APP下载

基于LSTM神经网络的无人机通信频谱感知算法

2023-05-30宋文佳何昊轩钟天宇邢文博

科技风 2023年14期

宋文佳 何昊轩 钟天宇 邢文博

摘 要:为了提升无人机机群间的通信频谱利用效率,认知无线电技术被应用在无人机机群中。由于传统频谱感知算法易受到噪声干扰、受通信时延干扰、需要累积信号长,无法适应无人机机群间通信,本文提出了一种基于长短期记忆神经网络(LSTM)的双门限无人机机群频谱感知算法。首先利用所有次级用户对频谱信号进行感知收集,随后将所有次级用户信号传入无人机融合节点,最后利用长短期记忆(LSTM)神经网络进行感知判断。在仿真实验条件下与传统单门限能量协作算法、双门限能量协作算法比较,仿真结果表明在不同信噪比和虚警概率下,所提方法的检测性能均优于传统算法。

关键词:频谱感知;长短期记忆神经网络;动量随机梯度下降算法

1 背景介绍

无人机凭借着其成本低廉、操作便捷、应用场景广泛等优势,得到越来越多用户的青睐,并且逐步运用到军事和民用领域。单架无人机往往难以满足适应复杂的场景的要求,例如山区地图测绘、灾后救援等,后来无人机机群极大地提高了使用效率,并且可以满足更多高难度任务要求。在这些场景下,机群内的灵活高效的通信成为保证无人机机群的运行安全,以及信息共享和作业的协同的前提条件。然而近年来随着无线通信技术的不断发展,频谱作為一种不可再生的珍稀资源也变得越来越紧缺,频谱复用成了通信中的必要技术。因此如何实现无人机机群协作通信频谱感知,从而实现无人机机群频谱复用的问题急需解决。

传统频谱感知方法分为单点感知[1]和协作感知[23]。单节点频谱感知技术仅采用一个感知单元对频谱进行感知,因此易受多种噪声因素影响,如多径衰落、阴影衰落、噪声不确定度等。为了减少位置和噪声对感知结果的影响的不确定性,协作频谱感知利用多个不同位置的感知端点结果进行融合判断,因此可以有效提升检测性能降低虚警概率。然而,传统多点协作感知方法需要在融合中心长时间积累信号,并要求各个端点将采集的信号全部回传到融合中心,需要消耗大量时间和无线通信频带资源,无法适应无人机机群间通信。

本文提出了一种基于长短期记忆神经网络(LSTM)的无人机机群频谱感知算法。首先将所有次级用户的信号进行收集进行初步感知,并将收集信号传入无人机融合节点,随后利用长短期记忆(LSTM)神经网络进行感知判断。在仿真实验条件下与传统单门限能量协作算法、双门限能量协作算法比较,仿真结果表明在不同信噪比和虚警概率下,所提方法的检测性能均优于传统算法。本文所提算法成本低、复杂度小,是解决无人机机群协作问题的可行办法,其应用前景广阔,对无人机通信具有重要意义。

2 模型建立

假设无人机机群组成的通信网络可由1个主用户(PU)、M个次级用户(SU)以及1个数据融合中心(Fusion Center,FC)组成。传统的频谱感知检测算法的二元假设模型可表示如下:

y(t)=n(t),H0s(t)h(t)+n(t),H1(1)

其中y(t)表示一个次用户在感知时刻为t时接收到的信号,h(t)为t时刻的主用户信号,n(t)是高斯白噪声信号,均值为0,方差为σ2n。H0表示未感知到主用户信号,H1表示主用户接入了频谱。由于n(t)是高斯白噪声信号,认为s(t)和n(t)相互独立。

在传统能量感知算法(Energy Detection,ED)中,检测统计量T(y)可表示为:

T(y)=∑N-1n=0y(n)2(2)

