基于BP神经网络的认知无线电疑似跳转信道预测研究*

项亚楠，徐以涛，项 楠, 丁国如, 徐庆龙

(1. 解放军理工大学通信工程学院,江苏 南京 210007；2. 湖北移动设计中心,湖北 武汉 430000)

基于BP神经网络的认知无线电疑似跳转信道预测研究*

项亚楠1，徐以涛1，项 楠2, 丁国如1, 徐庆龙1

(1. 解放军理工大学通信工程学院,江苏 南京 210007；2. 湖北移动设计中心,湖北 武汉 430000)

为了在认知无线电环境中进行跟踪干扰，需要预测认知用户在遭受干扰后进行频谱切换的目标信道——疑似跳转信道，以便在这些疑似跳转信道上对其进行跟踪检测和干扰。提出了一种在多信道多用户条件下，认知用户在感知得到的空闲信道上智能决策并选择合适信道接入的频谱模型，并用基于BP神经网络的预测算法预测疑似跳转信道，为衡量预测效果，提出了预测切准率和预测精度两个参考标准，仿真结果验证了该算法的可行性。

认知无线电 疑似跳转信道 频谱切换 频谱模型 BP神经网络

0 引 言

自从1999年Joseph Mitola博士提出认知无线电概念以来[1]，认知无线电技术在众多国家的很多领域已经得到广泛的研究和应用。由于认知无线电具有“认知”和“重构”特点，能感知周围频谱资源占用情况，自适应跳转到空闲频段并调整通信参数继续通信，因此能大幅提高频谱利用率[2]。此外，认知用户在遭受干扰时，也能跳转到其它空闲、无干扰的频段，并自适应调整通信参数继续进行通信，从而使系统的抗干扰能力得到极大加强[3]。认知无线电的这种动态改变工作频率的特点是其抗干扰的优势所在，但这种动态性也造成了认知电台通信参数的易变性。针对这种特性，目前已提出的一种认知无线电干扰策略是对认知用户进行持续的跟踪干扰，使认知无线电不断进行重构，将时间更多的消耗在非通信环节。由于认知电台在遭受干扰后切换的目标信道是智能决策的，切换规律也不是固定的，因此我们对认知无线电的跟踪干扰和传统的跟踪干扰不同，需要在多个可能的信道上伺机干扰。这种可能的信道在这里被称为疑似跳转信道(Suspicious Hopping Channel)，多个疑似跳转信道构成疑似跳转信道集SHC。而SHC的估计，则需要运用到合适的学习预测算法。

文献[4]提出了使用频谱的历史数据进行频谱预测。文献[5]提出了一种基于线性自回归(AR)模型的预测算法。文献[6]提出了一种基于一阶隐Markov模型的预测方法，该方法不需要知道频谱占用模型参数的先验信息。文献[7]提出了一种基于高阶可变的Markov模型的预测算法，相对于基于AR模型的预测算法，该算法能更好地预测频谱占用情况，同时也降低了运算量。文献[8]则提出一种快变信道环境下基于支持向量回归(SVR)的频谱预测算法，该算法在小样本学习时有较好的预测效果。而基于BP神经网络预测算法在进行多信道频谱预测时具有一个独特的优势，那就是其输入变量是多个信道的频谱历史占用信息，在预测的过程中，每个神经元都会根据各个信道的输入和输出来调整相应的权值，因此该方法还考虑到了各个信道之间的关联[9]。此外，基于BP神经网络的预测算法不需要预先知道授权用户系统的频谱占用参数模型的先验信息，而且不同于Markov模型，神经网络预测器一旦完成了训练，就不再需要连续的训练了，从而有效降低了计算复杂度[10]。然而，现有研究预测的是频谱占用状态，仅考虑授权用户是否占用信道，而本文预测的是疑似跳转信道SHC，将同时考虑信道占用和认知用户的跳转规律，提出多信道多用户条件下，认知用户在空闲信道中智能决策、选择合适的信道接入的频谱模型，并将基于BP神经网络的预测算法运用到对SHC的预测，且提出了相应的性能参考指标。本文第2节提出了预测SHC的系统模型。第3节提出了一种在多信道多用户条件下，认知用户根据感知得到的空闲信道，智能决策选择信道接入的频谱模型。第4节介绍了基于BP神经网络的算法，并提出了将该预测算法运用到预测SHC的方法。第5节进行了仿真实验，并分析和对比仿真结果，得出预测切准率和预测精度的关联以及如何进行参数的选择。

