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

基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知

申滨 王欣 陈思吉 崔太平

申滨, 王欣, 陈思吉, 崔太平. 基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知[J]. 电子与信息学报. doi: 10.11999/JEIT191012
引用本文: 申滨, 王欣, 陈思吉, 崔太平. 基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知[J]. 电子与信息学报. doi: 10.11999/JEIT191012
Bin SHEN, Xin WANG, Siji CHEN, Taiping CUI. Machine Learning Based Primary User Transmit Mode Classification for Spectrum Sensing in Cellular Cognitive Radio Network[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT191012
Citation: Bin SHEN, Xin WANG, Siji CHEN, Taiping CUI. Machine Learning Based Primary User Transmit Mode Classification for Spectrum Sensing in Cellular Cognitive Radio Network[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT191012

基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知

doi: 10.11999/JEIT191012
基金项目: 国家自然科学基金(61571073)
详细信息
    作者简介:

    申滨:男,1978年生,教授,研究方向为大规模MIMO系统、认知无线电等

    王欣:女,1992年生,硕士生,研究方向为认知无线电

    陈思吉:男,1993年生,硕士生,研究方向为认知无线电

    崔太平:男,1981年生,讲师,研究方向为认知无线电、车联网等

    通讯作者:

    申滨 shenbin@cqupt.edu.cn

  • 1 在CCRN中,由于SUE与其周围的多个蜂窝基站之间的无线链接,假设SUE的位置信息能够通过相应的定位方法较为精确地获得

Machine Learning Based Primary User Transmit Mode Classification for Spectrum Sensing in Cellular Cognitive Radio Network

Funds: The National Nature Science Foundation of China (61571073)
  • 摘要: 近年来,基于机器学习(ML)的频谱感知技术为认知无线电系统提供了新型的频谱状态监测解决方案。利用蜂窝认知无线电网络(CCRN)中的次级用户设备(SUE)所能提供的大量频谱观测数据,该文提出了一种基于主用户(PU)传输模式分类的频谱感知方案。首先,基于多种典型的ML算法,对于网络中的多个主用户发射机(PUT)的传输模式进行分类辨识,在网络整体层面上确定所有PUT的联合工作状态。然后,网络中的SUE根据其所处地理位置或者频谱观测数据,判断其在当前已判定的PUT发射模式下接入授权频谱的可能性。由于PUT在网络中的实际位置可能事先已知或者无法提前确定,该文给出了3种不同的处理方法。理论推导与实验结果表明,所提方案与传统的能量检测方案相比,不仅改善了频谱感知性能,还增加了蜂窝认知网络对于授权频谱的动态访问机会。该方案可以作为蜂窝认知无线电网络中的一种高效实用的频谱感知解决方案。
    注释:
    1)  1 在CCRN中,由于SUE与其周围的多个蜂窝基站之间的无线链接,假设SUE的位置信息能够通过相应的定位方法较为精确地获得
  • 图  1  仿真场景图