其中,N为采样点数。当给定判决门限λ时,统计量T(y)大于门限λ时,即可认为感知到主用户;反之,则认为没有感知到信号。对于双门限算法,即给定两个门限λ1、λ2,且λ1<λ2,大于门限λ2时即可认为感知到主用户,小于门限λ1时,认为没有感知到主用户。

传统的神经网络算法在处理时间序列时,无法处理前后相关性的问题,即前一时间段的输入无法对后一时间段的结果造成影响。因此Fernando J.Pineda等人针对此类问题设计循环神经网络(RNN)。RNN网络将不同时间的估计状态进行储存,在每个时间点输出做出估计的时候用户需考虑储存的所有历史状态,因此可以解决历史状态对输出估计的影响。但是RNN网络为储存历史状态需要大量的内存,并且同时计算所有历史状态计算量繁重。为了解决RNN内存消耗大、计算量大等问题,Hochreiter S在1997年提出了LSTM网络。LSTM在RNN的结构基础上,重新设计了神经网络的隐藏层单元,具体结构如图1所示。

图1中,LSTM网络的隐藏层单元共有三个信息控制单元,以保留有用信息并去除无用信息,分别为输入门i(t)、遗忘门f(t)、输出门o(t),表达式为:

i(t)=σWiy(t)y(t)+Wih(t)h(t-1)+bi(t)f(t)=σWfy(t)y(t)+Wfh(t)h(t-1)+bf(t)o(t)=σWoy(t)y(t)+Woh(t)h(t-1)+bo(t) (3)

其中,W(t)为针对门、遗忘门、输出门等不同门单元的权重系数矩阵,针对门的类型在W(t)函数角标表示;b(t)为针对门、遗忘门、输出门等不同门单元的偏置矩阵,针对门的类型在b(t)函数角标表示;σ为sigmoid函数,tanh为双曲正切函数。状态信息C(t)、隐藏层输出h(t)和网络输出L(t)可表达为:

C(t)=f(t)C(t-1)+   i(t)tanhWcy(t)y(t)+Wch(t)h(t-1)+bc(t)h(t)=o(t)tanh(C(t))L(t)=WLh(t)h(t)+by(t)(4)

对于无人机机群所有次级用户SU的感知数据集Y可表示为:

Y(t)=Y1(t)Y2(t)YM(t)=Y1(1)Y1(2)…Y1(kbatchsize)Y2(1)Y2(2)…Y2(kbatchsize)YM(1)YM(2)…YM(kbatchsize)(5)

其中,kbatchsize为每次序列送入网络训练的分块长度,本文将所有次级用户SU的感知数据集Y分为M个长度为kbatchsize的数据块,再将Y(t)=[Y1(t),Y2(t),…YM(t)]T与其对应的信道状态L(t)=[L1(t),L2(t),…LM(t)]T作为目标输出集,投入网络进行训练,其输出目标仅有两个状态:“0”表示未感知到主用户信号和“1”表示感知到主用户信号。

对于LSTM神经网络的参数更新,采用随机梯度更新。为了防止网络过拟合,使用了权重衰减方法,并采用正确实现权重衰减的AdamW算法作为优化器,其中权重衰减因子为0.002。

3 仿真实验及结果分析

为了对LSTM模型进行训练和测试,我们利用Matlab分别在-20dB到10dB信噪比(步長为3dB)下生成包含主用户和不包含主用户的信号。每个信噪比下生成信号为20000条,包含和不包含主用户的信号条数各为10000。所有数据按比例8∶1∶1分为训练集、验证集和测试集。信号采用OFDM编码格式编码,载波频率在遵循WiFi协议规定范围内随机设定。每条数据持续时间为0.1ms,仿真带宽为500MHz,采样率为1GHz。主用户通信带宽为10MHz,载波频率在100MHz到400MHz范围内随机设定,图2展示为10条数据拼接一起的时频谱图,其中横坐标轴为频率(GHz),纵坐标为时间(μs)。

