基于BP神經(jīng)網(wǎng)絡(luò)的認(rèn)知無線電疑似跳轉(zhuǎn)信道預(yù)測研究*

項亞楠，徐以濤，項 楠, 丁國如, 徐慶龍

(1. 解放軍理工大學(xué)通信工程學(xué)院,江蘇 南京 210007；2. 湖北移動設(shè)計中心,湖北 武漢 430000)

基于BP神經(jīng)網(wǎng)絡(luò)的認(rèn)知無線電疑似跳轉(zhuǎn)信道預(yù)測研究*

項亞楠1，徐以濤1，項 楠2, 丁國如1, 徐慶龍1

(1. 解放軍理工大學(xué)通信工程學(xué)院,江蘇 南京 210007；2. 湖北移動設(shè)計中心,湖北 武漢 430000)

為了在認(rèn)知無線電環(huán)境中進(jìn)行跟蹤干擾，需要預(yù)測認(rèn)知用戶在遭受干擾后進(jìn)行頻譜切換的目標(biāo)信道——疑似跳轉(zhuǎn)信道，以便在這些疑似跳轉(zhuǎn)信道上對其進(jìn)行跟蹤檢測和干擾。提出了一種在多信道多用戶條件下，認(rèn)知用戶在感知得到的空閑信道上智能決策并選擇合適信道接入的頻譜模型，并用基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測算法預(yù)測疑似跳轉(zhuǎn)信道，為衡量預(yù)測效果，提出了預(yù)測切準(zhǔn)率和預(yù)測精度兩個參考標(biāo)準(zhǔn)，仿真結(jié)果驗證了該算法的可行性。

認(rèn)知無線電 疑似跳轉(zhuǎn)信道 頻譜切換 頻譜模型 BP神經(jīng)網(wǎng)絡(luò)

0 引 言

自從1999年Joseph Mitola博士提出認(rèn)知無線電概念以來[1]，認(rèn)知無線電技術(shù)在眾多國家的很多領(lǐng)域已經(jīng)得到廣泛的研究和應(yīng)用。由于認(rèn)知無線電具有“認(rèn)知”和“重構(gòu)”特點(diǎn)，能感知周圍頻譜資源占用情況，自適應(yīng)跳轉(zhuǎn)到空閑頻段并調(diào)整通信參數(shù)繼續(xù)通信，因此能大幅提高頻譜利用率[2]。此外，認(rèn)知用戶在遭受干擾時，也能跳轉(zhuǎn)到其它空閑、無干擾的頻段，并自適應(yīng)調(diào)整通信參數(shù)繼續(xù)進(jìn)行通信，從而使系統(tǒng)的抗干擾能力得到極大加強(qiáng)[3]。認(rèn)知無線電的這種動態(tài)改變工作頻率的特點(diǎn)是其抗干擾的優(yōu)勢所在，但這種動態(tài)性也造成了認(rèn)知電臺通信參數(shù)的易變性。針對這種特性，目前已提出的一種認(rèn)知無線電干擾策略是對認(rèn)知用戶進(jìn)行持續(xù)的跟蹤干擾，使認(rèn)知無線電不斷進(jìn)行重構(gòu)，將時間更多的消耗在非通信環(huán)節(jié)。由于認(rèn)知電臺在遭受干擾后切換的目標(biāo)信道是智能決策的，切換規(guī)律也不是固定的，因此我們對認(rèn)知無線電的跟蹤干擾和傳統(tǒng)的跟蹤干擾不同，需要在多個可能的信道上伺機(jī)干擾。這種可能的信道在這里被稱為疑似跳轉(zhuǎn)信道(Suspicious Hopping Channel)，多個疑似跳轉(zhuǎn)信道構(gòu)成疑似跳轉(zhuǎn)信道集SHC。而SHC的估計，則需要運(yùn)用到合適的學(xué)習(xí)預(yù)測算法。

