基于無線指紋數據庫的認知無線電頻譜感知

顏廷秋，申 濱，王 欣

（重慶郵電大學 通信與信息工程學院，重慶 400065）

0 引言

傳統頻譜感知算法存在很大的局限性[1-4]，而當前機器學習算法在頻譜感知中廣泛應用[5-6]。基于此現狀，本文提出了基于無線指紋數據庫的頻譜感知方案。本方案中，首先利用機器學習的方法對CCRN 區域內收集的頻譜觀測數據進行處理，從而獲取該區域內的PUT聯合傳輸模式信息；然后在PUT 聯合傳輸模式確定且PUT 位置已知的情況下，以活躍PUT 為中心劃分地理區域，基于空間距離的算法確定不同網格的頻譜可用性標簽；最后將PUT 的聯合傳輸模式信息和頻譜可用性信息存儲在數據庫中。有感知需求的SUE 可以借助存儲在無線指紋數據庫中的信息和數據，輕松地作出頻譜決策。無線指紋數據庫的方案實現了認知無線電中頻譜感知即插即用的需求，其劃分地理區域的方式使得SUE可以獲得更多的潛在頻譜接入機會。仿真結果顯示，本方案能有效地滿足頻譜感知的需求。

1 系統模型

考慮在CCRN 中，存在若干個SUE 和N 個PUT 以及K 個在F1頻段上為SUE 服務的基站，其分散在CCRN區域內。為了獲取CCRN 中不同位置的頻譜機會，將CCRN 的目標地理區域劃分為具有相同大小的Q 個網格，CCRN 中的任何SUE 都可以處于其中特定的網格內。假設K 個BS 在CCRN 中的F1上連續運行，同時在同一地理位置區域內，N 個PUT 在F2頻段上與PU 接收機通信。當SUE 通過F1頻段與第k 個BS 進行通信時，第q 個網格中的SUE 接收信號為：

在CCRN 中，PUT 的工作狀態可以標記為On 和Off兩種狀態，因此網絡中總共存在2N個PUT 聯合傳輸模式，將其表示為其中，m∈{0，1，…，2N-1}。則PUT 在第m 個傳輸模式下工作時，第q 個SUE 接收到的頻譜觀測信號表示如下：

其中，i 為第m 次感知操作的時間索引，PTX表示PUT 發射功率，代表第n 個PU 的第i 個傳輸信號代表均值為0、方差為的復加性高斯白噪聲；H0表示所有的PUT 處于空閑狀態，對應于JTM 中的S0模式；H1表示至少一個PUT 處于活躍轉狀態，對應于JTM 中的Sl，l∈{1，2，…，2N-1}。代表第n 個PUT 到第q 個SUE的信道增益，可表示為：

第q 個SUE 接收到的信號能量表示為：

其中，w 是LFB 帶寬，τ 是感知間隔。

由此得出，所有Q（O×P）個網格的能量值矩陣表示為：

2 PUT 聯合傳輸模式分類

建立無線指紋數據庫需要獲取一定時間段內的JTM信息，因此本文首先采用機器學習的方法對PUT 的聯合傳輸模式進行識別。依據式（5），在CCRN 中，經過大量的SUE 在長時間內收集的頻譜數據，可以得到PUT 聯合傳輸模式分類的訓練數據集{Y0，Y1，…，YK}以及對應的訓練標簽{C0，C1，…，CK}，將其用來訓練分類器。接下來是具體算法的分類器訓練過程。

2.1 基于K-means 聚類的分類算法

在本方案中，K-means 聚類算法將訓練集中的能量矩陣分為2N類，并且假定每個JTM 下都有K 個能量矩陣。與普通的K-means 聚類算法只對向量進行運算不同，本方案中將測試數據表示為O×P 的矩陣。假設聚類具有質心，由以下兩式可以得到測試數據屬于的PUT聯合傳輸模式：

其中，Λm（i，j）表示第（i，j）個元素索引的第m 個簇的質心。

2.2 基于HOG 和SVM 協同的分類算法

為了實現PUT 聯合傳輸模式分類，還可以考慮HOG和SVM 協同的方法[7-8]。在利用訓練集和訓練標簽完成監督方式的模型訓練之后，算法先根據輸入數據Yk獲得其HOG，然后使用一對多（One-Versus-All，OVA）分類的SVM，實現多分類的目的。

在獲取HOG 時，采用了大小為g×g 的數據處理單元。數據對梯度直方圖進行計算，首先將多個數據單元組成一個塊，然后對塊中的每個單元進行歸一化從而得到HOG 特征。在獲取HOG 特征后，采用SVM 對數據進行分類處理。在OVA-SVM 方法中，對J 類分類目標需要構造J 個SVM 二分類模型。具體的處理過程為：第j 個SVM二分類器對第j 類的數據進行區分，將其對應于lj類的數據的標簽設置為1，而不屬于lj類的數據的標簽設置為-1。

2.3 基于卷積神經網絡的分類算法

為了獲得更高的分類精度，本節考慮基于卷積神經網絡（CNN）的分類算法[9-10]。本節采用的CNN 由4 層組成，分別是兩個卷積層、池化層、全連接層。表1 給出了本節采用的CNN 算法的模型結構和過濾器大小的詳細信息。輸入為，輸出為一個對應的PUT 傳輸模式類別的標簽。

