融合DAE-LSTM的認(rèn)知物聯(lián)網(wǎng)智能頻譜感知算法

段閆閆，徐凌偉，2

1.青島科技大學(xué)信息科學(xué)技術(shù)學(xué)院，山東 青島 266061

2.數(shù)字化學(xué)習(xí)技術(shù)集成與應(yīng)用教育部工程研究中心，北京 100039

隨著全球經(jīng)濟(jì)一體化的發(fā)展，物聯(lián)網(wǎng)得到了廣泛的應(yīng)用[1-2]。第五代（fifth-generation，5G）移動(dòng)通信技術(shù)推動(dòng)了物聯(lián)網(wǎng)的發(fā)展[3-4]。物聯(lián)網(wǎng)在各行各業(yè)發(fā)揮了重要作用，給生產(chǎn)、管理等方方面面帶來了深刻的變化。由于每個(gè)行業(yè)對(duì)頻譜資源的需求不同，網(wǎng)絡(luò)的快慢也會(huì)受到物聯(lián)網(wǎng)數(shù)據(jù)流量大小的影響，物聯(lián)網(wǎng)流量的突發(fā)性也極易引起網(wǎng)絡(luò)的擁塞等這些問題都對(duì)物聯(lián)網(wǎng)頻譜資源的需求提出了挑戰(zhàn)。物聯(lián)網(wǎng)技術(shù)的發(fā)展需要大量的頻譜，但是由于頻譜資源有限，在現(xiàn)有的情況下，迫切需要尋找智能的頻譜共享方式，認(rèn)知無線電頻譜感知作為一種新技術(shù)實(shí)現(xiàn)頻譜智能共享，可以提高頻譜資源易用性和頻譜資源物聯(lián)網(wǎng)使用率兩難的事情。本文是通過研究認(rèn)知無線電頻譜感知和物聯(lián)網(wǎng)技術(shù)，以認(rèn)知無線電頻譜感知技術(shù)為基礎(chǔ)，研究頻譜共享問題。

認(rèn)知無線電（cognitive radio，CR）技術(shù)主要是通過頻譜感知等技術(shù)的智能學(xué)習(xí)，實(shí)現(xiàn)頻譜共享。具體而言，將CR 技術(shù)應(yīng)用于5G 物聯(lián)網(wǎng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)有限頻譜的最大化使用。Deemah等人[5]闡述了CR的未來研究方向。Cengis等人[6]提出了一種隨時(shí)間推移進(jìn)行頻譜調(diào)整的分配方案。Luo 等人[7]設(shè)計(jì)了一種融合探測(cè)器，然后通過最大化探測(cè)器的偏轉(zhuǎn)系數(shù)獲得最優(yōu)權(quán)值，從而解決頻譜共享問題。Konmal等人[8]提出了一種CR和非正交多址（non orthogonal multiple access，NOMA）結(jié)合的高性能用戶選擇方案。Anand 等人[9-10]研究了新框架NOMA 的性能，詳細(xì)地說明了如何以最佳方式選擇功率分配系數(shù)和目標(biāo)速率。由于傳統(tǒng)盲頻譜感知分類器存在噪聲信息未知時(shí)感知性能低的缺陷，Wang 等人[11]提出了協(xié)同采樣和二進(jìn)制輸出（CSBO）采樣相融合的方案。在文獻(xiàn)[12]中，基于大時(shí)延擴(kuò)展信道，驗(yàn)證了譜分量相關(guān)性對(duì)頻譜感知有效性的影響。Mahdi 等人[13]針對(duì)5G 頻譜的特殊頻段提出了一種KLMS（kernel least mean square）感知算法，以提高頻譜利用率。Haythem等人[14]提出了一種5G物聯(lián)網(wǎng)中頻譜高效共享的跨層設(shè)計(jì)方法。

機(jī)器學(xué)習(xí)被廣泛應(yīng)用于頻譜感知領(lǐng)域。Amir 等人[15]論證了將CR和ML結(jié)合實(shí)現(xiàn)智能頻譜感知的可行性。Zhao等人[16]設(shè)計(jì)了一種改進(jìn)的樸素貝葉斯分類器，實(shí)驗(yàn)結(jié)果證明提高了感知性能。Muard等人[17]提出了一種用于協(xié)同頻譜感知的K-means學(xué)習(xí)算法，該算法可以降低高噪聲和嚴(yán)重衰落信道對(duì)感知性能的影響。Waleed等人[18]提出了一種基于高斯核最小均方差的方法，用于5G 移動(dòng)網(wǎng)絡(luò)的頻譜感知，以提高頻譜利用率。Mei 等人[19]設(shè)計(jì)了一種改進(jìn)的樸素貝葉斯分類器，獲得了較好的頻譜感知性能。Dhaval 等人[20]分析了車輛移動(dòng)性和主要用戶活動(dòng)對(duì)感知性能的影響，并且推導(dǎo)了漏檢概率的閉合表達(dá)式。

