基于多步預測的寬帶頻譜感知技術

王 煥，吳 斌

(1.中國工程物理研究院 電子工程研究所，四川 綿陽 621900；2.西南科技大學 信息工程學院，四川 綿陽 621010)

0 引 言

隨著移動無線網絡及物聯網的快速發展，智能終端設備數量迅猛增長，同時由于通信技術的發展和數據處理速度的不斷提高，人們對高速率無線通信的需求和頻譜資源緊缺的矛盾日益突出。但由于頻譜資源的靜態分配機制，部分授權頻譜占用率極低，頻譜資源緊缺和頻譜利用率低的矛盾凸顯了靜態頻譜分配機制的弊端，因此人們提出了基于認知無線電的動態頻譜共享機制。認知無線電的提出一方面是為了解決當前日益嚴重的頻譜資源緊缺問題，另一方面是為了提高通信質量，其中頻譜感知是前提和關鍵技術，但當前的寬帶頻譜感知技術要么算法復雜度高，要么硬件實現難度大。

為了減小寬帶頻譜感知技術在硬件和計算復雜度上的開銷，研究人員提出了基于預測的頻譜感知方法[1]，即如果認知用戶能從有限的頻譜數據中通過學習、分析和預測的方法，推斷頻譜未來時刻的狀態，不僅能獲得某個時隙的占用狀態，而且能更加科學、主動地進行頻譜管理和優化[2]。基于多步預測的頻譜感知方法先預測未來多個時刻的信道狀態，再根據業務需求選擇預測結果為連續空閑的信道進行頻譜細感知，節省感知時間。

1 基于多步預測的寬帶頻譜感知系統模型

目前，基于預測的認知無線電通信還主要是先預測、后感知、再動態接入的模式，基于單步預測和頻譜感知的認知通信模型如圖1所示[3]，每個時隙的長度根據具體通信需求設置，認知用戶在每次接入前都要進行頻譜預測和感知，此過程占用大量的數據傳輸時間。認知用戶在當前時隙預測下一時隙某個信道的使用狀態，若預測結果為空閑，則在下一時隙進行頻譜感知，若感知結果也為空閑，可以接入信道進行數據傳輸，若感知結果為占用，最終判斷信道為占用，搜索其它信道再進行預測；若當前時隙的頻譜預測結果為占用，不再進行頻譜感知，直接搜索其它信道進行預測。由于單步預測僅預測下一時隙的信道狀態，在每次數據發送前都要進行頻譜預測和感知，特別是在寬帶頻譜時，兩個過程會占用大量的數據傳輸時間。

圖1 基于單步預測的認知通信模型

鑒于上述原因，本文設計了基于多步預測的認知通信模型，如圖2所示，預測步長為m， 即可以預測未來m個時隙的信道狀態。在預測步長內且預測結果為空閑的時隙，均可直接進行頻譜感知，再根據頻譜感知結果判斷是否進行數據傳輸。若多步預測的其中某一步預測結果為占用，認知用戶在該時隙之前搜索其它信道再進行預測，并在下一時隙切換到感知結果為空閑的信道。

圖2 基于多步預測的認知通信模型

由于預測過程中神經網絡訓練需要消耗大量的時間，本文設計此過程離線完成，而在線實現基于濾波器組的細感知。基于多步頻譜預測的離線粗感知和基于濾波器組的在線細感知相結合的寬帶頻譜感知系統框架如圖3所示，采用上位機和下位機的架構。由頻譜儀或其它設備采集射頻空間的無線信號并保存在上位機，作為粗感知的歷史數據。上位機實現多步預測的復雜算法及決策算法，并根據預測結果選擇細感知頻段的中心頻率和帶寬等信息發送給下位機，控制頻譜細感知的參數配置及發射機的參數優化。下位機主要實現硬件平臺的總體控制和功能調動、頻譜細感知，通過控制它的射頻驅動IP實現射頻捷變收發器的信號發送和接收。上位機將選擇的細感知參數發送給下位機的控制中心，設置射頻接收模塊的中心頻率和帶寬，并由下位機的濾波器組和能量檢測模塊完成頻譜細感知，最后由下位機的控制中心將感知結果上傳至上位機，在上位機實現認知決策，離線粗感知和在線細感知相結合的模式可以節省感知時間。

