基于LSTM神经网络的无人机通信频谱感知算法

宋文佳 何昊轩 钟天宇 邢文博

摘 要：为了提升无人机机群间的通信频谱利用效率，认知无线电技术被应用在无人机机群中。由于传统频谱感知算法易受到噪声干扰、受通信时延干扰、需要累积信号长，无法适应无人机机群间通信，本文提出了一种基于长短期记忆神经网络（LSTM）的双门限无人机机群频谱感知算法。首先利用所有次级用户对频谱信号进行感知收集，随后将所有次级用户信号传入无人机融合节点，最后利用长短期记忆（LSTM）神经网络进行感知判断。在仿真实验条件下与传统单门限能量协作算法、双门限能量协作算法比较，仿真结果表明在不同信噪比和虚警概率下，所提方法的检测性能均优于传统算法。

关键词：频谱感知;长短期记忆神经网络;动量随机梯度下降算法

1 背景介绍

无人机凭借着其成本低廉、操作便捷、应用场景广泛等优势，得到越来越多用户的青睐，并且逐步运用到军事和民用领域。单架无人机往往难以满足适应复杂的场景的要求，例如山区地图测绘、灾后救援等，后来无人机机群极大地提高了使用效率，并且可以满足更多高难度任务要求。在这些场景下，机群内的灵活高效的通信成为保证无人机机群的运行安全，以及信息共享和作业的协同的前提条件。然而近年来随着无线通信技术的不断发展，频谱作為一种不可再生的珍稀资源也变得越来越紧缺，频谱复用成了通信中的必要技术。因此如何实现无人机机群协作通信频谱感知，从而实现无人机机群频谱复用的问题急需解决。

传统频谱感知方法分为单点感知［1］和协作感知［23］。单节点频谱感知技术仅采用一个感知单元对频谱进行感知，因此易受多种噪声因素影响，如多径衰落、阴影衰落、噪声不确定度等。为了减少位置和噪声对感知结果的影响的不确定性，协作频谱感知利用多个不同位置的感知端点结果进行融合判断，因此可以有效提升检测性能降低虚警概率。然而，传统多点协作感知方法需要在融合中心长时间积累信号，并要求各个端点将采集的信号全部回传到融合中心，需要消耗大量时间和无线通信频带资源，无法适应无人机机群间通信。

本文提出了一种基于长短期记忆神经网络（LSTM）的无人机机群频谱感知算法。首先将所有次级用户的信号进行收集进行初步感知，并将收集信号传入无人机融合节点，随后利用长短期记忆（LSTM）神经网络进行感知判断。在仿真实验条件下与传统单门限能量协作算法、双门限能量协作算法比较，仿真结果表明在不同信噪比和虚警概率下，所提方法的检测性能均优于传统算法。本文所提算法成本低、复杂度小，是解决无人机机群协作问题的可行办法，其应用前景广阔，对无人机通信具有重要意义。

2 模型建立

假设无人机机群组成的通信网络可由1个主用户（PU）、M个次级用户（SU）以及1个数据融合中心（Fusion Center，FC）组成。传统的频谱感知检测算法的二元假设模型可表示如下：

y（t）=n（t），H0s（t）h（t）+n（t），H1（1）

其中y（t）表示一个次用户在感知时刻为t时接收到的信号，h（t）为t时刻的主用户信号，n（t）是高斯白噪声信号，均值为0，方差为σ2n。H0表示未感知到主用户信号，H1表示主用户接入了频谱。由于n（t）是高斯白噪声信号，认为s（t）和n（t）相互独立。

在传统能量感知算法（Energy Detection，ED）中，检测统计量T（y）可表示为：

T（y）=∑N-1n=0y（n）2（2）

其中，N为采样点数。当给定判决门限λ时，统计量T（y）大于门限λ时，即可认为感知到主用户；反之，则认为没有感知到信号。对于双门限算法，即给定两个门限λ1、λ2，且λ1<λ2，大于门限λ2时即可认为感知到主用户，小于门限λ1时，认为没有感知到主用户。

