基于多步预测的宽带频谱感知技术

王 焕，吴 斌

(1.中国工程物理研究院 电子工程研究所，四川 绵阳 621900；2.西南科技大学 信息工程学院，四川 绵阳 621010)

0 引 言

随着移动无线网络及物联网的快速发展，智能终端设备数量迅猛增长，同时由于通信技术的发展和数据处理速度的不断提高，人们对高速率无线通信的需求和频谱资源紧缺的矛盾日益突出。但由于频谱资源的静态分配机制，部分授权频谱占用率极低，频谱资源紧缺和频谱利用率低的矛盾凸显了静态频谱分配机制的弊端，因此人们提出了基于认知无线电的动态频谱共享机制。认知无线电的提出一方面是为了解决当前日益严重的频谱资源紧缺问题，另一方面是为了提高通信质量，其中频谱感知是前提和关键技术，但当前的宽带频谱感知技术要么算法复杂度高，要么硬件实现难度大。

为了减小宽带频谱感知技术在硬件和计算复杂度上的开销，研究人员提出了基于预测的频谱感知方法[1]，即如果认知用户能从有限的频谱数据中通过学习、分析和预测的方法，推断频谱未来时刻的状态，不仅能获得某个时隙的占用状态，而且能更加科学、主动地进行频谱管理和优化[2]。基于多步预测的频谱感知方法先预测未来多个时刻的信道状态，再根据业务需求选择预测结果为连续空闲的信道进行频谱细感知，节省感知时间。

1 基于多步预测的宽带频谱感知系统模型

目前，基于预测的认知无线电通信还主要是先预测、后感知、再动态接入的模式，基于单步预测和频谱感知的认知通信模型如图1所示[3]，每个时隙的长度根据具体通信需求设置，认知用户在每次接入前都要进行频谱预测和感知，此过程占用大量的数据传输时间。认知用户在当前时隙预测下一时隙某个信道的使用状态，若预测结果为空闲，则在下一时隙进行频谱感知，若感知结果也为空闲，可以接入信道进行数据传输，若感知结果为占用，最终判断信道为占用，搜索其它信道再进行预测；若当前时隙的频谱预测结果为占用，不再进行频谱感知，直接搜索其它信道进行预测。由于单步预测仅预测下一时隙的信道状态，在每次数据发送前都要进行频谱预测和感知，特别是在宽带频谱时，两个过程会占用大量的数据传输时间。

图1 基于单步预测的认知通信模型

鉴于上述原因，本文设计了基于多步预测的认知通信模型，如图2所示，预测步长为m， 即可以预测未来m个时隙的信道状态。在预测步长内且预测结果为空闲的时隙，均可直接进行频谱感知，再根据频谱感知结果判断是否进行数据传输。若多步预测的其中某一步预测结果为占用，认知用户在该时隙之前搜索其它信道再进行预测，并在下一时隙切换到感知结果为空闲的信道。

图2 基于多步预测的认知通信模型

由于预测过程中神经网络训练需要消耗大量的时间，本文设计此过程离线完成，而在线实现基于滤波器组的细感知。基于多步频谱预测的离线粗感知和基于滤波器组的在线细感知相结合的宽带频谱感知系统框架如图3所示，采用上位机和下位机的架构。由频谱仪或其它设备采集射频空间的无线信号并保存在上位机，作为粗感知的历史数据。上位机实现多步预测的复杂算法及决策算法，并根据预测结果选择细感知频段的中心频率和带宽等信息发送给下位机，控制频谱细感知的参数配置及发射机的参数优化。下位机主要实现硬件平台的总体控制和功能调动、频谱细感知，通过控制它的射频驱动IP实现射频捷变收发器的信号发送和接收。上位机将选择的细感知参数发送给下位机的控制中心，设置射频接收模块的中心频率和带宽，并由下位机的滤波器组和能量检测模块完成频谱细感知，最后由下位机的控制中心将感知结果上传至上位机，在上位机实现认知决策，离线粗感知和在线细感知相结合的模式可以节省感知时间。

图3 基于多步预测的宽带频谱感知系统框架

2 基于多步预测的离线频谱粗感知

2.1 基于序列对序列模型的多步预测

基于LSTM(long short term memory)的“序列对序列”(sequence to sequence, Seq2Seq)模型[4]进行多步频谱预测，即由n个历史观测值 [x1,x2,x3,…,xn] 预测将来的m个值 [y1,y2,y3,…,ym]， 比用LSTM直接进行多步预测更灵活，其内部采用编码-解码结构，Seq2Seq模型使用两个LSTM的结构如图4所示，其中一个LSTM作为编码器将输入时间序列编码计算得到上下文向量，此值代表提取的输入数据重要特征，它作为中间值输入到解码器抽取上下文向量的序列值，得到最后的输出结果。

图4 基于LSTM Seq2Seq的多步预测模型

编码的前向传播公式为

h1=f(Ux1+Wh0+b)

