【摘要】：頻譜感知是組建認知無線電系統(tǒng)首要解決的問題,其意義在于使無線通信設(shè)備能夠?qū)崟r且準(zhǔn)確地感知所處的射頻環(huán)境,發(fā)現(xiàn)并確定“頻譜空洞”,以便合理利用。本論文從兩個角度出發(fā),一方面針對基于特征匹配的盲頻譜感知技術(shù)檢測概率較低,相鄰時刻采樣協(xié)方差矩陣特征向量關(guān)系分析不足的問題,提出了基于Hausdorff距離的盲頻譜感知算法,以Hausdorff距離來作為衡量相鄰檢測單元特征向量關(guān)系的參數(shù),并以隨機矩陣相關(guān)定論和采樣協(xié)方差矩陣特征值的特性為基礎(chǔ),推導(dǎo)出檢測門限值和檢測概率的理論值。通過實驗仿真將所改進的方法和傳統(tǒng)的頻譜感知算法進行了對比,可以得出在信噪比為-15dB時,基于Hausdorff距離的盲頻譜感知算法的接收機工作特性曲線明顯優(yōu)于基于特征匹配的盲頻譜感知算法。另一方面,在研究頻譜感知方法的過程中發(fā)現(xiàn),隨著大數(shù)據(jù)時代的到來以及計算能力的提升,傳統(tǒng)的頻譜感知算法不能有效利用信道內(nèi)存在的信息,亦不能滿足認知無線電系統(tǒng)的智能性要求等問題較為突出。遂將深度學(xué)習(xí)方法應(yīng)用到認知無線電頻譜感知過程中。并以此為本論文研究重點,提出了基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的頻譜感知算法。為了使CNN方法能夠有效地處理頻譜感知問題,我們量化了CNN結(jié)構(gòu),并通過所提取的信號的能量特征和循環(huán)譜特征構(gòu)建的訓(xùn)練集進行CNN訓(xùn)練,確立合適的頻譜感知模型。進而對接收到的信號進行頻譜感知,判斷出授權(quán)用戶信號的存在與否。為了驗證所提算法,通過對調(diào)制信號進行仿真實驗可知,完全能夠構(gòu)建合適的CNN頻譜感知模型,并且相較于其他基于機器學(xué)習(xí)的頻譜感知算法檢測概率有明顯的提升。
【學(xué)位授予單位】：長春理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TN925;TP181
【圖文】：

圖 3.2 神經(jīng)元原理模型線性函數(shù)的原因在于，在實際樣本分類過程中，示，簡單的線性分割顯然不能夠?qū)煞N分別開來通過非線性的映射將其劃分。圖 3.3 二維線性不可分

那么這一層神經(jīng)元個數(shù)為 14*14�？捎�(xùn)練個數(shù) 6*（1+1）。4. C3 層：這一層是卷積層。鑒于 S2 層具有多組特征映射，所以提出這樣的假設(shè)連接機制：S2 層的特征映射的每 3 個連續(xù)子集確定 C3 層的最開始的 6 個特征。S2 層的特征映射的每四個子集確定接下來的 6 個特征映射。S2 層的特征映射的每 4 個不連續(xù)子集確定再接下來的 3 個特征映射，S2 層所有特征映射確定 C3 層最后一個特征映射。這樣共有 60 個濾波器，大小是 5*5。得到 16 組大小為 10*10 的特征映射。C3 層的神經(jīng)元個數(shù)為 16*100�？捎�(xùn)練參數(shù)個數(shù)為(60*25+16)。5. S4 層：這一層是一個下采樣層，采用平均值函數(shù)，工作原理同得 S2 層。到16 組 5*5 大小的特征映射�？捎�(xùn)練參數(shù)個數(shù)為 16*2。6. C5 層：這是一個卷積層，得到 120 組大小為 1*1 的特征映射。每個特征映射與 S4 層的全部特征相連。有 120*16 個濾波器，大小是 5*5。C5 層的神經(jīng)元個數(shù)為 120，可訓(xùn)練參數(shù)個數(shù) 1920*25+120。7. F6 層：全連接層，設(shè)定 84 個神經(jīng)元，可訓(xùn)練參數(shù)個數(shù)為 84*（120+1）。8. 輸出層：10 個歐式徑向基函數(shù)對來自全連接的數(shù)據(jù)分類處理。下圖為 LeNet-5 結(jié)構(gòu)示意圖：

