高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度卷积神经网络的协作频谱感知方法

盖建新 薛宪峰 吴静谊 南瑞祥

盖建新, 薛宪峰, 吴静谊, 南瑞祥. 基于深度卷积神经网络的协作频谱感知方法[J]. 电子与信息学报. doi: 10.11999/JEIT201005
引用本文: 盖建新, 薛宪峰, 吴静谊, 南瑞祥. 基于深度卷积神经网络的协作频谱感知方法[J]. 电子与信息学报. doi: 10.11999/JEIT201005
Jianxin GAI, Xianfeng XUE, Jingyi WU, Ruixiang NAN. Cooperative Spectrum Sensing Method Based on Deep Convolutional Neural Network[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT201005
Citation: Jianxin GAI, Xianfeng XUE, Jingyi WU, Ruixiang NAN. Cooperative Spectrum Sensing Method Based on Deep Convolutional Neural Network[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT201005

基于深度卷积神经网络的协作频谱感知方法

doi: 10.11999/JEIT201005
基金项目: 国家自然科学基金(61501150),黑龙江省自然科学基金(QC2014C074),黑龙江省省属本科高校基本科研业务费科研项目(2018-KYYWF-1656)
详细信息
    作者简介:

    盖建新:男,1980年生,博士,副教授,研究方向为频谱感知、机器学习、亚奈奎斯特采样理论、压缩感知等

    薛宪峰:男,1996年生,硕士生,研究方向为深度学习

    吴静谊:女,1996年生,硕士生,研究方向为压缩感知

    南瑞祥:男,1996年生,硕士生,研究方向为通信信号处理

    通讯作者:

    盖建新 jxgai@hrbust.edu.cn

  • 中图分类号: TN911

Cooperative Spectrum Sensing Method Based on Deep Convolutional Neural Network

Funds: The National Natural Science Foundation of China (61501150), The Natural Science Foundation of Heilongjiang Province (QC2014C074), The Fundamental Research Funds for the Universities in Heilongjiang Province (2018-KYYWF-1656)
  • 摘要: 针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。
  • 图  1  频谱感知模型

    图  2  QPSK系统框图

    图  3  DCNN的块结构

    图  4  简化的DCNN结构

    图  5  DCNN的结构框图

    图  6  基本RLM

    图  7  DCNN, CNN准确率随网络层数的变化

    图  8  不同非授权用户数的DCNN分类准确率随网络层数的变化

    图  9  DCNN, CNN的准确率随迭代次数的变化

    图  10  DCNN, CNN的损失随迭代次数的变化

    图  11  DCNN, CNN和SVM在不同SNR下的检测概率

    图  12  DCNN, CNN和SVM频谱感知方法的ROC曲线

    表  1  DCNN的结构参数

     输入:采样协方差矩阵 (维度: 40 × 40)
     DCNN的各层卷积核大小
     输入层 Null
     卷积层 8@(3×3)
     RLM1 8@(1×1)8@(3×3)8@(1×1)
     RLM2 8@(1×1)8@(3×3)8@(1×1)
     捷径连接卷积层1 16@(1×1)
     RLM3 16@(1×1)16@(3×3)16@(1×1)
     RLM4 16@(1×1)16@(3×3)16@(1×1)
     捷径连接卷积层2 32@(1×1)
     RLM5 32@(1×1)32@(3×3)32@(1×1)
     RLM6 32@(1×1)32@(3×3)32@(1×1)
     全连接2 × 1
     输出:特征向量 (维度: 2 × 1)
    下载: 导出CSV

