一种基于多层人工神经网络的感知频谱预测策略

庞 博， 谢卓辰， 马 陆， 刘会杰

(1中国科学院上海微系统与信息技术研究所 上海 200050 2上海微小卫星工程中心 上海 201203)

Pang Bo， Xie Zhuochen， Ma Lu， Liu Huijie

一种基于多层人工神经网络的感知频谱预测策略

庞 博1，2， 谢卓辰1，2， 马 陆2， 刘会杰2

(1中国科学院上海微系统与信息技术研究所 上海 200050 2上海微小卫星工程中心 上海 201203)

认知无线电可以使低轨卫星系统在运行周期中利用频谱中的空闲信道完成通信。根据感知得到的频谱信息对信道的未来状态进行预测，可以维持通信过程的稳定性和效率。结合人工神经网络的理论，提出一种基于多层BP神经网络的频谱预测策略，根据信道的历史状态对其下一时刻的状态进行预测。利用星上实测数据进行仿真验证，结果表明此预测策略具有较好的预测性能。

干扰预测； 频谱感知； 低轨卫星； 多层神经网络

引 言

与中高轨卫星或地面通信系统服务区域相对固定的特点不同，低轨卫星由于轨道高度低，卫星在轨对地通信覆盖的区域不断发生变化，所面临的地面频谱环境极其复杂。当前低轨卫星通信多采用UHF或L频段。一方面，这些频段已经十分拥挤，包括在轨的卫星系统、广播电视频道和未登记授权的军事应用或业余无线电应用，无法获得某一频段在全球范围内的固定授权；另一方面，现有频段的利用效率较低，绝大部分频段的利用率在50%以下，部分频段的利用效率甚至不足5%[1]。频域拥挤和时域利用率低下的矛盾使认知无线电在低轨卫星通信系统上的应用成为可能。在认知无线电中，如何获得可用时间长、干扰较低的信道最为核心问题，决定着通信的质量与效率。其中，对信道可用状态的预测十分重要。通信系统首先对宽带频谱信息进行感知，寻找其中的可用信道，并根据其可用性对信道进行选择[2，3]。为了验证感知或切换算法的有效性及系统性能，还需要根据频谱预测的结果对实际的频谱环境进行模拟生成。

文献[4，5]中提出了基于隐马尔可夫模型的预测器设计，并针对信道占用率为50%、用户到达为泊松分布的情况进行了仿真，但它仅仅处理了固定情况的主用户预测，且隐马尔可夫匹配模型的建立要求大量的存储空间和高复杂度的运算，对于星上的使用是不切实际的。文献[6]中提出了结合Sigmoid变换的线性滤波预测器，但由于信道状态本身是非线性的，这一预测器对于非平稳信道的预测性能较差。文献[7]中提出一种利用模拟退火遗传算法(SAGA)优化神经网络预测干扰的方法，但其应用场景为电气系统中的电磁场干扰，本质是特征提取而非基于时间序列的预测。本文提出一种基于多层人工神经网络的预测算法，将信道的历史占用状态信息作为输入，对下一时刻的信道占用情况进行预测，并利用星上实测数据对预测性能指标进行了分析验证。

1 感知频谱数据平滑处理

1.1 星上感知数据的特点

本文所述的低轨卫星通信系统轨道高度在800km左右，与地表相对运动速度快，轨道倾角较大，轨道之间重叠少，回归周期长，不同轨道之间的感知频谱相关性较低，并不适于作为预测参考样本。而且与地面认知无线电系统不同，星上频谱感知系统受到功耗、天线覆盖范围、传输链路速率等多方面的限制，因此获取的频谱数据相对有限。如需利用之前轨道上所得感知数据，则对星上系统的功耗和存储能力均有较高要求。因此，本文提出的多层神经网络方法仅采用邻近历史时刻的数据作为预测输入。

本文采用星上实测数据作为测试样本，感知带宽为1.6MHz，针对地球某一固定区域进行感知，持续时间为7天，每次感知获得超过某一门限值相对幅度最高的5个干扰频点。图1是某特定区域内相对频偏在±800kHz内的干扰频谱占用统计结果。

