基于神经网络的认知无线电合作频谱感知

doi:10.7523/j.issn.2095-6134.2020.03.011

中国科学院大学学报 ›› 2020, Vol. 37 ›› Issue (3): 379-386.DOI: 10.7523/j.issn.2095-6134.2020.03.011

基于神经网络的认知无线电合作频谱感知

薛建伟^1,2,3, 唐亮^1,2, 卜智勇^1,2

1. 中国科学院上海微系统与信息技术研究所, 上海 200050;
2. 中国科学院大学, 北京 100049;
3. 上海科技大学信息学院, 上海 201210

收稿日期:2018-08-30 修回日期:2019-01-21 发布日期:2020-05-15
通讯作者: 薛建伟
基金资助:
中国科学院上海微系统与信息技术研究所"新微之星"项目（Y86QDA1001）资助

Cooperative spectrum sensing based on neural network in cognitive radio

XUE Jianwei^1,2,3, TANG Liang^1,2, BU Zhiyong^1,2

1. Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences, Shanghai 200050, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. School of Information Science & Technology, ShanghaiTech University, Shanghai 201210, China

Received:2018-08-30 Revised:2019-01-21 Published:2020-05-15

摘要/Abstract

摘要： 认知无线电是一种可用于有效缓解当前频谱资源紧张的技术，而频谱感知是认知无线电的前提。针对低信噪比情况下频谱感知性能差的问题，提出一种将信号高阶统计量、协方差矩阵特征值与神经网络相结合的合作频谱感知算法。该算法考虑到认知用户与授权用户的信道衰落情况，利用神经网络较强的多分类能力，将最大-最小特征值之比、平均-最小特征值之比以及高阶统计量作为特征参数，通过神经网络实现合作频谱感知。仿真结果表明，该算法不仅在低信噪比情况下较其他算法具有更高的频谱检测率，而且对频谱中信号的调制类型也有较高的识别率。

关键词: 认知无线电, 频谱感知, 神经网络

Abstract: Cognitive radio is a technology that can be used to effectively alleviate the current strain of spectrum resources, and spectrum sensing is the prerequisite of cognitive radio. To overcome the poor performance under the condition of low SNR, a cooperative spectrum sensing algorithm combining the high-order cumulants of signal and the eigenvalue of covariance matrix with the neural network is proposed. The algorithm takes into account the channel fading between the cognitive users and primary users and utilizes the strong multi-classification ability of neural networks. The ratio of maximum-minimum eigenvalues, the ratio of average-minimum eigenvalues, and high-order cumulants are used as the inputs of neural networks to realize the spectrum sensing. The simulation results show that the proposed algorithm not only has higher spectrum detection rate than other algorithms at low SNR, but also identifies the modulation type of the signal.

Key words: cognitive radio, spectrum sensing, neural network

中图分类号:

TN929

薛建伟, 唐亮, 卜智勇. 基于神经网络的认知无线电合作频谱感知[J]. 中国科学院大学学报, 2020, 37(3): 379-386.

XUE Jianwei, TANG Liang, BU Zhiyong. Cooperative spectrum sensing based on neural network in cognitive radio[J]. , 2020, 37(3): 379-386.

