發(fā)布時(shí)間：2020-05-15 08:44

【摘要】：近年來,無線業(yè)務(wù)的迅猛增長造成了無線頻譜資源十分緊缺的局面。為了解決該問題,人們提出了一種基于認(rèn)知無線電的頻譜共享思路:讓次級(jí)用戶在不影響主用戶正常使用的情況下與主用戶共享授權(quán)頻段。如果已知主用戶信號(hào)的特征信息,主用戶和次級(jí)用戶就能更好地實(shí)現(xiàn)頻譜共享。另一方面,隨著計(jì)算機(jī)硬件水平的提升和數(shù)據(jù)的海量增長,深度學(xué)習(xí)已經(jīng)成為當(dāng)前的研究熱點(diǎn)。本文將深度學(xué)習(xí)應(yīng)用在認(rèn)知無線電領(lǐng)域,利用深度神經(jīng)網(wǎng)絡(luò)分析主用戶信號(hào),促進(jìn)頻譜共享的應(yīng)用和發(fā)展,緩解當(dāng)前頻譜資源緊缺的現(xiàn)狀。本文首先介紹了認(rèn)知無線電的背景、定義以及關(guān)鍵技術(shù),同時(shí)詳細(xì)闡述了深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)。之后,論文給出了認(rèn)知無線電系統(tǒng)接收端接收到的主用戶信號(hào)表達(dá)式,設(shè)計(jì)了一系列適用于深度學(xué)習(xí)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理方式,并通過實(shí)驗(yàn)選擇最佳的預(yù)處理方式作為本文的數(shù)據(jù)表達(dá)。接下來,論文討論了主用戶信號(hào)數(shù)字調(diào)制方式識(shí)別任務(wù)�；诰矸e神經(jīng)網(wǎng)絡(luò)和預(yù)處理的星座圖數(shù)據(jù),訓(xùn)練得到了主用戶調(diào)制方式分類器。該分類器和傳統(tǒng)的基于高階累計(jì)量和支持向量機(jī)的識(shí)別算法相比,一方面不需要手動(dòng)提取特征,另一方面在低信噪比條件下獲得了更高的識(shí)別精度。然后,論文研究到認(rèn)知無線電系統(tǒng)中存在干擾信號(hào)的情況,設(shè)計(jì)了一種基于深度學(xué)習(xí)的信號(hào)干擾分析算法。該算法綜合考慮多信號(hào)影響,不僅能夠在干擾條件下識(shí)別出主用戶信號(hào),還能分析出干擾的調(diào)制方式。仿真結(jié)果表明,本文設(shè)計(jì)的算法在多種條件下均具有較好的性能。最后,針對(duì)主用戶信號(hào)的信噪比估計(jì)任務(wù),論文設(shè)計(jì)了一種基于深度學(xué)習(xí)的估計(jì)方法。該方法利用不同信噪比條件下星座圖的不同樣式來完成模型訓(xùn)練和結(jié)果推斷。與現(xiàn)有的基于二階矩四階矩和信號(hào)變化率的估計(jì)方法相比,本文方法能夠有效減小信噪比估計(jì)值的歸一化均方誤差。
【圖文】：

活函數(shù)得到卷積層的輸出。其中激活函數(shù)的作用是保證卷積層的輸出在一個(gè)指定的范圍內(nèi)的映射函數(shù)。通常將卷積層的輸出稱作特征圖，每一個(gè)卷積核經(jīng)過計(jì)算都會(huì)產(chǎn)生一個(gè)特征圖。圖1.3展示了卷積層的計(jì)算過程。圖1.3 卷積核的計(jì)算過程2、池化層。通過卷積層的計(jì)算后，，輸出的特征圖理論上可以直接進(jìn)行下一步特征的高階學(xué)習(xí)或者直接輸入全連接層進(jìn)行特征整合后分類。但是由于特征圖的數(shù)量多，在實(shí)際應(yīng)用中如果直接利用卷積后的特征圖進(jìn)行下一步操作，會(huì)導(dǎo)致特征圖的計(jì)算量過大，而且容易造成過擬合現(xiàn)象。此時(shí)需要減少網(wǎng)絡(luò)參數(shù)，降低計(jì)算復(fù)雜度，所以通常在卷積層之后連接一個(gè)下采樣層。這一下采樣過程可以理解為，通過卷積層計(jì)算后輸出的特征圖是針對(duì)每一個(gè)像素點(diǎn)進(jìn)行計(jì)算得到的，而相鄰的像素點(diǎn)間的特征差別往往不大，故可以通過一個(gè)下采樣操作整合特征圖，在降低后續(xù)計(jì)算量的同時(shí)降低特征維度。但這種操作又不會(huì)損失原始圖像的有效信息。常見的池化方式有兩種：最大池化和平均池化。池化操作同樣的

9圖1.4 最大池化和平均池化操作計(jì)算過程池化層的本質(zhì)是用一個(gè)統(tǒng)計(jì)值來表示圖像的局部區(qū)域。這種操作能夠有效減少網(wǎng)絡(luò)的計(jì)算量且在一定程度上緩解過擬合，提高網(wǎng)絡(luò)的泛化能力。另外，池化操作還讓圖像特征具有一定程度的平移不變性。由于經(jīng)過池化層后圖像的某一個(gè)局部特征都由同一個(gè)統(tǒng)計(jì)值來表示，這意味著如果將圖像平移一段小的距離，該區(qū)域的特征值還是由該統(tǒng)計(jì)值來表示。在許多實(shí)際應(yīng)用中，都需要系統(tǒng)具備平移不變性的特性。3、全連接層。全連接層可以理解為一種特殊的卷積層。在卷積層中，神經(jīng)元與上一層的輸出之間是局部連接，共享權(quán)值。而全連接層中的每一個(gè)神經(jīng)元都與上層的所有輸出單元全部連接，這樣做的目的是將之前提取到的特征進(jìn)行融合，用作分類或者回歸任務(wù)。另外，由于每個(gè)節(jié)點(diǎn)全部連接，全連接層的計(jì)算參數(shù)在網(wǎng)絡(luò)的總計(jì)算參數(shù)中占了很大的比例。1.3 文本主要工作安排本文主要研究針對(duì)認(rèn)知無線電系統(tǒng)中主用戶信號(hào)的分析。利用深度學(xué)習(xí)網(wǎng)絡(luò)與接收端接收到的主用戶信號(hào)數(shù)據(jù)
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN925;TP181

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 韓立燁;融合數(shù)據(jù)預(yù)處理的機(jī)器學(xué)習(xí)在電力預(yù)測(cè)中的應(yīng)用研究[D];華北電力大學(xué)(北京);2016年

本文編號(hào)：2664770