[发明专利]一种基于CM-LSTM的频谱感知算法

说明书

本发明提供了一种基于CM‑LSTM的频谱感知算法，本发明联合利用阵列接收信号的时间相关性和空间相关性，将擅长提取具有时间相关性序列特征的长短期记忆网络(LSTM)作为分类模型，将包含信号子空间信息和噪声子空间信息的协方差矩阵经过维度变换后输入LSTM分类模型，由此实现信号与噪声的分类。仿真分析表明，CM‑LSTM频谱感知算法与经典的机器学习分类算法支持向量机(SVM)，以及机器学习算法中泛化能力较强的集成学习方法梯度提升机(GBM)、随机森林(RF)相比，在不同信噪比，不同数量次级用户时都具有更高的准确率。

技术领域

本发明属于认知无线电技术领域，尤其是涉及一种基于CM-LSTM的频谱感知算法。

背景技术

近年来，机器学习在语音识别，文本翻译领域被广泛应用，越来越多专家学者将机器学习算法应用于频谱感知，提高了频谱感知的性能。机器学习中的集成学习算法联合多个分类算法将多个”单学习器”用某种策略结合起来，以提高分类的准确率。

频谱感知的基本原理是检测主用户是否存在，利用深度学习技术将主用户是否存在作为分类问题进行研究。现有技术中，通过将信号的时序数据作为长短期记忆网络(LSTM)模型的输入数据，将频谱感知作为分类问题进行研究，在单个主用户和单个次级用户的情况下性能得到了显著的提升，且在有色噪声背景下具有优越的检测性能。

基于机器学习的频谱感知算法可以提高检测的性能，但现有的机器学习方法普遍存在训练时间较长的问题，深度学习作为机器学习的一个新兴分支，其模型和算法不断进行改进和优化，且计算机计算能力的提升，使深度学习被广泛应用在各个领域，同时也被应用在频谱感知中。信号的子空间特征代表不同次级用户信号数据维度间的相关性，信号数据的时间相关性序列特征为单个次级用户接收的序列信号数据前后之间的相关性，因此在多个次级用户的场景下将具有子空间特征和时间相关性序列特征的信号作为深度学习算法的输入数据，使深度学习算法可以提取信号更多的有用信息，从而显著提高频谱感知的性能。现有技术中基于分类的频谱感知模型和使用信号协方差矩阵特征作为输入数据的频谱感知模型，二者均不能同时提取信号数据的子空间特征和时间相关性序列特征。

发明内容

有鉴于此，本发明旨在提出一种基于CM-LSTM的频谱感知算法，以提升频谱感知性能。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于CM-LSTM的频谱感知算法，包括以下步骤：

S1：利用仿真平台生成数据集，采集不同信噪比下的数字调制信号样本作为原始数据，计算采集到的信号的得到信号的协方差矩阵，并将信号协方差矩阵进行维度变换，生成训练数据集和验证数据集；

S2：搭建LSTM模型并进行训练与感知，输入测试数据，得到感知结果。

进一步的，所述CM-LSTM算法既能提取信号的时间相关性序列特征，也能捕获到信号的子空间特征。

进一步的，所述步骤S1中还包括在发送端产生一系列随机序列，经过QPSK调制后进入高斯白噪声信道，然后使用阵元天线模块模拟多次级用户，使每根天线接收不同的数据信息。

进一步的，所述步骤S1中还包括通过切片的方式对数据集进行划分，将前若干数据集和后若干数据集作为训练集，其余作为验证集；具体的，将数据集的百分之70或80划分为训练集，剩余的作为验证集。