传统的神经网络算法在处理时间序列时，无法处理前后相关性的问题，即前一时间段的输入无法对后一时间段的结果造成影响。因此Fernando J.Pineda等人针对此类问题设计循环神经网络（RNN）。RNN网络将不同时间的估计状态进行储存，在每个时间点输出做出估计的时候用户需考虑储存的所有历史状态，因此可以解决历史状态对输出估计的影响。但是RNN网络为储存历史状态需要大量的内存，并且同时计算所有历史状态计算量繁重。为了解决RNN内存消耗大、计算量大等问题，Hochreiter S在1997年提出了LSTM网络。LSTM在RNN的结构基础上，重新设计了神经网络的隐藏层单元，具体结构如图1所示。

图1中，LSTM网络的隐藏层单元共有三个信息控制单元，以保留有用信息并去除无用信息，分别为输入门i（t）、遗忘门f（t）、输出门o（t），表达式为：

i（t）=σWiy（t）y（t）+Wih（t）h（t-1）+bi（t）f（t）=σWfy（t）y（t）+Wfh（t）h（t-1）+bf（t）o（t）=σWoy（t）y（t）+Woh（t）h（t-1）+bo（t） （3）

其中，W（t）为针对门、遗忘门、输出门等不同门单元的权重系数矩阵，针对门的类型在W（t）函数角标表示；b（t）为针对门、遗忘门、输出门等不同门单元的偏置矩阵，针对门的类型在b（t）函数角标表示；σ为sigmoid函数，tanh为双曲正切函数。状态信息C（t）、隐藏层输出h（t）和网络输出L（t）可表达为：

C（t）=f（t）C（t-1）+   i（t）tanhWcy（t）y（t）+Wch（t）h（t-1）+bc（t）h（t）=o（t）tanh（C（t））L（t）=WLh（t）h（t）+by（t）（4）

对于无人机机群所有次级用户SU的感知数据集Y可表示为：

Y（t）=Y1（t）Y2（t）YM（t）=Y1（1）Y1（2）…Y1（kbatchsize）Y2（1）Y2（2）…Y2（kbatchsize）YM（1）YM（2）…YM（kbatchsize）（5）

其中，kbatchsize为每次序列送入网络训练的分块长度，本文将所有次级用户SU的感知数据集Y分为M个长度为kbatchsize的数据块，再将Y（t）=［Y1（t），Y2（t），…YM（t）］T与其对应的信道状态L（t）=［L1（t），L2（t），…LM（t）］T作为目标输出集，投入网络进行训练，其输出目标仅有两个状态：“0”表示未感知到主用户信号和“1”表示感知到主用户信号。

对于LSTM神经网络的参数更新，采用随机梯度更新。为了防止网络过拟合，使用了权重衰减方法，并采用正确实现权重衰减的AdamW算法作为优化器，其中权重衰减因子为0.002。

3 仿真实验及结果分析

为了对LSTM模型进行训练和测试，我们利用Matlab分别在-20dB到10dB信噪比（步長为3dB）下生成包含主用户和不包含主用户的信号。每个信噪比下生成信号为20000条，包含和不包含主用户的信号条数各为10000。所有数据按比例8∶1∶1分为训练集、验证集和测试集。信号采用OFDM编码格式编码，载波频率在遵循WiFi协议规定范围内随机设定。每条数据持续时间为0.1ms，仿真带宽为500MHz，采样率为1GHz。主用户通信带宽为10MHz，载波频率在100MHz到400MHz范围内随机设定，图2展示为10条数据拼接一起的时频谱图，其中横坐标轴为频率（GHz），纵坐标为时间（μs）。

