[发明专利]一种基于卷积长短时记忆神经网络的频谱感知方法

说明书

一种基于卷积长短时记忆神经网络的频谱感知方法，先进行数据预处理得到2*N矩阵记作E₀，将E₀送入到ConvLstm2D网络，对E₀进行第一次空间与时间特征提取得到输出的数据记作E₁，将E₁输入到批量归一化神经网络输出到归一化的数据记作E₂，将E₂输入到第二个ConvLstm2D网络中对IQ数据进行第二次空间和时间特征提取得到的数据记作E₃；将E₃输入到批量归一化神经网络中得到的数据记作E₄；将E₅输入到Flatten层将输入来的数据进行压平得到一维数据E₅；然后将E₅输入到全连接层得到数据E₆；将E₆输入到神经元为1的全连接层中，激活函数为sigmoid函数；通过最小化损失函数来训练模型参数。本发明极大程度的提高了频谱感知的性能。

技术领域

本发明属于人工智能领域，涉及一种基于卷积长短时记忆神经网络的频谱感知方法。

背景技术

随着5G通信的逐渐普及与6G通信的发展，我们即将迎来万物互联、万物智联的时代。由于频谱资源有限，这就会导致频谱资源紧缺。但在2003年美国联邦通信委员会的研究发现，频谱利用率并不是很高。为了提高频谱资源的利用率来解决频谱资源的稀缺的问题，认知无线电技术由此被提出。认知无线电技术是在不干扰主用户(授权用户)使用的前提下，次用户(无权用户)可以在授权用户不使用频谱时利用该频谱发送信息。频谱感知是次用户检测主用户是否正在使用授权频谱，因此频谱感知便成为认知无线电技术的关键之一。但传统的频谱感知无法达到实际要求，如匹配滤波检测需要主用户的先验知识，但是在实际环境中无法得知主用户的先验知识。如今，由于深度学习在图像、视觉等领域发展地十分火热，许多研究人员也将深度学习与频谱感知相结合来提高检测的准确率与实际可用性。

由于现如今基于深度学习的频谱感知所使用的神经网络大部分是卷积神经网络、长短时记忆网络、卷积与长短时记忆网络的混合。次用户所检测到的IQ数据既有空间特征也有时间特征。若单独使用卷积神经网络则无法提取IQ的时间特征；若单独使用长短时记忆网络则无法提取IQ的空间特征且无法用GPU加速从而导致检测时间长；若混合使用两个网络则经过卷积神经网络后，数据的时间特征会有所减弱，再通过长短时记忆网络则性能并不是很理想。

发明内容

为了克服已有技术的不足，本发明提供了一种基于卷积长短时记忆神经网络的频谱感知方法，提出一种基于卷积长短时记忆神经网络(ConvLstm)的频谱感知，它可以同时提取IQ数据的空间特征与时间特征还可以使用GPU加速，可以克服以上神经网络的缺点，提高频谱感知检测性能。

本发明解决其技术问题所采用的技术方案是：

一种基于卷积长短时记忆神经网络的频谱感知方法，包括以下步骤：

1)数据预处理

将次用户所接收到的IQ信号先进行N点采样再进行数据归一化处理：

其中x_I、x_Q分别代表I和Q信号数据，x_{I_min}、x_{Q_min}分别代表I和Q信号数据中的最小值，x_{I_max}、x_{Q_max}分别代表I和Q信号数据中的最大值；

然后便得到2*N矩阵记作E₀，其中第一行代表归一化后的I信号数据、第二行代表归一化后的Q信号数据。归一化可以在不改变内部结构的情况下将IQ信号数据转换为(0，1)区间的数，以便网络训练时加快梯度下降的速度，快速收敛；