基于机器学习主用户发射模式分类的蜂窝认知无线电网络频谱感知

申 滨 王 欣 陈思吉 崔太平

(重庆邮电大学通信与信息工程学院 重庆 400065)

1 引言

近年来，无线通信技术的快速发展增加了对频谱资源的需求，而某些授权频段(Licensed Frequency Band, LFB)的低效率使用进一步凸显了频谱稀缺的问题。认知无线电(Cognitive Radio, CR)[1,2]通过实时监测LFB的占用状态而实现机会性的次级频谱接入，提高了频谱利用率。为了保证尽可能少地对主用户(Primary User, PU)产生干扰，蜂窝认知无线电网络(Cellular Cognitive Radio Network,CCRN)中的次级用户设备(Secondary User Equipment, SUE)只能在LFB尚未感知到任何PU活动时，方可暂时性地获得接入机会。在这个意义上，频谱感知是保证CR系统正常工作及确保PU系统所能承受的最小干扰约束的基础和前提。

目前，现有文献中的频谱感知技术方法大致可以分为4类：(1)基于SUE接收信号幂律统计量的阈值信号检测方法，如能量检测(Energy Detection,ED)。因为仅关注接收信号的能量信息，且在较短的感知时隙内仅能获取有限的频谱观测样本，这类方法面临性能受限的问题；同时，由于噪声功率不确定度的存在，门限校准精度受限，亦可能影响最终性能。(2)协作频谱感知(Cooperative Spectrum Sensing, CSS)算法[3-5]。CSS算法利用多个SUE接收信号副本的空间分集特性，获得更高的频谱感知准确性及可靠性。然而，多数CSS方案的具体实现往往需要预先具备针对PU信号及无线传播环境的多种先验知识，在现实中有可能难以实现。(3)基于地理位置数据库的频谱监测方法[6,7]。此类方法依托大时间尺度范围内构建的、基于地理位置的频谱观测数据库，通过对目标LFB的长期观测记录，统计分析PU活动规律。然而，如果完全依赖PU统计活动规律，对于小时间尺度上的PU瞬态活动可能缺乏足够的感知灵敏度和响应速度。(4)基于机器学习分类器的频谱感知(Machine Learning based Spectrum Sensing, MLSS)算法。区别于传统的2阶或者高阶信号检测处理方法，作为一种受大量数据驱动的、富有前景的解决方案，MLSS方法近年来也受到关注和推动[8-12]。值得说明的是，上述4种方法目前基本上都还处于依靠各自的工作机制独立完成感知任务的阶段。

考虑到在现实的CCRN中收集大量频谱观测数据的便捷性以及MLSS方案对于数据分类的强大处理能力，为了进一步增加SUE在LFB中的机会性接入可能，同时尽可能抑制SUE对PU接收机的干扰，本文提出一种基于机器学习(Machine Learning,ML)算法的新型频谱感知方案。此方案首先致力于识别CCRN内存在的多个PU发射机(PU Transmitter,PUT)的发射模式，从而判断CCRN内当前所存在的活跃PUT；然后，网络中的SUE根据其自身与活跃PUT之间的空间位置信息或频谱观测数据，决定其是否可接入LFB频段。

2 系统模型

本文方案将感知过程分为两步。第1步，通过ML算法获得PUT发射模式的状态标签，即判断当前来自于真实标签为 Lm的测试数据 Ym所对应的PUT发射模式；第2步，根据SUE及PUT的地理位置信息或者频谱观测数据，得到对应于 Lm模式下的LFB可用性标签。值得说明的是，本文假设PUT的个数 N事先已知，针对PUT的地理位置，给出了已知及未知两种条件下的解决方法1)在CCRN中，由于SUE与其周围的多个蜂窝基站之间的无线链接，假设SUE的位置信息能够通过相应的定位方法较为精确地获得。。

3 基于PUT发射模式分类的频谱感知

3.1 PUT传输模式分类

(1) 基于能量值数据模板的PUT模式分类。从简化先验条件和实现复杂度需求的角度考虑，本小

算法1 基于能量值模板差值的PUT模式分类

3.2 面向网格的LFB接入标签预测

在完成PUT传输模式分类后，CCRN内的PUT活跃状态情况由此确定，此时需要针对每一个网格进行LFB接入可能性预测。

表1 CNN分类算法采用的结构参数

4 数据充分性分析

由前述内容可知，基于机器学习算法的PUT模式分类需要大量的频谱观测数据，例如训练数据集 ΘT和测试数据Ym，均应在满足充分的数据获取条件下获得，即每个网格位置都有相应的SUE提供观测数据。在现实中，这一条件在获取 Ym时不一定能够满足，即由于SUE的空间分布特性，不一定能保证每个网格都有SUE存在并获取频谱观测数据。由于数据充分性的缺失，必然会影响分类判决的性能。

5 仿真结果及分析

图1 仿真场景图

图2 PUT数量已知时，其传输模式分类准确率

表2 PUT传输功率为32 dBm时，PUT传输模式分类准确率

图3 传输功率43 dBm时，8种PUT传输模式下网格标签图

在PUT发射功率为43 dBm时，图4(a)和图4(b)分别给出了8种PUT传输模式下的网格LFB接入标签预测分类错误率以及在实际的青、黄区域内的网格发生LFB预测标签分类错误的网格数量。结合图3、图4可以看出，在各种PUT传输模式下，OVO-SVM方案相对于双门限能量检测方案在网格LFB接入标签预测分类错误率以及在青、黄区域内发生分类错误的网格数量都显著降低。图4(c)显示了整个CCRN中所正确判定的可接入LFB的所有网格数量。从图4中可以看出，相比传统的ED方案只能在PUT传输模式为S0时SUE才可以接入LFB，本文采用的OVOSVM和双门限能量检测的方案在S1～S7传输模式下亦能发现潜在的LFB接入机会，从而极大地增加了LFB的利用效率。

图4 PUT传输功率为43 dBm时，网格分类性能

6 结论

为了提高蜂窝认知无线电网络接入授权频谱的利用率，本文提出了一种基于机器学习经典算法的频谱感知方案。在PUT传输模式分类中，CNN算法具备相同实现条件下的最优的分类准确率；而在面向网格的LFB接入标签预测中，距离计算方法与OVO-SVM具有优于双门限检测算法的性能。仿真实验验证了在与PUT数目、地理位置以及数据充分性等方面相关的不同实现条件下，所提出的频谱感知方案均能达到较好的性能，尽可能减少对PU所产生的干扰，有效地提高SUE在授权频谱中的接入机会，提高了授权频谱利用率。