(1)

h2=f(Ux2+Wh1+b)

(2)

以此类推，hn=f(Uxn+Whn-1+b)，f(·) 为激活函数，每一时间步的网络权重参数U,W,b都是相同的，即是LSTM的参数共享。

上下文向量的表达式为

c=g(h1,h2,h3,…hn)

(3)

其中，g(·) 为激活函数。

解码是与编码相反的过程，其前向传播公式为

h′1=f(U′c+W′h′0+b)

(4)

h′2=f(U′c+W′h′1+b′)

(5)

以此类推，h′m=f(U′c+W′h′m-1+b′)。

输出层一般为全连接层和Softmax回归层，其计算公式为

y1=Softmax(Vh′1+bo)

(6)

y2=Softmax(Vh′2+bo)

(7)

以此类推，ym=Softmax(Vh′m+bo)。 其中加粗的变量U,W,V表示向量。

2.2 基于混合神经网络的宽带频谱多步预测

为了处理时-频-空多维数据及多步预测[5]，构建混合神经网络模型达到预期目标，如文献[6]设计了基于卷积神经网络(convolutional neural network，CNN)的CNN-LSTM学习架构预测5 G无线网络的3 GHz到300 GHz频段的信道状态信息，包括信道的频段、位置、时间、温度、湿度等信息，但也只是进行了单步预测。由于单一神经网络很难完成多个信道占用状态的多步预测，针对宽带频谱聚类和估计后得到的空闲连续信道组成的宽带频谱，本文采用LSTM Seq2Seq和CNN相结合的Seq2Seq-CNN网络进行多信道的多步频谱预测，根据预测精度要求选择预测的时隙数目，从而得到信道空闲状态持续时长。

本文设计的Seq2Seq-CNN混合神经网络模型如图5所示，频谱数据经并行LSTM Seq2Seq模型同时进行多信道的多步预测，但每个信道独立预测，此过程并没有利用信道之间的相关性，因此用CNN模型挖掘信道之间的相关信息使预测结果更接近于真实值。

图5 基于Seq2Seq-CNN的宽带频谱多步预测模型

信道总数为L个，每一个信道都是由n个历史观测值预测将来的m个值，将L个信道的预测结果合并得矩阵M1， 其表达式如下

(8)

将M1输入CNN网络通过监督学习训练CNN网络参数[7]，使预测值M2更接近真实值train_y

(9)

(10)

以上结果只是一个时间步的表达式，若总时间步长为step_size， 则频谱数据以预测步长m向前滑动，如图6所示。

图6 宽带频谱预测的数据处理

根据Seq2Seq-CNN网络预测的信道频谱态势，结合业务QoS需求，选择最优的信道组合进行细感知，如视频业务，需要空闲持续时间长且大带宽的信道组合，既满足视频业务实时性的要求又减少误码率，而数据业务只需要大带宽保证数据传输的速率和正确率，语音业务只需要空闲状态持续时间长的信道。

3 基于滤波器组的宽带频谱细感知

传统的窄带能量检测法通过将接收信号的检测统计量与设定的门限比较，可判断信道是否被占用。对于宽带接收信号，多相均匀DFT滤波器组将接收到的宽带信号划分为M个子带[8]，对每个子带独立使用能量检测法进行频谱感知[9]，模型框架如图7所示，其中对各子带检测统计量采用相同的门限判决。认知用户在一个数据发送周期内不再感知信道环境，即假设信道环境是慢变化的，若数据发送失败，需重新感知信道环境；否则仅在下一个数据发送周期前再次感知信道环境。

图7 基于滤波器组的宽带频谱感知框架

无PU信号时：r(n)=w(n)；

有PU信号时：r(n)=x(n)+w(n)。

(11)

(12)

(13)

(14)

(15)

(16)

其中，Q-1(x) 是Q(x) 的反函数,又因L=N/M， 则门限值λ又可表示为

(17)

基于滤波器组的宽带频谱检测概率Pd由各子带的平均检测概率得到，即

(18)

4 仿真结果及分析

4.1 单信道多步预测仿真结果

数据集来源于RWTH Aachen大学2007年实际测量的功率谱密度(power spectrum density，PSD)[10]，覆盖20 MHz到6 GHz的频率范围，频率分辨率为200 kHz，测量地点有3个。采用在Maastricht, Netherlands室外屋顶的一周实测PSD数据集，取数据集中某一信道的采样PSD数据5770个，分布如图8(a)所示，将数据归一化处理并划分训练数据集和测试数据集分别为总数据集的90%和10%，采用LSTM Seq2Seq模型进行预测，当预测步长为6时，测试集的预测误差如图8(b)所示。将测试集PSD预测结果根据门限值-107 dBm转化为信道状态值后再进行预测性能评估，结果如图8(c)和图8(d)所示，此时预测错误率Pe为0.1024，而系统要求Pe小于0.15。图中的预测误差均为预测值和采样值之差。