1 系统模型

本文采用基于BP神经网络的预测算法动态学习频谱环境，根据频谱占用的历史数据预测SHC，这里也称为重构预测。如图1所示，我们假设系统有多个信道和多个授权用户，假设频谱被占用时为ON状态，用数字“1”表示；频谱未被占用时为OFF状态，用数字“-1”表示，而且信道的“忙、闲”状态认知用户可以通过一定的频谱感知算法检测得到。

图1 认知用户疑似跳转信道预测示意图

认知用户只会占用感知得到的空闲信道进行通信，当受到干扰或者主用户回归时，认知用户会切换到其感知得到的其他空闲信道上继续进行通信，但是认知用户每次频谱切换的目标信道是智能决策的，其占有空闲信道的规律也不固定，因此作为干扰方去学习和预测这种切换规律将是十分困难的。然而，无论这种规律如何变化，一般情况下，认知用户的频谱切换每次也都会尽量选择切换到下一时隙占用概率较低的信道，以保证其通信的持续性，避免多次切换，导致通信效率降低。从这点出发，我们可以将问题换一种处理方式，用合适的学习预测算法去学习和预测各个时隙信道的占用情况而不是去学习和预测认知用户占用空闲信道的规律，然后将预测的下一时隙占用概率较低的信道作为认知用户的疑似跳转信道，从而对其进行跟踪干扰，这样就大大降低了问题的复杂度。

在本文中，我们将用M/M/N排队模型产生频谱占用数据，并在每个时隙的空闲信道上模拟认知用户智能决策占用空闲信道的行为，然后用基于BP神经网络的预测算法预测认知用户每次进行频谱切换的SHC。为了衡量预测效果，我们提出了预测切准率和预测精度这两个参考标准，其中预测切准率是指认知用户实际跳转的目标信道在SHC上的频率，另外我们也希望能够在保证合适的切准率的同时能提高预测的精度，因为如果预测精度较差，即SHC的数目过多时，必然会导致干扰方干扰资源(计算量、计算时间、干扰功率等)的浪费。因此，我们希望预测到的SHC数目越少、切准率越高越好。

2 频谱模型

由于各无线通信系统的频谱分配策略不同，对频谱的使用规律进行建模通常比较困难。文献[11]假设授权用户的接入模式是一个循环平稳随机过程，建立了一个基于Markov的频谱模型。文献[12]和[13]针对Ad Hoc网络的特点，建立了基于部分可观测马尔可夫决策过程(POMDP)的频谱模型。

本文假设授权用户系统的频谱资源占用模型为M/M/N模型，这是典型的话音业务模型。假设授权用户系统有N个子信道，系统的用户到达服从参数为λ的泊松分布，用户服务时间服从参数为μ的负指数分布，当没有空闲信道时则拒绝用户到来。

图2 M/M/N模型的状态转移图

如图2所示为M/M/N排队模型的状态转移图，圆圈中的数字代表信道被占用的个数。若以一定的时间间隔(每个间隔称为一个时隙)检测频谱中各个信道的占用情况，则可以得到一个观察序列集合X={x(i),i=1,2,…,K}，其中K为总的观察序列数，x(i)=(x1(i),x2(i),…,xN(i))，xj(i)∈{-1,1}，j=1,2,…,N，其中j表示信道号，xj(i)的值为“1”表示相应的信道被授权占用，“-1”表示信道空闲。

授权用户的频谱占用模型建立好之后，接下来需要建立认知用户的占用模型。由于认知用户能感知到未被授权用户占用的空闲信道，并智能决策选择其中的一个进行通信，每当遇到有授权用户占用当前信道或者有干扰信号时，认知用户就会感知当前的空闲信道，然后按照某种选择规则选择其中一个空闲信道接入。若当前没有空闲信道，则等待直到感知到有空闲信道出现再按一定规则选择信道接入。因此，我们可以设置两个序列S(k)和T(k)，其中T(k)表示第k次出现有空闲信道时所处的时隙数，T(k)∈{1,2,…,K}，S(k)则表示认知用户在T(k)时隙时按照一定规则选择的空闲信道的信道号，S(k)∈{1,2,…,N}。而我们在预测SHC时，检验预测算法的好坏的其中一个标准就是检验S(k)出现在SHC上的频率——切准率的高低。

3 基于BP神经网络的频谱预测算法

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，该算法网络于1986年由Rumelhart和McCelland为首的科学家提出，是目前应用最为广泛的神经网络之一[14]。BP神经网络能学习和存储大量输入-输出模式映射关系，且无须事先揭示描述这种映射关系的数学方程。它的学习规则主要有LM算法、动量BP算法、学习率可变的BP算法以及拟牛顿法等等[15]。这些算法都是通过误差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神经网络模型的结构包括输入层(input layer)、隐含层(hidden layer)和输出层(output layer)，如图3所示：

