傳統(tǒng)頻譜感知算法性能在低信噪比下不夠理想,在高信噪比下較好,算法性能隨信噪比降低逐漸變差。本文提出了基于信號能量分布擬合優(yōu)度的長短時記憶網(wǎng)絡頻譜感知算法,利用授權用戶信號存在時的接收信號為基礎,計算接收信號的能量分布,并將通過擬合優(yōu)度算法得到的距離值作為特征構造特征向量,然后將特征向量輸入長短時記憶網(wǎng)絡訓練得到模型,最后將測試數(shù)據(jù)輸入訓練模型進行預測,從而實現(xiàn)頻譜感知。仿真結果表明,本文提出的新算法在信噪比為-13 dB,采樣點數(shù)為28時,檢測概率達到96.21%,明顯優(yōu)于傳統(tǒng)能量檢測算法和傳統(tǒng)擬合優(yōu)度算法。 

【文章來源】：信號處理. 2020,36(07)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

LSTM神經(jīng)元結構圖

得到擬合優(yōu)度距離值后,構造特征向量集,分成了訓練數(shù)據(jù)集和測試數(shù)據(jù)集,然后輸入LSTM模型進行訓練并不斷優(yōu)化準確率,最后得到良好的頻譜感知模型。模型建立和訓練的流程圖如下圖3。圖3 頻譜感知模型訓練和建立流程圖

圖2 信號能量分布及擬合優(yōu)度距離的提取過程圖LSTM網(wǎng)絡模型中輸入層數(shù)為4,LSTM神經(jīng)網(wǎng)絡的輸出層為2,LSTM隱含層節(jié)點個數(shù)為64,隱含層層數(shù)為1。設擬合優(yōu)度距離值A Ν 2 ,信號能量值為E,AD檢驗的臨界值為CV,觀察到觀極端檢驗統(tǒng)計量的概率P,特征向量便由以上四個分量組成,其中概率P定義為:當原假設為真時,比所得到的樣本觀察結果更極端的結果出現(xiàn)的概率,即檢驗原假設成立或表現(xiàn)更嚴重的可能性。統(tǒng)計學中P值反映了結果的真實程度,本文中P值衡量了距離值A Ν 2 的可信程度,為LSTM處理一些極端數(shù)據(jù)時提供判斷依據(jù),從而能夠提升分類效果。LSTM神經(jīng)網(wǎng)絡的輸出的是對主信號存在與否的分類結果,在程序中表現(xiàn)為輸出“0”和“1”,所以LSTM神經(jīng)網(wǎng)絡的輸出層為2。LSTM隱含層節(jié)點個數(shù)影響模型的訓練時間和準確率,隱含層節(jié)點個數(shù)與輸入序列長度有關,一般為2n(n為整數(shù)),且接近輸入序列長度的一半,本文中特征向量分量的長度為50～100,故選取隱含層64節(jié)點個數(shù);實驗仿真中發(fā)現(xiàn)隱含層層數(shù)對實驗結果的影響不大,為了節(jié)約時間成本,故隱含層層數(shù)選取1層。因篇幅限制,相關參數(shù)的選取過程不作過多展開。LSTM神經(jīng)網(wǎng)絡為實現(xiàn)分類效果,需在網(wǎng)絡模型中加入Softmax Layer[18]以達到分類效果。本文中研究的是頻譜感知問題,即授權用戶存在與否的問題,在模型中就簡化為‘0’和‘1’的問題。


本文編號：3060048