深度學(xué)習(xí)優(yōu)秀的學(xué)習(xí)特性，在移動(dòng)無線通信領(lǐng)域得到了廣泛的應(yīng)用。Kawtar 等人[21]設(shè)計(jì)了利用深度學(xué)習(xí)對(duì)濾波后的多載波波形進(jìn)行分類的實(shí)驗(yàn)。文獻(xiàn)[22]提出了在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）中添加密集連接，實(shí)現(xiàn)高效頻譜感知的方法。Xu等人[23-24]采用改進(jìn)的CNN 等網(wǎng)絡(luò)對(duì)人工物聯(lián)網(wǎng)保密性能進(jìn)行預(yù)測(cè)。

認(rèn)知物聯(lián)網(wǎng)中智能頻譜感知是頻譜感知相關(guān)研究的新方向。隨著深度學(xué)習(xí)技術(shù)的興起，許多學(xué)者將CNN與移動(dòng)通信相結(jié)合。但是CNN 的網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，并且是通過學(xué)習(xí)空間特征進(jìn)行分類。由于無線信號(hào)是具有時(shí)間連續(xù)性的時(shí)序信號(hào)，CNN 不能很好地學(xué)習(xí)時(shí)間相關(guān)性特征。本文針對(duì)單一固定特征易畸變，采用去噪自編碼器（denoising autoencoder，DAE）學(xué)習(xí)數(shù)據(jù)的底層結(jié)構(gòu)，然后采用改進(jìn)長短時(shí)記憶（long short term memory，LSTM）模型對(duì)特征進(jìn)行學(xué)習(xí)分類，以提高頻譜感知性能。其主要貢獻(xiàn)可歸納如下：

（1）針對(duì)移動(dòng)無線信號(hào)易受噪聲干擾、傳統(tǒng)的提取單一固定信號(hào)特征進(jìn)行感知分類的算法難以實(shí)現(xiàn)的特點(diǎn)。通過DAE 學(xué)習(xí)局部破碎的信息來復(fù)原原始數(shù)據(jù)，使編解碼過程提取出的特征更具有魯棒性，同時(shí)又避免了傳統(tǒng)自編碼器的編解碼過程只是簡(jiǎn)單的復(fù)制粘貼。因此，提出利用DAE學(xué)習(xí)信號(hào)和噪聲的底層特征表示，提高分類特征的魯棒性，實(shí)現(xiàn)特征的高效降維和提取。

（2）針對(duì)移動(dòng)無線信號(hào)具有明顯的周期性和波動(dòng)性的特征，設(shè)計(jì)了一種時(shí)序分類感知模型。該算法采用改進(jìn)的LSTM作為頻譜感知分類器，通過離線訓(xùn)練獲得動(dòng)態(tài)閾值。然后，通過在線測(cè)試獲得頻譜感知結(jié)果，提高了頻譜感知性能。

（3）在兩種調(diào)制方式和5 種信噪比下對(duì)所提出的頻譜感知算法進(jìn)行了驗(yàn)證。結(jié)果表明，與支持向量機(jī)（support vector machine，SVM）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）、LeNet5、學(xué)習(xí)向量量化（learning vector quantization，LVQ）和Elman 算法相比，DAELSTM 提高了約45%的感知準(zhǔn)確率。表明該算法在頻譜感知方面具有良好的魯棒性。

1 系統(tǒng)模型

如圖1 所示：智能頻譜感知系統(tǒng)由發(fā)射機(jī)、主用戶（primary user，PU）和次用戶（secondary user，SU）三部分組成。經(jīng)過調(diào)制之后的模擬信號(hào)搭載載波以及功率放大器放大，然后經(jīng)過N-nakagami信道完成噪聲畸變，最后在PU 接收端對(duì)信號(hào)進(jìn)行濾波采樣，這是PU 信道正常的通信過程。頻譜感知是判斷某頻段是否空閑的過程。