    表  2  DCNN协作频谱感知算法

     基于DCNN的协作频谱感知算法
     输入:训练样本$\{ ({ {{\mathit{\boldsymbol{x}}} }^{(1)} },{ {{\mathit{\boldsymbol{y}}} }^{(1)} }), ··· ({ {{\mathit{\boldsymbol{x}}} }^{(m)} },{ {{\mathit{\boldsymbol{y}}} }^{(m)} })\}$,权值${{\mathit{\boldsymbol{W}}}}$,测试样本$\{ ({ {{\mathit{\boldsymbol{x}}} }^{(m + 1)} },{ {{\mathit{\boldsymbol{y}}} }^{(m + 1)} }), ···, ({ {{\mathit{\boldsymbol{x}}} }^{(m + n)} },{ {{\mathit{\boldsymbol{y}}} }^{(m + n)} })\}$
     输出:检测概率${P_{\rm{d}}}$和虚警概率${P_{{\rm{af}}}}$
     步骤1:(训练阶段)输入训练样本$\{ ({ {{\mathit{\boldsymbol{x}}} }^{(1)} },{ {{\mathit{\boldsymbol{y}}} }^{(1)} }), ···,({ {{\mathit{\boldsymbol{x}}} }^{(m)} },{ {{\mathit{\boldsymbol{y}}} }^{(m)} })\}$。
     步骤2:Loop
        ${{{\mathit{\boldsymbol{x}}}}_{\rm{0}}}{\rm{ = }}f{(}{{{\mathit{\boldsymbol{W}}}}_{{\rm{ - 1}}}} \times {{{\mathit{\boldsymbol{x}}}}^{(m)}})$
        迭代计算l = 0, 3, 6, 9, 12, 15时的输出
        ${ {{\mathit{\boldsymbol{x}}} }_L} = { {{\mathit{\boldsymbol{x}}} }_l} + \displaystyle\sum\nolimits_{i = l}^{L - 1} {F({ {{\mathit{\boldsymbol{x}}} }_i},\{ { {{\mathit{\boldsymbol{W}}} }_i}{\rm{\} } })}$,L=l+3
        依次得到${{{\mathit{\boldsymbol{x}}}}_3}$, ${{{\mathit{\boldsymbol{x}}}}_6}$, ${{{\mathit{\boldsymbol{x}}}}_9}$, ${{{\mathit{\boldsymbol{x}}}}_{12}}$, ${{{\mathit{\boldsymbol{x}}}}_{15}}$, ${{{\mathit{\boldsymbol{x}}}}_{18}}$
        按照式(16)更新$ {\widehat{y}}^{(m)}$
        Until
        ${\rm{loss}} = \dfrac{1}{2}\displaystyle\sum\limits_{k = 1}^c { { {\left\| { { { {\hat{\mathit{\boldsymbol{y}}} } }^{(m)} }(k) - { {{\mathit{\boldsymbol{y}}} }^{(m)} }(k)} \right\|}^{ {\rm{ } }2} } }$收敛
     步骤3:(测试阶段)将测试集数据$\{ ({ {{\mathit{\boldsymbol{x}}} }^{(m + 1)} },{ {{\mathit{\boldsymbol{y}}} }^{(m + 1)} }),···, ({ {{\mathit{\boldsymbol{x}}} }^{(m + n)} },{ {{\mathit{\boldsymbol{y}}} }^{(m + n)} })\}$输入训练好的DCNN模型中,正确识别授权用户发射信号的样本数为${k_{{\rm{signal}}}}$,正确识别纯噪声的样本数为${k_{{\rm{noise}}}}$。
     步骤4:计算检测概率${P_{\rm{d} } } = { { {k_{ {\rm{signal} } } } } }/{n}$,虚警概率${P_{ {\rm{af} } } } = ({ {n - {k_{ {\rm{noise} } } } } })/{n}$。
    下载: 导出CSV

    表  3  3种算法的离线训练和在线检测时间(s)

    离线训练时间在线检测时间
    DCNN_5L19.261.66
    CNN_5L22.462.68
    DCNN_21L33.923.82
    CNN_21L229.934.87
    SVM14.004.70
    下载: 导出CSV
  • [1] DIGHAM F F, ALOUINI M S, and SIMON M K. On the energy detection of unknown signals over fading channels[J]. IEEE Transactions on Communications, 2007, 55(1): 21–24. doi:  10.1109/TCOMM.2006.887483
    [2] YANG Mingchuan, LI Yuan, LIU Xiaofeng, et al. Cyclostationary feature detection based spectrum sensing algorithm under complicated electromagnetic environment in cognitive radio networks[J]. China Communications, 2015, 12(9): 35–44. doi:  10.1109/CC.2015.7275257
    [3] ZHANG Xinzhi, GAO Feifei, CHAI Rong, et al. Matched filter based spectrum sensing when primary user has multiple power levels[J]. China Communications, 2015, 12(2): 21–31. doi:  10.1109/CC.2015.7084399
    [4] 王磊, 郑宝玉, 李雷. 基于随机矩阵理论的协作频谱感知[J]. 电子与信息学报, 2009, 31(8): 1925–1929. doi:  10.3724/SP.J.1146.2008.01154

    WANG Lei, ZHENG Baoyu, and LI Lei. Cooperative spectrum sensing based on random matrix theory[J]. Journal of Electronics &Information Technology, 2009, 31(8): 1925–1929. doi:  10.3724/SP.J.1146.2008.01154
    [5] 许炜阳, 李有均, 徐宏乾, 等. 基于随机矩阵非渐近谱理论的协作频谱感知算法研究[J]. 电子与信息学报, 2018, 40(1): 123–129. doi:  10.11999/JEIT170309

