機器學習在頻譜感知中的應用研究

王子力 武警工程大學信息工程學院

1 引言

認知無線電能夠實現對授權頻譜的二次利用，通過頻譜感知進行動態智能接入，解決頻譜緊張問題，提高頻譜利用率。傳統的頻譜感知可分為單點頻譜感知和合作頻譜感知。合作頻譜感知利用空間多樣性緩解單點頻譜感知中存在的的信號衰落和隱藏終端問題。頻譜感知的關鍵在于判決門限的劃定和主用戶信號數據的分類處理。現有的檢測算法一般適用于PU信號和噪聲概率分布已知的情形。相對于傳統的信號檢測算法，利用機器學習可以對所處進行環境學習，通過自適應算法運行參數調整。按照樣本數據的不同，機器學習可以分為監督學習和無監督學習。監督學習利用含有標記信息的樣本找到符合輸入和輸出的函數關系，構建系統模型。無監督學習應用在先驗信息未知的條件下，從環境中提取系統所需參數。

2 集中式合作頻譜感知框架

集中式合作頻譜感知框架主要分為三個部分。第一個部分本地認知用戶進行信息收集。處于不同空間位置的本地認知用戶在針對特定檢測頻段中采用信號檢測算法收集主用戶活動狀態信息，對主用戶存在與否做出判決或不做出判決。第二個部分本地認知用戶進行數據傳輸。本地認知用戶將初步感知結果，經由報告信道傳送到數據融合中心。第三個部分融合中心進行信息判決。融合中心根據一定的準則進行判決，判決后將結果發送至各個用戶。融合中心如果不能做出判決，本地用戶仍須傳輸信息。

3 機器學習在集中式合作頻譜感知模型中的具體應用

合作頻譜感知模型為學習訓練模塊和實際檢測模塊。在學習訓練模塊，訓練樣本的準確全面采集十分重要，關乎到在實際檢測模塊中能否達到預期目標，得到有效的檢測結果。

3.1 認知用戶的信息收集

認知用戶首先進行信息收集，各個本地認知用戶之間相互獨立，利用算法從授權頻譜中采集PU信號活動的原始信息。由于主用戶的先驗信息一般難以得到，能量檢測算法應用較為廣泛。但是能量檢測存在門限效應，在低信噪比的環境下，難于達到良好的檢測效果。為了使認知用戶在低信噪比條件下也能繼續工作，文獻提出支持向量機（Support Vector Machine，SVM）的感知模型。SVM基本原理是利用合適的核函數將不能線性可分數據集進行映射，在新的空間中找到可以線性可分的函數。文獻進一步利用粒子群優化SVM。離線模塊根據產生的訓練信號樣本和噪聲樣本，對于不同的參數和采樣點需要產生對應的判決統計量，并進行粒子群優化SVM得到決策函數。之后利用T1對決策函數測試，離線模塊得到在一定虛警概率下的非線性門限。在線模塊根據實際的虛警概率和樣本個數需要選取對應的門限進行判決。

3.2 認知用戶的數據傳輸

本地認知用戶通過特定的信道進行數據傳輸。認知用戶可以直接傳輸檢測得到的數據，交由融合中心統一進行處理，也可以傳輸用戶對數據進行獨立判決之后的結果。為了使融合中心理論上獲得最可靠的數據，本地認知用戶需要傳輸當前感知數據的加權信息。文獻利用神經網絡對當前時刻本地認知用戶的檢測概率做出預測，并將預測得到的檢測概率作為加權信息傳輸到融合中心。

3.3 融合中心的數據處理

融合中心的作用是在接收本地用戶認知傳輸的數據后，依據一定的準則，對是否存在PU統一進行判決，并將其判決結果發送至各個本地認知用戶。文獻提出基于機器學習的融合中心算法，逐幀進行頻譜感知的訓練和判決。將頻譜感知時間劃分為固定長度的幀。每一時間幀分為頻譜檢測和頻譜介入兩個部分。頻譜檢測又繼續劃分為不同的時間子幀。在T0幀內，各個認知用戶進行檢測，并在接下來T1，T2 …Tk時間內分別通過傳輸信道將數據發送至融合中心。融合中心進行判決并進行狀態更新。一旦判決存在主用戶信號，通知認知用戶停止頻譜介入。

4 總結

頻譜感知在實際中需要綜合考慮其檢測時間、檢測精度、運算復雜度、系統耗能等性能。本文分別從合作頻譜感知框架的三個不同模塊綜述機器學習在合作頻譜感知中具體的應用。在認知用戶信息收集階段利用SVM在低信噪比下得到自適應門限，收集主用戶信息，在先驗信息缺乏條件下利用聚類算法獲取主用戶特征；在認知用戶數據傳輸階段利用神經網絡算法或者Q-learning算法衡量用戶檢測概率作為加權信息；融合中心利用機器學習算法逐幀對數據進行處理，提高檢測精度。