圖1 認(rèn)知物聯(lián)網(wǎng)頻譜感知系統(tǒng)模型Fig.1 Cognitive ⅠoT spectrum sensing system model

在認(rèn)知物聯(lián)網(wǎng)中，PU 表示“授權(quán)物聯(lián)網(wǎng)設(shè)備”，SU表示“認(rèn)知物聯(lián)網(wǎng)設(shè)備”?；九cPU 在特定頻段通信，由SU進(jìn)行頻譜感知判斷。過程如下：

其中，H0、H1分別表示PU存在和不存在。x(t)為離散采樣信號(hào)序列，h(t)為服從高斯分布的信道衰落系數(shù)，s(t)是發(fā)射機(jī)發(fā)射的信號(hào)，n(t)是接收到的噪聲。

通過比較T值與經(jīng)驗(yàn)值λ進(jìn)行頻譜感知判斷。如果T ＞λ，則確定是PU 在使用該頻段。否則，頻段空閑SU可以介入使用。T的計(jì)算公式為：

檢測(cè)概率Pd，虛警概率Pf可定義為：

2 DAE-LSTM的智能頻譜感知算法

圖2中，本文提出的算法根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的功能分為特征提取和特征學(xué)習(xí)分類。提出的DAE-LSTM的頻譜感知過程包括兩個(gè)主要步驟：第一步是對(duì)頻譜感知信號(hào)進(jìn)行預(yù)處理，第二步是使用DAE-LSTM 模型對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行訓(xùn)練，下面將詳細(xì)討論。

圖2 DAE-LSTM系統(tǒng)模型圖Fig.2 DAE-LSTM system model diagram

2.1 數(shù)據(jù)預(yù)處理

假設(shè)采樣信號(hào)序列x(t)是通過對(duì)包含過多冗余信息的相同分布的模型進(jìn)行重復(fù)采樣得到的。因此，在輸入頻譜感知分類模型之前，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。首先對(duì)采樣獲取的數(shù)據(jù)整理成矩陣，以某點(diǎn)i開始將每個(gè)時(shí)間幀分成N個(gè)信號(hào)子片段，每個(gè)信號(hào)子片段M(i)的長度為L。因此，

在實(shí)際應(yīng)用中，通過抽樣得到的樣本數(shù)據(jù)容易出現(xiàn)大數(shù)吃小數(shù)的問題。為了避免數(shù)值問題，平衡各維度之間的貢獻(xiàn)，有必要對(duì)采樣信號(hào)進(jìn)行標(biāo)準(zhǔn)化處理，降低異常數(shù)據(jù)對(duì)頻譜感知性能的影響。標(biāo)準(zhǔn)化處理公式如下：

構(gòu)造信號(hào)矩陣為：

構(gòu)造信號(hào)協(xié)方差矩陣為：

2.2 提出DAE-LSTM模型的體系結(jié)構(gòu)

（1）DAE：在認(rèn)知物聯(lián)網(wǎng)中，由于噪聲干擾，單個(gè)固定信號(hào)特征的質(zhì)量下降。然而基于DAE的特征提取可以自動(dòng)補(bǔ)充受損信號(hào)，并根據(jù)樣本協(xié)方差矩陣能量值在H1和H0中的分布差異提取特征降維，使特征更具魯棒性。結(jié)構(gòu)示意圖如圖3所示。

圖3 DAE網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 DAE network structure diagram

首先，對(duì)原始輸入數(shù)據(jù)Q進(jìn)行局部人為破壞，通過添加人工噪聲的方法隨機(jī)抹除局部特征。然后通過編碼函數(shù)Sg(·)和解碼函數(shù)Sf(·)學(xué)習(xí)重構(gòu)回Q[25]。添加人工噪聲不僅可以避免編解碼過程機(jī)械的復(fù)制，還可以提高編碼之后特征的魯棒性。DAE編解碼過程為：

其中，w和w′為權(quán)值，by1和by2為偏置，bn為高斯隨機(jī)噪聲。

最后用損失函數(shù)loss(Q,Y)訓(xùn)練DAE網(wǎng)絡(luò)為：

（2）改進(jìn)LSTM 模型：改進(jìn)LSTM 模型訓(xùn)練過程中選擇性地傳遞或者遺忘網(wǎng)絡(luò)的狀態(tài)，動(dòng)態(tài)學(xué)習(xí)信號(hào)和噪聲的結(jié)構(gòu)特征。LSTM模型單個(gè)神經(jīng)元的結(jié)構(gòu)如圖4所示。單位神經(jīng)元包括一個(gè)控制記憶單元和3個(gè)控制門。

