[发明专利]一种基于神经网络的软件无线电频谱监测识别的方法

摘要

本发明公开了一种基于神经网络的软件无线电频谱监测识别的方法，其特征在于，包括如下步骤：1）GNURadio频谱扫描；2）训练样本预处理；3）搭建BP神经网络；4）输出识别结果。这种方法解决了信号识别依赖人工的问题，并且通过数据的预处理,可以对频段内的所有信号进行识别分类，加入PCA算法和归一化处理提高识别率。这种方法能提高神经网络识别无线电频谱的性能与效率。

主权项

1.一种基于神经网络的软件无线电频谱监测识别的方法，其特征在于，包括如下步骤：1)GNURadio频谱扫描：采用开源并拥有强大交互社区的GNURadio软件无线电软件作为系统开发平台，利用GNURadio软件无线电软件自带的以及NI公司提供的扩展包中的实时扫频程序对频谱扫频，扫描50MHz‑6GHz的频谱，并采集50MHz‑6GHz频谱上指定频段的时域I/Q数据，再通过FFT转换获得该频域数据，经FFT转换的频谱数据通过数据类型和单位转换用频谱图实时显示出来，频谱图中横轴单位为频率，纵轴单位为功率；2)训练样本预处理：以20M带宽和40M带宽的两种不同的WiFi信号进行训练，频谱数据作为训练样本，人为制造出6类频谱状态，人为制造出6类频谱状态如下表1：表1六种不同的频谱状态每种信号采集500个样本，6类频谱波形总共3000个样本作为训练集，再以不同于训练集且不同时刻的这6类频谱波形，每类频谱波形200个样本，作为测试集，对导入的数据集进行预处理，采用主成分分析PCA+归一化处理的组合预处理方法，神经网络进行识别的频谱状态共有6种，每种频谱状态以10份不同的波形数据作为训练样本，每个样本由其功率值组成一个向量x_i，则样本的采样点数量为x_i的维数，采样的频点数为3600，可得训练样本集为{x₁,x₂,…,x_M}，则平均向量为：对训练样本集进行去均值，即：再求出对去均值后的训练样本集的协方差矩阵为：求出协方差矩阵的特征向量u_i和对应的特征值λ_i，并将协方差矩阵的特征值按大到小排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵W_k，计算x_new·W_k，即将数据集x_new投影到选取的特征向量上，就得到已经降维的数据集P＝x_new·W_k，选取最大的前k个特征值λ_i，即维数从3600减少至k，k最佳取值为5，对P做归一化处理：选用mapminmax函数对之前得到的数据集做归一化处理，mapminmax函数的计算公式为：y＝(ymax‑ymin)*(x‑xmin)/(xmax‑xmin)+ymin，其中y min和y max是归一化的值域范围，其值取决于输出层的神经网络激活函数，输出层的神经网络激活函数为双曲正切S形函数，其值域范围分别为[‑1，1]，设y min＝‑1，y max＝1；3)搭建BP神经网络：所述BP神经网络包括顺序连接的4层，其中第一层为输入单元，第二层为隐含层，第三层为输出层,第四层为输出单元，输入单元输入的数据是一个经过归一化二维矩阵，输入单元输入向量的最小值为‑1，最大值为1，输入单元的特征维度为8个，隐含层被设计为一层,神经元数量为20个，输出层的神经元数量和分类数量保持一致，为6个，训练的最大迭代次数Epoch为1000，初始训练学习率lr为0.1，训练性能学习目标goal为0.001，MSE作为性能指数，学习函数选用traingdx函数，它根据梯度下降动量和自适应学习速率来更新权重和偏置值，traingdx将自适应学习率与动量训练相结合，其动量系数mc作为附加的训练参数，反向传播用于计算相对于权重或偏差变量X的性能指数pref的导数，每个变量根据具有动量的梯度下降进行调整：其中mc默认取值为0.9，dXprev是之前权值或偏差的变化量X，对于每次迭代，如果性能指数pref朝着目标减小，则学习率因子lr_inc增加，如果性能增加超过因子max_perf_inc＝1.04，则学习速率由因子lr_dec调整，并且不会增加性能，并设置内置sim函数作为网络预测输出函数；4)输出识别结果：以100个样本为测试集，对训练完成的BP神经网络进行了测试，此时PCA算法处理后的样本特征维度为8，隐含层神经节点数为20。