基于人工神經網絡的認知無線電頻譜感知研究

劉 鶴

（蘭州交通大學，電子與信息工程學院， 蘭州 730070）

0 引言

隨著無線通信的飛速發展，可用的頻譜資源越來越少，而目前為特定通信業務固定分配專用頻譜的方式，導致了當前的頻譜資源短缺的問題。認知無線電技術為解決如何在有限頻譜資源條件下提高頻譜使用率[4]這一無線通信難題開辟了一條新的途徑。認知無線電是一種用于提高無線電通信頻譜利用率的新的智能技術，在授權頻段沒用或者只有很少的通信業務在活動的情況下，認知用戶能夠以“借用”方式使用已授權的頻譜資源，并且認知用戶對授權用戶不至于產生某種限度的干擾（干擾溫度）[5]。

1 頻譜感知

頻譜感知技術是認知無線電系統設計的重要組成部分，對實現無線頻譜的二次利用和提高無線頻譜利用率起著至關重要的作用。在認知無線電系統中，認知用戶與授權用戶共存。頻譜感知就是通過各種信號檢測和處理手段來獲取無線網絡中的頻譜使用信息。本文是基于人工神經網絡的認知無線電頻譜感知，它通過ANN算法與本地感知技術相結合， 克服傳統檢測算法的局限性，通過在線學習來積累主用戶信號的先驗信息，在某個噪聲波段范圍內進行學習和訓練以克服噪聲不確定性的影響，能夠更有效和準確地判別主用戶的存在。

2 單用戶檢測

2.1 能量檢測

能量檢測[6]算法是一種簡單的信號非相干檢測算法，通過對特定頻帶的頻譜能量進行測量達到頻譜檢測的目的。能量檢測是直接對時域信號采樣值求模，然后平方即可得到。它的基本實現原理是在一定的頻帶范圍內作能量積累，如果積累的能量值高于一定的門限值，說明有信號存在；如果低于門限值，則說明只有噪聲存在。

2.2 匹配濾波檢測

匹配濾波器就是靜態高斯噪聲理想探測器，它能使認知無線電接收到的信號信噪比最大化。由于是一種相干檢測，所以它需要事先知道先驗信息，然后將檢測到的信號與先驗信息進行匹配識別，因此對相位同步要求非常高。

2.3 循環平穩檢測

認知無線電中主用戶的信號具有循環平穩性，而它們的譜相關函數的循環頻率在不為零時有較大非零值，而平穩噪聲的循環譜能量則主要集中于零處，而在其他非零處能量幾乎為零，循環平穩檢測就是通過這點來確定主用戶是否存在的。

表1 為3種單用戶檢測算法的優缺點對比。

表1 3種單用戶檢測算法的優缺點

2.4 人工神經網絡算法分類器

本文提出使用人工神經網絡進行認知無線電調制信號的識別。因為ANN分類器具有強大的模式識別功能，能較好地處理復雜的非線性問題，而且具有較好的穩健性和潛在的容錯性，可獲得很高的識別率。分類識別是依據信號特征的觀測值將其分到不同類別中去，分類器流程圖如圖1所示，先提取未知環境信號特征值，然后輸入到訓練好的ANN分類器中進行匹配從而進行判決主用戶是否存在，來決定認知用戶是否可以占用主用戶信道。

圖1 分類器流程圖

基于ANN的頻譜感知，能夠使分類器自主學習，積累主用戶信息。首先提取樣本信號的特征值（這里取一個能量值和3個循環譜值）。

特征值提?。?/p>

(a)能量值

能量有限信號f(t)，傅里葉變換為F(ω)，f(t)的能量表達式為：

(b)循環譜值

取隨機過程x(t)，循環頻率為a的循環自相關函數：

然后將式(1)，(2)，(3)求出的特征值作為ANN的輸入，通過訓練，權值會不斷的進行調整，然后將這些樣本信息存入到數據庫中實行記憶。之后對接收到的環境信號進行相同的特征值提取輸入到ANN中,將輸出的向量與目標向量進行異或運算，結果為0，則主用戶存在；結果為1則主用戶不存在。