    XU Weiyang, LI Youjun, XU Hongqian, et al. Study on cooperative spectrum sensing algorithm based on random matrix non-asymptotic spectral theory[J]. Journal of Electronics &Information Technology, 2018, 40(1): 123–129. doi:  10.11999/JEIT170309
    [6] ZHOU Fuhui, BEAULIEU N C, LI Zan, et al. Feasibility of maximum eigenvalue cooperative spectrum sensing based on Cholesky factorisation[J]. IET Communications, 2016, 10(2): 199–206. doi:  10.1049/iet-com.2015.0252
    [7] THILINA K M, CHOI K W, SAQUIB N, et al. Machine learning techniques for cooperative spectrum sensing in cognitive radio networks[J]. IEEE Journal on Selected Areas in Communications, 2013, 31(11): 2209–2221. doi:  10.1109/JSAC.2013.131120
    [8] BAO Jianrong, NIE Jianyuan, LIU Chao, et al. Improved blind spectrum sensing by covariance matrix cholesky decomposition and RBF-SVM decision classification at low SNRs[J]. IEEE Access, 2019, 7: 97117–97129. doi:  10.1109/ACCESS.2019.2929316
    [9] 陈思吉, 王欣, 申滨. 一种基于支持向量机的认知无线电频谱感知方案[J]. 重庆邮电大学学报: 自然科学版, 2019, 31(3): 313–322. doi:  10.3979/j.issn.1673-825X.2019.03.005

    CHEN Siji, WANG Xin, and SHEN Bin. A support vector machine based spectrum sensing for cognitive radios[J]. Journal of Chongqing University of Posts and Telecommunications:Natural Science Edition, 2019, 31(3): 313–322. doi:  10.3979/j.issn.1673-825X.2019.03.005
    [10] YU Chunyan, ZHAO Meng, SONG Meiping, et al. Hyperspectral image classification method based on CNN architecture embedding with hashing semantic feature[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(6): 1866–1881. doi:  10.1109/JSTARS.2019.2911987
    [11] YU Chunyan, HAN Rui, SONG Meiping, et al. A simplified 2D-3D CNN architecture for hyperspectral image classification based on spatial–spectral fusion[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 2485–2501. doi:  10.1109/JSTARS.2020.2983224
    [12] MAFFEI A, HAUT J M, PAOLETTI M E, et al. A single model CNN for hyperspectral image denoising[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(4): 2516–2529. doi:  10.1109/TGRS.2019.2952062
    [13] CHEN Yushi, ZHU Kaiqiang, ZHU Lin, et al. Automatic design of convolutional neural network for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 7048–7066. doi:  10.1109/TGRS.2019.2910603
    [14] LIU Chang, WANG Jie, LIU Xuemeng, et al. Deep CM-CNN for spectrum sensing in cognitive radio[J]. IEEE Journal on Selected Areas in Communications, 2019, 37(10): 2306–2321. doi:  10.1109/JSAC.2019.2933892
    [15] LEE W, KIM M, and CHO D H. Deep cooperative sensing: Cooperative spectrum sensing based on convolutional neural networks[J]. IEEE Transactions on Vehicular Technology, 2019, 68(3): 3005–3009. doi:  10.1109/TVT.2019.2891291
    [16] 张孟伯, 王伦文, 冯彦卿. 基于卷积神经网络的OFDM频谱感知方法[J]. 系统工程与电子技术, 2019, 41(1): 178–186. doi:  10.3969/j.issn.1001-506X.2019.01.25

    ZHANG Mengbo, WANG Lunwen, and FENG Yanqing. OFDM spectrum sensing method based on convolutional neural networks[J]. Systems Engineering and Electronics, 2019, 41(1): 178–186. doi:  10.3969/j.issn.1001-506X.2019.01.25
    [17] MARSHALL J A. Neural networks for pattern recognition: By Albert Nigrin, MIT Press, Cambridge, MA: 1993, $45.00 413 pp., ISBN 0-262-14054-3[J]. Neural Networks, 1995, 8(3): 493–494. doi:  10.1016/0893-6080(95)90002-0
    [18] JAMES D A. Reviewed work: Modern applied statistics with S-PLUS by W. N. Venables, B. D. Ripley[J]. Technometrics, 1996, 38(1): 77–78. doi:  10.2307/1268908
    [19] WITTEK P. Pattern recognition and neural networks[M]. WITTEK P. Quantum Machine Learning. Amsterdam: Elsevier, 2014: 63–71. doi:  10.1016/b978-0-12-800953-6.00006-2.
    [20] 孙月驰, 李冠. 基于卷积神经网络嵌套模型的人群异常行为检测[J]. 计算机应用与软件, 2019, 36(3): 196–201, 276. doi:  10.3969/j.issn.1000-386x.2019.03.036

