[发明专利]一种深度学习的认知无线网络多用户协作频谱感知方法

说明书

技术领域

本发明属于认知无线网络领域，尤其涉及一种深度学习的认知无线网络多用户协作频谱感知方法。

背景技术

科技的快速发展带动了通信技术不断的进步和提升，在新兴无线通信技术推动下，我国无线移动网络规模不断扩大，移动终端用户数快速增长，无线通信业务应用蓬勃发展。这在满足人们通信业务需求的同时也带来频谱资源匮乏短缺的严重问题。因此，提高无线通信系统频谱效率并主动适应复杂网络电磁环境一直是通信领域的研究热点和难点。目前，以软件无线电为基础的认知无线电(CR)技术被认为是提高频谱资源利用率的有效途径。基于CR技术思想提出认知无线网络(CRN)因其具备自学习和自适应能力，被认为是实现未来智能无线网络的基础和核心。

认知无线网络中，次用户(SU)利用先进的频谱感知技术实时检测当前无线环境，获取频谱数据并进行分析，识别出未被使用的空闲频谱资源。CRN频谱感知面临的主要挑战在于因信道衰落、噪声与干扰的时变特性而降低其性能。虽然已提出能量检测、匹配滤波、循环平稳检测、智能感知和协作频谱感知等多种方法，但随着业务的多样性和接入场景的多元化，形成的复杂异构认知无线网络对频谱感知技术提出了更高要求。而现有技术在性能及复杂度等方面均存在提升空间，故需要结合CRN网络发展态势，特别是其智能化演进趋势，研究基于机器学习的频谱感知新方法来提高CRN网络性能。

作为人工智能的核心技术，机器学习，特别是具备理解、认知能力的深度学习(Deep Learning,DL)可促进CRN频谱感知智能化，增强对复杂电磁环境的适应性。深度学习作为机器学习的一个重要研究热点受到广泛关注。随着计算资源和预训练技术的发展，深度学习在人工智能领域取得了重大突破，特别在图像处理、语音识别和自然语言处理方面，与一般方法相比，深度学习方法取得了令人瞩目的成功。典型的深度学习模型包括卷积神经网络(CNN)、深度置信网络(DBN)、堆栈自编码网络(SAE)和递归神经网络(RNN)等。DL的基本思想是通过多层神经网络和非线性变换，结合低层特征，形成抽象的、易于区分的高层表示，以发现数据的分布式特征表示。虽然DL目前主要用于在计算机科学领域，但其也可用于无线通信系统。

本发明针对认知无线网络，提出一种基于CNN的协作频谱感知方法。CNN已广泛应用于图像处理领域，其利用图像空间特征，即相邻像素之间的相关性，通过多维卷积提取其空间特征，对图像进行分类。CNN的基本结构由输入层、卷积层、采样层、全连接层及输出层构成。卷积层和采样层一般会取若干个，采用卷积层和采样层交替设置，即一个卷积层连接一个采样层，采样层后再连接一个卷积层，依此类推。随着网络层数的增加，卷积神经网络能够从原始数据中抽取更抽象的特征，有利于频谱感知信息的识别。

发明内容

本发明提供一种深度学习的认知无线网络多用户协作频谱感知方法，利用CNN模型融合各个次用户独立感知结果来判定主用户频谱使用状况。因为对于位置邻近的次用户和相邻主用户频率信道而言，由于其空间和频谱域的相关性，其频谱感知结果可能相同。若把次用户的频谱感知结果视作像素，利用CNN对其进行分类，则可更准确地判定主用户频谱使用状况。

为实现上述目的，本发明采用如下的技术方案：

一种深度学习的认知无线网络多用户协作频谱感知方法，包括以下步骤，

步骤1：离线训练阶段，不同位置空间处的次用户独立地对主用户的频率信道进行频谱感知；

步骤2：次用户把感知结果发送到融合中心；

步骤3：融合中心利用感知结果生成CNN的输入数据矩阵，该矩阵中每个元素可以是硬判决或软判决值；

步骤4：构建用于频谱感知的多层卷积神经网络模型；

步骤5：利用步骤3中的样本对步骤4中构建的卷积神经网络模型进行训练；

步骤6：在线感知阶段，次用户把当前频谱感知数据传送到融合中心；

步骤7：融合中心把次用户当前频谱感知结果输入已训练完成的卷积神经网络模型，CNN模型自动地提取感知数据的特征，并根据提取的特征进行分类识别，获得次用户对当前频率信道的协作频谱感知结果。

本发明的CNN多用户协作频谱感知技术，利用了相邻用户—信道的空间—频域相关性，对用户感知数据进行细粒度分类，提高了协作频谱感知精度，且无需复杂的显式数学计算。

附图说明

图1为本发明所涉及方法的流程图；

图2为CNN网络模型结构图。

具体实施方式