    图  2  PUT数量已知时,其传输模式分类准确率

    图  3  传输功率43 dBm时,8种PUT传输模式下网格标签图

    图  4  PUT传输功率为43 dBm时,网格分类性能

    算法1 基于能量值模板差值的PUT模式分类
     输入:${{{Y}}_m},\widehat {{Y}},G,$阈值$\varphi $
     输出:${\hat {{S}}^{(m)} }$
     初始化
     (1)  ${{{y}}_{m,1} } = {\rm{vec} }({{{Y}}_m})$%矩阵转化为列向量
     (2)  ${{{y}}_{m,2} } = {\rm{sort} }({{{y}}_{m,1} },{\rm{descending} })$%降序排列
     (3)     ${\rm{ = \{ }}{Z_{{x_1},{y_1}}},{Z_{{x_2},{y_2}}}, \cdots ,{Z_{{x_Q},{y_Q}}}\} $
     (4)   获取行位置索引向量 ${{x}}{\rm{ = \{ } }{x_1}{\rm{,} }{x_2}{\rm{,} } ··· {\rm{,} }{x_Q}{\rm{\} } }$及
     (5)     列位置索引向量 ${{y}}{\rm{ = \{ } }{y_1}{\rm{,} }{y_2}{\rm{,} } ··· {\rm{,} }{y_Q}{\rm{\} } }$
     (6)    IF$({Z_{ {x_1},{y_1} } } < \varphi )\& ({Z_{ {x_2},{y_2} } } < \varphi )\& ··· \& ({Z_{ {x_G},{y_G} } } < \varphi )$
     (7)     ${\hat {{S}}^{(m)} } = {\mathbb{S}_0}$
     (8)    Else
     (9)     For $i = 1:1:G$
     (10)      For $j = i + 1:1:G$
     (11)       If $(\left| {{x_i} - {x_j}} \right| < g)\& (\left| {{y_i} - {y_j}} \right| < g)$
     (12)        ${Z_{{x_j},{y_j}}} = 0$
     (13)       EndIF
     (14)      EndFor
     (15)     EndFor
     (16)    EndIF
     (17) For $i = 1:1:G$
     (18)     ${{{h}}_{\rm{1} } }(i) = {\rm{find} }({x_i}\left| { {Z_{ {x_i},{y_i} } } \ne 0} \right.)$
     (19)     ${{{h}}_{\rm{2} } }(i) = {\rm{find} }({y_i}\left| { {Z_{ {x_i},{y_i} } } \ne 0} \right.)$
     (20) EndFor
     (21) ${\varDelta _l} = \displaystyle\sum\limits_{i = 1}^{\left| { {h_1} } \right|} {|{ {{Y} }_m}({ {{h} }_1}(i),{ {{h} }_2}(i)) - { {{Y} }_l}({ {{h} }_1}(i),{ {{h} }_2}(i))|}$
     (22) ${l_{ {\rm{opt} } } } = \mathop {\arg \min }\limits_{l = 1,2, \cdots ,{2^N} - 1} {\varDelta _l}$
     输出: ${\hat {{S}}^{(m)} } = {\mathbb{S}_{ {l_{ {\rm{opt} } } } } }$
     注:${\rm{|} }{{{h}}_1}{\rm{|} }$为集合${{{h}}_1}$的势,即其所包含的所有元素的个数。
    下载: 导出CSV

    表  1  CNN分类算法采用的结构参数

    层类型输入尺寸滤波器尺寸激活函数
    卷积层(1)120*1203*3*32ReLu
    卷积层(2)60*603*3*64ReLu
    全连接层14400*11024个神经元Softmax
    下载: 导出CSV

    表  2  PUT传输功率为32 dBm时,PUT传输模式分类准确率

    算法名称数据充分性条件
    11.1%47.4%100%
    能量值模板差值0.120.260.28
    K-means0.420.430.44
    HOG+SVM_8*80.120.160.17
    HOG+SVM_16*160.120.120.18
    CNN0.620.960.99
    下载: 导出CSV
  • [1] ALI A and HAMOUDA W. Advances on spectrum sensing for cognitive radio networks: Theory and applications[J]. IEEE Communications Surveys & Tutorials, 2017, 19(2): 1277–1304. doi:  10.1109/COMST.2016.2631080
    [2] AXELL E, LEUS G, LARSSON E G, et al. Spectrum sensing for cognitive radio: State-of-the-art and recent advances[J]. IEEE Signal Processing Magazine, 2012, 29(3): 101–116. doi:  10.1109/msp.2012.2183771
    [3] 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[J]. 电子与信息学报, 2018, 40(5): 1037–1043. doi:  10.11999/JEIT170731

    HUANG He and YUAN Chaowei. A sequential cooperative spectrum sensing algorithm based on dynamic adaptive double-threshold energy detection[J]. Journal of Electronics &Information Technology, 2018, 40(5): 1037–1043. doi:  10.11999/JEIT170731
    [4] KIM J and CHOI J P. Sensing coverage-based cooperative spectrum detection in cognitive radio networks[J]. IEEE Sensors Journal, 2019, 19(13): 5325–5332. doi:  10.1109/JSEN.2019.2903408
    [5] 申滨, 王志强, 青晗. 基于次用户功率控制辅助的合作频谱感知[J]. 电子与信息学报, 2018, 40(10): 2337–2344. doi:  10.11999/JEIT171232

