首页 / 专利库 / 电信 / 认知无线电 / 一种基于概率向量和模糊支持向量机的协作频谱感知方法

一种基于概率向量和模糊支持向量机的协作频谱感知方法

阅读:794发布:2020-05-12

专利汇可以提供一种基于概率向量和模糊支持向量机的协作频谱感知方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种基于概率向量和模糊 支持向量机 算法 的协作 频谱 感知 方法,包括如下步骤:步骤一: 认知无线电 网络中主要用户PU和次级用户SU的分布设置;步骤二:次级用户SU对信道状态进行感知,检测主要用户PU所在通信频段中的 信号 状态,并且收集 能量 信息;步骤三:所有次级用户SU将检测到的的能量值传递给融合中心FC,由融合中心FC组成一组能量向量,T表示转置运算;步骤四:将能量向量的映射为二维的概率向量;将概率向量带入模糊支持向量机(FSVM)算法中进行训练,得到采用概率向量时的训练时间与分类延迟。,下面是一种基于概率向量和模糊支持向量机的协作频谱感知方法专利的具体信息内容。

1.一种基于概率向量和模糊支持向量机算法的协作频谱感知方法,包括如下步骤:
步骤一:认知无线电网络中主要用户PU和次级用户SU的分布设置
建立包含1个主要用户PU和多个次级用户SU的场景,次级用户SU分布在主要用户PU的周围;
步骤二:次级用户SU对信道状态进行感知,检测主要用户PU所在通信频段中的信号状态,并且收集能量信息
对于采样频率为fs的信号,能量检测的持续时间为τ,能量检测采样的样本数量为W=fsτ,设信道状态为:yj(n)=A*hj*s(n)+wj(n),则第j个次级用户SU收集到的信号能量值为:
其中wj(n)表示第j个次级用户SU的信道中服从分布N(0,σ2)的加
性高斯白噪声(AWGN),s(n)表示PU的信号,hj表示第j个SU与PU之间的信道增益,有|hj|2=L(dj)·νj·ψj,其中,dj表示第j个SU与PU之间的欧几里德距离,L(dj)=dj-α表示距离为dj、路径损失参数为α的路径损失,νj和ψj分别表示多径衰落和阴影衰落,这里都设置为1;设H0表示PU信号不存在,设H1表示PU信号存在,
步骤三:所有次级用户SU将检测到的的能量值传递给融合中心FC,由融合中心FC组成T
一组能量向量Y=(Y1,...,YN) ,T表示转置运算;
步骤四:将能量向量Y=(Y1,...,YN)T的映射为二维的概率向量
对于步骤三所得的能量向量Y=(Y1,...,YN)T,通过式
将其映射为二维的概率向量,其
中 ρPU是主要用
户PU的功率,η=E[|wj(n)|2]=σ2为高斯白噪声方差; i=0,1表示
映射规则, 表示组成的概率向量;
步骤五:将步骤四中的概率向量 带入模糊支持向量机(FSVM)算法中进行
训练,训练步骤如下:
1)输入数据:
2)将向量Yl映射至P=φ(Yl),l=1,2,...,L;
3)采用SMO算法解决QP问题;
4)选择一对Pi和Pj进行启发式更新,所选数据将使结果接近全局最大值;
5)根据所选择的Pi和Pj优化QP问题;
6)若目标函数不收敛,重复4,5;
7)得到分类函数 并依据h(x)分类函数进行分类,其中K(x,Pi)
=φ(x)·φ(Pi)表示核函数,b0,bi为分界面参数,sgn函数为符号函数;
8)得到采用概率向量时的训练时间与分类延迟;
步骤六:将步骤三中的能量向量利用模糊支持向量机(FSVM)算法进行训练,得到采用能量向量的训练时间与分类延迟;
步骤七:将步骤五与步骤六中的训练时间与分类延迟进行比较。

说明书全文

一种基于概率向量和模糊支持向量机的协作频谱感知方法

技术领域

[0001] 本发明属于协作频谱感知技术领域,涉及一种基于概率向量和模糊支持向量机的协作频谱感知方法。

背景技术

[0002] 随着信息化的发展,无线电通信业务与日俱增,对电磁频谱资源的需求更是不断增大。电磁频谱是目前人类唯一理想的无线信息传输媒介,具有十分重要的商业价值属性。据不完全统计,1995年至2011年间,美、英、德、法、韩等过为发展第三代、第四代移动通信网络所拍卖的频谱价值共计约1300亿美元,其重要性可见一斑。虽然在客观上,电磁频谱资源十分丰富,但是受到现有的固定频谱分配政策影响,电磁频谱的利用呈现出严重的不均衡——使用公共频段的用户越来越多、频段越来越拥挤,但是授权频断的利用率很低,只有
15%——85%。这是因为随着无线通信业务的增长,出现了大量的非授权用户,在未获得授权的情况下,他们对电磁频谱的利用只能局限在少量的公共频段中;而与此相反,授权用户在很多时间段上都没有充分利用相应的电磁频谱,造成了电磁频谱资源的重大浪费。由此可见,现在所面临的电磁频谱资源匮乏的重要成因之一就是电磁频谱资源分配与需求的不适应,这是人为性的频谱匮乏问题。在这种情况下,采用合理的频谱资源利用技术可以有效提高频谱利用率。这也是认知无线电技术的重大意义。
[0003] 认知无线电是一种智能的频谱共享技术,它是一种可以对其工作环境进行感知、自主推理并自适应调整工作参数的无线电系统。它可以感知频域、时域、空域等无线电频谱环境,并且使用建模认知技术从环境中进行学习,自动搜寻并且利用已授权频段的空闲频谱,以达到在不影响授权用户的前提下提高频谱利用率的目的。
[0004] 频谱感知是认知无线电实现获取无线电频谱环境的关键技术,是保证频谱资源实现高效分配的先决条件。在SU数量较大的认知无线电网络中,通过能量检测可以得到一系列高维能量向量,使用这种向量进行训练与分类时,会给机器学习带来巨大的数据处理