图8 信道PSD分布及预测结果

4.2 多信道多步预测仿真结果

根据已有相关信道聚类和估计的研究成果[11]，选择NE Subband 1(20 MHz-1520 MHz)频段数据集中20个连续信道的PSD数据2000个，基于门限值将PSD转化为信道状态，其分布如图9(a)所示。将PSD数据进行归一化处理并划分训练集和测试集分别为总数据集的80%和20%，采用LSTM Seq2Seq模型进行预测，当预测步长为6时，将测试集PSD预测结果根据门限值转化为信道状态值后再进行预测性能评估，定义预测错误率(Pe)为信道状态预测值与实际值不相同的概率，预测结果如图9(b)所示，图中粗线表示实际的信道状态为“1”，细线表示预测的信道状态为“1”，空白部分表示采集数据和预测数据的信道状态均为“0”，此时Pe为0.1024，满足性能要求。若需要更小的预测错误率，可以减小预测步长。

图9 信道状态分布及预测结果

4.3 基于滤波器组的宽带频谱信道化

以某时刻NE Subband 1 300 MHz-710 MHz频段PSD数据集的2048个采样点为例，此频段的实际空闲率为0.674，通过P-DFTFB划分为8个子带，其幅度谱如图10所示，横轴为各子带归一化的频率，各子带的能量统计值见表1，单位为dB，给定门限值后即可确定子带的占用情况。若设置滤波器组划分子带数为16，则各子带的幅度谱如图11所示，与图10相比，可以发现更多的信号，各子带的能量统计值见表2。

图10 滤波器组划分8个子带的幅度谱

表1 滤波器组划分8个子带的能量值

图11 滤波器组划分16个子带的幅度谱

从表1可知，子带3、子带4、子带6和子带7的能量值明显高于其它子带的能量值，设置恰当的检测门限，通过将这4个子带的检测统计量和检测门限对比，可以得到这4个子带的状态为占用，由此计算得到子带空闲率为0.5。

从表2可知，子带5、子带6、子带10和子带13的能量值明显高于其它子带的能量值，设定合适的检测门限后判断这4个子带的状态为占用，由此计算得到子带空闲率为0.75，比划分8个子带时得到的子带空闲率更接近于实际值0.674。

表2 滤波器组划分16个子带的能量值

4.4 基于滤波器组的宽带频谱感知性能仿真

对粗感知选择的NE TV(614 MHz-698 MHz)频段的K个子信道，根据预测结果得在某个预测时隙有K1个子信道被占用，将空闲信道和占用信道的功率值分别记为噪声功率PN(n) 和占用信道功率PS(n)， 此时判断信道占用的功率门限值设置为λ， 且PN(n)≤λ， 根据噪声慢变化的特性对某时隙选择的K个信道进行信噪比估计如下

(19)

即将门限λ值作为占用信道的噪声功率值，将信噪比估计结果转化为以分贝(dB)为单位的值为SNR_est， 则可得

SNR_est=10×log10(SNR_Est)

(20)

基于滤波器组和能量检测对K个信道进行频谱感知仿真，滤波器组划分的子带数为M， 根据估计的信噪比SNR_est和设置的Pf由式(5)～式(14)计算检测门限。当M=64，Pf=0.1时，比较不同预测步长和不同滤波器组子带数对检测概率Pd的影响，并和直接使用能量检测法比较，仿真结果如图12所示，其中FB-Num表示滤波器组划分的子带数，Pd越高表示检测性能越好，由图可知，滤波器组划分子带数越多，FFT运算的点数越多，频域能量检测的性能越好；随着预测步长的增加，检测性能略有降低，主要因为预测步长增加时预测性能降低，影响估计的信噪比，进而影响检测门限值，但均优于直接能量检测法。

图12 不同预测时隙和滤波器组子带数对Pd的影响

此时，实际的子带空闲率为0.875，预测的子带空闲率和不同滤波器组子带数时实际检测100次的平均子带空闲率见表3，滤波器组划分的子带数越多，检测的平均子带空闲率越接近于真实值。

表3 预测和仿真的子带空闲率

由于基于预测的粗感知为离线算法，因此本文的感知时间定义为基于滤波器组的频谱细感知时间，在此未进行定量测量，但从基于多步预测的认知通信模型定性分析，该方法减少预测次数，即节省了感知周期的时间。

5 结束语

频谱感知是认知无线电的前提和关键技术，针对当前宽带频谱感知技术要么算法复杂度高、耗时长，要么硬件实现难度大，本文提出了基于多步预测的宽带频谱感知系统模型及具体实现方法。通过对宽带频谱的多步预测选择需要细感知的信道，并采用基于滤波器组的宽带频谱感知方法进行在线细感知，通过仿真实验，多步预测和宽带频谱感知的性能满足认知用户需求，且节省了感知时间。