文獻(xiàn)[4]提出了使用頻譜的歷史數(shù)據(jù)進(jìn)行頻譜預(yù)測。文獻(xiàn)[5]提出了一種基于線性自回歸(AR)模型的預(yù)測算法。文獻(xiàn)[6]提出了一種基于一階隱Markov模型的預(yù)測方法，該方法不需要知道頻譜占用模型參數(shù)的先驗信息。文獻(xiàn)[7]提出了一種基于高階可變的Markov模型的預(yù)測算法，相對于基于AR模型的預(yù)測算法，該算法能更好地預(yù)測頻譜占用情況，同時也降低了運(yùn)算量。文獻(xiàn)[8]則提出一種快變信道環(huán)境下基于支持向量回歸(SVR)的頻譜預(yù)測算法，該算法在小樣本學(xué)習(xí)時有較好的預(yù)測效果。而基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法在進(jìn)行多信道頻譜預(yù)測時具有一個獨(dú)特的優(yōu)勢，那就是其輸入變量是多個信道的頻譜歷史占用信息，在預(yù)測的過程中，每個神經(jīng)元都會根據(jù)各個信道的輸入和輸出來調(diào)整相應(yīng)的權(quán)值，因此該方法還考慮到了各個信道之間的關(guān)聯(lián)[9]。此外，基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測算法不需要預(yù)先知道授權(quán)用戶系統(tǒng)的頻譜占用參數(shù)模型的先驗信息，而且不同于Markov模型，神經(jīng)網(wǎng)絡(luò)預(yù)測器一旦完成了訓(xùn)練，就不再需要連續(xù)的訓(xùn)練了，從而有效降低了計算復(fù)雜度[10]。然而，現(xiàn)有研究預(yù)測的是頻譜占用狀態(tài)，僅考慮授權(quán)用戶是否占用信道，而本文預(yù)測的是疑似跳轉(zhuǎn)信道SHC，將同時考慮信道占用和認(rèn)知用戶的跳轉(zhuǎn)規(guī)律，提出多信道多用戶條件下，認(rèn)知用戶在空閑信道中智能決策、選擇合適的信道接入的頻譜模型，并將基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測算法運(yùn)用到對SHC的預(yù)測，且提出了相應(yīng)的性能參考指標(biāo)。本文第2節(jié)提出了預(yù)測SHC的系統(tǒng)模型。第3節(jié)提出了一種在多信道多用戶條件下，認(rèn)知用戶根據(jù)感知得到的空閑信道，智能決策選擇信道接入的頻譜模型。第4節(jié)介紹了基于BP神經(jīng)網(wǎng)絡(luò)的算法，并提出了將該預(yù)測算法運(yùn)用到預(yù)測SHC的方法。第5節(jié)進(jìn)行了仿真實驗，并分析和對比仿真結(jié)果，得出預(yù)測切準(zhǔn)率和預(yù)測精度的關(guān)聯(lián)以及如何進(jìn)行參數(shù)的選擇。

1 系統(tǒng)模型

本文采用基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測算法動態(tài)學(xué)習(xí)頻譜環(huán)境，根據(jù)頻譜占用的歷史數(shù)據(jù)預(yù)測SHC，這里也稱為重構(gòu)預(yù)測。如圖1所示，我們假設(shè)系統(tǒng)有多個信道和多個授權(quán)用戶，假設(shè)頻譜被占用時為ON狀態(tài)，用數(shù)字“1”表示；頻譜未被占用時為OFF狀態(tài)，用數(shù)字“-1”表示，而且信道的“忙、閑”狀態(tài)認(rèn)知用戶可以通過一定的頻譜感知算法檢測得到。