LSTM为三层结构网络，网络输入层设为12，隐藏单元为26个，输出端口为1。在网络训练过程中，Batchsize设为64，最大迭代次数为100，初始学习率设为0.001。随后，本文根据无人机机群通信主用户信号检测的需求，统计两个参数，即主用户的检测概率和检测的虚警率。实验在采用GPU训练，型号为NVIDIA 2080Ti。同样的测试数据同时利用传统能量检测算法［4］和双门限能量检测算法［5］进行测试，并将结果对比。

在不同信噪比下，虚警概率设为5%的条件下，单门限ED算法、双门限ED算法及本文提出的基于LSTM的算法的检测概率性能比较如图3所示。从图3可知，在信噪比为-20dB的环境中，单门限ED算法的检测概率仅为约2%；而双门限ED算法的检测概率提升到了约为41%，虽然有较大的提升，但仍无法满足实际应用需求。而LSTM算法在-20dB的条件下，检测概率达到约70%。在信噪比20dB到5dB的检测概率均大幅优于传统检测方法，能够很好提高系统实际使用效果。

在不同信噪比，并且检测概率设为80%的条件下，单门限ED算法、双门限ED算法及本文提出的基于LSTM的算法的检测虚警概率性能比较如图4所示。从图4可知，在信噪比为-20dB的环境中，单门限ED算法的检测虚警概率约为41%；而双门限ED算法的检测虚警概率优化为约32%，虚警率有较大的下降。而LSTM算法在信噪比-20dB的条件下，检测虚警概率降为约22%。虽然在-20dB到0dB的检测虚警概率均仍处于较高水平，但均优于传统检测方法，证明LSTM方法在低信噪比条件下，能够很好降低系统对主用户信号的检测虚警概率，降低系统的错误率。

4 总结

本文提高无人机机群通信中频谱的感知效率，本文提出了一种基于长短期记忆神经网络（LSTM）的双门限无人机机群频谱感知算法。首先利用所有次级用户对频谱信号进行感知收集，随后将所有次级用户信号传入无人机融合节点，随后利用LSTM神经网络进行感知判断。通过分别在-20dB到10dB（步长3dB）不同信噪比的条件下进行仿真实验条件，并与传统单门限能量协作算法、双门限能量协作算法比较，仿真结果表明在不同信噪比和虚警概率下，所提LSTM方法的检测性能和虚警率性能均优于传统算法。证明LSTM方法能够提高无人机机群通信中频谱的感知效率，提升通信网络工作质量，对无人机机群的实际应用有实际效果。

参考文献：

［1］薛楠.如何破解无人机大发展时代频谱短缺之忧？［J］.上海信息化，2015（11）：1619.

［2］文凯，姜赖赢.一种基于噪声方差估计的自适应多门限能量检测算法［J］.南京邮电大学学报（自然科学版），2017，37（3）：6872.

［3］LIU Xin，GUAN Mingxiang，ZHANG Xueyan，et al.Spectrum sensing optimization in an UAVbased cognitive radio［J］.IEEE access，2018（6）：4400244009.

［4］YUCEKT，ARSLAN H.A survey of spectrum sensing algorithms for cognitive radio applications［J］.IEEE Communications Surveys & Tutorials，2009，11（1）：116130.

［5］张亮，冯景瑜，卢光跃.协作频谱感知中的可信双门限硬判决融合算法［J］.信号处理，2014，30（2）：181188.

项目：中国民航大学大学生创新创业计划培优项目（202210059127）

作者简介：宋文佳（2001— ），女，汉族，河北邯郸人，中国民航大学大四在读，主要从事航空电子信号处理研究;何昊轩（2001— ），男，汉族，湖北随州人，中国民航大学大四在读，主要从事无人机路径规划研究；钟天宇（2001— ），男，汉族，浙江绍兴人，中国民航大学大四在读，主要从事航空电子研究；邢文博（2002— ），女，汉族，山东威海人，中国民航大学大三在读，主要从事雷达信号处理研究。