以前的传统感知方法->机器学习合作频谱感知->单节点频谱感知,提前提取特征然后神经网络分类。我们思考通常情况下的频谱感知问题,而非具体信号的监测,将频谱感知看作一个两类的分类问题,判断是否有信号或者只有噪音,使用检测率和虚警率作为评价指标。
cnn模型:
本文使用残差卷积网络模型,能够在网络层数增加时维持网络性能,为了处理噪声功率不确定性问题,正则化信号功率,计算功率谱作为cnn输入,然后使用大量不同类型的信号和噪声训练网络,由于不需要预先的特征,可以适用于不同的噪声类型及未训练信号。dropout层增加泛化能力,输出2维向量。
训练过程
使用有动量的SGD方法,交叉损失熵,在第I个样本在真实标签的置信率。由于不能控制模型在训练中向着哪一类的偏移,所以不能用0.5作为评估门限,所以使用
,门限根据虚警率设置。
信号生成:
训练使用信号包括8种调制类型,BPSK,QPSK,2FSK,4FSK,16QAM,32QAM,4PAM,8PAM,使用上升余弦滤波器作脉冲成型滤波器,正则化载波频率偏移【-0.1,0.1】,信噪比【-20db,2,20db】.每个信号样本64个符号,长度512(下采样率8)。训练时每种信号类别,使用每个信噪比的1000个信号样本。测试采用500个。噪声数据同上,使用高斯白噪声或有色噪声。 为了泛化能力,还模拟了三种信号用于验证:8psk,8fsk,64qam。
仿真结果:
1)基础训练过程:参数高斯分布随机初始化,128batch_size,SGD动量设置为0.9,lr0.01,每3epochs,学习率除以10,网络训练9epochs,每500个迭代,进行一次验证。结果展示性能在平稳后,精确度达到90.55%,但非常低的snr处性能较差。
2)与传统频谱感知方法(awgn):基于最大最小奇异值比率的方法和基于交叉频域的方法在各种虚警率情况比较,得到在虚警率相同时,我们的方法检测率更好,尤其在低snr时,我们的性能优异明显。
3)虚警率设为0.01,对未训练信号实验,结果证明模型泛化性良好,这些信号可以以高概率检测到,我们的模型与传统方法相比,检测性能也更好。
4)使用AWGN噪声,当噪声不确定性改变时,虚警率不变,检测性能几乎不受影响,证明模型对噪声不确定性的鲁棒性很好。
5)对真实世界的ACARS信号迁移学习,结果展示在我们模拟数据训练的模型的基础上,使用500样本的真实世界信号微调,500用于测试,对真实信号的模型效果可以进一步提高。(这里的噪声还是模拟生成,lr=0.0001,1epoch,虚警率0.01)。比较发现,我们的原始模型性能高于最大最小奇异值,相似于交叉频域,但是迁移模型远远好于以上三种。
6)在有色噪声的情况下分析性能,使用相似于理想白噪声的粉色噪声,传统方法性能都有显著下降,我们的模型性能很好,证明了dl自动学习噪声特征的能力。
未来,用大量真实数据评估实际环境中我们模型的性能。