圖1 認(rèn)知用戶疑似跳轉(zhuǎn)信道預(yù)測示意圖

認(rèn)知用戶只會占用感知得到的空閑信道進(jìn)行通信，當(dāng)受到干擾或者主用戶回歸時，認(rèn)知用戶會切換到其感知得到的其他空閑信道上繼續(xù)進(jìn)行通信，但是認(rèn)知用戶每次頻譜切換的目標(biāo)信道是智能決策的，其占有空閑信道的規(guī)律也不固定，因此作為干擾方去學(xué)習(xí)和預(yù)測這種切換規(guī)律將是十分困難的。然而，無論這種規(guī)律如何變化，一般情況下，認(rèn)知用戶的頻譜切換每次也都會盡量選擇切換到下一時隙占用概率較低的信道，以保證其通信的持續(xù)性，避免多次切換，導(dǎo)致通信效率降低。從這點(diǎn)出發(fā)，我們可以將問題換一種處理方式，用合適的學(xué)習(xí)預(yù)測算法去學(xué)習(xí)和預(yù)測各個時隙信道的占用情況而不是去學(xué)習(xí)和預(yù)測認(rèn)知用戶占用空閑信道的規(guī)律，然后將預(yù)測的下一時隙占用概率較低的信道作為認(rèn)知用戶的疑似跳轉(zhuǎn)信道，從而對其進(jìn)行跟蹤干擾，這樣就大大降低了問題的復(fù)雜度。

在本文中，我們將用M/M/N排隊模型產(chǎn)生頻譜占用數(shù)據(jù)，并在每個時隙的空閑信道上模擬認(rèn)知用戶智能決策占用空閑信道的行為，然后用基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測算法預(yù)測認(rèn)知用戶每次進(jìn)行頻譜切換的SHC。為了衡量預(yù)測效果，我們提出了預(yù)測切準(zhǔn)率和預(yù)測精度這兩個參考標(biāo)準(zhǔn)，其中預(yù)測切準(zhǔn)率是指認(rèn)知用戶實際跳轉(zhuǎn)的目標(biāo)信道在SHC上的頻率，另外我們也希望能夠在保證合適的切準(zhǔn)率的同時能提高預(yù)測的精度，因為如果預(yù)測精度較差，即SHC的數(shù)目過多時，必然會導(dǎo)致干擾方干擾資源(計算量、計算時間、干擾功率等)的浪費(fèi)。因此，我們希望預(yù)測到的SHC數(shù)目越少、切準(zhǔn)率越高越好。

2 頻譜模型

由于各無線通信系統(tǒng)的頻譜分配策略不同，對頻譜的使用規(guī)律進(jìn)行建模通常比較困難。文獻(xiàn)[11]假設(shè)授權(quán)用戶的接入模式是一個循環(huán)平穩(wěn)隨機(jī)過程，建立了一個基于Markov的頻譜模型。文獻(xiàn)[12]和[13]針對Ad Hoc網(wǎng)絡(luò)的特點(diǎn)，建立了基于部分可觀測馬爾可夫決策過程(POMDP)的頻譜模型。

本文假設(shè)授權(quán)用戶系統(tǒng)的頻譜資源占用模型為M/M/N模型，這是典型的話音業(yè)務(wù)模型。假設(shè)授權(quán)用戶系統(tǒng)有N個子信道，系統(tǒng)的用戶到達(dá)服從參數(shù)為λ的泊松分布，用戶服務(wù)時間服從參數(shù)為μ的負(fù)指數(shù)分布，當(dāng)沒有空閑信道時則拒絕用戶到來。

圖2 M/M/N模型的狀態(tài)轉(zhuǎn)移圖

如圖2所示為M/M/N排隊模型的狀態(tài)轉(zhuǎn)移圖，圓圈中的數(shù)字代表信道被占用的個數(shù)。若以一定的時間間隔(每個間隔稱為一個時隙)檢測頻譜中各個信道的占用情況，則可以得到一個觀察序列集合X={x(i),i=1,2,…,K}，其中K為總的觀察序列數(shù)，x(i)=(x1(i),x2(i),…,xN(i))，xj(i)∈{-1,1}，j=1,2,…,N，其中j表示信道號，xj(i)的值為“1”表示相應(yīng)的信道被授權(quán)占用，“-1”表示信道空閑。

