欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106782755
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习的信道选择方法,其特征在于包括以下步骤:

步骤1:在认知无线电系统中,设定仅存在1个次级用户,设定有M个授权信道,设定每帧由N个时隙组成,且每个时隙取K个采样点;其中,M≥2,N≥1,K>1;

并构建残差网络:该残差网络包括第一批归一化层、第一卷积层、五个残差块、最大池化层、Flatten层、第一全连接层、Dropout层、第二全连接层,第一批归一化层的输入端作为该残差网络的输入端接收输入数据,第一卷积层的输入端接收第一批归一化层的输出端输出的数据,第1个残差块的输入端接收第一卷积层的输出端输出的数据,第2个残差块的输入端接收第一卷积层的输出端输出的数据与第1个残差块的输出端输出的数据通过相加合并后得到的数据,第3个残差块的输入端接收第1个残差块的输出端输出的数据与第2个残差块的输出端输出的数据通过相加合并后得到的数据,第4个残差块的输入端接收第2个残差块的输出端输出的数据与第3个残差块的输出端输出的数据通过相加合并后得到的数据,第5个残差块的输入端接收第3个残差块的输出端输出的数据与第4个残差块的输出端输出的数据通过相加合并后得到的数据,最大池化层的输入端接收第4个残差块的输出端输出的数据与第5个残差块的输出端输出的数据通过相加合并后得到的数据,Flatten层的输入端接收最大池化层的输出端输出的数据,第一全连接层的输入端接收Flatten层的输出端输出的数据,Dropout层的输入端接收第一全连接层的输出端输出的数据,第二全连接层的输入端接收Dropout层的输出端输出的数据,第二全连接层的输出端作为该残差网络的输出端;其中,第一卷积层的卷积核个数为32、卷积核大小为3×3、步长为1×1,第一卷积层的激活函数为Relu函数,最大池化层的池化窗口大小为2×2、步长为2×2,第一全连接层的神经元个数为128,Dropout层的丢失率为0.5,第二全连接层的神经元个数为7或2;

步骤2:设定初始帧为第1帧,在每帧中的每个时隙的各个采样时刻次级用户都要接收每个授权信道中传输的信号,将在第f帧中的第n个时隙的第k个采样时刻次级用户接收到的第m个授权信道中传输的信号记为 描述为: 然后计算在每帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,将在第f帧中的第n个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量记为 再根据在每帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,创建残差网络第一次训练所需的训练数据,记为E, 并从E中随机选择两个授权信道相

关的数据构成残差网络第二次训练所需的训练数据,记为

其中,1≤f≤F,F表示训练的帧数,1≤n≤N,1≤k≤K,1≤m≤M, 表示在第f帧中的第n个时隙的第k个采样时刻次级用户测量到的第m个授权信道中传输的主用户信号,表示在第f帧中的第n个时隙的第k个采样时刻次级用户测量到的第m个授权信道中传输的噪声,H1表示第m个授权信道处于忙碌状态,H0表示第m个授权信道处于空闲状态,符号“| |”为取绝对值符号,E的维数为M×(N×F),符号“[]”为向量或矩阵表示符号,E1表示E中的第1个样本, E2表示E中的第2个样本, EF表示E中的第F个样本,表示在第1帧次级用户接收到的第1个授权信道中传输的信号的能量的检验

统计量, 表示在第1帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量, 表示在第1帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量, 表示在第2帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量,表示在第2帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量,表示在第2帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量, 表示在第F帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量, 表示在第F帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量, 表示在第F帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量, 表示在第f帧次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量,表示在第f帧中的第1个时隙次级用户接收到的第m个授权信

道中传输的信号的能量的检验统计量, 表示在第f帧中的第2个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量, 表示在第f帧中的第N个时隙次级用户接收到的第m个授权信道中传输的信号的能量的检验统计量, 的维数为2×(N×F),表示 中的第1个样本, 表示 中的第2个样本, 表示 中的第F个样本, 表示在第1帧次级用户接收到的索引号为m0的授权信道中传输

