[發明專利]基于量子粒子群優化極限學習機的頻譜感知方法

在審

• 申請號: 201911147106.3
• 申請日: 2019-11-21
• 公開（公告）號: CN110830124A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 張晨潔;郭濱;王志軍;李可欣;郭熠;白雪梅;耿小飛;胡漢平
• 申請（專利權）人: 長春理工大學
• 主分類號: H04B10/70
• 分類號: H04B10/70;H04B17/391;H04B17/382
• 代理公司: 長春眾邦菁華知識產權代理有限公司 22214
• 代理人: 王丹陽

基于量子粒子群優化極限學習機的頻譜感知方法，涉及認知無線電領域，解決現有無線信道環境中低信噪比情況下主用戶信號檢測率較低、傳統極限學習機算法僅基于經驗風險最小化容易過擬合、網絡結構不佳等頻譜感知問題，本發明包括提取信號循環譜特征和能量特征；構建訓練數據集；根據獲得的訓練數據集，訓練QPSO?ELM頻譜感知模型；將所述的提取接收信號的能量特征和循環譜特征作為檢測數據輸入步驟三中訓練好的頻譜感知模型，實現對主用戶信號的頻譜感知，所述頻譜感知模型輸出為1時，則主用戶存在；輸出為0時，則主用戶不存在。本發明方法經過量子粒子群的優化和引入結構風險使得算法能夠更有效的提取輸入特征，虛警概率相對較低。

技術領域

本發明涉及認知無線電領域，具體涉及一種基于量子粒子群優化極限學習機的頻譜感知算法。

背景技術

隨著通信行業的發展和人們對網絡速度和質量的要求越來越高，無線電頻譜資源愈加稀缺，各國根據無線電業務的技術特點、業務能力、寬帶需求等因素分配固定頻段給固定業務。使得頻譜利用率很低，即使是繁忙的頻段也有很多可利用空閑頻譜。減少頻譜浪費，提高頻譜利用率成為了亟待解決的問題，為此提出了認知無線電技術，以頻譜感知技術為核心，快速準確的檢測頻譜空洞實現空閑頻譜利用。

目前的頻譜感知算法在高信噪比下都能取得良好的識別效果，但在低信噪比下識別性能并不理想。從分類角度看頻譜感知可以看作是一個二元分類問題，在高信噪比下可以看作線性分類問題，傳統頻譜感知算法通過設定一個線性閾值就可以很好的解決該問題。在低信噪比的無線信道中，頻譜感知研究方向在于解決非線性閾值信號分類問題，正是機器學習算法研究的問題。

基于機器學習的協同頻譜感知方法(包括有監督和無監督機器學習)，雖然取得了較好的檢測性能，但是當噪聲功率較大時，能量作為特征輸入將嚴重影響魯棒性檢測；研究者提出的基于人工神經網絡(ANN)的頻譜傳感方法，以信號能量和周期平穩特征作為輸入特征，但對于大規模的訓練數據，ANN容易出現過擬合問題，導致頻譜感知性能下降；研究者還提出了一種單隱含層前饋神經網絡(SLFN)算法：極限學習機算法。該算法隨機產生權重和隱含層偏差，學習速度比傳統梯度下降算法快的多可以獲得全局最優解并有著很好的泛化能力。雖然極限學習機具有較好的泛化能力，但是該算法通過隨機選擇輸入權重和隱含層偏差來加速訓練過程，其隨機選擇可能導致選擇了更多的隱藏節點和不佳的權重而不是最佳的網絡結構，增加了網絡的復雜性。傳統的ELM算法僅基于經驗風險最小化使算法相對容易過擬合。

發明內容

本發明為解決現有無線信道環境中低信噪比情況下主用戶信號檢測率較低、傳統極限學習機算法僅基于經驗風險最小化容易過擬合、網絡結構不佳等頻譜感知問題，提供一種基于量子粒子群優化極限學習機的頻譜感知方法。

基于量子粒子群優化極限學習機的頻譜感知方法，該方法由以下步驟實現：

步驟一、提取信號循環譜特征和能量特征；

在主用戶存在(H₁)的條件下提取信號循環譜特征和能量特征，構成特征向量y₁，在主用戶不存在(H₀)的條件下提取信號循環譜特征和能量特征，構成特征向量y₀；

步驟二、構建訓練數據集；

將步驟一獲得的特征向量y₁和特征向量y₀構成訓練數據集；

步驟三、根據步驟二獲得的訓練數據集，訓練QPSO-ELM頻譜感知模型；具體過程為：

步驟三一、初始化粒子群、初始化權值矩陣A、偏置矩陣B；

步驟三二、由步驟三一中的權值矩陣A和偏置矩陣B，計算隱含層與輸出層連接權值矩陣，并計算每個粒子適應度函數；

所述適應度函數用下式表示為：