認知無線電中頻譜環境學習與預測的製作方法
2023-07-21 09:52:11 1
專利名稱：認知無線電中頻譜環境學習與預測的製作方法
技術領域：
本發明涉及認知無線電中頻譜環境學習機理研究，特別是針對頻譜空閒和佔用時間長度服從指數分布的認知無線電系統，運用機器學習和預測的思想實現目標授權信道的頻譜感知。
背景技術：
為了有效緩解頻譜資源相對短缺的矛盾，認知無線電技術應運而生。機器學習是人工智慧領域的重要研究方向。在認知無線電中，觀察和學習是認知循環的兩個重要方面。近年來，國內外對於認知無線電的研究大多集中在頻譜感知技術方面的研究，目前傳統的頻譜感知方法主要包括匹配濾波器檢測、能量檢測、循環平穩特性檢測以及在此基礎之上的聯合檢測。然而，這些頻譜感知方法存在以下缺陷
(1)主要側重於頻譜空洞檢測，相對比較孤立，缺乏將頻譜空閒概率、頻譜檢測效率、信道容量等多維環境信息進行綜合檢測的研究；
(2)認知用戶未能有效利用認知用戶收集到的先驗信息和樣本信息，進而有針對性的接入目標授權信道；
(3)針對不同業務類型的認知用戶，未能分別建立數學模型和評價參數，從而客觀地評價無線信道頻譜感知策略的性能。然而，運用機器學習理論進行頻譜認知和管理是實現認知無線電技術的必然要求。通過實時的改變相應參數，來提高通信系統的可靠性和有效性。將認知無線電的學習引擎和推理引擎結合起來，讓射頻系統記憶過去的學習結果，從而在後續過程中迅速反應，以適應外界環境的變化。
發明內容
針對上述問題，本發明的目的是運用機器學習理論進行頻譜認知和管理，從而提高認知用戶基於機器學習和預測的頻譜感知性能。為了實現上述目的，本發明採取以下技術方案
首先對無線頻譜環境中的目標授權信道建立數學模型，認知無線電中頻譜環境的變化可以理解為授權信道空閒和佔用兩種狀態交替出現的過程，大量實測數據表明空閒和佔用的時間長度相互獨立且均服從指數分布。為了客觀地評價基於機器學習和預測的無線信道頻譜感知策略的性能，針對不同業務類型(如64kbit/s話音業務、壓縮的分組語音通信等)的認知用戶，設定了丟包率和呑吐量兩種評價標準。其中丟包率是開展固定速率業務的認知用戶性能評估參數，呑吐量是開展可變速率業務的認知用戶性能評估參數。當認知用戶通過機器學習來預測目標授權信道的狀態時，研究發現信道平均錯誤預測概率和空閒狀態概率存在對應關係，結果表明認知用戶基於機器學習和預測的目標授權信道頻譜感知性能較隨機頻譜感知有所改善，並且改善的程度與空閒狀態概率有夫。
進ー步研究發現，如果無線頻譜環境中目標授權信道的空閒和佔用狀態時間長度相互獨立，且均服從指數分布，則目標授權信道空閒狀態概率密度函數僅與其佔空比有夫。特別地，當目標授權信道的佔空比為I時，空閒狀態概率服從均勻分布。這為用指數分布來擬合頻譜空閒和頻譜佔用時間找到了理論依據。對於開展固定速率業務的認知用戶，引入統計平均呑吐量作為其性能評價參數。據此可以得到在統計意義下基於機器學習和預測的平均呑吐量表達式，並發現隨著樣本容量的増加，呑吐量的估計值依概率收斂於統計平均值，這樣在實際中就可以通過增加樣本容量來逼近統計平均呑吐量。最終通過調整認知無線電系統的信道時間檢測門限值，使単位時間內信息比特吞吐量在統計意義下達到最大。本發明由於採取上述技術方案，其具有以下優點
(1)運用機器學習理論進行頻譜認知和管理，體現了認知無線電技術的本質要求；
(2)認知用戶充分利用認知用戶搜集到的先驗信息和樣本信息，進而有針對性的接入 目標授權信道；
(3)綜合考慮頻譜空閒概率、頻譜檢測效率、信道容量等多維環境信息，有利於提高對周圍頻譜環境的預測精度；
(4)針對不同業務類型的認知用戶，分別建立數學模型和評價參數，從而可以更為客觀地評價無線信道頻譜感知策略的性能；
(5)按照本發明中選取信道時間檢測門限的依據，可以使單位時間內信息比特吞吐量在統計意義下達到最大。