的信号的能量的检验统计量, 表示在第1帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量, 表示在第2帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量, 表示在第2帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量, 表示在第F帧次级用户接收到的索引号为m0的授权信道中传输的信号的能量的检验统计量, 表示在第F帧次级用户接收到的索引号为m1的授权信道中传输的信号的能量的检验统计量,m0和m1为随机选择的两个授权信道的索引号,m0∈[1,…,M],m1∈[1,…,M],m0与m1不相等;

步骤3:将E和标签Z=[z1 z2…zF]输入到构建的残差网络中进行训练,残差网络输出空闲概率最大的授权信道的索引号,在训练过程中采用交叉熵损失函数并利用自适应矩估计算法更新残差网络中的参数;其中,z1表示在第1帧中真实空闲概率最大的授权信道的索引号,z2表示在第2帧中真实空闲概率最大的授权信道的索引号,zF表示在第F帧中真实空闲概率最大的授权信道的索引号,zf表示在第f帧中真实空闲概率最大的授权信道的索引号,zf∈[1,…,M],残差网络中的第二全连接层的神经元个数为7;

步骤4:将 和标签Z=[z1z2…zF]输入到构建的残差网络中进行训练,残差网络输出空闲概率最大的授权信道的索引号,在训练过程中采用交叉熵损失函数并利用自适应矩估计算法更新残差网络中的参数;其中,残差网络中的第二全连接层的神经元个数为2;

步骤5:重复执行步骤3和4多次,完成多轮训练后训练得到第一残差网络训练模型和第二残差网络训练模型;

步骤6:测试时对于测试的第1帧,按步骤2的过程,以相同的方式获取在该帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,再根据在该帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,获得第一测试数据,记为Etest1, 其中,Etest1的维数为M×N, 表示在测试的第1帧次级用户接收到的第1个授权信道中传输的信号的能量的检验统计量, 表示在测试的第1帧次级用户接收到的第2个授权信道中传输的信号的能量的检验统计量, 表示在测试的第1帧次级用户接收到的第M个授权信道中传输的信号的能量的检验统计量;

步骤7:将Etest1输入到第一残差网络训练模型中进行测试,第一残差网络训练模型输出在测试的第1帧中空闲概率最大的授权信道的索引号,并记为Ind1;

步骤8:测试时对于测试的第f'帧,按步骤2的过程,以相同的方式获取在测试的第f'帧中的每个时隙次级用户接收到的每个授权信道中传输的信号的能量的检验统计量,再获取第二测试数据,记为Etest2, 其中,2≤f'≤F',f'的初始值为2,F'表示测试的帧数,Etest2的维数为2×N, 表示在测试的第f'帧次级用户接收到的第Indf'‑1个授权信道中传输的信号的能量的检验统计量, 表示在测试的第f'帧次级用户接收到的第ran个授权信道中传输的信号的能量的检验统计量,Indf'‑1∈[1,…,M],ran∈[1,…,M],Indf'‑1与ran不相等,Indf'‑1为在测试的第f'‑1帧中空闲概率最大的授权信道的索引号,ran为在测试的第f'帧中随机选择的一个授权信道的索引号;

步骤9:将Etest2输入到第二残差网络训练模型中进行测试,第二残差网络训练模型输出在测试的第f'帧中空闲概率最大的授权信道的索引号,并记为Indf'。

2.根据权利要求1所述的一种基于深度学习的信道选择方法,其特征在于所述的步骤1中,五个残差块的结构相同,其由第二批归一化层、第二卷积层、第三批归一化层、第三卷积层组成,第二批归一化层的输入端为其所在的残差块的输入端,第二卷积层的输入端接收第二批归一化层的输出端输出的数据,第三批归一化层的输入端接收第二卷积层的输出端输出的数据,第三卷积层的输入端接收第三批归一化层的输出端输出的数据,第三卷积层的输出端为其所在的残差块的输出端;其中,第二卷积层和第三卷积层的卷积核个数均为

32、卷积核大小均为3×3、步长均为1×1,第二卷积层和第三卷积层的激活函数均为Relu函数。