授權(quán)用戶的頻譜占用模型建立好之后，接下來需要建立認(rèn)知用戶的占用模型。由于認(rèn)知用戶能感知到未被授權(quán)用戶占用的空閑信道，并智能決策選擇其中的一個進(jìn)行通信，每當(dāng)遇到有授權(quán)用戶占用當(dāng)前信道或者有干擾信號時，認(rèn)知用戶就會感知當(dāng)前的空閑信道，然后按照某種選擇規(guī)則選擇其中一個空閑信道接入。若當(dāng)前沒有空閑信道，則等待直到感知到有空閑信道出現(xiàn)再按一定規(guī)則選擇信道接入。因此，我們可以設(shè)置兩個序列S(k)和T(k)，其中T(k)表示第k次出現(xiàn)有空閑信道時所處的時隙數(shù)，T(k)∈{1,2,…,K}，S(k)則表示認(rèn)知用戶在T(k)時隙時按照一定規(guī)則選擇的空閑信道的信道號，S(k)∈{1,2,…,N}。而我們在預(yù)測SHC時，檢驗預(yù)測算法的好壞的其中一個標(biāo)準(zhǔn)就是檢驗S(k)出現(xiàn)在SHC上的頻率——切準(zhǔn)率的高低。

3 基于BP神經(jīng)網(wǎng)絡(luò)的頻譜預(yù)測算法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，該算法網(wǎng)絡(luò)于1986年由Rumelhart和McCelland為首的科學(xué)家提出，是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一[14]。BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存儲大量輸入-輸出模式映射關(guān)系，且無須事先揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則主要有LM算法、動量BP算法、學(xué)習(xí)率可變的BP算法以及擬牛頓法等等[15]。這些算法都是通過誤差反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括輸入層(input layer)、隱含層(hidden layer)和輸出層(output layer)，如圖3所示：

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

假設(shè)輸入神經(jīng)元個數(shù)為M，隱含層神經(jīng)元個數(shù)為I，輸出層神經(jīng)元個數(shù)為N。輸入層的第m個神經(jīng)元記為xm，隱含層第i個神經(jīng)元記為ki，輸出層第j個神經(jīng)元記為yj。從xm到ki的連接權(quán)值記為wmi，從ki到y(tǒng)j的連接權(quán)值記為wij。則上述網(wǎng)絡(luò)的輸入為長度為M的向量，輸出為長度為N的向量。設(shè)網(wǎng)絡(luò)的實際輸出為：Y(n)=[y1,y2,…,yN]，網(wǎng)絡(luò)的期望輸出為：D(n)=[d1,d2,…,dN]，其中n為迭代次數(shù)。則輸出層第j個神經(jīng)元在第n次迭代的誤差信號定義為

ej(n)=dj(n)-yj(n)

(1)

則網(wǎng)絡(luò)的總誤差定義為

(2)

以下為幾種神經(jīng)網(wǎng)絡(luò)中常用的學(xué)習(xí)算法：

1)最速下降BP法

(3)

ω(n+1)=Δω(n)+ω(n)

(4)

其中η為學(xué)習(xí)率。

2)動量BP法

動量BP法在上一種算法的權(quán)值更新階段引入了動量因子α(0<α<1)

(5)

與標(biāo)準(zhǔn)的最速下降BP算法相比，在更新權(quán)值時多了一個因式αΔω(n-1)，表示本次的權(quán)值更新方向和幅度不僅與本次計算所得梯度有關(guān)，還與上一次更新的方向和幅度有關(guān)。該因式的引入時權(quán)值的更新具有一定的慣性，而且具有了一定的抗振蕩能力和加快收斂的能力。