圖3 基于多步預測的寬帶頻譜感知系統框架

2 基于多步預測的離線頻譜粗感知

2.1 基于序列對序列模型的多步預測

基于LSTM(long short term memory)的“序列對序列”(sequence to sequence, Seq2Seq)模型[4]進行多步頻譜預測，即由n個歷史觀測值 [x1,x2,x3,…,xn] 預測將來的m個值 [y1,y2,y3,…,ym]， 比用LSTM直接進行多步預測更靈活，其內部采用編碼-解碼結構，Seq2Seq模型使用兩個LSTM的結構如圖4所示，其中一個LSTM作為編碼器將輸入時間序列編碼計算得到上下文向量，此值代表提取的輸入數據重要特征，它作為中間值輸入到解碼器抽取上下文向量的序列值，得到最后的輸出結果。

圖4 基于LSTM Seq2Seq的多步預測模型

編碼的前向傳播公式為

h1=f(Ux1+Wh0+b)

(1)

h2=f(Ux2+Wh1+b)

(2)

以此類推，hn=f(Uxn+Whn-1+b)，f(·) 為激活函數，每一時間步的網絡權重參數U,W,b都是相同的，即是LSTM的參數共享。

上下文向量的表達式為

c=g(h1,h2,h3,…hn)

(3)

其中，g(·) 為激活函數。

解碼是與編碼相反的過程，其前向傳播公式為

h′1=f(U′c+W′h′0+b)

(4)

h′2=f(U′c+W′h′1+b′)

(5)

以此類推，h′m=f(U′c+W′h′m-1+b′)。

輸出層一般為全連接層和Softmax回歸層，其計算公式為

y1=Softmax(Vh′1+bo)

(6)

y2=Softmax(Vh′2+bo)

(7)

以此類推，ym=Softmax(Vh′m+bo)。 其中加粗的變量U,W,V表示向量。

2.2 基于混合神經網絡的寬帶頻譜多步預測

為了處理時-頻-空多維數據及多步預測[5]，構建混合神經網絡模型達到預期目標，如文獻[6]設計了基于卷積神經網絡(convolutional neural network，CNN)的CNN-LSTM學習架構預測5 G無線網絡的3 GHz到300 GHz頻段的信道狀態信息，包括信道的頻段、位置、時間、溫度、濕度等信息，但也只是進行了單步預測。由于單一神經網絡很難完成多個信道占用狀態的多步預測，針對寬帶頻譜聚類和估計后得到的空閑連續信道組成的寬帶頻譜，本文采用LSTM Seq2Seq和CNN相結合的Seq2Seq-CNN網絡進行多信道的多步頻譜預測，根據預測精度要求選擇預測的時隙數目，從而得到信道空閑狀態持續時長。

本文設計的Seq2Seq-CNN混合神經網絡模型如圖5所示，頻譜數據經并行LSTM Seq2Seq模型同時進行多信道的多步預測，但每個信道獨立預測，此過程并沒有利用信道之間的相關性，因此用CNN模型挖掘信道之間的相關信息使預測結果更接近于真實值。

圖5 基于Seq2Seq-CNN的寬帶頻譜多步預測模型

信道總數為L個，每一個信道都是由n個歷史觀測值預測將來的m個值，將L個信道的預測結果合并得矩陣M1， 其表達式如下

(8)

將M1輸入CNN網絡通過監督學習訓練CNN網絡參數[7]，使預測值M2更接近真實值train_y

(9)

(10)

