基于机器学习和信息几何的频谱感知算法研究

• 作 者: 杜凯旋
• 出 处: 广东工业大学
• 发表日期: 2020年01期
• 关键词: 认知无线电 频谱感知 信息几何 机器学习算法 测地线距离

针对目前无线电频谱资源需求日益膨胀的问题,采用频谱感知技术提高频谱资源利用率成为解决的方法之一。本文把感知信号映射到统计流形上,根据感知信号的几何特征对主用户(Primary User,PU)信号进行检测。首先,介绍了频谱感知技术的研究背景及研究现状,并汇总了单节点频谱感知与协作频谱感知的应用特点。信息几何理论作为应用到频谱感知的方法,在这里介绍了信息几何中的黎曼度规、测地线距离,黎曼梯度等概念。机器学习是应用在频谱感知技术实现的最后一个环节。因此,也对机器学习中与分类有关的一些常见算法做了简要介绍。接下来提出了基于小波降噪与信息几何的频谱感知方法。在实际环境中,噪声会影响感知信号的检测性能。所以,在对感知信号进行特征处理之前,采用EMD分解与小波降噪相结合的方法对感知信号进行降噪处理。感知信号降噪处理后,映射到统计流形上。这样就可以将感知信号之间的测地线距离作为感知信号的信号特征。因此,实现了把感知信号之间的信号特征转化为了几何特征。在得到测地线距离组成的数据集以后,采用无监督学习中的谱聚类算法对数据集进行聚类,进而得到频谱感知分类器。这个分类器可以对未知频谱信号进行检测,进而判断PU信号是否存在。最后,提出了基于信息几何与深度神经网络的频谱感知方法。目前将信息几何应用于频谱感知的文献都是采用无监督学习算法进行感知信号的分类。本文在采用前馈神经网络对测地线距离进行分类时发现,采用有监督学习的算法分类效果比无监督学习好,进而在前馈神经网络分类的基础上提出了基于信息几何与深度神经网络的频谱感知方法。为了验证提出算法性能,本文设置了多信号场景。当PU信号分别为多分量信号和AM信号时,同样条件下把该算法仿真的性能和其他算法进行对比。通过仿真实验效果对比,验证了这个算法在频谱感知中具有更好的性能。