1.2 感知频谱数据的平滑处理

由于每次感知获得的频点数有限，且因链路时延的存在，每次感知之间存在一定的时间间隔，因此直接获得的频谱状态是十分稀疏的，信道平均占用率仅为15%左右。观察图1可知，大多数干扰信号会持续一定的时间。对感知结果进行平滑处理。将全频带均匀划分为10个信道，在时域选择一定的窗长，认为窗内出现过的干扰频点在窗所覆盖的时间内一直存在。图2为窗长选择60s时信道5中前150个时间窗内干扰出现的情况，信道占用率为36.75%。

图1 星上频谱感知结果

图2 窗平滑后信道5中干扰的出现情况(0为无干扰，1为出现干扰)

2 基于多层人工神经网络的预测器设计

信道状态预测可认为是二值序列预测问题，即信道状态可以表示为x＝{x1，x2，x3，…，xt-1，xt}，其中xt表征t时刻的信道状态，其值为1表示信道占用，为0表示信道空闲。人工神经网络通过非线性参数的方式建立输入输出数据之间的关系。对于t时刻的信道状态xt，选取T时间内的历史数据xt-T+2，…，xt-2，xt-1}作为输入。对于多信道系统，需要为每个信道单独建立和训练网络[8]。对于相对平稳的信道条件，只需要进行一次预先训练，所得到的网络就可以适用于之后较长时间的预测环境，从而降低了预测的时间复杂度。

2.1 预测器的设计

多层神经网络的预测器包含一个输入层、一个输出层和若干隐含层，其结构如图3所示。各层之间的神经元通过可调整的权值连接。这里的非线性变换由Sigmoid函数实现。对于第m层神经元，输入、输出分别记为由于传递函数f(·)的非线性，输出ym被映射到(0，1)区间，且在均值附近对输入xm敏感。神经网络输出结果为0/1二值序列，可通过与中值的比较判断得到。

隐含层数的选择与具体问题相关。对于单信道状态预测，本文选取隐含层数为2，第一层包含12个神经元，第二层包含15个神经元。输入层的神经元个数依输入序列长度而定。由于仅对信道当前时刻状态进行预测，因此输出层只有1个神经元。

2.2 预测器的训练

图3 多层神经网络预测器结构

采用置信传播(BP)[9]方式更新网络中的权值。针对每个训练样本，误差函数为为第m层第i个神经元的期望输出为实际计算结果。根据输出与期望值之间的误差函数反向传递，修正各层权值，使得误差函数随时间的变化沿梯度方向下降。迭代过程权值修正公式为

针对每个训练样本，设：

3 预测性能分析

3.1 性能指标

为说明多层神经网络的预测性能，采用两方面的衡量指标：①降低干扰碰撞的影响，记为ICred(Interference Collision reduction)；②提升信道利用率，记为CUimp(Channel Utilization improving)。

3.1.1 降低干扰碰撞率

根据频谱切换的方式不同，可以将用户分为预先切换和反应切换两类。前者根据频谱预测的结果，事先对未来可能出现的干扰进行躲避，即提前退出当前信道进行切换；后者则根据实时感知的结果，在干扰已经确定的情况下才退出当前信道，随机选择空闲的信道进行切换。对于单信道预测，干扰碰撞率的降低程度可以表示为成功预测的信道占用时段与全部信道占用时段的比值，即对信道忙状态的成功预测：

3.1.2 提升信道利用率

对信道空闲时段的成功预测可以提升信道的利用率。由于反应切换的用户无法对信道的未来情况做出预测，因而只能依据当前时刻的感知结果在空闲信道中随机切换。信道利用率的提升可以用成功预测的信道空闲时段和该信道全部空闲时段的比值表示，即：

3.1.3 虚警率

利用多层神经网络预测干扰的缺点在于可能发生虚警情况，这一指标用虚警概率FA来衡量，即：

3.1.4 实验结果分析

将感知频带划分为10个信道，选取信道5，其信道占用率为41.1%，训练样本数为1000，测试样本数为500，预测性能结果如表1所示。

表1 对信道5的预测性能

实验结果表明，多层神经网络对信道占用情况的预测性能较好，且在占用状态和空闲状态上表现平均。同时，虚警概率维持在可接受的水平，不会导致通信过程中较多的切换，可维持通信链路的稳定。

