基于機(jī)器學(xué)習(xí)主用戶發(fā)射模式分類的蜂窩認(rèn)知無線電網(wǎng)絡(luò)頻譜感知

申 濱 王 欣 陳思吉 崔太平

(重慶郵電大學(xué)通信與信息工程學(xué)院 重慶 400065)

1 引言

近年來，無線通信技術(shù)的快速發(fā)展增加了對頻譜資源的需求，而某些授權(quán)頻段(Licensed Frequency Band, LFB)的低效率使用進(jìn)一步凸顯了頻譜稀缺的問題。認(rèn)知無線電(Cognitive Radio, CR)[1,2]通過實(shí)時(shí)監(jiān)測LFB的占用狀態(tài)而實(shí)現(xiàn)機(jī)會性的次級頻譜接入，提高了頻譜利用率。為了保證盡可能少地對主用戶(Primary User, PU)產(chǎn)生干擾，蜂窩認(rèn)知無線電網(wǎng)絡(luò)(Cellular Cognitive Radio Network,CCRN)中的次級用戶設(shè)備(Secondary User Equipment, SUE)只能在LFB尚未感知到任何PU活動(dòng)時(shí)，方可暫時(shí)性地獲得接入機(jī)會。在這個(gè)意義上，頻譜感知是保證CR系統(tǒng)正常工作及確保PU系統(tǒng)所能承受的最小干擾約束的基礎(chǔ)和前提。

目前，現(xiàn)有文獻(xiàn)中的頻譜感知技術(shù)方法大致可以分為4類：(1)基于SUE接收信號冪律統(tǒng)計(jì)量的閾值信號檢測方法，如能量檢測(Energy Detection,ED)。因?yàn)閮H關(guān)注接收信號的能量信息，且在較短的感知時(shí)隙內(nèi)僅能獲取有限的頻譜觀測樣本，這類方法面臨性能受限的問題；同時(shí)，由于噪聲功率不確定度的存在，門限校準(zhǔn)精度受限，亦可能影響最終性能。(2)協(xié)作頻譜感知(Cooperative Spectrum Sensing, CSS)算法[3-5]。CSS算法利用多個(gè)SUE接收信號副本的空間分集特性，獲得更高的頻譜感知準(zhǔn)確性及可靠性。然而，多數(shù)CSS方案的具體實(shí)現(xiàn)往往需要預(yù)先具備針對PU信號及無線傳播環(huán)境的多種先驗(yàn)知識，在現(xiàn)實(shí)中有可能難以實(shí)現(xiàn)。(3)基于地理位置數(shù)據(jù)庫的頻譜監(jiān)測方法[6,7]。此類方法依托大時(shí)間尺度范圍內(nèi)構(gòu)建的、基于地理位置的頻譜觀測數(shù)據(jù)庫，通過對目標(biāo)LFB的長期觀測記錄，統(tǒng)計(jì)分析PU活動(dòng)規(guī)律。然而，如果完全依賴PU統(tǒng)計(jì)活動(dòng)規(guī)律，對于小時(shí)間尺度上的PU瞬態(tài)活動(dòng)可能缺乏足夠的感知靈敏度和響應(yīng)速度。(4)基于機(jī)器學(xué)習(xí)分類器的頻譜感知(Machine Learning based Spectrum Sensing, MLSS)算法。區(qū)別于傳統(tǒng)的2階或者高階信號檢測處理方法，作為一種受大量數(shù)據(jù)驅(qū)動(dòng)的、富有前景的解決方案，MLSS方法近年來也受到關(guān)注和推動(dòng)[8-12]。值得說明的是，上述4種方法目前基本上都還處于依靠各自的工作機(jī)制獨(dú)立完成感知任務(wù)的階段。

考慮到在現(xiàn)實(shí)的CCRN中收集大量頻譜觀測數(shù)據(jù)的便捷性以及MLSS方案對于數(shù)據(jù)分類的強(qiáng)大處理能力，為了進(jìn)一步增加SUE在LFB中的機(jī)會性接入可能，同時(shí)盡可能抑制SUE對PU接收機(jī)的干擾，本文提出一種基于機(jī)器學(xué)習(xí)(Machine Learning,ML)算法的新型頻譜感知方案。此方案首先致力于識別CCRN內(nèi)存在的多個(gè)PU發(fā)射機(jī)(PU Transmitter,PUT)的發(fā)射模式，從而判斷CCRN內(nèi)當(dāng)前所存在的活躍PUT；然后，網(wǎng)絡(luò)中的SUE根據(jù)其自身與活躍PUT之間的空間位置信息或頻譜觀測數(shù)據(jù)，決定其是否可接入LFB頻段。