参考文献

[1] Haykin S. Cognitive radio:brain-empowered[J]. IEEE Journal on Selected Areas in Communications,2005, 23(2):201-220.
[2] Jiang C X, Zhang H J, Ren Y, et al. Machine learning paradigms for next-generation wireless networks[J]. IEEE Wireless Communications,2017,24(2):98-105.
[3] Khan A A, Rehmani M H, Reisslein M. Cognitive radio for smart grids:survey of architectures, spectrum sensing mechanisms, and networking protocols[J]. IEEE Communications Surveys and Tutorials, 2016, 18(1):860-898.
[4] Atapattu S, Tellambura C. Energy detection based cooperative spectrum sensing in cognitive radio networks[J]. IEEE Transactions on Wireless Communications, 2010,8(12):5761-5766.
[5] Awe O P, Zhu Z M, Lambotharan S. Eigenvalue and support vector machine techniques for spectrum sensing in cognitive radio networks[C]//The 2013 Conference on Technologies and Applications of Artificial Intelligence(TAAI). Taipei:IEEE Press,2013:223-227.
[6] 王鑫, 汪晋宽, 刘志刚, 等. 基于随机森林的认知网络频谱感知算法[J]. 仪器仪表学报,2013,34(11):2471-2488.
[7] Tang Y J, Zhang Q Y, Lin W. Artificial neural network based spectrum sensing method for cognitive radio[C]//6th International Conference on Wireless Communications Networking and Mobile Computing (WiCOM). Chengdu:IEEE Press, 2010:1-4.
[8] 赵春晖,杨伟超,马爽.基于广义二阶循环统计量的通信信号调制识别研究[J]. 通信学报,2011,32(1):144-150.
[9] 刘明骞,李兵兵,曹超凤,等. 认知无线电中非高斯噪声下数字调制信号识别方法[J].通信学报,2014, 35(1):82-88.
[10] Yang F, Li Z, Zeng S. A novel method for wireless communication signal modulation recognition in smart grid[J]. Journal of Communications, 2016,11(9):813-818.
[11] Zeng Y H, Liang Y C. Eigenvalue-based spectrum sensing algorithms for cognitive radio[J]. IEEE Transactions on Communications, 2009, 57(6):1784-1793.
[12] 弥寅, 卢光跃.基于特征值极限分布的合作频谱感知[J].通信学报,2015,36(1):84-89.

[1]	王慧玲, 谢卓辰, 梁旭文. 单粒子翻转对神经网络的影响分析与优化[J]. 中国科学院大学学报, 2021, 38(6): 832-840.
[2]	于文欣, 李凯, 周明拓, 李剑, 杨旸. 面向三维信道幅值预测的自适应神经网络[J]. 中国科学院大学学报, 2021, 38(5): 678-686.
[3]	钱欢, 谢卓辰, 梁旭文. 基于dropout算法的卷积神经网络单粒子翻转容错方法[J]. 中国科学院大学学报, 2021, 38(5): 712-719.
[4]	纪玉峰, 郑敏, 谭冲, 刘洪. 基于神经网络的车联网频谱感知组合算法[J]. 中国科学院大学学报, 2021, 38(4): 549-556.
[5]	肖亚楠, 周伟, 崔杰, 刘亭亭, 肖灵. 一种LSTM神经网络和卡尔曼滤波相结合的复合材料承载预测方法[J]. 中国科学院大学学报, 2021, 38(3): 374-381.
[6]	胡莉娜, 高盛华. 基于层次化标签的人体解析[J]. 中国科学院大学学报, 2020, 37(6): 820-827.
[7]	冯齐心, 杨辽, 王伟胜, 陈桃, 黄双燕. 基于时序光谱重构的卷积神经网络遥感农作物分类[J]. 中国科学院大学学报, 2020, 37(5): 619-628.
[8]	王虹, 徐佑宇, 谭冲, 刘洪, 郑敏. 基于改进粒子群的BP神经网络WSN数据融合算法[J]. 中国科学院大学学报, 2020, 37(5): 673-680.
[9]	唐思琦, 韩丛英, 郭田德. 基于机器学习的点集匹配算法[J]. 中国科学院大学学报, 2020, 37(4): 450-457.
[10]	胡亮, 肖俊, 王颖. 基于多维度特征和MLP的岩体点云植被滤波方法[J]. 中国科学院大学学报, 2020, 37(3): 345-351.
[11]	宋晗, 杨炜暾, 耿修瑞, 赵永超. 基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报, 2020, 37(2): 169-176.
[12]	王惠君, 赵桂萍, 李良, 张威, 齐荣, 刘珺. 基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例[J]. 中国科学院大学学报, 2020, 37(1): 103-112.
[13]	宋旭鸣, 沈逸飞, 石远明. 基于深度学习的智能移动边缘网络缓存[J]. 中国科学院大学学报, 2020, 37(1): 128-135.
[14]	王健飞, 张卫强, 刘加. 基于多状态跳转模型的场景独立音频事件检测方法[J]. 中国科学院大学学报, 2019, 36(2): 218-225.
[15]	朱思捷, 雷斌, 吴一戎. 基于稠密卷积神经网络的遥感图像自动色彩校正[J]. 中国科学院大学学报, 2019, 36(1): 93-100.

基于神经网络的认知无线电合作频谱感知

Cooperative spectrum sensing based on neural network in cognitive radio

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们