基于神经网络的认知无线电感知试题.ppt

基于神经网络的认知无线电感知 学 院：通信工程学院 一、相关背景 随着无线通信技术的飞速发展，频谱资源变得越来越紧张。当前在频谱分配制度采用固定频谱分配，将频谱分为两个部分：授权频段（LFB）和非授权频段（UFB）。无线网络技术大多使用非授权的频段（UFB）工作（例如WIFI无线网络）。由于无线通信业务的迅猛发展，非授权频段已经渐趋饱和。当前为了提高频率利用率常用的技术手段是：为提高频率的利用率,当前主流的方法是频分复用、时分复用等。频谱资源短缺的问题仍然没有解决。 一次在纽约进行的现场频谱测量已经显示了从30MHz－3GHz内最大频谱占有率仅为13.1%。因而解决频谱稀缺与频谱利用率低之间的矛盾，成为了亟待解决的问题。 认知无线电是可以认知外界通信环境的智能通信系统。认知无线电系统通过学习，不断地认知外界的环境变化，并通过自适应地调整其自身内部的通信机理来达到对环境变化的适应，以达到改进系统的稳定性和提高频谱资源利用率的目的. 认知无线电： 二、认知无线电基本原理 在时域、频域和空域多维空间，对被分配给主用户（授权用户）的频段不断进行频谱检测，检测这些频段授权用户是否工作，得到频谱使用的情况，在不干扰授权用户正常通信的前提下进行的，所以要寻找和发现到授权频段中出现的可被机会式利用的频谱机会（频谱空穴）。 通常可将将频谱区域分成以下3种类型： 黑色区域：该频谱区域大部分时间内通常存在高功率的干扰； 灰色区域：该频谱区域在部分时间内存在着低功率的干扰； 白色区域：该频谱区域只存在着环境噪声，包括热噪声、瞬时反射、脉冲噪声等，而没有其它的射频干扰。 三、认知无线电基本模型 Mitola模型 四、BP神经网络 神经元是一个多输入单输出的信息处理单元，而且，它对信息的处理是非线性的。根据神经元的特性和功能，可以把神经元模型抽象为一个简单的数学模型。 是神经元的输入，即是来自前级n个神经元轴突的信息； 是i神经元的阈值； 分别是i神经元对 的权值连接，即突触的传递效率； 是i神经元的输出； 是传递函数，决定 i神经元受到输入 的共同作用达到阈值时以何种方式输出。 传递函数 有多种形式，其中最常见的有阶跃型、线性型和S型三种形式。假设 ，则对应三种典型传递函数 描述如下： (1)阶跃型传递函数：它的输出是电位脉冲，故这种激发函数的神经元称离散输出模型。 (2)线性传递函数：它的输出是与输入的综合作用成正比的，故这种神经元称线性连续型模型。 (3) S型传递函数：它的输出是非线性的，故这种神经元称非线性连续性模型。 BP 神经网络（误差反向传播多层前馈神经网络），通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。 BP网络是按层次结构构造的，包括一个输入层，一个输出层和一个（或多个）隐藏层，一层内的节点（神经元）只和该层紧邻的下一层的各节点连接。学习过程由正向和反向传播两个过程组成，在正向传播过程中输 BP神经网络模型 入信息从输入层经隐藏层逐层处理，然后传向输出层，每一层神经元的状态只影响下一层神经元的状态；如果输出层不能得到期望的输出，则转向反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经网络的权值，使得误差信号最小。在实际应用过程中，误差达到人们所希望的要求时，网络的学习过程就结束。实际上，BP神经网络模型把一组样本的输入输出问题变为一个非线性优化问题，我们可以把这种模型看成一个从输入到输出的映射，这个映射是高度非线性的。 五、基于神经网络的认知无线电 1、基本思想 首先对每一个训练样本设定一个期望输出值。然后对网络输入实际的学习记忆模式，并由输入层经中间层向输出层传播，即工作信号的正向传播。在信号的向前传递过程中网络的权值是固定不变的，如果在输出层不能得到期望的输出，则进行误差信号的反向传播过程。误差是实际输出与期望输出的差。按照误差平方最小这一原则，由输出层往中间层逐层向前传播，在此过程中修正网络的连接权，即误差信号的逆传播。随着工作信号的正向传播和误差信号的逆传播过程的交替反复进行，网络的实际输出逐渐向对应的期望输出逼近，网络对训练样本输出的正确率不断上升。 先对信号进行特征值提取，计算出能量值和三个最大的某一循环频率处的循环频谱值，把这四个特征值作为神经网络的输入，经过神经网络训练，达到学习的目的，神经网络将输入样本的特征值进行记忆。然后根据储存记忆对授权用户信号进