3)學(xué)習(xí)率可變的BP算法

標(biāo)準(zhǔn)的最速下降BP算法中，學(xué)習(xí)率η是一個常數(shù)。實際上，在訓(xùn)練的不同階段，需要的學(xué)習(xí)率是不同的。學(xué)習(xí)率過小則收斂速度慢，學(xué)習(xí)率過大，則容易出現(xiàn)振蕩。因此學(xué)習(xí)率可變的BP算法應(yīng)運(yùn)而生，當(dāng)誤差以較小的方式趨于目標(biāo)時，說明修正方向正確，則可以增加學(xué)習(xí)率；當(dāng)誤差超過一定范圍時，說明上一步修正得不對，則應(yīng)減小步長，降低學(xué)習(xí)率。該算法學(xué)習(xí)率的增減通過乘以一個增量或減量因子實現(xiàn)

(6)

設(shè)計一個BP神經(jīng)網(wǎng)絡(luò)時，要根據(jù)具體的應(yīng)用情形考慮網(wǎng)絡(luò)層數(shù)、輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)以及傳輸函數(shù)、訓(xùn)練方法、初始權(quán)值的設(shè)置等等，在這里就不再贅述了。

本文要運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行多信道頻譜預(yù)測。設(shè)預(yù)測階數(shù)為τ，即以包括當(dāng)前時隙在內(nèi)的前τ個時隙的頻譜數(shù)據(jù)來預(yù)測下一時隙信道的占用情況，總的觀測數(shù)據(jù)長度為T0，Sp,q(其中p∈{1,2,…,N},q∈{1,2,…,T},Sp,q∈{-1,1})為第p個信道在第q個時隙的輸入數(shù)據(jù)，則輸入數(shù)據(jù)矩陣可以設(shè)置為[16]

(7)

監(jiān)督矩陣為

(8)

則輸入層節(jié)點(diǎn)數(shù)為M=N·τ，輸出層節(jié)點(diǎn)數(shù)即為N，輸出層每個節(jié)點(diǎn)的輸出都對應(yīng)著某一個信道在下一時隙頻譜占用情況的預(yù)測值，然后逆向傳播預(yù)測值和期望值的誤差，并根據(jù)誤差調(diào)整各個神經(jīng)元的權(quán)值。此外，已經(jīng)有研究發(fā)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型使用兩層隱含層就夠了[10]，因此本文所使用的BP神經(jīng)網(wǎng)絡(luò)模型有兩層隱含層。

4 仿真實驗分析

4.1 參數(shù)設(shè)置

仿真試驗中，我們只對2 MHz帶寬內(nèi)的頻譜進(jìn)行實驗分析，以200 KHz帶寬為一個信道，則總共有10個信道，即N=10，BP神經(jīng)網(wǎng)絡(luò)中，預(yù)測階數(shù)τ=4，則輸入層節(jié)點(diǎn)數(shù)M=N·τ=40，隱含層有兩層，其神經(jīng)元節(jié)點(diǎn)數(shù)分別設(shè)置為15和20，且隱含層和輸出層的傳遞函數(shù)均設(shè)置為雙曲正切Sigmoid函數(shù)，則網(wǎng)絡(luò)的輸出層各節(jié)點(diǎn)的輸出值將被限制在(-1,1)區(qū)間內(nèi)。在產(chǎn)生頻譜數(shù)據(jù)的頻譜模型中，設(shè)授權(quán)用戶的到達(dá)速率為λ，服務(wù)速率為μ。在實際情形中，干擾方對認(rèn)知用戶在進(jìn)行頻譜切換選取空閑信道時的規(guī)律是未知的，而且這種規(guī)律也不是固定的。因此為了更貼近實際，仿真試驗中，我們假設(shè)認(rèn)知用戶在進(jìn)行頻譜切換時選取空閑信道是隨機(jī)的，相比于有特定選擇規(guī)律的情形，這種隨機(jī)的也是最難預(yù)測的情形。然后再根據(jù)其選取的信道序號組成序列S(k)。

