[發明專利]一種基于FLOM協方差矩陣和LSTM神經網絡的頻譜感知算法

在審

• 申請號: 202110553337.5
• 申請日: 2021-05-20
• 公開（公告）號: CN113315593A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 趙韻雪;朱曉梅;李義豐;朱艾春
• 申請（專利權）人: 南京工業大學
• 主分類號: H04B17/382
• 分類號: H04B17/382;H04W72/04;H04W16/14;G06N3/04;G06N3/08
• 代理公司: 南京業騰知識產權代理事務所(特殊普通合伙) 32321
• 代理人: 李靜

本發明公開一種基于FLOM協方差矩陣和LSTM神經網絡的頻譜感知算法，屬于認知無線電技術領域，采用FLOM對訓練集內的樣本進行預處理，搭建LSTM神經網絡模型，將用于訓練的訓練集傳輸到LSTM神經網絡進行學習，最后將測試集輸入經學習后的LSTM神經網絡，由softmax模塊得到輸出結果，將輸出結果與閾值比較，做出主用戶存在與否的決策。本發明科學合理，使用安全方便，通過FLOM在減少非高斯特征影響方面的強大能力和LSTM神經網絡在提取數據時序特征方面的強大處理能力來提高檢測性能，有效解決了在非高斯噪聲沒有能量和其他用于檢測的二階統計量這種情況下的頻譜感知，提高了頻譜感知性能，使其在低信噪比下相比于其他網絡具有更好的性能。

技術領域

本發明涉及認知無線電技術領域，具體是一種基于FLOM協方差矩陣和LSTM神經網絡的頻譜感知算法。

背景技術

認知無線電能合理利用空閑的無線信道資源，是解決無線頻譜匱乏問題的重要途徑之一，頻譜感知是認知無線電的關鍵技術之一。頻譜感知的任務為識別適合子用戶的頻帶。為了尋求更加高效的認知無線電資源分配方案，利用機器學習的方法解決頻譜感知問題也得到了廣泛的關注。

目前，已經有人提出許多模型驅動的頻譜感知方案。然而，大多數的頻譜感知算法是基于高斯噪聲環境的，只是在高斯噪聲環境下性能優越，實際的無線通信信道中受自然因素和人為因素的影響，噪聲將含有“脈沖噪聲”，與高斯噪聲分布的特性不符，此噪聲即為非高斯噪聲。這些數據驅動的頻譜感知算法因為在很大程度上取決于提取的二階統計量信息，而非高斯噪聲由于本身的分布特點，是不具有二階統計量的，只存在分數低階矩，所以當在非高斯噪聲中進行頻譜檢測時,沒有用于檢測的二階統計量。在這種情況下，傳統的頻譜感知算法出現了性能下降甚至無效的現象。所以，人們需要一種基于FLOM協方差矩陣和LSTM神經網絡的頻譜感知算法來解決上述問題。

發明內容

發明目的：本發明目的在于針對現有技術，提供一種基于FLOM協方差矩陣和 LSTM神經網絡的頻譜感知算法解決非高斯噪聲中進行頻譜監測是算法性能下降甚至無效的問題。

技術方案：本發明所述一種基于FLOM協方差矩陣和LSTM神經網絡的頻譜感知算法，用于提高在非高斯噪聲環境下的頻譜感知性能，包括以下步驟：

S10、針對待檢測設備，采集不同信噪比下的數字調制信號樣本和沒有用戶信號的Alpha噪聲樣本作為原始數據；采用五重交叉驗證對采集結果進行劃分，將原始數據分為五組，依次挑選其中一組作為測試集，其余四組作為用于訓練的訓練集，從而得到五個模型；

S20、采用FLOM(分數低階矩)對訓練集內的樣本進行預處理，獲得分數低階矩協方差矩陣，即獲得樣本集；對樣本集進行標記，得到標簽集；

S30、搭建LSTM神經網絡模型，包括輸入層、LSTM層、全連接層和Softmax函數模塊，LSTM層提取高維特征后通過全連接層和Softmax函數模塊將LSTM神經網絡模型的輸出映射到頻譜感知結果；初始化LSTM神經網絡的結構參數，包括輸入層節點數、隱藏層節點數、隱藏元維度、數據向量維數、迭代次數和學習率；在搭建過程中，分別構建遺忘門、輸入門和輸出門控制信息的流通量，每個門PU權重矩陣和偏置不同，再利用它裝備在RNN上控制信息流通；根據控制信息流通的不同地點，在LSTM神經網絡的隱藏層單元內增添三個信息控制單元，以保留有用信息并去除無用信息；

S40、將標簽集輸入LSTM神經網絡學習，通過訓練的損失函數計算其損失值；利用隨機梯度下降法反向傳播，直到迭代結束；

S50、根據損失值繪制損失曲線，根據算法性能在不同虛警概率下的檢測概率繪制測試集準確率曲線；觀察損失曲線和測試集準確率曲線，曲線非收斂狀態下增加隱藏元維度以及減小學習率，并執行S30，曲線呈收斂狀態則執行下一步驟；