《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于多頭自注意力機(jī)制的協(xié)作頻譜感知算法
基于多頭自注意力機(jī)制的協(xié)作頻譜感知算法
電子技術(shù)應(yīng)用 11期
李濤1，張煜培1，趙知?jiǎng)?，2
（1.杭州電子科技大學(xué) 通信工程學(xué)院，浙江 杭州 310018； 2.中國(guó)電子科技集團(tuán)第36研究所通信系統(tǒng)信息控制技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，浙江 嘉興 314001）
摘要： 針對(duì)協(xié)作頻譜感知中部分用戶(hù)受到陰影、衰落等影響導(dǎo)致在低信噪比環(huán)境下對(duì)微弱信號(hào)的感知性能急劇降低及部分聚類(lèi)模型沒(méi)有充分利用能量向量的問(wèn)題，提出一種基于多頭自注意力機(jī)制的協(xié)作頻譜感知算法。各次用戶(hù)獨(dú)立采樣數(shù)據(jù)，融合中心收集各次用戶(hù)的能量數(shù)值并構(gòu)成能量向量作為自注意力網(wǎng)絡(luò)的輸入；設(shè)計(jì)基于多頭自注意力機(jī)制的網(wǎng)絡(luò)模型，利用該網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)信號(hào)和噪聲的能量向量特征，有效提取局部特征，實(shí)現(xiàn)智能協(xié)作頻譜感知。仿真結(jié)果表明，該頻譜感知算法性能優(yōu)于對(duì)比算法，在信噪比為-14 dB、虛警概率為0.001時(shí)，該算法檢測(cè)概率高于對(duì)比算法0.29~0.4。
中圖分類(lèi)號(hào)：TN925
文獻(xiàn)標(biāo)志碼：A
DOI: 10.16157/j.issn.0258-7998.234080
引用格式： 李濤，張煜培，趙知?jiǎng)? 基于多頭自注意力機(jī)制的協(xié)作頻譜感知算法[J]. 電子技術(shù)應(yīng)用，2023，49(11)：88-93.
Cooperative spectrum sensing algorithm based on multi-head self-attention mechanism
Li Tao1，Zhang Yupei1，Zhao Zhijin1，2
(1.School of Communication Engineering， Hangzhou Dianzi University， Hangzhou 310018， China；2.National Key Laboratory of Communication System Information Control Technology， 36th Research Institute of China Electronics Technology Group， Jiaxing 314001， China)
Abstract： Aiming at the problem that some users are affected by shadows, fading and other factors in cooperative spectrum sensing, the sensing performance of weak signals in low signal-to-noise ratio environment is dramatically reduced, and some clustering models do not make full use of energy vectors, a cooperative spectrum sensing algorithm based on multi-head self-attention mechanism is proposed. Each user samples data independently, and the fusion center collects the energy value of each user and forms the energy vector as the input of the self-attention network. A network model based on multi-head self-attention mechanism is designed. The network is used to automatically learn the energy vector features of signals and noises, effectively extract local features, and realize intelligent cooperative spectrum sensing. The simulation results show that the performance of the spectrum sensing algorithm is better than that of the comparison algorithm. When the SNR is -14 dB and the false alarm probability is 0.001, the detection probability of the algorithm is 0.29 to 0.4 higher than that of the comparison algorithm.
Key words : cognitive radio network；multi-headed self-attention mechanism；cooperative spectrum sensing；energy vector

