基于深度学习的无线通信频谱感知优化方法

贾怡婧，李真真

（漯河职业技术学院，河南 漯河 462000）

0 引 言

随着无线通信技术的迅猛发展，频谱资源的有效利用成为优化网络性能的重要课题之一[1-3]。频谱感知作为一种关键的技术手段，可以实时监测和分析周围无线环境，使通信系统能够动态适应不断变化的无线信道条件，从而提高系统的效率和可靠性[4-5]。然而，传统的频谱感知方法在应对复杂和动态的通信环境时面临一系列挑战，包括感知精度不足、实时性差等，限制了网络性能的进一步提升[6-7]。为克服这些挑战，文章提出一种基于深度学习的无线通信频谱感知优化方法，旨在提高网络性能和频谱利用效率。深度学习作为一种强大的模型学习技术，通过对大量数据的学习和训练，能够有效挖掘复杂的非线性关系，从而更精准地进行频谱感知[8-9]。在该框架中，频谱感知被赋予核心地位，并通过引入长短时记忆网络（Long Short Term Memory，LSTM）进行深度学习模型的构建，以实现对动态无线环境的高效感知，提高网络性能[10-11]。

1 针对频谱感知的网络性能优化框架

基于LSTM 的无线通信频谱感知优化方法的核心思想在于利用LSTM 网络有效建模频谱信息，实现对时序变化的动态感知，从而更精准地适应复杂的通信环境。

具体而言，该方法采集周围无线环境的频谱信息，形成时序数据序列。将这些时序数据引入LSTM网络进行训练，使网络能够学习到频谱变化的内在规律和复杂的非线性关系。LSTM 网络以其优秀的记忆性能，能够捕捉时序数据中的长期依赖关系，适用于频谱感知这一需要考虑历史信息的场景。完成训练后，文章设计方法通过LSTM 网络预测实时采集的频谱信息，得到当前时刻的频谱状态。这一预测结果被用于调整通信系统的参数和资源分配，以优化网络性能。通过LSTM 网络的学习和预测，该方法能够更加准确地把握频谱变化的趋势，从而实现对通信系统的智能优化。

基于LSTM 的无线通信频谱感知的网络性能优化方法如图1 所示，主要是时序频谱数据的采集、LSTM 模型的训练、实时预测、频谱状态的输出以及网络性能的优化过程。整个框架通过LSTM 网络实现对频谱信息的智能感知和网络性能的实时优化。

图1 基于LSTM 的频谱感知的网络性能优化方法

2 基于LSTM 的频谱感知方法研究

2.1 长短期记忆网络

LSTM 是一种循环神经网络（Recurrent Neural Network，RNN）的变体，旨在克服传统RNN 在处理长序列时容易出现梯度消失或梯度爆炸问题的不足。LSTM 的核心结构包括记忆单元和门控单元，其中记忆单元负责储存并传递信息，而门控单元则负责控制信息的输入、输出和遗忘。考虑一个时刻t：xt为输入向量，表示当前时刻的输入信息；ht为隐藏状态，表示当前时刻的网络状态；ct为记忆单元的状态，负责长期储存信息。LSTM 的基本单元如图2 所示。

图2 LSTM 的基本单元

遗忘门通过Sigmoid 激活函数来决定前一时刻的记忆单元状态中哪些信息应该被遗忘，输入门通过Sigmoid 激活函数来决定当前时刻的哪些输入信息应该更新到记忆单元中。记忆单元状态负责长期储存信息，通过综合遗忘门和输入门的信息得到更新。输出门通过Sigmoid 激活函数和双曲正切激活函数来决定当前时刻的隐藏状态和输出值。

