[發(fā)明專利]一種基于CM-LSTM的頻譜感知算法

在審

• 申請?zhí)枺?/td>: 202111474590.8
• 申請日: 2021-12-06
• 公開（公告）號: CN114139685A
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計）人: 任詩雨;陳萬通;吳海龍;李冬霞
• 申請（專利權(quán)）人: 中國民航大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 天津心知意達知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 12260
• 代理人: 趙雪紅

本發(fā)明提供了一種基于CM?LSTM的頻譜感知算法，本發(fā)明聯(lián)合利用陣列接收信號的時間相關(guān)性和空間相關(guān)性，將擅長提取具有時間相關(guān)性序列特征的長短期記憶網(wǎng)絡(luò)(LSTM)作為分類模型，將包含信號子空間信息和噪聲子空間信息的協(xié)方差矩陣經(jīng)過維度變換后輸入LSTM分類模型，由此實現(xiàn)信號與噪聲的分類。仿真分析表明，CM?LSTM頻譜感知算法與經(jīng)典的機器學(xué)習(xí)分類算法支持向量機(SVM)，以及機器學(xué)習(xí)算法中泛化能力較強的集成學(xué)習(xí)方法梯度提升機(GBM)、隨機森林(RF)相比，在不同信噪比，不同數(shù)量次級用戶時都具有更高的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明屬于認(rèn)知無線電技術(shù)領(lǐng)域，尤其是涉及一種基于CM-LSTM的頻譜感知算法。

背景技術(shù)

近年來，機器學(xué)習(xí)在語音識別，文本翻譯領(lǐng)域被廣泛應(yīng)用，越來越多專家學(xué)者將機器學(xué)習(xí)算法應(yīng)用于頻譜感知，提高了頻譜感知的性能。機器學(xué)習(xí)中的集成學(xué)習(xí)算法聯(lián)合多個分類算法將多個”單學(xué)習(xí)器”用某種策略結(jié)合起來，以提高分類的準(zhǔn)確率。

頻譜感知的基本原理是檢測主用戶是否存在，利用深度學(xué)習(xí)技術(shù)將主用戶是否存在作為分類問題進行研究。現(xiàn)有技術(shù)中，通過將信號的時序數(shù)據(jù)作為長短期記憶網(wǎng)絡(luò)(LSTM)模型的輸入數(shù)據(jù)，將頻譜感知作為分類問題進行研究，在單個主用戶和單個次級用戶的情況下性能得到了顯著的提升，且在有色噪聲背景下具有優(yōu)越的檢測性能。

基于機器學(xué)習(xí)的頻譜感知算法可以提高檢測的性能，但現(xiàn)有的機器學(xué)習(xí)方法普遍存在訓(xùn)練時間較長的問題，深度學(xué)習(xí)作為機器學(xué)習(xí)的一個新興分支，其模型和算法不斷進行改進和優(yōu)化，且計算機計算能力的提升，使深度學(xué)習(xí)被廣泛應(yīng)用在各個領(lǐng)域，同時也被應(yīng)用在頻譜感知中。信號的子空間特征代表不同次級用戶信號數(shù)據(jù)維度間的相關(guān)性，信號數(shù)據(jù)的時間相關(guān)性序列特征為單個次級用戶接收的序列信號數(shù)據(jù)前后之間的相關(guān)性，因此在多個次級用戶的場景下將具有子空間特征和時間相關(guān)性序列特征的信號作為深度學(xué)習(xí)算法的輸入數(shù)據(jù)，使深度學(xué)習(xí)算法可以提取信號更多的有用信息，從而顯著提高頻譜感知的性能。現(xiàn)有技術(shù)中基于分類的頻譜感知模型和使用信號協(xié)方差矩陣特征作為輸入數(shù)據(jù)的頻譜感知模型，二者均不能同時提取信號數(shù)據(jù)的子空間特征和時間相關(guān)性序列特征。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明旨在提出一種基于CM-LSTM的頻譜感知算法，以提升頻譜感知性能。

為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

一種基于CM-LSTM的頻譜感知算法，包括以下步驟：

S1：利用仿真平臺生成數(shù)據(jù)集，采集不同信噪比下的數(shù)字調(diào)制信號樣本作為原始數(shù)據(jù)，計算采集到的信號的得到信號的協(xié)方差矩陣，并將信號協(xié)方差矩陣進行維度變換，生成訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集；

S2：搭建LSTM模型并進行訓(xùn)練與感知，輸入測試數(shù)據(jù)，得到感知結(jié)果。

進一步的，所述CM-LSTM算法既能提取信號的時間相關(guān)性序列特征，也能捕獲到信號的子空間特征。

進一步的，所述步驟S1中還包括在發(fā)送端產(chǎn)生一系列隨機序列，經(jīng)過QPSK調(diào)制后進入高斯白噪聲信道，然后使用陣元天線模塊模擬多次級用戶，使每根天線接收不同的數(shù)據(jù)信息。

進一步的，所述步驟S1中還包括通過切片的方式對數(shù)據(jù)集進行劃分，將前若干數(shù)據(jù)集和后若干數(shù)據(jù)集作為訓(xùn)練集，其余作為驗證集；具體的，將數(shù)據(jù)集的百分之70或80劃分為訓(xùn)練集，剩余的作為驗證集。