3 仿真結果

為了驗證本文提出方法的性能，而匹配濾波算法需知道主用戶的先驗信息，這里暫且不予進行比較，這里只將神經網絡感知算法與能量檢測算法和循環平穩檢測算法進行比較。

對5種調制信號——AM, BPSK, FSK, MSK,QPSK使用MATLAB進行調制方式識別仿真實驗。AM調制信號使用單頻正弦波，其他數字調制信號由隨機序列產生，再調制成還有窄帶白高斯噪聲的窄帶信號。仿真的信噪比為[-15,-10, -5,0,5]，每個信噪比進行獨立1000次試驗。

定義正確識別率為：

表2中各調制信號的采樣點數為1024，在4種不同的信噪比下，分別使用能量檢測，循環平穩檢測和ANN 3種分類器的信號正確識別率。仿真結果顯示基于ANN的分類器識別率要高于能量檢測和循環平穩檢測。而且在低信噪比時優勢明顯。雖然在信噪比比較高的時候，ANN分類器與循環平穩檢測分類器的識別率相當，但是由于循環平穩檢測的計算量很大，所需的檢測時間較長。從效率上講，ANN分類器對循環平穩檢測分類器有很大的優勢。

表2

圖2 是QPSK信號分別在不同的信噪比下，分別使用基于能量檢測算法，循環平穩檢測算法，和ANN檢測算法3種分類器得到的識別率折線圖。在低信噪比的情況下，ANN算法分類器的識別率明顯高于其他兩種分類器，雖然隨著信噪比的提升，其他兩種分類器的識別率有很大提升，但仍然低于ANN算法分類器。而且ANN算法分類器在低信噪比很低的情況下識別率也在85%以上。

圖2 識別率折線圖

4 結論

本文提出的基于人工神經網絡算法的認知無線電感知，通過MATLAB802.11仿真平臺模擬無線通信系統，將收集到的經驗數據作為神經網絡算法的訓練值，對分類器進行訓練，得到目標向量值，并進行記憶。然后對環境信號進行特征值提取經分類器與目標信號進行比對判決，原理類似于匹配濾波算法，但ANN算法具有自主學習能力，無需知道先驗信息，能很好地提高信號的識別率并高效地探測出主用戶是否存在，具有可靠性高，性能好的優勢。

[1] J.Mitola.Cognitive Radio: an integrated agent architecture for software defined radio[J].Doctor of Technology, 2000.

[2] Thomas W.Rondeau,BinLe,Christian J.Rieser cognitive radios with genetic algorithms:intelligentcontrol of software defined radios Proceeding of the SDR [R].04 Technical Conference and Product Exposition, 2004.

[3] 鄧麗粼,張翠芳,周興建,溫坤華.遺傳算法在認知無線電頻譜感知中的應用[J].電子技術應用,2010(3):113-116.

[4] HAYKIN S.Cognitive radio:brain -empowered wirelesscommunications[J].IEEE Journal on Selected Areas in Communications,2005,23(2): 201-220.

[5] 張曉,鄧建國.干擾溫度機制的研究[J].中興通訊技術,2007(5).

[6] 秦繼新,方勇,張士兵.認知無線電中的頻譜感知技術[J].機械與電子,2009,11(1):95-96.

[7] 江虹,馬景輝,黃玉清,伍春.用 RBF神經網絡算法設計 CR認知引擎[J].Journal Of Xi Dian University,2011,38(1) :159-164.

[8] 趙知勁,彭振,鄭仕鏈,等.基于量子遺傳算法的認知無線電頻譜分配[J].物理學報,2009,58(2):1358-1363.

[9] 黃晨,魏勝群,張華偉,徐婷.基于遺傳算法的快速認知無線電[J].現代電子科技,2010(7):10-13.