仿真實驗中，我們以一定的時間間隔Δt進(jìn)行采樣得到頻譜占用數(shù)據(jù)矩陣，產(chǎn)生的總的實驗數(shù)據(jù)長度T0=11 000，將網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)長度設(shè)為T1=1 000，則測試數(shù)據(jù)長度為T2=10 000。實驗中BP神經(jīng)網(wǎng)絡(luò)采用的學(xué)習(xí)算法為學(xué)習(xí)率可變的BP算法，網(wǎng)絡(luò)中的初始權(quán)值用Matlab庫函數(shù)rands產(chǎn)生，其取值范圍為[-1,1]。

4.2 仿真結(jié)果及分析

由于輸出值被限制在(-1,1)范圍內(nèi)，我們可以認(rèn)為輸出值越接近-1，則代表該信道下一時隙空閑的概率越高。我們在輸出端可以設(shè)置一個閾值Th，當(dāng)輸出大于Th時判為“1”，即相應(yīng)的信道下一時隙判為“占用”；當(dāng)輸出小于Th時判為“-1”，即信道下一時隙判為“空閑”。我們在這里取預(yù)測到的空閑信道組成疑似跳轉(zhuǎn)信道集SHC。得到預(yù)測結(jié)果后，我們需要檢驗算法的兩樣性能指標(biāo)：預(yù)測切準(zhǔn)率和預(yù)測精度，其中預(yù)測切準(zhǔn)率的表達(dá)式為

(9)

式中F為認(rèn)知用戶的切換信道序列S(k)出現(xiàn)在SHC上的次數(shù)，Nh為認(rèn)知用戶進(jìn)行頻譜切換的總次數(shù)；而預(yù)測精度則通過計算每次預(yù)測的SHC的個數(shù)與實際空閑信道的個數(shù)相比，偏差的平均個數(shù)來體現(xiàn)，其表達(dá)式為

(10)

式中nact(i)和nSHC(i)分別表示在第i時隙實際空閑信道數(shù)和預(yù)測的第i個時隙疑似跳轉(zhuǎn)信道集SHC的個數(shù)。此外，實際平均空閑信道數(shù)為

(11)

(a)λ=1, μ=0.15 ,Δt=1 s

(b)λ=1, μ=0.15 ,Δt=0.5 s

(c)λ=1, μ=0.1 ,Δt=0.5 s

對比圖4(a)和圖4(b)的仿真結(jié)果，我們可以看到，當(dāng)采樣間隔從1 s降到0.5 s后，頻譜預(yù)測的正確率的最大值從0.86左右提高到了0.9左右。這是由于采樣間隔的變小后，各數(shù)據(jù)間的關(guān)聯(lián)性也隨之增加，故預(yù)測準(zhǔn)確率升高。

對比圖4(b)和圖4(c)的仿真結(jié)果，我們發(fā)現(xiàn)當(dāng)用戶服務(wù)速率參數(shù)μ從0.15降到0.1后，信道變得更加“繁忙”了，實際平均空閑信道數(shù)從4.6左右降到2.6左右，此時各閾值對應(yīng)的預(yù)測切準(zhǔn)率也均有所降低。

5 結(jié) 語

本文主要研究了認(rèn)知用戶進(jìn)行頻譜切換的目標(biāo)信道的估計，即預(yù)測疑似跳轉(zhuǎn)信道集SHC，其目的是便于干擾方對認(rèn)知用戶的跟蹤干擾。為此首先提出了一種多信道多用戶條件下的頻譜模型，并在該模型中模擬了認(rèn)知用戶在頻譜切換時進(jìn)行智能決策選取空閑信道接入的過程。本文還將基于BP神經(jīng)網(wǎng)絡(luò)的算法運(yùn)用到對SHC的預(yù)測，而且為了衡量預(yù)測結(jié)果，提出了預(yù)測切準(zhǔn)率和預(yù)測精度兩個參考標(biāo)準(zhǔn)，在實際應(yīng)用中，必須綜合考慮上述兩個標(biāo)準(zhǔn)。最后，進(jìn)行了仿真實驗，仿真結(jié)果也驗證了該方案的可行性。

[1] Mitola J, Maguire J, Q. G.. Cognitive Radio: Making Software Radios More Personal [J]. IEEE Personal Communications,1999,6(4):13-18.

