基于人工神经网络的认知无线电频谱感知研究

刘 鹤

（兰州交通大学，电子与信息工程学院， 兰州 730070）

0 引言

随着无线通信的飞速发展，可用的频谱资源越来越少，而目前为特定通信业务固定分配专用频谱的方式，导致了当前的频谱资源短缺的问题。认知无线电技术为解决如何在有限频谱资源条件下提高频谱使用率[4]这一无线通信难题开辟了一条新的途径。认知无线电是一种用于提高无线电通信频谱利用率的新的智能技术，在授权频段没用或者只有很少的通信业务在活动的情况下，认知用户能够以“借用”方式使用已授权的频谱资源，并且认知用户对授权用户不至于产生某种限度的干扰（干扰温度）[5]。

1 频谱感知

频谱感知技术是认知无线电系统设计的重要组成部分，对实现无线频谱的二次利用和提高无线频谱利用率起着至关重要的作用。在认知无线电系统中，认知用户与授权用户共存。频谱感知就是通过各种信号检测和处理手段来获取无线网络中的频谱使用信息。本文是基于人工神经网络的认知无线电频谱感知，它通过ANN算法与本地感知技术相结合， 克服传统检测算法的局限性，通过在线学习来积累主用户信号的先验信息，在某个噪声波段范围内进行学习和训练以克服噪声不确定性的影响，能够更有效和准确地判别主用户的存在。

2 单用户检测

2.1 能量检测

能量检测[6]算法是一种简单的信号非相干检测算法，通过对特定频带的频谱能量进行测量达到频谱检测的目的。能量检测是直接对时域信号采样值求模，然后平方即可得到。它的基本实现原理是在一定的频带范围内作能量积累，如果积累的能量值高于一定的门限值，说明有信号存在；如果低于门限值，则说明只有噪声存在。

2.2 匹配滤波检测

匹配滤波器就是静态高斯噪声理想探测器，它能使认知无线电接收到的信号信噪比最大化。由于是一种相干检测，所以它需要事先知道先验信息，然后将检测到的信号与先验信息进行匹配识别，因此对相位同步要求非常高。

2.3 循环平稳检测

认知无线电中主用户的信号具有循环平稳性，而它们的谱相关函数的循环频率在不为零时有较大非零值，而平稳噪声的循环谱能量则主要集中于零处，而在其他非零处能量几乎为零，循环平稳检测就是通过这点来确定主用户是否存在的。

表1 为3种单用户检测算法的优缺点对比。

表1 3种单用户检测算法的优缺点

2.4 人工神经网络算法分类器

本文提出使用人工神经网络进行认知无线电调制信号的识别。因为ANN分类器具有强大的模式识别功能，能较好地处理复杂的非线性问题，而且具有较好的稳健性和潜在的容错性，可获得很高的识别率。分类识别是依据信号特征的观测值将其分到不同类别中去，分类器流程图如图1所示，先提取未知环境信号特征值，然后输入到训练好的ANN分类器中进行匹配从而进行判决主用户是否存在，来决定认知用户是否可以占用主用户信道。

图1 分类器流程图

基于ANN的频谱感知，能够使分类器自主学习，积累主用户信息。首先提取样本信号的特征值（这里取一个能量值和3个循环谱值）。

特征值提取：

(a)能量值

能量有限信号f(t)，傅里叶变换为F(ω)，f(t)的能量表达式为：

(b)循环谱值

取随机过程x(t)，循环频率为a的循环自相关函数：

然后将式(1)，(2)，(3)求出的特征值作为ANN的输入，通过训练，权值会不断的进行调整，然后将这些样本信息存入到数据库中实行记忆。之后对接收到的环境信号进行相同的特征值提取输入到ANN中,将输出的向量与目标向量进行异或运算，结果为0，则主用户存在；结果为1则主用户不存在。

3 仿真结果

为了验证本文提出方法的性能，而匹配滤波算法需知道主用户的先验信息，这里暂且不予进行比较，这里只将神经网络感知算法与能量检测算法和循环平稳检测算法进行比较。

对5种调制信号——AM, BPSK, FSK, MSK,QPSK使用MATLAB进行调制方式识别仿真实验。AM调制信号使用单频正弦波，其他数字调制信号由随机序列产生，再调制成还有窄带白高斯噪声的窄带信号。仿真的信噪比为[-15,-10, -5,0,5]，每个信噪比进行独立1000次试验。

定义正确识别率为：

表2中各调制信号的采样点数为1024，在4种不同的信噪比下，分别使用能量检测，循环平稳检测和ANN 3种分类器的信号正确识别率。仿真结果显示基于ANN的分类器识别率要高于能量检测和循环平稳检测。而且在低信噪比时优势明显。虽然在信噪比比较高的时候，ANN分类器与循环平稳检测分类器的识别率相当，但是由于循环平稳检测的计算量很大，所需的检测时间较长。从效率上讲，ANN分类器对循环平稳检测分类器有很大的优势。

表2

图2 是QPSK信号分别在不同的信噪比下，分别使用基于能量检测算法，循环平稳检测算法，和ANN检测算法3种分类器得到的识别率折线图。在低信噪比的情况下，ANN算法分类器的识别率明显高于其他两种分类器，虽然随着信噪比的提升，其他两种分类器的识别率有很大提升，但仍然低于ANN算法分类器。而且ANN算法分类器在低信噪比很低的情况下识别率也在85%以上。

图2 识别率折线图

4 结论

本文提出的基于人工神经网络算法的认知无线电感知，通过MATLAB802.11仿真平台模拟无线通信系统，将收集到的经验数据作为神经网络算法的训练值，对分类器进行训练，得到目标向量值，并进行记忆。然后对环境信号进行特征值提取经分类器与目标信号进行比对判决，原理类似于匹配滤波算法，但ANN算法具有自主学习能力，无需知道先验信息，能很好地提高信号的识别率并高效地探测出主用户是否存在，具有可靠性高，性能好的优势。

[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] 邓丽粼,张翠芳,周兴建,温坤华.遗传算法在认知无线电频谱感知中的应用[J].电子技术应用,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] 张晓,邓建国.干扰温度机制的研究[J].中兴通讯技术,2007(5).

[6] 秦继新,方勇,张士兵.认知无线电中的频谱感知技术[J].机械与电子,2009,11(1):95-96.

[7] 江虹,马景辉,黄玉清,伍春.用 RBF神经网络算法设计 CR认知引擎[J].Journal Of Xi Dian University,2011,38(1) :159-164.

[8] 赵知劲,彭振,郑仕链,等.基于量子遗传算法的认知无线电频谱分配[J].物理学报,2009,58(2):1358-1363.

[9] 黄晨,魏胜群,张华伟,徐婷.基于遗传算法的快速认知无线电[J].现代电子科技,2010(7):10-13.