图3 BP神经网络结构图

假设输入神经元个数为M，隐含层神经元个数为I，输出层神经元个数为N。输入层的第m个神经元记为xm，隐含层第i个神经元记为ki，输出层第j个神经元记为yj。从xm到ki的连接权值记为wmi，从ki到yj的连接权值记为wij。则上述网络的输入为长度为M的向量，输出为长度为N的向量。设网络的实际输出为：Y(n)=[y1,y2,…,yN]，网络的期望输出为：D(n)=[d1,d2,…,dN]，其中n为迭代次数。则输出层第j个神经元在第n次迭代的误差信号定义为

ej(n)=dj(n)-yj(n)

(1)

则网络的总误差定义为

(2)

以下为几种神经网络中常用的学习算法：

1)最速下降BP法

(3)

ω(n+1)=Δω(n)+ω(n)

(4)

其中η为学习率。

2)动量BP法

动量BP法在上一种算法的权值更新阶段引入了动量因子α(0<α<1)

(5)

与标准的最速下降BP算法相比，在更新权值时多了一个因式αΔω(n-1)，表示本次的权值更新方向和幅度不仅与本次计算所得梯度有关，还与上一次更新的方向和幅度有关。该因式的引入时权值的更新具有一定的惯性，而且具有了一定的抗振荡能力和加快收敛的能力。

3)学习率可变的BP算法

标准的最速下降BP算法中，学习率η是一个常数。实际上，在训练的不同阶段，需要的学习率是不同的。学习率过小则收敛速度慢，学习率过大，则容易出现振荡。因此学习率可变的BP算法应运而生，当误差以较小的方式趋于目标时，说明修正方向正确，则可以增加学习率；当误差超过一定范围时，说明上一步修正得不对，则应减小步长，降低学习率。该算法学习率的增减通过乘以一个增量或减量因子实现

(6)

设计一个BP神经网络时，要根据具体的应用情形考虑网络层数、输入层节点数、隐含层节点数、输出层节点数以及传输函数、训练方法、初始权值的设置等等，在这里就不再赘述了。

本文要运用BP神经网络算法进行多信道频谱预测。设预测阶数为τ，即以包括当前时隙在内的前τ个时隙的频谱数据来预测下一时隙信道的占用情况，总的观测数据长度为T0，Sp,q(其中p∈{1,2,…,N},q∈{1,2,…,T},Sp,q∈{-1,1})为第p个信道在第q个时隙的输入数据，则输入数据矩阵可以设置为[16]

(7)

监督矩阵为

(8)

则输入层节点数为M=N·τ，输出层节点数即为N，输出层每个节点的输出都对应着某一个信道在下一时隙频谱占用情况的预测值，然后逆向传播预测值和期望值的误差，并根据误差调整各个神经元的权值。此外，已经有研究发现基于BP神经网络的预测模型使用两层隐含层就够了[10]，因此本文所使用的BP神经网络模型有两层隐含层。

4 仿真实验分析

4.1 参数设置

仿真试验中，我们只对2 MHz带宽内的频谱进行实验分析，以200 KHz带宽为一个信道，则总共有10个信道，即N=10，BP神经网络中，预测阶数τ=4，则输入层节点数M=N·τ=40，隐含层有两层，其神经元节点数分别设置为15和20，且隐含层和输出层的传递函数均设置为双曲正切Sigmoid函数，则网络的输出层各节点的输出值将被限制在(-1,1)区间内。在产生频谱数据的频谱模型中，设授权用户的到达速率为λ，服务速率为μ。在实际情形中，干扰方对认知用户在进行频谱切换选取空闲信道时的规律是未知的，而且这种规律也不是固定的。因此为了更贴近实际，仿真试验中，我们假设认知用户在进行频谱切换时选取空闲信道是随机的，相比于有特定选择规律的情形，这种随机的也是最难预测的情形。然后再根据其选取的信道序号组成序列S(k)。

仿真实验中，我们以一定的时间间隔Δt进行采样得到频谱占用数据矩阵，产生的总的实验数据长度T0=11 000，将网络的训练数据长度设为T1=1 000，则测试数据长度为T2=10 000。实验中BP神经网络采用的学习算法为学习率可变的BP算法，网络中的初始权值用Matlab库函数rands产生，其取值范围为[-1,1]。