以上結果只是一個時間步的表達式，若總時間步長為step_size， 則頻譜數據以預測步長m向前滑動，如圖6所示。

圖6 寬帶頻譜預測的數據處理

根據Seq2Seq-CNN網絡預測的信道頻譜態勢，結合業務QoS需求，選擇最優的信道組合進行細感知，如視頻業務，需要空閑持續時間長且大帶寬的信道組合，既滿足視頻業務實時性的要求又減少誤碼率，而數據業務只需要大帶寬保證數據傳輸的速率和正確率，語音業務只需要空閑狀態持續時間長的信道。

3 基于濾波器組的寬帶頻譜細感知

傳統的窄帶能量檢測法通過將接收信號的檢測統計量與設定的門限比較，可判斷信道是否被占用。對于寬帶接收信號，多相均勻DFT濾波器組將接收到的寬帶信號劃分為M個子帶[8]，對每個子帶獨立使用能量檢測法進行頻譜感知[9]，模型框架如圖7所示，其中對各子帶檢測統計量采用相同的門限判決。認知用戶在一個數據發送周期內不再感知信道環境，即假設信道環境是慢變化的，若數據發送失敗，需重新感知信道環境；否則僅在下一個數據發送周期前再次感知信道環境。

圖7 基于濾波器組的寬帶頻譜感知框架

無PU信號時：r(n)=w(n)；

有PU信號時：r(n)=x(n)+w(n)。

(11)

(12)

(13)

(14)

(15)

(16)

其中，Q-1(x) 是Q(x) 的反函數,又因L=N/M， 則門限值λ又可表示為

(17)

基于濾波器組的寬帶頻譜檢測概率Pd由各子帶的平均檢測概率得到，即

(18)

4 仿真結果及分析

4.1 單信道多步預測仿真結果

數據集來源于RWTH Aachen大學2007年實際測量的功率譜密度(power spectrum density，PSD)[10]，覆蓋20 MHz到6 GHz的頻率范圍，頻率分辨率為200 kHz，測量地點有3個。采用在Maastricht, Netherlands室外屋頂的一周實測PSD數據集，取數據集中某一信道的采樣PSD數據5770個，分布如圖8(a)所示，將數據歸一化處理并劃分訓練數據集和測試數據集分別為總數據集的90%和10%，采用LSTM Seq2Seq模型進行預測，當預測步長為6時，測試集的預測誤差如圖8(b)所示。將測試集PSD預測結果根據門限值-107 dBm轉化為信道狀態值后再進行預測性能評估，結果如圖8(c)和圖8(d)所示，此時預測錯誤率Pe為0.1024，而系統要求Pe小于0.15。圖中的預測誤差均為預測值和采樣值之差。

圖8 信道PSD分布及預測結果

4.2 多信道多步預測仿真結果

根據已有相關信道聚類和估計的研究成果[11]，選擇NE Subband 1(20 MHz-1520 MHz)頻段數據集中20個連續信道的PSD數據2000個，基于門限值將PSD轉化為信道狀態，其分布如圖9(a)所示。將PSD數據進行歸一化處理并劃分訓練集和測試集分別為總數據集的80%和20%，采用LSTM Seq2Seq模型進行預測，當預測步長為6時，將測試集PSD預測結果根據門限值轉化為信道狀態值后再進行預測性能評估，定義預測錯誤率(Pe)為信道狀態預測值與實際值不相同的概率，預測結果如圖9(b)所示，圖中粗線表示實際的信道狀態為“1”，細線表示預測的信道狀態為“1”，空白部分表示采集數據和預測數據的信道狀態均為“0”，此時Pe為0.1024，滿足性能要求。若需要更小的預測錯誤率，可以減小預測步長。

