基于LSTM的协作感知算法及多USRP实现的方法   0    0

本发明公开了一种基于LSTM的协作感知算法及多USRP实现的方法。本发明步骤：1、利用多台USRP和一台主机搭建协作感知平台；2、在主机上利用GNU Radio接收USRP采集得到的基带信号作为离线训练样本；3、建立LSTM网络用于样本时序特征提取，利用全连接层得到融合特征，并引入Softmax回归模型对融合特征进行分类识别；4、利用离线训练样本对步骤3搭建的网络模型进行逐层训练，具体为利用梯度下降法和反向传播算法优化模型参数，从而得到离线训练模型；5、利用步骤1所搭建的感知平台接收信号序列，然后利用步骤4得到的离线训练模型进行实时感知分类。本发明用于识别主用户信号的存在性能够取得良好的效果。

1.基于LSTM的协作感知算法及多USRP实现的方法，其特征在于该方法包括以下步骤：
步骤1、利用多台USRP和一台主机搭建协作感知平台；
步骤2、在主机上利用GNU Radio接收USRP采集得到的基带信号作为离线训练样本；
步骤3、建立LSTM网络用于样本时序特征提取，利用全连接层得到融合特征，并引入Softmax回归模型对融合特征进行分类识别；
步骤4、利用步骤2的离线训练样本对步骤3搭建的网络模型进行逐层训练，具体为利用梯度下降法和反向传播算法优化模型参数，从而得到离线训练模型；
步骤5、利用步骤1所搭建的感知平台接收信号序列，然后利用步骤4得到的离线训练模型进行实时感知分类；
步骤1中，利用多台USRP和一台主机搭建协作感知平台的步骤如下：
2‑
1.在主机中依次安装UHD和GNU Radio，并为每台USRP烧写与UHD版本对应的FPGA image；
2‑
2.重新配置每台USRP的IP地址到不同网段下，同时重新配置主机端的以太网口IP，使每个以太网口分别与USRP处于同一网段下；
步骤2中利用GNU Radio接收采集得到的基带信号作为离线训练样本，具体如下：
3‑
1.利用GRC(GNU Radio Companion)搭建信号的接收和发射流图，在接收流图最后使用一个Vector Sink模块接收信号数据；
3‑
2.利用步骤3‑1搭建的GRC流图生成Python源码，对源码进行修改，在源码中添加相应语句，将使用Vector Sink模块接收到的信号数据进行拆分重组，构成用于离线训练的数据集；
步骤3中，为每个USRP接收节点搭建LSTM网络用于该节点的信号时序特征提取，然后利用全连接层得到所有USRP时序特征的融合特征，最后引入Softmax回归模型对融合特征进行分类识别，具体如下：
4‑
1.第i个USRP接收的L点时间信号序列，通过拥有N个记忆单元的LSTM网络，得到N维的时序特征向量featurei；
4‑
2.将M个USRP的时序特征向量进行组合，生成一个组合特征序列：
feature＝[feature1,feature2,…,featureM]；
4‑
3.使用全连接层对组合特征序列feature中的各时序特征向量进行融合，然后将融合特征向量通过神经元数量为2的全连接层，并使用Softmax将输出映射为分类标签；
步骤5中，利用步骤1所搭建的感知平台接收信号序列，然后利用步骤4得到的离线训练模型进行实时感知分类，具体如下：
5‑
1.每台USRP均使用一个Vector Sink模块接收信号数据，截取长度为L的信号序列，并将截取到的M台USRP的数据组合成M×1×L的张量矩阵，作为输入样本；
5‑
2.利用函数LSTMmodel＝keras.model()调用步骤4保存的离线训练模型，然后使用LSTMmodel.predict()将步骤5‑1得到的张量矩阵输入到离线训练模型中进行分类，得到T
输出标签[a,b]；
T T
5‑
3.输出[0,1]表示主用户存在，[1,0]表示主用户不存在，但a和b的值在实际输出过T
程中并非为0或1，而是两个位于0～1之间，且和为1的实数；定义err为输出与[0,1]之间的欧氏距离，即 设定误差门限为errth，当err用户信号，否则判定不存在。