[发明专利]一种基于深度学习的多用户宽带通信系统的频谱感知方法

说明书

本发明公开了一种基于深度学习的多用户宽带通信系统的频谱感知方法，包括以下步骤：(1)由每个子信道的接收信号计算出该子信道的协方差矩阵，将所有子信道的协方差矩阵集合Y与其对应的子信道占用状况Z作为单个训练数据构建训练集；(2)在训练集Ω上进行训练，训练完成后得到训练好的网络h_θ；(3)在每个感知时刻t，对宽带信号的每个子信道分别采样并计算得到每个子信道上的协方差矩阵；(4)将所有子信道上协方差矩阵作为训练好的卷积神经网络的输入Y_t，得到所有子信道上的检验统计量；(5)对每个子信道上的检验统计量进行判决得到所有子信道上的占用状况。本发明的频谱感知算法受噪声不稳定性影响较小，且在低信噪比下仍能保持良好的检测性能。

技术领域

本发明属于无线通信技术领域，涉及一种基于深度学习的多用户宽带通信系统的频谱感知方法。

背景技术

5G网络对高速率，大容量的进一步要求导致未来移动通信网络对频谱资源的巨大需求。为了更加有效率的利用有限的频谱资源，人们提出了动态频谱共享技术，用来进一步提升频谱利用率。动态频谱共享技术允许除了该频段上的授权用户，即主用户(PU)，其他未授权的用户，即次用户(SU)，也能在不影响主用户通信质量的前提下接入该频段。在SU接入频段之前，需要判断PU是否在使用该频段通信，判断PU在某频段上是否存在的方法，便是频谱感知技术。传统的频谱感知方法仍存在着需要已知主用户信息，受噪声能量波动影响较大，低信噪比下性能不高等问题，同时，深度学习算法在海量数据的分类问题上面有着卓越的效果，将深度学习应用于频谱感知场景是未来发展的一个重要方向。

发明内容

本发明提供一种基于深度学习的多用户宽带通信系统的频谱感知方法，以解决传统的频谱感知方法仍存在着需要已知主用户信息，受噪声能量波动影响较大，低信噪比下性能不高等问题。

为了解决以上技术问题，本发明采用如下技术方案：

一种基于深度学习的多用户宽带通信系统的频谱感知方法，包括以下步骤：

(1)从历史数据库里获取单个感知时刻已知子信道占用状况的宽带接收信号数据并分别由每个子信道的接收信号计算出该子信道的协方差矩阵，最后将所有子信道的协方差矩阵集合Y与其对应的子信道占用状况Z作为单个训练数据构建训练集Ω＝{(Y¹,Z¹),(Y²,Z²),...,(Y^K,Z^K)}；

(2)构造卷积神经网络，在训练集Ω上进行训练，训练完成后得到训练好的网络h_θ；

(3)在每个感知时刻t，对宽带信号的每个子信道分别采样并计算得到每个子信道上的协方差矩阵；

(4)将所有子信道上协方差矩阵作为训练好的卷积神经网络的输入Y_t，得到输出h_θ(Y_t)＝(h₁,h₂,...,h_I)作为所有子信道上的检验统计量；

(5)对每个子信道上的检验统计量进行判决来判断该子信道是否已被主用户占用，最后得到所有子信道上的占用状况。

进一步地，步骤(1)中每个子信道i上的接收信号y_i(n)可以用如下模型表示：

其中，H₀表示该子信道没有PU存在，H₁表示该子信道有PU存在，K为PU个数，或1且表示PUk是否占用子信道i且一个子信道只能被一个PU占用；η为能量泄漏系数，H为多天线系统的信道增益矩阵，分别为第k个PU的发送信号与子信道i上的噪声，B_P，B_A分别表示被PU占用的子信道与被占用子信道的相邻信道。