机器学习在频谱感知中的应用研究

王子力 武警工程大学信息工程学院

1 引言

认知无线电能够实现对授权频谱的二次利用，通过频谱感知进行动态智能接入，解决频谱紧张问题，提高频谱利用率。传统的频谱感知可分为单点频谱感知和合作频谱感知。合作频谱感知利用空间多样性缓解单点频谱感知中存在的的信号衰落和隐藏终端问题。频谱感知的关键在于判决门限的划定和主用户信号数据的分类处理。现有的检测算法一般适用于PU信号和噪声概率分布已知的情形。相对于传统的信号检测算法，利用机器学习可以对所处进行环境学习，通过自适应算法运行参数调整。按照样本数据的不同，机器学习可以分为监督学习和无监督学习。监督学习利用含有标记信息的样本找到符合输入和输出的函数关系，构建系统模型。无监督学习应用在先验信息未知的条件下，从环境中提取系统所需参数。

2 集中式合作频谱感知框架

集中式合作频谱感知框架主要分为三个部分。第一个部分本地认知用户进行信息收集。处于不同空间位置的本地认知用户在针对特定检测频段中采用信号检测算法收集主用户活动状态信息，对主用户存在与否做出判决或不做出判决。第二个部分本地认知用户进行数据传输。本地认知用户将初步感知结果，经由报告信道传送到数据融合中心。第三个部分融合中心进行信息判决。融合中心根据一定的准则进行判决，判决后将结果发送至各个用户。融合中心如果不能做出判决，本地用户仍须传输信息。

3 机器学习在集中式合作频谱感知模型中的具体应用

合作频谱感知模型为学习训练模块和实际检测模块。在学习训练模块，训练样本的准确全面采集十分重要，关乎到在实际检测模块中能否达到预期目标，得到有效的检测结果。

3.1 认知用户的信息收集

认知用户首先进行信息收集，各个本地认知用户之间相互独立，利用算法从授权频谱中采集PU信号活动的原始信息。由于主用户的先验信息一般难以得到，能量检测算法应用较为广泛。但是能量检测存在门限效应，在低信噪比的环境下，难于达到良好的检测效果。为了使认知用户在低信噪比条件下也能继续工作，文献提出支持向量机（Support Vector Machine，SVM）的感知模型。SVM基本原理是利用合适的核函数将不能线性可分数据集进行映射，在新的空间中找到可以线性可分的函数。文献进一步利用粒子群优化SVM。离线模块根据产生的训练信号样本和噪声样本，对于不同的参数和采样点需要产生对应的判决统计量，并进行粒子群优化SVM得到决策函数。之后利用T1对决策函数测试，离线模块得到在一定虚警概率下的非线性门限。在线模块根据实际的虚警概率和样本个数需要选取对应的门限进行判决。

3.2 认知用户的数据传输

本地认知用户通过特定的信道进行数据传输。认知用户可以直接传输检测得到的数据，交由融合中心统一进行处理，也可以传输用户对数据进行独立判决之后的结果。为了使融合中心理论上获得最可靠的数据，本地认知用户需要传输当前感知数据的加权信息。文献利用神经网络对当前时刻本地认知用户的检测概率做出预测，并将预测得到的检测概率作为加权信息传输到融合中心。

3.3 融合中心的数据处理

融合中心的作用是在接收本地用户认知传输的数据后，依据一定的准则，对是否存在PU统一进行判决，并将其判决结果发送至各个本地认知用户。文献提出基于机器学习的融合中心算法，逐帧进行频谱感知的训练和判决。将频谱感知时间划分为固定长度的帧。每一时间帧分为频谱检测和频谱介入两个部分。频谱检测又继续划分为不同的时间子帧。在T0帧内，各个认知用户进行检测，并在接下来T1，T2 …Tk时间内分别通过传输信道将数据发送至融合中心。融合中心进行判决并进行状态更新。一旦判决存在主用户信号，通知认知用户停止频谱介入。

4 总结

频谱感知在实际中需要综合考虑其检测时间、检测精度、运算复杂度、系统耗能等性能。本文分别从合作频谱感知框架的三个不同模块综述机器学习在合作频谱感知中具体的应用。在认知用户信息收集阶段利用SVM在低信噪比下得到自适应门限，收集主用户信息，在先验信息缺乏条件下利用聚类算法获取主用户特征；在认知用户数据传输阶段利用神经网络算法或者Q-learning算法衡量用户检测概率作为加权信息；融合中心利用机器学习算法逐帧对数据进行处理，提高检测精度。