下采樣層 0.001 20 Mean全連接層 0.001 20 Softmax我們以 2PSK 主用戶信號為例。圖 4.3 表示的是在不同信噪比下，對 2PSK 信號進行頻譜檢測所獲得的損失函數(shù)變化曲線�？梢钥闯觯S著模型訓(xùn)練的進行，損失函數(shù)在遞減，說明模型在很好的訓(xùn)練，即模型在達到最優(yōu)的頻譜檢測效果。而且可以看出隨著信噪比的增加，更易進行模型訓(xùn)練。圖 4.3 卷積神經(jīng)網(wǎng)絡(luò)模型損失函數(shù)變化曲線圖 4.4 展示出了在不同信噪比情況下，對 2PSK 信號進行頻譜檢測，模型訓(xùn)練過程中權(quán)值的分布情況。Conv1 表示卷積層，Pool1 表示下采樣層

【參考文獻】

相關(guān)期刊論文 前6條

1 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報;2015年01期

2 徐家品;楊智;;基于隨機矩陣特征值比的頻譜感知改進算法[J];電波科學(xué)學(xué)報;2015年02期

3 盧光躍;彌寅;包志強;馮景瑜;;基于特征結(jié)構(gòu)的頻譜感知算法[J];西安郵電大學(xué)學(xué)報;2014年02期

4 王鑫;汪晉寬;劉志剛;龔志恒;;基于隨機森林的認知網(wǎng)絡(luò)頻譜感知算法[J];儀器儀表學(xué)報;2013年11期

5 王磊;鄭寶玉;崔景伍;;基于隨機矩陣?yán)碚摰念l譜感知技術(shù)研究綜述[J];信號處理;2011年12期

6 牛力丕;毛士藝;陳煒;;基于Hausdorff距離的圖像配準(zhǔn)研究[J];電子與信息學(xué)報;2007年01期

相關(guān)博士學(xué)位論文 前1條

1 朱安娜;基于卷積神經(jīng)網(wǎng)絡(luò)的場景文本定位及多方向字符識別研究[D];華中科技大學(xué);2016年

相關(guān)碩士學(xué)位論文 前9條

1 任陽暉;極限學(xué)習(xí)機算法及應(yīng)用研究[D];沈陽航空航天大學(xué);2017年

2 劉健;基于深度學(xué)習(xí)的溯源視頻目標(biāo)檢測與識別[D];東南大學(xué);2016年

3 程欣;基于深度學(xué)習(xí)的圖像目標(biāo)定位識別研究[D];電子科技大學(xué);2016年

4 李然;基于隨機矩陣?yán)碚摰念l譜感知算法研究[D];哈爾濱工業(yè)大學(xué);2015年

5 曹京京;Hausdorff距離的計算原理及其在二維匹配中的應(yīng)用[D];大連理工大學(xué);2013年

6 許可;卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上的應(yīng)用的研究[D];浙江大學(xué);2012年

7 唐玉潔;基于機器學(xué)習(xí)的認知無線電頻譜感知[D];哈爾濱工業(yè)大學(xué);2010年

8 須岳林;基于BP神經(jīng)網(wǎng)絡(luò)的印刷體字符識別系統(tǒng)的研究[D];南京航空航天大學(xué);2006年

9 黃琛;基于Hausdorff距離模板匹配的行人檢測算法研究與應(yīng)用[D];清華大學(xué);2006年

本文編號：2779169