圖9 信道狀態分布及預測結果

4.3 基于濾波器組的寬帶頻譜信道化

以某時刻NE Subband 1 300 MHz-710 MHz頻段PSD數據集的2048個采樣點為例，此頻段的實際空閑率為0.674，通過P-DFTFB劃分為8個子帶，其幅度譜如圖10所示，橫軸為各子帶歸一化的頻率，各子帶的能量統計值見表1，單位為dB，給定門限值后即可確定子帶的占用情況。若設置濾波器組劃分子帶數為16，則各子帶的幅度譜如圖11所示，與圖10相比，可以發現更多的信號，各子帶的能量統計值見表2。

圖10 濾波器組劃分8個子帶的幅度譜

表1 濾波器組劃分8個子帶的能量值

圖11 濾波器組劃分16個子帶的幅度譜

從表1可知，子帶3、子帶4、子帶6和子帶7的能量值明顯高于其它子帶的能量值，設置恰當的檢測門限，通過將這4個子帶的檢測統計量和檢測門限對比，可以得到這4個子帶的狀態為占用，由此計算得到子帶空閑率為0.5。

從表2可知，子帶5、子帶6、子帶10和子帶13的能量值明顯高于其它子帶的能量值，設定合適的檢測門限后判斷這4個子帶的狀態為占用，由此計算得到子帶空閑率為0.75，比劃分8個子帶時得到的子帶空閑率更接近于實際值0.674。

表2 濾波器組劃分16個子帶的能量值

4.4 基于濾波器組的寬帶頻譜感知性能仿真

對粗感知選擇的NE TV(614 MHz-698 MHz)頻段的K個子信道，根據預測結果得在某個預測時隙有K1個子信道被占用，將空閑信道和占用信道的功率值分別記為噪聲功率PN(n) 和占用信道功率PS(n)， 此時判斷信道占用的功率門限值設置為λ， 且PN(n)≤λ， 根據噪聲慢變化的特性對某時隙選擇的K個信道進行信噪比估計如下

(19)

即將門限λ值作為占用信道的噪聲功率值，將信噪比估計結果轉化為以分貝(dB)為單位的值為SNR_est， 則可得

SNR_est=10×log10(SNR_Est)

(20)

基于濾波器組和能量檢測對K個信道進行頻譜感知仿真，濾波器組劃分的子帶數為M， 根據估計的信噪比SNR_est和設置的Pf由式(5)～式(14)計算檢測門限。當M=64，Pf=0.1時，比較不同預測步長和不同濾波器組子帶數對檢測概率Pd的影響，并和直接使用能量檢測法比較，仿真結果如圖12所示，其中FB-Num表示濾波器組劃分的子帶數，Pd越高表示檢測性能越好，由圖可知，濾波器組劃分子帶數越多，FFT運算的點數越多，頻域能量檢測的性能越好；隨著預測步長的增加，檢測性能略有降低，主要因為預測步長增加時預測性能降低，影響估計的信噪比，進而影響檢測門限值，但均優于直接能量檢測法。

圖12 不同預測時隙和濾波器組子帶數對Pd的影響

此時，實際的子帶空閑率為0.875，預測的子帶空閑率和不同濾波器組子帶數時實際檢測100次的平均子帶空閑率見表3，濾波器組劃分的子帶數越多，檢測的平均子帶空閑率越接近于真實值。

表3 預測和仿真的子帶空閑率

由于基于預測的粗感知為離線算法，因此本文的感知時間定義為基于濾波器組的頻譜細感知時間，在此未進行定量測量，但從基于多步預測的認知通信模型定性分析，該方法減少預測次數，即節省了感知周期的時間。

5 結束語

頻譜感知是認知無線電的前提和關鍵技術，針對當前寬帶頻譜感知技術要么算法復雜度高、耗時長，要么硬件實現難度大，本文提出了基于多步預測的寬帶頻譜感知系統模型及具體實現方法。通過對寬帶頻譜的多步預測選擇需要細感知的信道，并采用基于濾波器組的寬帶頻譜感知方法進行在線細感知，通過仿真實驗，多步預測和寬帶頻譜感知的性能滿足認知用戶需求，且節省了感知時間。