【引言】

近年來(lái)，隨著多媒體、大數(shù)據(jù)、物聯(lián)網(wǎng)等科學(xué)技術(shù)的快速發(fā)展，無(wú)線(xiàn)通信技術(shù)的應(yīng)用需要更多的頻譜資源，部分頻譜資源空閑和部分頻譜資源競(jìng)爭(zhēng)激烈已演變成為無(wú)線(xiàn)頻譜資源利用的主要問(wèn)題之一，而解決這一問(wèn)題的思路是盡量提高現(xiàn)有的頻譜利用率。為此，認(rèn)知無(wú)線(xiàn)電技術(shù)[1]應(yīng)運(yùn)而生。認(rèn)知無(wú)線(xiàn)電技術(shù)能夠動(dòng)態(tài)地利用暫時(shí)空閑的頻譜資源，在不對(duì)主用戶(hù)(PU）造成干擾的前提下實(shí)現(xiàn)與次用戶(hù)(CU)地頻譜共享，有效提高頻譜利用率。頻譜感知技術(shù)[2]是認(rèn)知無(wú)線(xiàn)電的關(guān)鍵一步，其主要目的是在復(fù)雜的無(wú)線(xiàn)通信環(huán)境中準(zhǔn)確、快速地檢測(cè)出主用戶(hù)信號(hào)是否存在。目前頻譜感知的研究主要分為單個(gè)次用戶(hù)頻譜感知技術(shù)和多個(gè)次用戶(hù)協(xié)作頻譜感知技術(shù)。相對(duì)于單個(gè)次用戶(hù)頻譜感知，協(xié)作頻譜感知技術(shù)可以充分利用次用戶(hù)感知環(huán)境的多樣性，避免單用戶(hù)由于多徑衰落和陰影效應(yīng)造成的誤差，能夠有效地提高整體感知系統(tǒng)性能。在協(xié)作頻譜感知中，融合策略是協(xié)作頻譜感知的關(guān)鍵所在，融合準(zhǔn)則可以分為硬判決[3]和軟判決[4]兩種。硬判決融合中，融合中心接收到的是所有次用戶(hù)的判決結(jié)果，常見(jiàn)的融合準(zhǔn)則有“與”準(zhǔn)則、“或”準(zhǔn)則和“K”秩準(zhǔn)則[5]。硬判決的優(yōu)點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，傳輸開(kāi)銷(xiāo)較小，但由于這些單比特的局部判決結(jié)果丟失了大量信息，不能為全局決策提供足夠的信息，因此其檢測(cè)性能一般。軟判決融合中，本地次用戶(hù)直接將檢測(cè)數(shù)據(jù)發(fā)送到融合中心，融合中心利用這些數(shù)據(jù)，根據(jù)“最大比合并”“等增益合并”和“選擇性合并”等準(zhǔn)則判決主用戶(hù)存在與否。由于檢測(cè)數(shù)據(jù)中包含了大量信息，因此檢測(cè)性能優(yōu)于硬判決融合方法。但是這些軟融合方式?jīng)]有充分利用各個(gè)次用戶(hù)檢測(cè)數(shù)據(jù)的信息，檢測(cè)性能有待提高。