4.2 仿真结果及分析

由于输出值被限制在(-1,1)范围内，我们可以认为输出值越接近-1，则代表该信道下一时隙空闲的概率越高。我们在输出端可以设置一个阈值Th，当输出大于Th时判为“1”，即相应的信道下一时隙判为“占用”；当输出小于Th时判为“-1”，即信道下一时隙判为“空闲”。我们在这里取预测到的空闲信道组成疑似跳转信道集SHC。得到预测结果后，我们需要检验算法的两样性能指标：预测切准率和预测精度，其中预测切准率的表达式为

(9)

式中F为认知用户的切换信道序列S(k)出现在SHC上的次数，Nh为认知用户进行频谱切换的总次数；而预测精度则通过计算每次预测的SHC的个数与实际空闲信道的个数相比，偏差的平均个数来体现，其表达式为

(10)

式中nact(i)和nSHC(i)分别表示在第i时隙实际空闲信道数和预测的第i个时隙疑似跳转信道集SHC的个数。此外，实际平均空闲信道数为

(11)

(a)λ=1, μ=0.15 ,Δt=1 s

(b)λ=1, μ=0.15 ,Δt=0.5 s

(c)λ=1, μ=0.1 ,Δt=0.5 s

对比图4(a)和图4(b)的仿真结果，我们可以看到，当采样间隔从1 s降到0.5 s后，频谱预测的正确率的最大值从0.86左右提高到了0.9左右。这是由于采样间隔的变小后，各数据间的关联性也随之增加，故预测准确率升高。

对比图4(b)和图4(c)的仿真结果，我们发现当用户服务速率参数μ从0.15降到0.1后，信道变得更加“繁忙”了，实际平均空闲信道数从4.6左右降到2.6左右，此时各阈值对应的预测切准率也均有所降低。

5 结 语

本文主要研究了认知用户进行频谱切换的目标信道的估计，即预测疑似跳转信道集SHC，其目的是便于干扰方对认知用户的跟踪干扰。为此首先提出了一种多信道多用户条件下的频谱模型，并在该模型中模拟了认知用户在频谱切换时进行智能决策选取空闲信道接入的过程。本文还将基于BP神经网络的算法运用到对SHC的预测，而且为了衡量预测结果，提出了预测切准率和预测精度两个参考标准，在实际应用中，必须综合考虑上述两个标准。最后，进行了仿真实验，仿真结果也验证了该方案的可行性。

[1] Mitola J, Maguire J, Q. G.. Cognitive Radio: Making Software Radios More Personal [J]. IEEE Personal Communications,1999,6(4):13-18.

[2] DING Guo-ru, WU Qi-hui, WANG Jin-long, et al. Joining Cooperative Spectrum Sensing and Resource Scheduling for Cognitive Radio Networks with Soft Sensing Information [C]//YC-ICT, Beijing: IEEE press, 2010: 291-294.

[3] 马月槐，刘跃宣，范玉虎等. 军用认知系统的对抗技术研究[J]. 通信技术, 2013, 46(6): 7-9. MA Yue-huai, LIU Yue-xuan, FAN Yu-hu, et al. Study on e-Countermeasure Technology of Military Cognitive Radio System [J]. Communications Technology, 2013, 46(6): 7-9.

[4] TEVFIK Y, HUSEYIN A. A Survey of Spectrum Sensing Algorithms for Cognitive Radio Applications [J]. Communications Survey & Tutorials, 2009,11(1):116-130.

[5] KANEKO S, NOMOTO S, Ueda T, et al. Experimental Verification on the Prediction of the Trend in Radio Resource Availability in Cognitive Radio [C]// Vehicular Technology Conference, California: IEEE press, 2007: 1568-1572.

[6] AKBAR I and TRANTER W. Dynamic Spectrum Allocation in Cognitive Radio Using Hidden Markov Models: Poisson Distributed Case [C]// IEEE Southeast Conference, Richmond: IEEE Press, 2007: 196-201.

[7] Li Y,DONG Y N, ZHANG H, et al. Spectrum Usage Prediction Based on High-order Markov Model for Cognitive Radio Networks [C]// IEEE Conference on Computer and Information Technology, Bradford: IEEE press, 2010: 2784-2788.

[8] 高翔, 任国春, 陈瑾等. 快变信道下基于支持向量回归的频谱预测[J]. 信号处理, 2014,30(3):289-297. GAO Yiang, REN Guo-chun, CHEN Jin, et al. Support Vector Regression-based Spectrum Prediction Under Quick-Changing Channel Occupancy [J]. Journal of Signal Processing, 2014, 30(3): 289-297.

[9] 陈斌华. 认知无线电系统中的频谱预测算法研究[D]. 北京: 北京邮电大学, 2006. CHEN Bin-hua. Research on the Spectrum Prediction Algorithm in Cognitive Radio System [D]. Beijing:Beijing University of Posts and Telecommunications, 2006.

