[0007] 本发明针对协作频谱感知问题,提出了一种基于LSTM的协作感知算法及多USRP实现的方法。
[0008] 本发明中基于LSTM的协作感知算法及多USRP实现的方法的步骤是:
[0009] 步骤1、利用多台USRP和一台主机搭建协作感知平台;
[0010] 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;
[0011] 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;
[0012] 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;
[0013] 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。
[0014] 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:
[0015] 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;
[0016] 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。
[0017] 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:
[0018] 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;
[0019] 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。
[0020] 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:
[0021] 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;
[0022] 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:
[0023] feature=[feature1,feature2,…,featureM];
[0024] 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。
[0025] 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:
[0026] 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;
[0027] 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,T得到输出标签[a,b];
[0028] 5‑3.输出[0,1]T表示主用户存在,[1,0]T表示主用户不存在,但a和b的值在实际输T出过程中并非为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在主用户信号,否则判定不存在。
[0029] 本发明提出一种基于LSTM的协作感知算法及多USRP实现的方法,利用LSTM网络提取每个节点的接收信号的时序特征,并在融合中心FC使用两层全连接层对时序特征进行融合,最后使用Softmax将输出映射为分类标签。
[0030] 本发明利用多台USRP和一台PC主机搭建协作感知平台,使用接收到的实际的离线信号数据集进行离线训练,得到该协作感知平台所对应的网络模型。然后利用训练得到的离线模型以及GNU Radio和Keras软件框架,接收实时信号并对该信号进行分类识别。
[0031] 本发明的有益效果是:
[0032] 1、本发明使用LSTM网络自主提取每个节点接收信号的时序特征,能够更好的挖掘时间信号的深层特征,用于识别主用户信号的存在性能够取得良好的效果
[0033] 2、本发明使用两个全连接层在融合中心对所有节点的时序特征进行融合,利用反向传播算法自主调整每个时序特征的权重值,避免了人为定义的不稳定性。
[0034] 3、本发明使用多台USRP和一台主机搭建了协作感知平台,并利用该平台接收的离线数据集训练网络的离线模型,最后基于此离线模型对实际信号进行实时感知,本发明算法的实际应用性得到了验证。