3.2 信道频谱占用率的影响

信道的频谱占用率，指在观测时间内，信道处于占用状态下的时间长度与全部观测时间的比值。

对全频带的10个信道分别进行网络训练与预测，各信道的频谱占用率变化较大，具体预测性能如图4所示。

图4 不同频谱占用率下的预测性能

由图4可见，尽管可以用于测试的信道数较少，但是频谱占用率的覆盖范围较宽，为(0，0.8)，在这一范围内，预测性能的表现均较为稳定。当频谱占用率在50%左右时，意味着信道的变化情况最为复杂，预测性能稍有下降，但虚警概率仍维持在15%以下，对两种状态的预测成功率也都维持在85%以上。

3.3 输入序列长度的影响

从图5可以看出，随着输入序列长度的增加，预测性能反而变差。此外，当输入序列变长时，网络的收敛速度也随之下降。这是因为卫星绕地运行速度较快，所感知到的干扰频谱时变随机性较强，信道状态之间的时域相关性随相距时间变长不断降低，输入序列过长反而会使预测性能变差。

4 结束语

本文针对低轨卫星频谱感知中的干扰预测问题，提出一种基于多层神经网络的预测方法，并利用星上实测数据进行预测性能的验证与分析。结果表明，预测准确率接近90%，同时虚警概率在10%左右，可以获得较好的预测性能。后续工作中将结合干扰预测的结果，将模型用于干扰反向生成，并对相关策略进行研究。

图5 不同输入序列长度下多层神经网络的预测性能

[1] Islam MH，Koh C L，Oh S W，et al.Spectrum Survey in Singapore：Occupancy Measurements and Analyses，Cognitive Radio Oriented Wireless Networks and Communications[C].CrownCom 2008，3rd International Conference，2008：1～7.

[2] Erik Axell，Geert Leus，Erik G.Larsson，H.Vincent Poor.State-of the Art and Recent Advances，Spectrum Sensing for Cognitive Radio[J].IEEE Signal Processing Magazine，2012，29(3)：101～106.

[3] Wang Beibei，Liu K.J.Ray.Advances in Cognitive Radio Networks：A Survey[J].IEEE Journal of Selected Topics in Signal Processing，2011，5(1)：5～23.

[4] Akbar IA and Tranter W H.Dynamic Spectrum Allocation in Cognitive Radio Using Hidden Markov Models：Poisson Distributed Case[C].Proceedings of IEEE SoutheastCon.2007：196～201.

[5] Yarkan S and Arslan H H.Binary Time Series Approach to Spectrum Prediction for Cognitive Radios[C].Proceedings of IEEE Conference on Vehicular Technology(VTC)，2007：1563～1567.

[6] Park C H，Kim SW，Lim S Mand Song MS.HMM Based Channel Status Predictor for Cognitive Radio[C]. Proceedings of Asia-Pacific Microwave Conference(APMC)，2007：1～4.

[7] 杨天鹏，马齐爽，谢清明.基于神经网络的电磁干扰的预测[J].北京航空航天大学学报，2013，39(5)：697～700.

[8] Tumuluru Vamsi Krishna，Wang Ping and Niyato Dusit.A Neural Network Based Spectrum Prediction Scheme for Cognitive Radio[C].IEEE International Conference of Communication(ICC)，2010：134～139.

[9] Haykin S.Neural Networks：A Comprehensive Foundation[M].2nd ed.，Prentice Hall，1999：161～175.

A Cognitive Radio Spectrum Prediction Scheme Based on Multilayer Neural Network

The LEO satellite communication system can use idle channels in spectrum with the cognitive radio.By predicting future states of channels according to the sensed spectrum information，the stability and efficiency of communication process are guaranteed.Based on the theory ofmultilayer BP neural network，a spectrum prediction scheme is proposed to predict the channels’states by history states.The measurement data on satellite is used for simulation and verification.The result shows the good performance of the proposed scheme.

Interference prediction； Spectrum sensing； LEO satellite； Multilayer neural network

TN925

A

CN11-1780(2014)01-0001-05

Pang Bo， Xie Zhuochen， Ma Lu， Liu Huijie

庞 博 1989年生，硕士，主要研究方向为卫星通信、认知无线电。

谢卓辰 1987年生，博士，主要研究方向为认知无线电、统计信号处理。

马 陆 1981年生，博士，助理研究员，主要研究方向为数字信号处理、认知无线电、无线资源管理。

刘会杰 1972年生，博士生导师，研究员，主要研究方向为卫星通信系统设计。

2013-07-09 收修改稿日期：2013-10-18