    SHEN Bin, WANG Zhiqiang, and QING Han. Secondary user power control aided cooperative spectrum sensing[J]. Journal of Electronics &Information Technology, 2018, 40(10): 2337–2344. doi:  10.11999/JEIT171232
    [6] MAUWA H, BAGULA A, ZENNARO M, et al. Systematic analysis of geo-location and spectrum sensing as access methods to TV white space[J]. Journal of ICT Standardization, 2016, 4(2): 147–176. doi:  10.13052/jicts2245-800X.423
    [7] 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
    [8] 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
    [9] AWE O P and LAMBOTHARAN S. Cooperative spectrum sensing in cognitive radio networks using multi-class support vector machine algorithms[C]. The 9th International Conference on Signal Processing and Communication Systems, Cairns, Australia, 2015: 1–7. doi:  10.1109/ICSPCS.2015.7391780.
    [10] LI Zan, WU Wen, and LIU Xiangli, et al. Improved cooperative spectrum sensing model based on machine learning for cognitive radio networks[J]. IET Communications, 2018, 12(19): 2485–2492. doi:  10.1049/iet-com.2018.5245
    [11] LU Yingqi, ZHU Pai, WANG Donglin, et al. Machine learning techniques with probability vector for cooperative spectrum sensing in cognitive radio networks[C]. s2016 IEEE Wireless Communications and Networking Conference, Doha, Qatar, 2016: 1–6. doi:  10.1109/WCNC.2016.7564840.
    [12] CHEN Siji, SHEN Bin, WANG Xin, et al. A strong machine learning classifier and decision stumps based hybrid adaboost classification algorithm for cognitive radios[J]. Sensors, 2019, 19(23): 5077. doi:  10.3390/s19235077
    [13] WEI Zhiqing, FENG Zhiyong, ZHANG Qixun, et al. Three regions for space-time spectrum sensing and access in cognitive radio networks[C]. 2012 IEEE Global Communications Conference, Anaheim, USA, 2012: 1283–1288. doi:  10.1109/GLOCOM.2012.6503290.
    [14] 阮丽华, 李勇, 程伟. 一种空时二维联合频谱感知区域划分方案[J]. 系统工程与电子技术, 2016, 38(5): 1146–1152. doi:  10.3969/j.issn.1001-506X.2016.05.27