[2] DING Guo-ru, WU Qi-hui, WANG Jin-long, et al. Joining Cooperative Spectrum Sensing and Resource Scheduling for Cognitive Radio Networks with Soft Sensing Information [C]//YC-ICT, Beijing: IEEE press, 2010: 291-294.

[3] 馬月槐，劉躍宣，范玉虎等. 軍用認(rèn)知系統(tǒng)的對抗技術(shù)研究[J]. 通信技術(shù), 2013, 46(6): 7-9. MA Yue-huai, LIU Yue-xuan, FAN Yu-hu, et al. Study on e-Countermeasure Technology of Military Cognitive Radio System [J]. Communications Technology, 2013, 46(6): 7-9.

[4] TEVFIK Y, HUSEYIN A. A Survey of Spectrum Sensing Algorithms for Cognitive Radio Applications [J]. Communications Survey & Tutorials, 2009,11(1):116-130.

[5] KANEKO S, NOMOTO S, Ueda T, et al. Experimental Verification on the Prediction of the Trend in Radio Resource Availability in Cognitive Radio [C]// Vehicular Technology Conference, California: IEEE press, 2007: 1568-1572.

[6] AKBAR I and TRANTER W. Dynamic Spectrum Allocation in Cognitive Radio Using Hidden Markov Models: Poisson Distributed Case [C]// IEEE Southeast Conference, Richmond: IEEE Press, 2007: 196-201.

[7] Li Y,DONG Y N, ZHANG H, et al. Spectrum Usage Prediction Based on High-order Markov Model for Cognitive Radio Networks [C]// IEEE Conference on Computer and Information Technology, Bradford: IEEE press, 2010: 2784-2788.

[8] 高翔, 任國春, 陳瑾等. 快變信道下基于支持向量回歸的頻譜預(yù)測[J]. 信號處理, 2014,30(3):289-297. GAO Yiang, REN Guo-chun, CHEN Jin, et al. Support Vector Regression-based Spectrum Prediction Under Quick-Changing Channel Occupancy [J]. Journal of Signal Processing, 2014, 30(3): 289-297.

[9] 陳斌華. 認(rèn)知無線電系統(tǒng)中的頻譜預(yù)測算法研究[D]. 北京: 北京郵電大學(xué), 2006. CHEN Bin-hua. Research on the Spectrum Prediction Algorithm in Cognitive Radio System [D]. Beijing:Beijing University of Posts and Telecommunications, 2006.

[10] TUMULURU V K, WANG Ping and NIYATO D. A Neural Network Based Spectrum Prediction Scheme for Cognitive Radio [C]// International Conference on Communications, Cape Town:IEEE press,2010:1-5.

[11] CLANCY T C, WALKER D. Predictive dynamic spectrum access [EB/OL]. http://www.cs.umd.edu/～clancy/docs/sdr06-predict.pdf, 2006.

[13] ZHAO Qing, TONG Lang, SWAMI A, et al. Decentralized Cognitive MAC for Opportunistic Spectrum Access in Ad Hoc Networks: A POMDP Framework [J]. IEEE Journal on Selected Areas in Communications, 2007, 25(3): 589-600.

[14] ZHAO Qing, TONG Lang, and SWAMI A. Decentralized Cognitive Mac for Dynamic Spectrum Access [C]// DySPAN, Baltimore, MD: IEEE press, 2005:224-232.