2 系統(tǒng)模型

本文方案將感知過程分為兩步。第1步，通過ML算法獲得PUT發(fā)射模式的狀態(tài)標(biāo)簽，即判斷當(dāng)前來自于真實(shí)標(biāo)簽為 Lm的測試數(shù)據(jù) Ym所對應(yīng)的PUT發(fā)射模式；第2步，根據(jù)SUE及PUT的地理位置信息或者頻譜觀測數(shù)據(jù)，得到對應(yīng)于 Lm模式下的LFB可用性標(biāo)簽。值得說明的是，本文假設(shè)PUT的個(gè)數(shù) N事先已知，針對PUT的地理位置，給出了已知及未知兩種條件下的解決方法1)在CCRN中，由于SUE與其周圍的多個(gè)蜂窩基站之間的無線鏈接，假設(shè)SUE的位置信息能夠通過相應(yīng)的定位方法較為精確地獲得。。

3 基于PUT發(fā)射模式分類的頻譜感知

3.1 PUT傳輸模式分類

(1) 基于能量值數(shù)據(jù)模板的PUT模式分類。從簡化先驗(yàn)條件和實(shí)現(xiàn)復(fù)雜度需求的角度考慮，本小

算法1 基于能量值模板差值的PUT模式分類

3.2 面向網(wǎng)格的LFB接入標(biāo)簽預(yù)測

在完成PUT傳輸模式分類后，CCRN內(nèi)的PUT活躍狀態(tài)情況由此確定，此時(shí)需要針對每一個(gè)網(wǎng)格進(jìn)行LFB接入可能性預(yù)測。

表1 CNN分類算法采用的結(jié)構(gòu)參數(shù)

4 數(shù)據(jù)充分性分析

由前述內(nèi)容可知，基于機(jī)器學(xué)習(xí)算法的PUT模式分類需要大量的頻譜觀測數(shù)據(jù)，例如訓(xùn)練數(shù)據(jù)集 ΘT和測試數(shù)據(jù)Ym，均應(yīng)在滿足充分的數(shù)據(jù)獲取條件下獲得，即每個(gè)網(wǎng)格位置都有相應(yīng)的SUE提供觀測數(shù)據(jù)。在現(xiàn)實(shí)中，這一條件在獲取 Ym時(shí)不一定能夠滿足，即由于SUE的空間分布特性，不一定能保證每個(gè)網(wǎng)格都有SUE存在并獲取頻譜觀測數(shù)據(jù)。由于數(shù)據(jù)充分性的缺失，必然會影響分類判決的性能。

5 仿真結(jié)果及分析

圖1 仿真場景圖

圖2 PUT數(shù)量已知時(shí)，其傳輸模式分類準(zhǔn)確率

表2 PUT傳輸功率為32 dBm時(shí)，PUT傳輸模式分類準(zhǔn)確率

圖3 傳輸功率43 dBm時(shí)，8種PUT傳輸模式下網(wǎng)格標(biāo)簽圖

在PUT發(fā)射功率為43 dBm時(shí)，圖4(a)和圖4(b)分別給出了8種PUT傳輸模式下的網(wǎng)格LFB接入標(biāo)簽預(yù)測分類錯(cuò)誤率以及在實(shí)際的青、黃區(qū)域內(nèi)的網(wǎng)格發(fā)生LFB預(yù)測標(biāo)簽分類錯(cuò)誤的網(wǎng)格數(shù)量。結(jié)合圖3、圖4可以看出，在各種PUT傳輸模式下，OVO-SVM方案相對于雙門限能量檢測方案在網(wǎng)格LFB接入標(biāo)簽預(yù)測分類錯(cuò)誤率以及在青、黃區(qū)域內(nèi)發(fā)生分類錯(cuò)誤的網(wǎng)格數(shù)量都顯著降低。圖4(c)顯示了整個(gè)CCRN中所正確判定的可接入LFB的所有網(wǎng)格數(shù)量。從圖4中可以看出，相比傳統(tǒng)的ED方案只能在PUT傳輸模式為S0時(shí)SUE才可以接入LFB，本文采用的OVOSVM和雙門限能量檢測的方案在S1～S7傳輸模式下亦能發(fā)現(xiàn)潛在的LFB接入機(jī)會，從而極大地增加了LFB的利用效率。

圖4 PUT傳輸功率為43 dBm時(shí)，網(wǎng)格分類性能

6 結(jié)論

為了提高蜂窩認(rèn)知無線電網(wǎng)絡(luò)接入授權(quán)頻譜的利用率，本文提出了一種基于機(jī)器學(xué)習(xí)經(jīng)典算法的頻譜感知方案。在PUT傳輸模式分類中，CNN算法具備相同實(shí)現(xiàn)條件下的最優(yōu)的分類準(zhǔn)確率；而在面向網(wǎng)格的LFB接入標(biāo)簽預(yù)測中，距離計(jì)算方法與OVO-SVM具有優(yōu)于雙門限檢測算法的性能。仿真實(shí)驗(yàn)驗(yàn)證了在與PUT數(shù)目、地理位置以及數(shù)據(jù)充分性等方面相關(guān)的不同實(shí)現(xiàn)條件下，所提出的頻譜感知方案均能達(dá)到較好的性能，盡可能減少對PU所產(chǎn)生的干擾，有效地提高SUE在授權(quán)頻譜中的接入機(jī)會，提高了授權(quán)頻譜利用率。