发明内容

[0005] 本发明提供一种采用概率向量和模糊支持向量机(FSVM)算法的协作频谱感知方法,通过对高维能量向量进行数据处理,降低数据维度,减少机器学习算法的训练时间和分类延迟,提高频谱感知的时效性。技术方案如下:
[0006] 一种基于概率向量和模糊支持向量机算法的协作频谱感知方法,包括如下步骤:
[0007] 步骤一:认知无线电网络中主要用户PU和次级用户SU的分布设置
[0008] 建立包含1个主要用户PU和多个次级用户SU的场景,次级用户SU分布在主要用户PU的周围;
[0009] 步骤二:次级用户SU对信道状态进行感知,检测主要用户PU所在通信频段中的信号状态,并且收集能量信息
[0010] 对于采样频率为fs的信号,能量检测的持续时间为τ,能量检测采样的样本数量为W=fsτ,设信道状态为:yj(n)=A*hj*s(n)+wj(n),则第j个次级用户SU收集到的信号能量值为: 其中wj(n)表示第j个次级用户SU的信道中服从分布N(0,σ2)的加性高斯白噪声(AWGN),s(n)表示PU的信号,hj表示第j个SU与PU之间的信道增益,有|hj|2=L(dj)·νj·ψj,其中,dj表示第j个SU与PU之间的欧几里德距离,L(dj)=dj-α表示距离为dj、路径损失参数为α的路径损失,νj和ψj分别表示多径衰落和阴影衰落,这里都设置为1;设H0表示PU信号不存在,设H1表示PU信号存在,
[0011] 步骤三:所有次级用户SU将检测到的的能量值传递给融合中心FC,由融合中心FCT组成一组能量向量Y=(Y1,...,YN) ,T表示转置运算;
[0012] 步骤四:将能量向量Y=(Y1,...,YN)T的映射为二维的概率向量
[0013] 对 于 步 骤 三 所 得 的 能 量 向 量 Y = (Y 1 ,. . . ,Y N ) T ,通 过 式将其映射为二维的概率向量,其中 ρPU是主要用
户PU的功率,η=E[|wj(n)|2]=σ2为高斯白噪声方差; i=0,1表
示映射规则, 表示组成的概率向量;
[0014] 步骤五:将步骤四中的概率向量 带入模糊支持向量机(FSVM)算法中进行训练,训练步骤如下:
[0015] 1)输入数据:
[0016] 2)将向量Yl映射至P=φ(Yl),l=1,2,...,L;
[0017] 3)采用SMO算法解决QP问题;
[0018] 4)选择一对Pi和Pj进行启发式更新,所选数据将使结果接近全局最大值;
[0019] 5)根据所选择的Pi和Pj优化QP问题;
[0020] 6)若目标函数不收敛,重复4,5;
[0021] 7)得到分类函数 并依据h(x)分类函数进行分类,其中K(x,Pi)=φ(x)·φ(Pi)表示核函数,b0,bi为分界面参数,sgn函数为符号函数;
[0022] 8)得到采用概率向量时的训练时间与分类延迟;
[0023] 步骤六:将步骤三中的能量向量利用模糊支持向量机(FSVM)算法进行训练,得到采用能量向量的训练时间与分类延迟;
[0024] 步骤七:将步骤五与步骤六中的训练时间与分类延迟进行比较。
[0025] 本发明的有益效果为:
[0026] 1)在大规模认知无线电网络中进行协作频谱感知时,采用概率向量可以大幅度降低通过模糊支持向量机(FSVM)算法对数据进行处理的训练时间;
[0027] 2)在大规模认知无线电网络中进行协作频谱感知时,采用概率向量可以略微减少通过模糊支持向量机(FSVM)算法对数据进行处理的分类延迟。附图说明
[0028] 图1是基于能量向量和模糊支持向量机(FSVM)算法的分类示意;
[0029] 图2是基于概率向量和模糊支持向量机(FSVM)算法的分类示意图;
[0030] 两图用来展示二者在数据形式上的区别。
[0031] 图3是主要用户(PU)和次级用户(SU)的分布场景示意图;