[10] TUMULURU V K, WANG Ping and NIYATO D. A Neural Network Based Spectrum Prediction Scheme for Cognitive Radio [C]// International Conference on Communications, Cape Town:IEEE press,2010:1-5.

[11] CLANCY T C, WALKER D. Predictive dynamic spectrum access [EB/OL]. http://www.cs.umd.edu/～clancy/docs/sdr06-predict.pdf, 2006.

[13] ZHAO Qing, TONG Lang, SWAMI A, et al. Decentralized Cognitive MAC for Opportunistic Spectrum Access in Ad Hoc Networks: A POMDP Framework [J]. IEEE Journal on Selected Areas in Communications, 2007, 25(3): 589-600.

[14] ZHAO Qing, TONG Lang, and SWAMI A. Decentralized Cognitive Mac for Dynamic Spectrum Access [C]// DySPAN, Baltimore, MD: IEEE press, 2005:224-232.

[15] 周开利，康耀红. 神经网络模型及其MATLAB仿真程序设计[M]. 北京: 清华大学出版社，2005:69-100. ZHOU Kai-li, KANG Yao-hong.Neural Network Model and MATLAB Simulation Programming [M]. Beijing: Tsinghua University Press, 2005: 69-100.

[16] 陈明. MATLAB 神经网络原理与实例精解[M]. 清华大学出版社. 2013: 158-166. CHEN Ming.MATLAB Neural Network Theory and Example [M]. Tsinghua University Press, 2013:158-166.

[17] 李书荣. 基于DE-BP的神经网络认知无线电频谱预测研究[D]. 成都: 西南交通大学, 2013. LI Shu-rong. Research on DE-BP Neural Network Spectrum Prediction For Cognitive Radio [D]. Chengdu: Southwest Jiaotong University, 2013.

XIANG Ya-nan (1990-), male,graduate student, mainly engaged in cognitive radio communication EW.

徐以涛(1971—)，男，博士，教授，硕士生导师，主要研究方向：软件无线电、认知无线电、无线通信、数字信号处理、通信对抗技术。

XU Yi-tao (1971-), male, Ph.D.,professor, postgraduate tutor, mainly engaged in software radio, cognitive radio, mobile communication, digital signal processing and communication EW.

丁国如(1986—)，男，博士，讲师，主要研究方向：认知无线电、频谱数据分析、统计信号处理。

DING Guo-ru (1986-), male, Ph.D., lecturer,mainly engaged in cognitive radio, spectrum data analysis, and statistical signal processing.

项 楠(1988—)，男，硕士，设计员，主要研究方向：通信组网技术、认知无线电、统计信号处理。

XIANG Nan (1988-), male, M.Sci., designer, mainly engaged in network communications technology, cognitive radio and statistical signal processing.

徐庆龙(1989—)，男，硕士研究生，主要研究方向：认知无线电通信对抗。

XU Qing-long(1989-),male, graduate student, mainly engaged in cognitive radio communication EW.

National Natural Science Foundation of China(No.61172062, No.61301160)；National Science Foundation of Jiangsu Province(No.BK2011116)

SHC Prediction Scheme based on BP Neural Network for Cognitive Radio

XIANG Ya-nan1，XU Yi-tao1, XIANG Nan2, DING Guo-ru1，XU Qing-long1

(1.College of Communication Engineering，PLA University of Science and Technology,Nanjing Jiangsu 210007,China;2.Design Center,China Mobile Group Hubei Co., LTD., Wuhan Hubei 430000, China)

To implement the tracking jam in CR (cognitive radio) communication, it is necessary to predict the target channel—SHC(Suspicious Hopping Channel)—that CR may hop to after suffering a certain interference, so as to track and jam it in SHC. A spectrum model with multiple channels and multiple users is proposed, in which the CR user can intelligently select and access the appropriate channel from the sensed idle channels. Then the algorithm based on BP neural network is used to predict the SHC.In order to measure the prediction effect, two reference standards—handoff accuracy and precession are proposed. Finally, Simulation results verify the feasibility of this prediction algorithm.

CR; suspicious hopping channel; spectrum handoff; spectrum model; BP neural network

date:2014-09-11；Revised date：2015-01-23

国家自然科学基金项目(No.61172062,No.61301160)；江苏省自然科学基金项目(No.BK2011116)

TN97

A

1002-0802(2015)03-0311-07

项亚楠(1990—)，男，硕士研究生，主要研究方向：认知无线电通信对抗；

10.3969/j.issn.1002-0802.2015.03.013

2014-09-11；

2015-01-23