[15] 周開利，康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M]. 北京: 清華大學(xué)出版社，2005:69-100. ZHOU Kai-li, KANG Yao-hong.Neural Network Model and MATLAB Simulation Programming [M]. Beijing: Tsinghua University Press, 2005: 69-100.

[16] 陳明. MATLAB 神經(jīng)網(wǎng)絡(luò)原理與實例精解[M]. 清華大學(xué)出版社. 2013: 158-166. CHEN Ming.MATLAB Neural Network Theory and Example [M]. Tsinghua University Press, 2013:158-166.

[17] 李書榮. 基于DE-BP的神經(jīng)網(wǎng)絡(luò)認(rèn)知無線電頻譜預(yù)測研究[D]. 成都: 西南交通大學(xué), 2013. LI Shu-rong. Research on DE-BP Neural Network Spectrum Prediction For Cognitive Radio [D]. Chengdu: Southwest Jiaotong University, 2013.

XIANG Ya-nan (1990-), male,graduate student, mainly engaged in cognitive radio communication EW.

徐以濤(1971—)，男，博士，教授，碩士生導(dǎo)師，主要研究方向：軟件無線電、認(rèn)知無線電、無線通信、數(shù)字信號處理、通信對抗技術(shù)。

XU Yi-tao (1971-), male, Ph.D.,professor, postgraduate tutor, mainly engaged in software radio, cognitive radio, mobile communication, digital signal processing and communication EW.

丁國如(1986—)，男，博士，講師，主要研究方向：認(rèn)知無線電、頻譜數(shù)據(jù)分析、統(tǒng)計信號處理。

DING Guo-ru (1986-), male, Ph.D., lecturer,mainly engaged in cognitive radio, spectrum data analysis, and statistical signal processing.

項 楠(1988—)，男，碩士，設(shè)計員，主要研究方向：通信組網(wǎng)技術(shù)、認(rèn)知無線電、統(tǒng)計信號處理。

XIANG Nan (1988-), male, M.Sci., designer, mainly engaged in network communications technology, cognitive radio and statistical signal processing.

徐慶龍(1989—)，男，碩士研究生，主要研究方向：認(rèn)知無線電通信對抗。

XU Qing-long(1989-),male, graduate student, mainly engaged in cognitive radio communication EW.

National Natural Science Foundation of China(No.61172062, No.61301160)；National Science Foundation of Jiangsu Province(No.BK2011116)

SHC Prediction Scheme based on BP Neural Network for Cognitive Radio

XIANG Ya-nan1，XU Yi-tao1, XIANG Nan2, DING Guo-ru1，XU Qing-long1

(1.College of Communication Engineering，PLA University of Science and Technology,Nanjing Jiangsu 210007,China;2.Design Center,China Mobile Group Hubei Co., LTD., Wuhan Hubei 430000, China)

To implement the tracking jam in CR (cognitive radio) communication, it is necessary to predict the target channel—SHC(Suspicious Hopping Channel)—that CR may hop to after suffering a certain interference, so as to track and jam it in SHC. A spectrum model with multiple channels and multiple users is proposed, in which the CR user can intelligently select and access the appropriate channel from the sensed idle channels. Then the algorithm based on BP neural network is used to predict the SHC.In order to measure the prediction effect, two reference standards—handoff accuracy and precession are proposed. Finally, Simulation results verify the feasibility of this prediction algorithm.

CR; suspicious hopping channel; spectrum handoff; spectrum model; BP neural network

date:2014-09-11；Revised date：2015-01-23

國家自然科學(xué)基金項目(No.61172062,No.61301160)；江蘇省自然科學(xué)基金項目(No.BK2011116)

TN97

A

1002-0802(2015)03-0311-07

項亞楠(1990—)，男，碩士研究生，主要研究方向：認(rèn)知無線電通信對抗；

10.3969/j.issn.1002-0802.2015.03.013

2014-09-11；

2015-01-23