LSTM为三层结构网络,网络输入层设为12,隐藏单元为26个,输出端口为1。在网络训练过程中,Batchsize设为64,最大迭代次数为100,初始学习率设为0.001。随后,本文根据无人机机群通信主用户信号检测的需求,统计两个参数,即主用户的检测概率和检测的虚警率。实验在采用GPU训练,型号为NVIDIA 2080Ti。同样的测试数据同时利用传统能量检测算法[4]和双门限能量检测算法[5]进行测试,并将结果对比。

在不同信噪比下,虚警概率设为5%的条件下,单门限ED算法、双门限ED算法及本文提出的基于LSTM的算法的检测概率性能比较如图3所示。从图3可知,在信噪比为-20dB的环境中,单门限ED算法的检测概率仅为约2%;而双门限ED算法的检测概率提升到了约为41%,虽然有较大的提升,但仍无法满足实际应用需求。而LSTM算法在-20dB的条件下,检测概率达到约70%。在信噪比20dB到5dB的检测概率均大幅优于传统检测方法,能够很好提高系统实际使用效果。

在不同信噪比,并且检测概率设为80%的条件下,单门限ED算法、双门限ED算法及本文提出的基于LSTM的算法的检测虚警概率性能比较如图4所示。从图4可知,在信噪比为-20dB的环境中,单门限ED算法的检测虚警概率约为41%;而双门限ED算法的检测虚警概率优化为约32%,虚警率有较大的下降。而LSTM算法在信噪比-20dB的条件下,检测虚警概率降为约22%。虽然在-20dB到0dB的检测虚警概率均仍处于较高水平,但均优于传统检测方法,证明LSTM方法在低信噪比条件下,能够很好降低系统对主用户信号的检测虚警概率,降低系统的错误率。

4 总结

本文提高无人机机群通信中频谱的感知效率,本文提出了一种基于长短期记忆神经网络(LSTM)的双门限无人机机群频谱感知算法。首先利用所有次级用户对频谱信号进行感知收集,随后将所有次级用户信号传入无人机融合节点,随后利用LSTM神经网络进行感知判断。通过分别在-20dB到10dB(步长3dB)不同信噪比的条件下进行仿真实验条件,并与传统单门限能量协作算法、双门限能量协作算法比较,仿真结果表明在不同信噪比和虚警概率下,所提LSTM方法的检测性能和虚警率性能均优于传统算法。证明LSTM方法能够提高无人机机群通信中频谱的感知效率,提升通信网络工作质量,对无人机机群的实际应用有实际效果。

参考文献:

[1]薛楠.如何破解无人机大发展时代频谱短缺之忧?[J].上海信息化,2015(11):1619.

[2]文凯,姜赖赢.一种基于噪声方差估计的自适应多门限能量检测算法[J].南京邮电大学学报(自然科学版),2017,37(3):6872.

[3]LIU Xin,GUAN Mingxiang,ZHANG Xueyan,et al.Spectrum sensing optimization in an UAVbased cognitive radio[J].IEEE access,2018(6):4400244009.

[4]YUCEKT,ARSLAN H.A survey of spectrum sensing algorithms for cognitive radio applications[J].IEEE Communications Surveys & Tutorials,2009,11(1):116130.

[5]张亮,冯景瑜,卢光跃.协作频谱感知中的可信双门限硬判决融合算法[J].信号处理,2014,30(2):181188.

项目:中国民航大学大学生创新创业计划培优项目(202210059127)

作者简介:宋文佳(2001— ),女,汉族,河北邯郸人,中国民航大学大四在读,主要从事航空电子信号处理研究;何昊轩(2001— ),男,汉族,湖北随州人,中国民航大学大四在读,主要从事无人机路径规划研究;钟天宇(2001— ),男,汉族,浙江绍兴人,中国民航大学大四在读,主要从事航空电子研究;邢文博(2002— ),女,汉族,山东威海人,中国民航大学大三在读,主要从事雷达信号处理研究。