2.2 基于LSTM 的频谱分析方法

本研究考虑一个时序序列X={x1,x2,…,xT}，其中xt表示时刻t的频谱信息。基于LSTM 的频谱分析方法具体步骤如下。

首先，对于时刻t的输入xt，定义输入门的输出it和记忆单元状态为

式中：σ表示Sigmoid 激活函数；tanh 表示双曲正切激活函数；Wi和Wc分别表示相应的权重矩阵；bi和bc是偏置项。

定义遗忘门的输出ft为

遗忘门的输出用于决定前一时刻的记忆状态中哪些信息需要被遗忘。该过程的数学表达式为

式中：ct表示时刻t的记忆单元状态；ct-1表示前一时刻的记忆单元状态。最后，定义输出门的输出ot和当前时刻的隐藏状态ht为

输出门的输出ot用于决定当前时刻隐藏状态ht中哪些信息需要输出。该过程结合了 Sigmoid 和双曲正切激活函数，通过调节记忆单元状态ct，得到最终的隐藏状态。

在基于LSTM 进行频谱时序建模和分析后，网络优化主要通过LSTM 的输出来调整通信系统的参数和资源分配，以提高网络性能，具体步骤如下。

第一，LSTM 输出的利用。LSTM 网络的输出包括隐藏状态ht，该状态携带了对时序频谱数据的建模信息，可以被视为对当前时刻频谱状态的抽象表示。本研究利用这一表示来进行网络优化。

第二，网络参数调整。将LSTM 的输出与通信系统的参数关联，如调整调制方式、信道编码率等，以更好地适应当前时刻的频谱环境。这样的调整能够使通信系统更加灵活地响应不同频谱条件下的变化，提高系统的健壮性。

第三，资源分配优化。基于LSTM 输出的频谱建模结果，可以智能分配通信资源。例如，动态调整功率分配、子载波分配等资源配置策略，最大限度地利用当前时刻的频谱资源，提高通信系统的效率。

第四，实时优化决策。由于LSTM 网络能够实时感知动态无线环境，其输出能够用于实时的决策。根据LSTM 输出，通信系统可以及时做出优化决策，以适应频繁变化的频谱条件，提高通信系统的实时性和适应性。

LSTM 网络建模与分析输出与网络优化的关系如图3 所示，包括参数调整、资源分配和实时决策。这一流程使通信系统能够根据时序的频谱信息动态调整其运行状态，从而提高网络性能。

图3 LSTM 网络建模与分析输出与网络优化

3 结果与分析

为测试基于LSTM 的无线通信频谱感知优化方法的有效性，本研究在开放区域测量了无线通信频谱制作数据集，包含在不同频段和环境条件下的频谱测量信息。该数据集覆盖多种通信场景，包括城市、农村、室内以及室外环境，涉及不同信号类型和强度。数据集的多样性有助于验证模型在各种频谱条件下的性能。实验过程如下：首先，清理和预处理数据，包括去除异常值、标准化处理等，以确保输入数据的质量和一致性；其次，将数据集的60%和40%分别划分为训练集和测试集，用于模型的训练和性能评估；再次，使用划分的训练集训练基于LSTM 的频谱感知模型，调整网络结构、超参数，以最大限度地适应数据集的特征；最后，使用测试集评估模型在实验数据上的性能，记录模型在不同频谱条件下的感知精度和实时性。实验结果如表1 所示。

表1 实验结果

从表1 的实验结果可以看出，在不同的频谱条件下，模型的感知精度变化不大，较为一致，这表明基于LSTM 的无线通信频谱感知方法对于不同环境的频谱变化具有较好的泛化能力，并且模型在实时性能方面表现良好，响应时间在可接受的范围内。通过在城市、农村、室内和室外等不同场景的测试，模型在各种环境中都能取得较好的性能。这证明了该方法在应对复杂的频谱条件和通信场景时的健壮性较好。由此表明，基于LSTM 的无线通信频谱感知优化方法在不同频谱条件下的性能较优，为无线通信系统的性能优化提供了可行的解决途径。

4 结 论

文章通过深度学习建模，精准分析了无线通信频谱时序数据，为通信系统的智能优化提供了有效手段。然而仍需要进一步探讨改进LSTM 网络结构、优化参数调整方法，并在实际通信系统中进行更为全面的验证。未来的研究方向包括引入更复杂的神经网络结构、探索多模态信息融合的方法以及深入挖掘在5G 及以后通信标准中的应用。