[发明专利]一种基于深度神经网络的频谱感知方法

说明书

本发明属于无线通信技术领域，涉及一种基于深度神经网络的频谱感知方法。本发明的方法主要包括：采样：通过M元多天线系统采集N个时刻的观测向量，记为X；获取检测统计量：构建基于深度神经网络的检测统计量模型，采用步骤S1获得的数据进行训练，得到训练好的深度神经网络模型，根据获得的观测向量，获得检测统计量T(X)；判决：将检测统计量与阈值γ进行比较：如果T(X)>γ，判为主用户信号存在；否则，判为主用户信号不存在。本发明方案可以达到最优检测器的性能。

技术领域

本发明属于无线通信技术领域，涉及一种基于深度神经网络的频谱感知方法。

背景技术

无线通信业务的飞速发展促使人们对频谱资源有着越来越大的需求，致使可用的频谱资源越来越稀缺，导致了“频谱危机”。据美国联邦通讯委员会报告显示，传统的固定频谱分配策略致使大部分现有频段频谱利用率偏低。为了提高频谱利用率，采用动态频谱接入机制的认知无线电技术应运而生，它的基本思想是频谱共享或频谱复用。因此，检测频谱空穴的频谱感知技术成为认知无线电实现动态频谱接入的重要前提和核心环节。

检测统计量的设计直接影响着频谱感知的性能，现有的频谱感知算法主要利用基于统计模型的检测统计量进行检测。这些模型驱动算法的一个主要缺点就是算法性能高度依赖于检测统计量模型的准确性，一旦统计模型存在不确定度或者不能获得，算法的性能急剧下降或者失效。

发明内容

本发明的目的，就是针对上述问题，利用深度学习技术研究检测统计量的设计，提出一种基于深度神经网络(Deep Neural Network,DNN)的检测机制。

本发明采用的技术方案为：

一种基于深度神经网络的频谱感知方法，其特征在于，包括以下步骤：

S1、采样：通过M元多天线系统采集N个时刻的观测向量；

S2、获取检测统计量：构建基于深度神经网络的检测统计量模型，采用步骤S1获得的数据进行训练，得到训练好的深度神经网络模型，根据获得的观测向量，获得检测统计量；

S3、判决：将检测统计量与阈值进行比较：如果检测统计量大于阈值，判为主用户信号存在；否则，判为主用户信号不存在。

本发明提出的一种基于深度神经网络的检测框架，主要包括离线训练和在线检测：

采样：多天线系统分别为离线模块和在线模块提供采样数据。对于离线模块：多天线系统提供有标记的采样数据，作为训练集；对于在线模块：多天线系统提供(无标记)的采样数据，作为测试数据。

离线训练：通过离线训练设计检测统计量。将频谱感知看作一个二元分类任务，那么DNN的输出可以建模为后验概率，从而开发适合于频谱感知的代价函数(比如，本发明设计的基于最大后验概率的代价函数)；给定训练集，通过离线训练，得到训练好的DNN，进而基于DNN设计检测统计量(比如，本发明设计的基于DNN的似然比L_DNN)；给定主用户不存在情况下的训练集，基于蒙特卡洛方法将其依次送入训练好的DNN，得到每个样本对应的检测统计量，根据排序方法搜索不同虚警概率对应的检测阈值γ。

在线检测：基于阈值的在线检测机制。将采样点送到训练好的DNN，得到检测统计量，通过比较检测统计量与检测阈值，得到判决结果。以基于DNN的似然比检测(DNN-basedLikelihood Ratio Test,DNN-LRT)为例：如果L_DNN>γ，判为主用户信号存在；否则，判为主用户信号不存在。

本发明所提基于深度神经网络的检测机制是一种通用的DNN检测框架，其DNN可以为任意类型的网络，因此可以对不同网络泛化。本发明的DNN检测框架不局限于利用频谱感知问题模型，任何与之相关的检测或估计问题(如无线通信系统调制识别、信号检测与信道估计等问题)都可以使用。