機(jī)器學(xué)習(xí)具有強(qiáng)大的特征提取和學(xué)習(xí)能力，已在各個(gè)領(lǐng)域得到應(yīng)用。已有學(xué)者研究了利用機(jī)器學(xué)習(xí)進(jìn)行協(xié)作頻譜感知的相關(guān)算法[6-11]，該類(lèi)算法無(wú)需理論推導(dǎo)準(zhǔn)確的檢測(cè)門(mén)限，且對(duì)不同噪聲環(huán)境的適應(yīng)度高。文獻(xiàn)[6]將頻譜感知問(wèn)題轉(zhuǎn)化為圖像二分類(lèi)問(wèn)題,利用各次用戶(hù)傳輸?shù)饺诤现行牡恼幌嘁奇I控(QPSK)信號(hào)，計(jì)算協(xié)方差矩陣，并進(jìn)行歸一化灰度處理,作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入。文獻(xiàn)[7]利用各次用戶(hù)傳輸?shù)饺诤现行牡腎Q信號(hào)，經(jīng)過(guò)IQ分解與重建提取信號(hào)特征，使用K-Medoids聚類(lèi)算法對(duì)特征進(jìn)行分類(lèi)，提高了在協(xié)作次用戶(hù)較少情況下的感知性能。文獻(xiàn)[8]首先利用各次用戶(hù)傳輸?shù)饺诤现行牡腎Q信號(hào)分別按照順序拆分和間隔拆分為兩組新的信號(hào)序列，然后根據(jù)各次用戶(hù)接收的都是同一主用戶(hù)信號(hào)，利用它們之間是否具有相關(guān)性，用以判斷主用戶(hù)信號(hào)是否存在，因此將次用戶(hù)之間的相關(guān)系數(shù)作為提取的信號(hào)特征向量，使用K-Means聚類(lèi)算法對(duì)特征進(jìn)行分類(lèi)，提高了協(xié)作感知性能。文獻(xiàn)[9]結(jié)合文獻(xiàn)[8]的IQ信號(hào)拆分重組得到兩個(gè)協(xié)方差矩陣，通過(guò)計(jì)算重組得到的協(xié)方差矩陣到黎曼均值的測(cè)地線(xiàn)距離，作為信號(hào)的統(tǒng)計(jì)特征，結(jié)合Fuzzy C-Means聚類(lèi)算法提高了協(xié)作頻譜感知的性能。但文獻(xiàn)[6]-[9]方法都需要較大的傳輸開(kāi)銷(xiāo)。文獻(xiàn)[10]將各次用戶(hù)得到的能量傳輸?shù)饺诤现行慕M成能量向量，多次感知的能量向量組成特征矩陣，特征矩陣經(jīng)過(guò)主成分分析處理后轉(zhuǎn)換成低維特征矩陣，利用低維特征矩陣訓(xùn)練K-Means++聚類(lèi)分類(lèi)器，最后利用訓(xùn)練好的聚類(lèi)分類(lèi)器感知主用戶(hù)信號(hào)存在與否。文獻(xiàn)[11]將各次用戶(hù)得到的能量傳輸?shù)饺诤现行慕M成能量向量，然后融合中心對(duì)能量向量進(jìn)行數(shù)據(jù)處理變換為概率向量，并利用K-Mediods和模糊支持向量機(jī)算法進(jìn)行訓(xùn)練和分類(lèi)，有效降低了算法的訓(xùn)練時(shí)間與分類(lèi)延遲。

但是文獻(xiàn)[10]-[11]算法沒(méi)有充分利用能量向量包含的深層特征信息，而且由于多徑衰落和信噪比等問(wèn)題，各個(gè)協(xié)作用戶(hù)的感知結(jié)果可信度不一致。對(duì)此，本文提出一種基于多頭自注意力機(jī)制的深度學(xué)習(xí)頻譜感知方法。多頭自注意力機(jī)制[12-13]是一類(lèi)模擬人腦關(guān)注機(jī)制的算法，它可以實(shí)現(xiàn)將不同可信度的協(xié)作用戶(hù)賦予不同的權(quán)重，然后融合其結(jié)果做出最終決策。因此，本文由融合中心收集各次用戶(hù)得到的能量組成能量向量，針對(duì)各次用戶(hù)接收的信號(hào)能量與噪聲能量存在的明顯差異問(wèn)題，設(shè)計(jì)了多頭自注意力網(wǎng)絡(luò)結(jié)構(gòu)，用于提取能量向量的特征，從而抽取更加重要和關(guān)鍵的能量特征信息，并進(jìn)行特征分類(lèi)做出最終決策，進(jìn)一步提高了協(xié)作頻譜感知的檢測(cè)性能。


文章詳細(xì)內(nèi)容下載請(qǐng)點(diǎn)擊：基于多頭自注意力機(jī)制的協(xié)作頻譜感知算法AET-電子技術(shù)應(yīng)用-最豐富的電子設(shè)計(jì)資源平臺(tái) (chinaaet.com)


【作者信息】

李濤1，張煜培1，趙知?jiǎng)?，2

（1.杭州電子科技大學(xué) 通信工程學(xué)院，浙江 杭州 310018；

2.中國(guó)電子科技集團(tuán)第36研究所通信系統(tǒng)信息控制技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，浙江 嘉興 314001）




此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。