[發明專利]一種基于協方差矩陣的長短期記憶協作頻譜感知方法

有效

• 申請號: 202011621281.4
• 申請日: 2020-12-30
• 公開（公告）號: CN112787736B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 包建榮;師浩東;劉超;姜斌;吳俊;唐向宏;邱雨
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: H04B17/382
• 分類號: H04B17/382;G06N3/04;G06N3/08
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

1.一種基于協方差矩陣的長短期記憶協作頻譜感知方法，其特征在于，包括以下步驟：

S1、典型認知無線系統包含1個主用戶，L個次用戶，L為自然數；當主用戶PU通信未被干擾時，第i個次用戶SU_i對PU信號檢測，得到連續時間序列，其中，i＝1,2,…，L；對連續時間序列執行次用戶感知信號檢測，得到N×N維的主信號協方差矩陣，N為自然數，表示采樣點數；

S2、將主信號協方差矩陣作為輸入，執行信號樣本標注，得到L個次用戶的樣本標簽集，即把每個樣本協方差矩陣中的N個序列，標記為0或1的標簽集，分別代表PU存在或不存在頻譜空穴；

S3、將第i個次用戶SU_i的樣本標簽集作為輸入，執行LSTM網絡訓練，得到樣本的特征序列；

S4、將樣本的特征序列作為輸入，執行全連接層與Softmax層聯合處理，得到每個次用戶0到1間的數值P_iH0，表示主用戶PU存在頻譜空穴的概率；

所述步驟S4中的全連接層與Softmax層聯合處理，包括以下步驟：

S41、將SU₁得到的樣本序列X＝{x₁ x₂ x₃...x_N}，按一定比例作為訓練數據集X₁和驗證數據集X₂，將其余次用戶SU_i(i＝2,3,…,L)中得到的樣本序列作為測試集X₃，再將訓練數據集X₁輸入LSTM網絡，以執行LSTM網絡訓練，得到訓練好的模型Y，輸出特征序列T_N，N為輸出的維度；

S42、從LSTM輸出的特征序列T_N，輸入到全連接層與Softmax層歸一化處理，即通過Softmax函數把0和1分類，輸出最終的頻譜感知結果P_1H0；

S43、待訓練數據集X₁訓練結束后，將SU₁中得到的驗證數據集X₂，輸入到已訓練好的模型Y，當模型發散或出現不尋常結果時，終止訓練，執行人工調參，以得到最優模型；

S44、整個系統的映射關系表示為：

P_iH0＝f(x_i) (5)

其中，P_iH0為信號通過LSTM網絡，在全連接層與Softmax層處理后所得的分類概率；將其余次用戶SU_i(i＝2,3,…,L)中得到的協方差樣本序列，作為測試集X₃，在LSTM網絡及全連接層與Softmax層測試，得到最終測試值P_iH0，即為頻譜感知結果；

所述步驟S42，包括：

將LSTM輸出的特征序列T_N作為輸入，T_N通過全連接層分類，將特征序列T_N維度由N降到1，然后將其輸出到樣本標記空間，即輸出0或1兩個實數；之后，將全連接層的輸出輸入softmax層，以將全連接層的輸出結果0和1分類，并輸出0和1的概率；其中，softmax層將0和1輸出為2個[0,1]區間實數，即P_iH0，表示為PU存在頻譜空穴的概率；

softmax層在執行分類過程時，采用以下公式：

y_t＝softmax(wh_t+b) (4)

其中，x_i為全輸入層的輸出，i為自然數，表示第i次輸入，exp(x_i)表示輸入x_i的指數函數，w為權重矩陣，b為向量偏差，h_t為隱藏層的輸出，y_t的最終輸出的就是0和1的分類概率，t為時刻。