圖4 改進(jìn)的LSTM模型結(jié)構(gòu)Fig.4 Ⅰmproved LSTM model structure

遺忘門：遺忘門主要是保證前一時(shí)刻的記憶細(xì)胞狀態(tài)Ct-1以一定概率延續(xù)到當(dāng)前時(shí)刻，以一定的概率對(duì)過去的信息進(jìn)行有效取舍。時(shí)間t的輸入向量和時(shí)間t-1的輸出向量決定了時(shí)間t的遺忘程度。其計(jì)算過程為：

其中，WF表示權(quán)值矩陣，gt表示當(dāng)前時(shí)刻t的輸入信息，UF表示流入遺忘門的輸入層權(quán)值，bF表示偏移量參數(shù)，ht-1表示上一個(gè)神經(jīng)元節(jié)點(diǎn)的輸出。

輸入門：輸入門的結(jié)構(gòu)由兩層神經(jīng)網(wǎng)絡(luò)組成，將部分結(jié)果按對(duì)應(yīng)的元素相乘作為輸入的輸出。輸入門表示模型在當(dāng)前時(shí)刻接收輸入信息，并為記憶單元狀態(tài)的下一次更新做好準(zhǔn)備。其計(jì)算過程為：

記憶單元存儲(chǔ)更新：通過添加過去長期狀態(tài)和當(dāng)前狀態(tài)兩部分來更新當(dāng)前內(nèi)存單元狀態(tài)。其計(jì)算過程為：

其中，×表示每個(gè)元素之間的乘法運(yùn)算。這樣，LSTM模型將當(dāng)前的信息狀態(tài)和過去的長時(shí)記憶狀態(tài)Ct-1結(jié)合起來，更新細(xì)胞狀態(tài)Ct。

輸出門：計(jì)算結(jié)果由兩部分組成，先是結(jié)合當(dāng)前時(shí)刻的輸入信息從短期記憶中得到的信息輸出Ot，然后結(jié)合長期記憶模型，得到最終的輸出值ht。其計(jì)算過程為：

（3）智能頻譜感知算法：智能頻譜感知算法流程圖如圖5 所示，偽代碼如算法1 所示。該算法首先得到離散信號(hào)序列。該算法首先獲取采樣信號(hào)序列，由采樣信號(hào)序列構(gòu)造信號(hào)矩陣，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理，并將其輸入DAE。DAE 通過編碼和解碼過程完成動(dòng)態(tài)特征提取。最后，將測(cè)試集輸入到最佳的LSTM 模型中，得到頻譜感知結(jié)果。

圖5 DAE-LSTM頻譜感知算法流程圖Fig.5 Flowchart of DAE-LSTM spectrum sensing algorithm

算法1智能頻譜感知算法

2.3 模型訓(xùn)練

在這項(xiàng)工作中，小型批量梯度下降和自適應(yīng)運(yùn)動(dòng)估計(jì)（adaptive moment estimation，Adam）優(yōu)化器被用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

（1）損失函數(shù)：在訓(xùn)練階段，均方誤差通常被作為神經(jīng)網(wǎng)絡(luò)的損失函數(shù)。損失函數(shù)是描述數(shù)據(jù)實(shí)際標(biāo)簽和網(wǎng)絡(luò)預(yù)測(cè)值之間的偏差，稱為損失。然后，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中通過調(diào)整參數(shù)值來降低損失函數(shù)逐漸收斂至最低。損失函數(shù)描述為：

其中，A為輸出層神經(jīng)元數(shù)量，O為實(shí)際值，第j個(gè)神經(jīng)元輸出輸出層對(duì)應(yīng)分類的概率值。

（2）優(yōu)化器：在訓(xùn)練過程中，神經(jīng)網(wǎng)絡(luò)計(jì)算梯度，并利用梯度更新網(wǎng)絡(luò)權(quán)值。在本工作中，利用Adam優(yōu)化器調(diào)整網(wǎng)絡(luò)中各個(gè)參數(shù)的梯度值。Adam優(yōu)化器是通過結(jié)合兩次矩估計(jì)來有效矯正各梯度值的。第一個(gè)矩估計(jì)mt的數(shù)學(xué)表達(dá)式為：