    SUN Yuechi and LI Guan. Abnormal behavior detection of crowds based on nested model of convolutional neural network[J]. Computer Applications and Software, 2019, 36(3): 196–201, 276. doi:  10.3969/j.issn.1000-386x.2019.03.036
  • [1] 兰红, 方治屿.  零样本图像识别, 电子与信息学报. 2020, 42(5): 1188-1200. doi: 10.11999/JEIT190485
    [2] 杜永兆, 范宇凌, 柳培忠, 唐加能, 骆炎民.  多种群协方差学习差分进化算法, 电子与信息学报. 2019, 41(6): 1488-1495. doi: 10.11999/JEIT180670
    [3] 王鑫, 李可, 宁晨, 黄凤辰.  基于深度卷积神经网络和多核学习的遥感图像分类方法, 电子与信息学报. 2019, 41(5): 1098-1105. doi: 10.11999/JEIT180628
    [4] 赵斐, 张文凯, 闫志远, 于泓峰, 刁文辉.  基于多特征图金字塔融合深度网络的遥感图像语义分割, 电子与信息学报. 2019, 41(10): 2525-2531. doi: 10.11999/JEIT190047
    [5] 盖杉, 鲍中运.  基于改进深度卷积神经网络的纸币识别研究, 电子与信息学报. 2019, 41(8): 1992-2000. doi: 10.11999/JEIT181097
    [6] 黄河, 袁超伟.  基于动态自适应双门限能量检测的序贯协作频谱感知算法, 电子与信息学报. 2018, 40(5): 1037-1043. doi: 10.11999/JEIT170731
    [7] 吕晓琪, 吴凉, 谷宇, 张明, 李菁.  基于深度卷积神经网络的低剂量CT肺部去噪, 电子与信息学报. 2018, 40(6): 1353-1359. doi: 10.11999/JEIT170769
    [8] 王海, 蔡英凤, 贾允毅, 陈龙, 江浩斌.  基于深度卷积神经网络的场景自适应道路分割算法, 电子与信息学报. 2017, 39(2): 263-269. doi: 10.11999/JEIT160329
    [9] 许华健, 杨志伟, 廖桂生, 田敏.  一种稳健的非均匀杂波协方差矩阵估计方法, 电子与信息学报. 2017, 39(5): 1036-1043. doi: 10.11999/JEIT160747
    [10] 李海, 刘新龙, 蒋婷, 吴仁彪.  基于随机矩阵理论和最小描述长度的机载前视阵雷达杂波自由度估计, 电子与信息学报. 2016, 38(12): 3224-3229. doi: 10.11999/JEIT160132
    [11] 张政保, 姚少林, 许鑫, 刘广凯.  基于扩散策略的实时分布式协作频谱检测算法, 电子与信息学报. 2015, 37(12): 2858-2865. doi: 10.11999/JEIT150460
    [12] 毛琳琳, 张群飞, 黄建国, 史文涛, 韩晶.  基于互相关协方差矩阵的改进多重信号分类高分辨波达方位估计方法, 电子与信息学报. 2015, 37(8): 1886-1891. doi: 10.11999/JEIT141208
    [13] 王炯滔, 金明, 李有明, 高洋.  基于Friedman检验的非参数协作频谱感知方法, 电子与信息学报. 2014, 36(1): 61-66. doi: 10.3724/SP.J.1146.2013.00461
    [14] 刘洋, 崔颖, 李鸥.  认知无线电网络中次用户平均吞吐量的优化, 电子与信息学报. 2014, 36(7): 1680-1685. doi: 10.3724/SP.J.1146.2013.01177
    [15] 栾红志, 李鸥.  一种高效的协作频谱感知架构, 电子与信息学报. 2014, 36(5): 1158-1163. doi: 10.3724/SP.J.1146.2013.00925
    [16] 赵晓晖, 李晓燕.  认知无线电中基于阵列天线和协方差矩阵的频谱感知算法, 电子与信息学报. 2014, 36(7): 1693-1698. doi: 10.3724/SP.J.1146.2013.01057
    [17] 栾红志, 李鸥.  基于删除的协作频谱感知分析与优化, 电子与信息学报. 2013, 35(11): 2566-2571. doi: 10.3724/SP.J.1146.2012.01702
    [18] 李鹏飞, 钟子发, 张旻.  未知信源数目的DOA估计方法, 电子与信息学报. 2012, 34(3): 576-581. doi: 10.3724/SP.J.1146.2011.00611
    [19] 谢洪森, 邹鲲.  一种非均匀场景复合高斯杂波下的自适应检测器, 电子与信息学报. 2011, 33(10): 2433-2437. doi: 10.3724/SP.J.1146.2010.01412
    [20] 曹向海, 刘宏伟, 吴顺君.  基于在线Music算法的DOA估计, 电子与信息学报. 2008, 30(11): 2658-2661. doi: 10.3724/SP.J.1146.2007.00565
  • 加载中
图(12) / 表(3)
计量
  • 文章访问数:  54
  • HTML全文浏览量:  18
  • PDF下载量:  15
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-30
  • 修回日期:  2021-03-12
  • 网络出版日期:  2021-03-25

目录

    /

    返回文章
    返回

    官方微信,欢迎关注