圖I是認知循環觀察和學習環節示意圖。圖2是認知用戶預測目標授權信道的一般模型示意圖。圖3是認知用戶基於機器學習和預測的無線信道頻譜感知流程圖。圖4是固定速率認知用戶接入目標授權信道流程圖。圖5是可變速率認知用戶接入目標授權信道流程圖。
具體實施例方式認知無線電中觀察和學習是認知循環的重要內容，圖I給出了認知循環觀察和學習環節的示意圖，這兩部分密切相關，相互作用，從而更有效地實現頻譜環境的認知。在認知循環的觀察環節主要包括寬帶射頻前端、快速頻率合成和高速數位訊號處理三個部分。寬帶射頻前端部分由低噪聲寬帶濾波、寬帶放大和混頻模塊組成，採用多次變頻的超外差式結構與全波段低噪聲寬帶器件，抑制交調、互調等幹擾。快速頻率合成部分採用直接數字頻率合成(DDS)模塊，保證頻率合成器的高速掃描和快速鎖定。高速數位訊號處理部分包括數字下變頻(DDC)模塊和數位訊號處理(DSP)模塊，通過DDC和DSP解調，設計FFT採樣點數和解調的採樣頻率進ー步提高分析精度。在認知循環的學習環節主要有數據選擇、數據淨化、屬性轉換、自主學習、知識庫以及執行六個部分組成。其中，數據選擇、數據淨化和屬性轉換都歸結為數據預處理。自主學習模塊的目的在於對輸入的特徵參量進行準確的分類，以期在具體應用中提高系統多項性能。知識庫中存儲的是分類準則，學習模塊依據知識庫中的分類準則作出判定。即使經過了數據預處理，自主學習模塊獲得的信息也可能是不完全的，因此執行模塊的另ー個重要任務就是通過執行效果驗證判定結果的正確性，同時對知識庫的分類準則作出修正，保留正確的準則，修正或者刪除錯誤的準則。最終將機器學習的結果運用到頻譜感知中去。在本發明中，假設無線頻譜環境中的授權信道相互獨立，認知用戶每個時隙都會根據機器學習的結果對#個目標授權信道進行預測。圖2給出了認知用戶預測目標授權信道狀態的一般模型。圖中OFF和ON表示授權信道空閒和佔用兩種不同狀態。實測數據表明，OFF和ON的時間長度相互獨立且均服從指數分布，其均值分別為a和ん所以，認知無線電中頻譜環境的變化可以理解為授權信道空閒和佔用兩種狀態交替出現的過程。如圖3所示，認知用戶基於機器學習和預測的無線信道頻譜感知一般步驟可以歸納如下
(1)認知用戶根據已經收集到的目標授權信道的狀態信息，運用機器學習算法預測下一個時隙目標信道為空閒或佔用的概率；
(2)認知用戶將下一個時隙目標授權信道的空閒概率從高到低排列並按照此順序進行無線信道的頻譜感知；
(3)認知用戶將在檢測到的第一個空閒信道上傳輸數據，同時完成剰餘目標信道的檢測並記錄相關信息。考慮到外界頻譜環境的變化以及學習算法本身的局限性，認知用戶對未來時隙信道狀態的預測不可能做到百分之百準確。為了研究問題的方便，定義下列參數如表I所示。表I無線信道頻譜環境相關參數定義
符號丨定義[pgMmm
ガ 認知用戶進行頻譜感知的信道數常量固定取值
K .空閒信道數隨機變量.OsSjTsSZK
L 預測為空閒狀態，實際為佔用的信道數隨機變量QちLちN — K
M 預測為佔用狀態，實際為空閒的信道數_ 隨機變量尤'
為了客觀地評價基於機器學習和預測的無線信道頻譜感知策略的性能，針對不同業務類型的認知用戶，設定了丟包率和呑吐量兩種評價標準。其中丟包率是開展固定速率業務的認知用戶性能評估參數，呑吐量是開展可變速率業務的認知用戶性能評估參數。如圖4所示，對於開展固定速率業務的認知用戶，其每個時隙內傳輸的比特信息是一定的。信道時間檢測門限S定義為在不發生丟包的條件下，單位時隙內認知用戶能夠檢測信道數的最大值。如果認知用戶在檢測了S(1功個目標信道後仍未找到空閒信道，為了保證可靠傳輸，認知用戶不會在該時隙傳輸數據。為了簡化計算，同時又不失一般性，假設無線頻譜環境中#個目標授權信道的空閒狀態概率均為P。當認知用戶隨機選擇目標授權信道吋，無需對下一個時隙目標信道的狀態進行學習和預測。認知用戶能否在規定時間檢測門限之前接入取決於目標授權信道的空閒狀態概率。此時，認知用戶的平均丟包率可以表示為
^ = Σ ff |^fca-( )
ω )/i N-j +