其中，β1為指數(shù)衰減率，gt為t時(shí)刻計(jì)算的梯度，mt為t時(shí)刻第一個(gè)矩估計(jì)。

第二個(gè)矩估計(jì)Vt被描述為：

其中，Vt為時(shí)刻t的第二個(gè)矩估計(jì)。

根據(jù)經(jīng)驗(yàn)，在模型訓(xùn)練的前期，被初始化為0 的m0會(huì)使得mt產(chǎn)生偏差。通過公式（23）可以對(duì)偏差進(jìn)行修正：

其中，m?t為第一修正矩。

與m0類似，mt也需要修改。

其中，V?t為第二次修正力矩。

網(wǎng)絡(luò)的權(quán)值更新為：

其中，θt為網(wǎng)絡(luò)在時(shí)刻t時(shí)的權(quán)值，α為學(xué)習(xí)率。

3 實(shí)驗(yàn)分析

本章驗(yàn)證了所提智能頻譜感知算法的有效性。實(shí)驗(yàn)中模擬發(fā)射機(jī)端隨機(jī)生成01 序列的數(shù)字信號(hào)，經(jīng)過2FSK和QPSK兩種調(diào)制方式調(diào)制生成模擬信號(hào)之后再分別搭載不同的載波器以及功率放大器，然后經(jīng)過NNakagami 信道完成噪聲的畸變。在-12 dB～0 dB 信噪比環(huán)境下產(chǎn)生混合訓(xùn)練集34 000組和33 000組，測(cè)試集10 000組和15 000組。仿真實(shí)驗(yàn)參數(shù)如表1所示。

表1 仿真實(shí)驗(yàn)使用的數(shù)據(jù)集參數(shù)Table 1 Data set parameters used in simulation experiments

LSTM網(wǎng)絡(luò)的不同堆疊層數(shù)對(duì)算法性能影響較大，仿真實(shí)驗(yàn)驗(yàn)證了網(wǎng)絡(luò)堆疊一層、兩層和三層三種情況在不同調(diào)制方式下的Pd和Pf。表2和3展示了不同網(wǎng)絡(luò)堆疊層數(shù)對(duì)Pd和Pf的影響，從而設(shè)計(jì)一種最佳的網(wǎng)絡(luò)層數(shù)。

表2 不同網(wǎng)絡(luò)層數(shù)下檢測(cè)概率Pd 對(duì)比Table 2 Comparison of detection probability Pd under different network layers

表3 不同網(wǎng)絡(luò)層數(shù)下虛警概率Pf 對(duì)比Table 3 Comparison of detection probability Pf under different network layers

根據(jù)表2和3可以得出結(jié)論，單層網(wǎng)絡(luò)時(shí)，感知性能Pd值最低，兩層網(wǎng)絡(luò)堆疊與三層網(wǎng)絡(luò)堆疊時(shí)Pd值差別不大，但三層網(wǎng)絡(luò)在低信噪比下時(shí)QPSK 的Pf值過高。并且結(jié)合圖6可以看出，由于堆疊三層網(wǎng)絡(luò)模型相對(duì)復(fù)雜，算法耗時(shí)較長。因此，該分類模型設(shè)計(jì)了一個(gè)兩層網(wǎng)絡(luò)堆疊的LSTM結(jié)構(gòu)。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表4所示。

表4 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表Table 4 Table of network structure parameters

圖6 不同網(wǎng)絡(luò)層數(shù)的運(yùn)行時(shí)間Fig.6 Running times for different network layers

最后，將該算法的性能與Elman、SVM、LeNet5、LVQ和RNN算法的性能進(jìn)行了對(duì)比。圖7、圖8分別顯示了2FSK 和QPSK 調(diào)制下的Pd。兩種調(diào)制方式下DAELSTM算法的Pd都高于對(duì)比算法。-12 dB下Elman算法接近失效，其他的對(duì)比算法的性能也在50%左右，處于二分類的盲猜狀態(tài)，隨著信噪比的升高也就是噪聲干擾逐漸減低所有算法的性能都有所提高，但是都不及DAE-LSTM 算法的Pd高。當(dāng)信噪比大于-3 dB 時(shí)，DAE-LSTM算法和RNN算法的Pd接近達(dá)到100%。相比之下，SVM和LeNet5的Pds不超過90%，LVQ的檢測(cè)概率不超過80%。Elman 和LVQ 算法對(duì)強(qiáng)噪聲干擾信號(hào)的識(shí)別精度較差，甚至在低信噪比條件下接近失效。

