[发明专利]一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法

说明书

本发明公开一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，属于认知无线电技术领域，采用FLOM对训练集内的样本进行预处理，搭建LSTM神经网络模型，将用于训练的训练集传输到LSTM神经网络进行学习，最后将测试集输入经学习后的LSTM神经网络，由softmax模块得到输出结果，将输出结果与阈值比较，做出主用户存在与否的决策。本发明科学合理，使用安全方便，通过FLOM在减少非高斯特征影响方面的强大能力和LSTM神经网络在提取数据时序特征方面的强大处理能力来提高检测性能，有效解决了在非高斯噪声没有能量和其他用于检测的二阶统计量这种情况下的频谱感知，提高了频谱感知性能，使其在低信噪比下相比于其他网络具有更好的性能。

技术领域

本发明涉及认知无线电技术领域，具体是一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法。

背景技术

认知无线电能合理利用空闲的无线信道资源，是解决无线频谱匮乏问题的重要途径之一，频谱感知是认知无线电的关键技术之一。频谱感知的任务为识别适合子用户的频带。为了寻求更加高效的认知无线电资源分配方案，利用机器学习的方法解决频谱感知问题也得到了广泛的关注。

目前，已经有人提出许多模型驱动的频谱感知方案。然而，大多数的频谱感知算法是基于高斯噪声环境的，只是在高斯噪声环境下性能优越，实际的无线通信信道中受自然因素和人为因素的影响，噪声将含有“脉冲噪声”，与高斯噪声分布的特性不符，此噪声即为非高斯噪声。这些数据驱动的频谱感知算法因为在很大程度上取决于提取的二阶统计量信息，而非高斯噪声由于本身的分布特点，是不具有二阶统计量的，只存在分数低阶矩，所以当在非高斯噪声中进行频谱检测时,没有用于检测的二阶统计量。在这种情况下，传统的频谱感知算法出现了性能下降甚至无效的现象。所以，人们需要一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法来解决上述问题。

发明内容

发明目的：本发明目的在于针对现有技术，提供一种基于FLOM协方差矩阵和 LSTM神经网络的频谱感知算法解决非高斯噪声中进行频谱监测是算法性能下降甚至无效的问题。

技术方案：本发明所述一种基于FLOM协方差矩阵和LSTM神经网络的频谱感知算法，用于提高在非高斯噪声环境下的频谱感知性能，包括以下步骤：

S10、针对待检测设备，采集不同信噪比下的数字调制信号样本和没有用户信号的Alpha噪声样本作为原始数据；采用五重交叉验证对采集结果进行划分，将原始数据分为五组，依次挑选其中一组作为测试集，其余四组作为用于训练的训练集，从而得到五个模型；

S20、采用FLOM(分数低阶矩)对训练集内的样本进行预处理，获得分数低阶矩协方差矩阵，即获得样本集；对样本集进行标记，得到标签集；

S30、搭建LSTM神经网络模型，包括输入层、LSTM层、全连接层和Softmax函数模块，LSTM层提取高维特征后通过全连接层和Softmax函数模块将LSTM神经网络模型的输出映射到频谱感知结果；初始化LSTM神经网络的结构参数，包括输入层节点数、隐藏层节点数、隐藏元维度、数据向量维数、迭代次数和学习率；在搭建过程中，分别构建遗忘门、输入门和输出门控制信息的流通量，每个门PU权重矩阵和偏置不同，再利用它装备在RNN上控制信息流通；根据控制信息流通的不同地点，在LSTM神经网络的隐藏层单元内增添三个信息控制单元，以保留有用信息并去除无用信息；

S40、将标签集输入LSTM神经网络学习，通过训练的损失函数计算其损失值；利用随机梯度下降法反向传播，直到迭代结束；

S50、根据损失值绘制损失曲线，根据算法性能在不同虚警概率下的检测概率绘制测试集准确率曲线；观察损失曲线和测试集准确率曲线，曲线非收敛状态下增加隐藏元维度以及减小学习率，并执行S30，曲线呈收敛状态则执行下一步骤；