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(hào)能量分布擬合優(yōu)度的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)頻譜感知算法,利用授權(quán)用戶信號(hào)存在時(shí)的接收信號(hào)為基礎(chǔ),計(jì)算接收信號(hào)的能量分布,并將通過(guò)擬合優(yōu)度算法得到的距離值作為特征構(gòu)造特征向量,然后將特征向量輸入長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)訓(xùn)練得到模型,最后將測(cè)試數(shù)據(jù)輸入訓(xùn)練模型進(jìn)行預(yù)測(cè),從而實(shí)現(xiàn)頻譜感知。仿真結(jié)果表明,本文提出的新算法在信噪比為-13 dB,采樣點(diǎn)數(shù)為28時(shí),檢測(cè)概率達(dá)到96.21%,明顯優(yōu)于傳統(tǒng)能量檢測(cè)算法和傳統(tǒng)擬合優(yōu)度算法。 

【文章來(lái)源】：信號(hào)處理. 2020,36(07)北大核心

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

LSTM神經(jīng)元結(jié)構(gòu)圖

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

圖2 信號(hào)能量分布及擬合優(yōu)度距離的提取過(guò)程圖LSTM網(wǎng)絡(luò)模型中輸入層數(shù)為4,LSTM神經(jīng)網(wǎng)絡(luò)的輸出層為2,LSTM隱含層節(jié)點(diǎn)個(gè)數(shù)為64,隱含層層數(shù)為1。設(shè)擬合優(yōu)度距離值A(chǔ) Ν 2 ,信號(hào)能量值為E,AD檢驗(yàn)的臨界值為CV,觀察到觀極端檢驗(yàn)統(tǒng)計(jì)量的概率P,特征向量便由以上四個(gè)分量組成,其中概率P定義為:當(dāng)原假設(shè)為真時(shí),比所得到的樣本觀察結(jié)果更極端的結(jié)果出現(xiàn)的概率,即檢驗(yàn)原假設(shè)成立或表現(xiàn)更嚴(yán)重的可能性。統(tǒng)計(jì)學(xué)中P值反映了結(jié)果的真實(shí)程度,本文中P值衡量了距離值A(chǔ) Ν 2 的可信程度,為L(zhǎng)STM處理一些極端數(shù)據(jù)時(shí)提供判斷依據(jù),從而能夠提升分類效果。LSTM神經(jīng)網(wǎng)絡(luò)的輸出的是對(duì)主信號(hào)存在與否的分類結(jié)果,在程序中表現(xiàn)為輸出“0”和“1”,所以LSTM神經(jīng)網(wǎng)絡(luò)的輸出層為2。LSTM隱含層節(jié)點(diǎn)個(gè)數(shù)影響模型的訓(xùn)練時(shí)間和準(zhǔn)確率,隱含層節(jié)點(diǎn)個(gè)數(shù)與輸入序列長(zhǎng)度有關(guān),一般為2n(n為整數(shù)),且接近輸入序列長(zhǎng)度的一半,本文中特征向量分量的長(zhǎng)度為50～100,故選取隱含層64節(jié)點(diǎn)個(gè)數(shù);實(shí)驗(yàn)仿真中發(fā)現(xiàn)隱含層層數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響不大,為了節(jié)約時(shí)間成本,故隱含層層數(shù)選取1層。因篇幅限制,相關(guān)參數(shù)的選取過(guò)程不作過(guò)多展開(kāi)。LSTM神經(jīng)網(wǎng)絡(luò)為實(shí)現(xiàn)分類效果,需在網(wǎng)絡(luò)模型中加入Softmax Layer[18]以達(dá)到分類效果。本文中研究的是頻譜感知問(wèn)題,即授權(quán)用戶存在與否的問(wèn)題,在模型中就簡(jiǎn)化為‘0’和‘1’的問(wèn)題。


本文編號(hào)：3060048