圖7 2FSK調(diào)制方式下不同算法Pd 的對(duì)比Fig.7 Comparison of Pd of different algorithms in 2FSK modulation mode

圖8 QPSK調(diào)制方式下不同算法Pd 對(duì)比Fig.8 Comparison of Pd of different algorithms in QPSK modulation mode

同樣，圖9、圖10 給出了六種算法的Pf對(duì)比，可以看到LVQ 算法的Pf最高，其次是Elman 算法，而SVM和LeNet5 算法的整體Pf約為20%，RNN 算法的Pf在低信噪比下也非常高。相比之下提出的DAE-LSTM算法具有最佳的Pf性能。更精確地說，與SVM和LeNet5算法相比，該算法的Pf降低了3%～15%。

圖9 2FSK調(diào)制方式下不同算法Pf 對(duì)比Fig.9 Comparison of Pf of different algorithms in 2FSK modulation mode

圖10 QPSK調(diào)制方式下不同算法Pf 對(duì)比Fig.10 Comparison of Pf of different algorithms in QPSK modulation mode

高效的算法是兼?zhèn)涓兄獪?zhǔn)確率高和算法運(yùn)行所花費(fèi)的系統(tǒng)開銷小。圖11 和圖12 展示了六種算法的運(yùn)行時(shí)間的對(duì)比效果?？梢缘贸鰞煞N調(diào)制方式下DAELSTM 算法的運(yùn)行時(shí)間是100 s左右明顯短于對(duì)比算法。2FSK調(diào)制方式下，LeNet5 運(yùn)行時(shí)間花費(fèi)297.13 s，其次是SVM 運(yùn)行花費(fèi)204.8 s，DAE-LSTM 模型相比于運(yùn)行時(shí)間較長的LeNet5和SVM分別減少了70%～80%左右；QPSK 調(diào)制方式下，LVQ 和LeNet5 花費(fèi)時(shí)間也較長，其次是SVM 和Elman，RNN 與所提算法運(yùn)行時(shí)間相當(dāng)。經(jīng)過分析：經(jīng)典的LeNet5模型在數(shù)據(jù)維數(shù)為36時(shí)，能表現(xiàn)出來最佳的分類性能。然而，本文工作是將數(shù)據(jù)降低為60 維特征向量作為輸入數(shù)據(jù)，從而導(dǎo)致模型參數(shù)和運(yùn)行時(shí)間增加。SVM通過計(jì)算最優(yōu)超平面得出分類結(jié)果，但當(dāng)數(shù)據(jù)量過大或者數(shù)據(jù)畸變嚴(yán)重時(shí)迭代計(jì)算就會(huì)耗費(fèi)大量的時(shí)間。LVQ 算法的分類原理與傳統(tǒng)聚類算法相同，根據(jù)距離搜索最近的原型向量需要較長的時(shí)間。因此，提出的DAE-LSTM 模型是一個(gè)較優(yōu)的感知模型。

圖11 2FSK調(diào)制方式下不同算法運(yùn)行時(shí)間對(duì)比Fig.11 Comparison of running time of different algorithms in 2FSK modulation mode

圖12 QPSK調(diào)制方式下不同算法運(yùn)行時(shí)間對(duì)比Fig.12 Comparison of running time of different algorithms in QPSK modulation mode

4 結(jié)束語

本文提出了一種基于DAE 和改進(jìn)LSTM 的認(rèn)知物聯(lián)網(wǎng)智能頻譜感知算法。DAE提取的高質(zhì)量底層特征輸入到改進(jìn)的LSTM 模型中，獲得高效的頻譜感知結(jié)果。得出以下結(jié)論：

DAE 通過編碼和解碼過程學(xué)習(xí)數(shù)據(jù)的底層特征，實(shí)現(xiàn)數(shù)據(jù)的有效特征提取和降維；LSTM構(gòu)建的頻譜感知分類器模型利用信號(hào)序列的時(shí)間依賴性對(duì)特征進(jìn)行分類，提高頻譜感知效率。

在以后的工作中，將挖掘能夠有效區(qū)分協(xié)同用戶信號(hào)與噪聲的方法，提高頻譜感知的效率。