具体实施方式

[0032] 数量较多次级用户(Secondary User,SU)存在的协作频谱感知场景下,采用能量向量进行判决时,由于能量向量维度随SU数量一同增加,导致采用模糊支持向量机(Fuzzy Support Vector Machine,FSVM)算法的训练时间与判断延迟都变长的情况,提出采用概率向量减少时间开销。本专利的具体实现过程如下:
[0033] 步骤一:认知无线电网络中主要用户(PU)和次级用户(SU)的分布设置。建立一个包含1个主要用户(PU)和16个次级用户(SU)的场景。它们均位于2km×2km的正方形中,其中主要用户(PU)在(0.5,0.5)km处,次级用户(SU)均匀分布在主要用户(PU)的周围。
[0034] 步骤二:次级用户(SU)对信道状态进行感知,检测主要用户(PU)所在通信频段中的信号状态,并且收集能量信息。对于采样频率为fs的信号,能量检测的持续时间为τ,能量检测采样的样本数量为W=fsτ。假设信道状态如下所示:
[0035]
[0036] 则第j个次级用户(SU)收集到的信号能量值为: 其中wj(n)表示第j个次级用户(SU)的信道中服从分布N(0,σ2)的加性高斯白噪声(AWGN),s(n)表示PU的信号,hj表示第j个SU与PU之间的信道增益,有|hj|2=L(dj)·νj·ψj,其中,dj表示第j个SU与PU之间的欧几里德距离,L(dj)=dj-α表示距离为dj、路径损失参数为α的路径损失,νj和ψj分别表示多径衰落和阴影衰落,这里都设置为1。假设H0表示PU信号不存在,假设H1表示PU信号存在。因此,
[0037] 步骤三:所有次级用户(SU)将检测到的的能量值传递给融合中心(FC),由融合中心(FC)组成一组能量向量Y=(Y1,...,YN)T,T表示转置运算。
[0038] 步骤四:将能量向量的映射为二维的概率向量。对于步骤三所得的能量向量Y=(Y1,...,YN)T,通过式 将其映射为二维的概率向量,其中
ρPU是主要用户(PU)的功率,η=E[|wj(n)|2]=σ2为高斯白噪声方差。
i=0,1表示映射规则, 表示组成的概率向量,T表示
转置运算。
[0039] 步骤五:将步骤四中的概率向量 带入模糊支持向量机(FSVM)算法中进行训练。训练步骤如下伪代码所示:
[0040] 1:输入数据:
[0041] 2:将向量P(l)映射至φ(P(l)),l=1,2,...,L;
[0042] 3:采用SMO算法解决QP问题;
[0043] 4:选择一对yi和yj进行启发式更新(所选数据将使结果接近全局最大值);
[0044] 5:根据所选择的yi和yj优化QP问题;
[0045] 6:若目标函数不收敛,重复4,5;
[0046] 7:得到分类函数 并依据h(x)分类函数进行分类。其中K(x,P(l))=φ(x)·φ(P(l))表示核函数,b0,bi为分界面参数,sgn函数为符号函数。
[0047] 得到采用概率向量时的训练时间与分类延迟。
[0048] 步骤六:将步骤三中的能量向量利用模糊支持向量机(FSVM)算法进行训练,步骤类似步骤五中的伪代码。得到采用能量向量的训练时间与分类延迟。
[0049] 步骤七:将步骤五与步骤六中的训练时间与分类延迟进行比较。
[0050]
[0051] 表1列出了在具有1个主要用户(PU)和2个次级用户(SU)的认知无线电网络(CRN)中,模糊支持向量机(FSVM)算法分别采用能量向量与概率向量的训练时间。随着训练样本的增加,训练时间延长。并且采用能量向量与概率向量在这一认知无线电网络(CRN)中的训练时间非常接近,没有明显差别,因为能量向量与概率向量都是二维向量。
[0052] 表2列出了两种算法的分类延迟。根据式(15),模糊支持向量机(FSVM)的分类延迟不仅受到被分类向量维数的影响,还会受到支持向量数量的影响,而随着样本数量的增加,支持向量数量也会增加,因此分类延迟也增加。而对于能量向量和概率向量,分类延迟非常接近,并无明显的差别。
[0053] 表3列出了在具有1个主要用户(PU)与16个次级用户(SU)的较大规模的认知无线电网络(CRN)中,模糊支持向量机(FSVM)算法分别采用能量向量与概率向量的训练时间。与表1相同,随着训练样本的增加,训练时间也延长。与表1不同的是,采用能量向量与概率向量的训练持续时间随着样本数量的增加幅度产生较大的差别。这是因为概率向量是2维向量,对于训练时间表现出稳定性。当然,在16维能量向量转换为2维概率向量的过程中不可避免牺牲了一定的时间,因此,采用概率向量比表1中的时间略有增加。但是这种增加远低于采用能量向量所导致的训练时间的巨额提升。
[0054] 表4列出了模糊支持向量机(FSVM)算法分别采用能量向量与概率向量的分类延迟。采用16维能量向量时模糊支持向量机(FSVM)的分类延迟比表2中增加了许多,采用概率向量的分类延迟与表2中非常接近。并且采用概率向量比采用能量向量有更低的分类延迟。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