    RUAN Lihau, LI Yong, and CHENG Wei. Novel region division approach for joint space-time spectrum 2-dimensions sensing in cognitive radio[J]. Systems Engineering and Electronics, 2016, 38(5): 1146–1152. doi:  10.3969/j.issn.1001-506X.2016.05.27
    [15] SINGH G and CHHABRA I. Effective and fast face recognition system using complementary OC-LBP and HOG feature descriptors with SVM classifier[J]. Journal of Information Technology Research, 2018, 11(1): 91–110. doi:  10.4018/JITR.2018010106
    [16] DADI H S, PILLUTLA G K M, and MAKKENA M L. Face recognition and human tracking using GMM, HOG and SVM in surveillance videos[J]. Annals of Data Science, 2018, 5(2): 157–179. doi:  10.1007/s40745-017-0123-2
    [17] MERCHANT K, REVAY S, STANTCHEV G, et al. Deep learning for RF device fingerprinting in cognitive communication networks[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 160–167. doi:  10.1109/JSTSP.2018.2796446
  • [1] 袁野, 贾克斌, 刘鹏宇.  基于深度卷积神经网络的多元医学信号多级上下文自编码器, 电子与信息学报. 2020, 42(2): 371-378. doi: 10.11999/JEIT190135
    [2] 申铉京, 沈哲, 黄永平, 王玉.  基于非局部操作的深度卷积神经网络车位占用检测算法, 电子与信息学报. 2020, 42(9): 2269-2276. doi: 10.11999/JEIT190349
    [3] 贺丰收, 何友, 刘准钆, 徐从安.  卷积神经网络在雷达自动目标识别中的研究进展, 电子与信息学报. 2020, 42(1): 119-131. doi: 10.11999/JEIT180899
    [4] 缪祥华, 单小撤.  基于密集连接卷积神经网络的入侵检测技术研究, 电子与信息学报. 2020, 41(0): 1-7. doi: 10.11999/JEIT190655
    [5] 杜兰, 魏迪, 李璐, 郭昱辰.  基于半监督学习的SAR目标检测网络, 电子与信息学报. 2020, 42(1): 154-163. doi: 10.11999/JEIT190783
    [6] 赵海涛, 程慧玲, 丁仪, 张晖, 朱洪波.  基于深度学习的车联边缘网络交通事故风险预测算法研究, 电子与信息学报. 2020, 42(1): 50-57. doi: 10.11999/JEIT190595
    [7] 刘勤让, 刘崇阳.  利用参数稀疏性的卷积神经网络计算优化及其FPGA加速器设计, 电子与信息学报. 2018, 40(6): 1368-1374. doi: 10.11999/JEIT170819
    [8] 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
    [9] 伍家松, 达臻, 魏黎明, SENHADJILotfi, 舒华忠.  基于分裂基-2/(2a)FFT算法的卷积神经网络加速性能的研究, 电子与信息学报. 2017, 39(2): 285-292. doi: 10.11999/JEIT160357
    [10] 蔡轶珩, 高旭蓉, 邱长炎, 崔益泽.  一种混合特征高效融合的视网膜血管分割方法, 电子与信息学报. 2017, 39(8): 1956-1963. doi: 10.11999/JEIT161290
    [11] 杜兰, 刘彬, 王燕, 刘宏伟, 代慧.  基于卷积神经网络的SAR图像目标检测算法, 电子与信息学报. 2016, 38(12): 3018-3025. doi: 10.11999/JEIT161032
    [12] 李寰宇, 毕笃彦, 查宇飞, 杨源.  一种易于初始化的类卷积神经网络视觉跟踪算法, 电子与信息学报. 2016, 38(1): 1-7. doi: 10.11999/JEIT150600
    [13] 及歆荣, 侯翠琴, 侯义斌.  无线传感器网络下线性支持向量机分布式协同训练方法研究, 电子与信息学报. 2015, 37(3): 708-714. doi: 10.11999/JEIT140408
    [14] 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
    [15] 李小强, 周琦, 芮茂海, 李颖.  频谱异构认知无线电中基于吞吐量降的空时频谱机会感知, 电子与信息学报. 2014, 36(11): 2762-2767. doi: 10.3724/SP.J.1146.2013.01975
    [16] 刘芳芳, 冯春燕, 郭彩丽, 魏冬.  基于快速变极化的认知无线电频谱感知算法, 电子与信息学报. 2012, 34(3): 650-656. doi: 10.3724/SP.J.1146.2011.00394
    [17] 孙剑锋, 高锦春, 刘元安, 谢刚.  基于频谱感知结果的认知无线电用户分簇方法, 电子与信息学报. 2012, 34(4): 782-786. doi: 10.3724/SP.J.1146.2011.00301
    [18] 闫琦, 杨家玮, 张雯.  认知无线电中基于截断序贯检测的频谱感知技术, 电子与信息学报. 2011, 33(7): 1532-1536. doi: 10.3724/SP.J.1146.2011.00042
    [19] 刘义贤, 季飞, 余华.  认知无线电网络中基于噪声功率估计的能量检测性能, 电子与信息学报. 2011, 33(6): 1487-1491. doi: 10.3724/SP.J.1146.2010.01174
    [20] 刘航, 孔祥维, 刘桂林.  无线多媒体传感器网络中的动态频谱分配技术研究, 电子与信息学报. 2010, 32(9): 2039-2044. doi: 10.3724/SP.J.1146.2009.01271
  • 加载中
  • 图(4) / 表ll (3)
    计量
    • 文章访问数:  38
    • HTML全文浏览量:  8
    • PDF下载量:  13
    • 被引次数: 0
    出版历程
    • 收稿日期:  2019-12-19
    • 修回日期:  2020-03-17
    • 网络出版日期:  2020-09-16

    目录

      /

      返回文章
      返回

      官方微信,欢迎关注