當認知用戶通過機器學習來預測目標授權信道的狀態時，將會根據預測的結果安排下ー個時隙頻譜感知的順序。定義A為認知用戶平均錯誤預測概率，它是衡量認知用戶學習和預測水平的重要參數。假設認知用戶對於目標授權信道狀態的預測結果只依賴於該信道的空閒狀態概率凡若無線頻譜環境中目標授權信道的空閒狀態概率為八則認知用戶對該信道的平均錯誤預測概率ろ=2P{1 -P)。一般地，通過機器學習來預測無線頻譜環境中目標授權信道狀態，需要考慮的屬性變量除了目標信道空閒狀態概率外，還有信道容量、頻譜感知效率等其他參數。綜合考慮上述因素，實際中認知用戶的平均錯誤預測概率/—般不高於A = F(1 — P)。對於給定的時間檢測門限S,認知用戶的丟包率是隨機變量AしM的聯合概率分布/^ U(んrn,ハ的函數。當#># —S時，認知用戶在選擇了# — #個佔用狀態信道後，必然會選擇空閒狀態信道，該情況下認知用戶不會發生丟包。根據#、ム#三者之間的相對關係，丟包率可以分成下列三種情形分別討論。情形
權利要求
1.針對頻譜空閒和佔用時間長度服從指數分布的認知無線電系統，運用機器學習和預測的思想實現目標授權信道的頻譜感知，其特徵在於根據認知循環觀察和學習環節的一般模型，認知用戶基於機器學習和預測的無線信道頻譜感知一般步驟可以歸納如下 (1)認知用戶根據已經收集到的目標授權信道的狀態信息，運用機器學習算法預測下一個時隙目標信道為空閒或佔用的概率； (2)認知用戶將下一個時隙目標授權信道的空閒概率從高到低排列並按照此順序進行無線信道的頻譜感知； (3)認知用戶將在檢測到的第一個空閒信道上傳輸數據，同時完成剩餘目標信道的檢測並記錄相關信息。
2.根據權利要求I所述的運用機器學習和預測的思想實現目標授權信道頻譜感知，其特徵在於針對不同業務類型的認知用戶，設定了丟包率和吞吐量兩種評價標準，其中丟包率是開展固定速率業務的認知用戶性能評估參數，吞吐量是開展可變速率業務的認知用戶性能評估參數。
3.根據權利要求I所述的運用機器學習和預測的思想實現目標授權信道頻譜感知，其特徵在於信道平均錯誤預測概率和空閒狀態概率存在對應關係，若無線頻譜環境中目標授權信道的空閒狀態概率為八則認知用戶對該信道的平均錯誤預測概率A = 2P{1 -P),由此可得，認知用戶基於機器學習和預測的頻譜感知性能較隨機頻譜感知有不同程度的改
4.根據權利要求I所述的運用機器學習和預測的思想實現目標授權信道頻譜感知，其特徵在於找到了用指數分布來擬合頻譜空閒和頻譜佔用時間的理論依據，若無線頻譜環境中目標授權信道的空閒和佔用狀態時間長度相互獨立，且均服從指數分布，則目標授權信道空閒狀態概率密度函數僅與其佔空比有關，特別地，當目標授權信道的佔空比為I時，空閒狀態概率服從均勻分布。
5.根據權利要求2所述的丟包率和吞吐量兩種評價參數，其特徵在於對於開展固定速率業務的認知用戶，引入統計平均吞吐量作為認知用戶有效性的重要指標，隨著樣本容量的增加，吞吐量的估計值依概率收斂於統計平均值，並最終通過調整信道時間檢測門限值，可以使單位時間內信息比特統計量在統計意義下達到最大。
全文摘要
本發明涉及認知無線電中頻譜環境學習機理研究，運用機器學習和預測的思想實現目標授權信道的頻譜感知。針對不同業務類型的認知用戶建立數學模型，並設定兩種評價參數。研究發現信道平均錯誤概率和空閒狀態概率存在對應關係，結果表明認知用戶基於機器學習和預測的頻譜感知性能較隨機頻譜感知有不同程度的改善。對於空閒和佔用狀態時間長度服從指數分布(且分布參數相同)的目標授權信道，空閒狀態概率服從均勻分布。對於開展固定速率業務的認知用戶，引入統計平均吞吐量作為其性能評價參數。隨著樣本容量的增加，吞吐量的估計值依概率收斂於統計平均值，並最終通過調整信道時間檢測門限值，使單位時間內信息比特統計量在統計意義下達到最大。
文檔編號H04W24/00GK102857938SQ201110181380
公開日2013年1月2日 申請日期2011年6月30日 優先權日2011年6月30日
發明者馮奇, 葉芝慧 申請人:馮奇