＝|max_j-min_j|S，朝h个方向，以Q′_g(j)＝Q(j)+sin(2π×g/h)×Step_Y(j)方式分别探出一步，其中Q(j)和Q′_g(j)分别表示某只探狼在进行g方向上的游走前后所代表的权值矩阵的第j列，max_j(min_j)表示该狼所代表的权值矩阵的第j列的最大值(最小值)，S为步长因子，g＝1，2，…，h；同时感知各个方向上的猎物气味浓度，选择浓度最浓的方向前进一步；若所有方向的猎物气味浓度，均小于当前位置，则保持原地不动；在游走过程中应确保每只人工狼所代表的权值矩阵中每个元素的数值的大小均在定义域内。若有某只探狼感知的猎物气味浓度C_t大于头狼所感知的浓度C_lead时或者达到最大游走次数T_max时，游走结束，进入步骤2.5；

步骤2.5：召唤行为；除头狼与探狼之外均为猛狼，各猛狼以Step_B＝2×|max_j-min_j|S为步长，以Z_k+1(j)＝Z_k(j)+Step_B(j)·[H₁(j)-Z_k(j)]/|H₁(j)-Z_k(j)|方式向头狼所在方向进行奔袭，其中Z_k(j)表示某只猛狼在进行第k次奔袭时所代表的权值矩阵的第j列；在奔袭过程中通过不断计算每只猛狼与头狼之间的距离dis=Σj=1M|H1(j)-E(j)|,]]>并不断与判定距离dnear=1(M×f)×Σj=1M|maxj-minj|]]>进行比较，当d_is＜d_near时，该猛狼停止奔袭，其中H₁和E分别表示头狼与各猛狼所代表的权值矩阵，f为距离判定因子；在奔袭过程中每只猛狼不断感知猎物气味浓度，若有某只猛狼感知气味浓度C_m高于头狼感知气味浓度C_lead，该猛狼成为头狼，重新发起召唤，所有猛狼改为向该狼进行奔袭；在奔袭过程中同样确保每个权值矩阵中每个元素的数值的大小定义域内，当所有猛狼停止奔袭或达到最大奔袭次数T_max1时，进入步骤2.6；

步骤2.6：围攻行为；所有猛狼及探狼，以Step_W＝|max_j-min_j|/(2×S)为步长，以O′(j)＝O(j)+λ·Step_W(j)·|H₁(j)-O(j)|方式进行围攻并感知猎物气味浓度，其中O(j)和O′(j)分别表示某只人工狼在进行围攻前后所代表的权值矩阵的第j列，λ为[-1,1]间均匀分布的随机数；若当前位置浓度更高，则保持原权值矩阵不变，反之更新人工狼所代表的权值矩阵。在围攻过程中同样应确保每个权值矩阵中每个元素的数值的大小定义域内；所有人工狼重新感知猎物气味浓度，并按感知的浓度大小进行排序，感知浓度最高的设为头狼，排名靠后的G_num只人工狼被淘汰并更新，其中G_num为[V/(2×β),V/(β)]间的随机整数，β为更新比例因子，判断头狼所感知的猎物气味浓度是否达到最优精度要求，即其所代表的权值矩阵是否达到最优，或者达到最大迭代次数K_max，进入步骤2.7；

步骤2.7：头狼所代表的权值矩阵即为当前最优权值矩阵，将该权值矩阵输入神经网络工作模块，神经网络进入工作期。