表1 CNN 分類算法的結構參數

卷積層和池化層作用是特征提取，是CNN模型的核心部分。第一個卷積層的輸出表示為：

其中，*表示卷積。類似地，第二層的輸出可以表示為：

通過池化層和全連接層后的輸出可以表示為：

其中，Wfu和bfu分別表示全連接層的權重和偏置，IF表示元素全為1 的F×1 階列向量，f 表示展平函數，pool 表示池化 層，σ1（·）為Softmax 激活函數。

3 無線指紋數據庫的建立

通過機器學習中的分類器完成PUT 聯合傳輸模式分類后，CCRN 中PUT 活躍狀態情況由此確定，接下來需要劃分地理區域，針對不同區域網格內的SUE 在不同PUT 傳輸模式下的授權頻譜接入性進行判斷，最后建立無線指紋數據庫。

3.1 面向網格的F2 頻段接入性預測

為了獲得更多的頻譜機會，同時嚴格限制對PUR 產生的干擾，根據PUT 的傳輸模式，將目標地理區域劃分為深色、淺色和白色區域[11-12]，如圖1 所示。深色區域是以活躍的PUT 為圓心、半徑為R1的PU 接收機分布區域，PUT 獨占此頻段，處于此區域的SUE 嚴格禁止接入頻段；淺色區域是以PUT 為圓心、內徑為R1、外徑為R2的環形區域，當SUE 處于灰色區域時，在預先設定的干擾限制下，機會性地接入頻段；白色區域是以PUT 為圓心、半徑為R2的圓外區域，SUE 可以自由地接入頻段。

圖1 基于地理區域的LFB 狀態識別

其中，||·||表示l0范數。Aq=1 表示嚴格禁止第q個網格內的SUE 接入授權頻段；Aq=0 表示第q 個網格內的SUE 接入F2頻段可能會對PU 產生干擾，需要通過其他方式進一步確定能否接入F2頻段；Aq=-1 表示第q 個網格內的SUE 距離PUT 足夠遠，可以自由接入F2頻段。Q個網格的頻譜決策可由此公式確定。

3.2 TOA 地理位置定位

假設已經預先建立好了無線指紋數據庫，其結構如表2 所示，其信息包括Q 個網格的指紋信息WFPq（q∈{1，2，…，Q}），每個指紋數據包括TOA 的估計值和與之相對應的第k 個基站ID 的組合、不同時刻的JTM 信息（JTMl，l∈{1，2，…，2N-1}），以及特定網格在特定時刻的JTM 下的授權頻譜可用標簽Labelql（q∈{1，2，…，Q}，l∈{1，2，…，L}）。工作原理為：SUE進入此CCRN區域，并且需要獲取所在位置的授權頻段接入性時，可以通過TOA 技術對其進行定位獲取無線指紋，與無線指紋數據庫中存儲的無線指紋信息匹配，從而快速做出頻譜決策。

表2 無線指紋數據庫結構

本文采用TOA 定位算法對SUE 進行定位[13]。基于等式（1）中的接收信號，第q 個SUE 利用頻段F1上本地生成的參考信號來尋找相關輸出的峰值作為TOA。信號相關性表示為：

由上述所知，第k 個基站基站參考信號到達第q 個SUE 的TOA 測量結果為：

其中，Fs是基站下行信號的抽樣頻率。

假設第q 個SUE 需要感知F2頻段，則它首先將其自身的TOA 指紋發送給無線指紋數據庫。TOA 指紋是TOA 的估計值和與之相對應的第k 個基站ID 的組合，例如，當第q 個SUE 的無線指紋與無線指紋數據庫中的第q*個無線指紋相匹配時，可以得出個SUE 位于第q*個網格內。公式表示如下：

4 仿真及分析

仿真假設目標地理區域中存在P=3 個PUT，即PUT的聯合傳輸模式有23=8 種，其位置分別設置為將CCRN 覆蓋的目標區域劃分為14 400 個大小為100 m×100 m 的網格。帶寬為5 MHz，感知間隔為100 μs，傳播路徑功率損失參數為4，衰落因子為6 dB。算法描述的參數，在HOG+SVM 中g=8，g=16；訓練集數量為1 840，測試集數量為18 400。在仿真中，考慮了SUE 在網格區域內分布的兩種情況，即均勻間隔分布和全網格分布，分別表示11.1%和100%網格內的SUE 用于頻譜觀測數據收集，具體的算法分類準確性如圖2、圖3 所示。

圖2 表示在CCRN 中SUE 均勻分布的情況下PUT聯合傳輸模式分類的準確性，由仿真圖可知，相比于傳統的高斯混合模型[14]和AdaBoost 算法[15]，本文采用的3種算法的分類準確性更好。圖3 表示收集了區域內所有SUE 的頻譜觀測數據的情況下分類算法的精度。仿真顯示，在高功率的情況下，CNN 和K-means 聚類算法能達到約100%的分類精度，CNN 的收斂速度是最快的。

圖2 均勻分布的SUE 收集的頻譜觀測值的JTM 分類算法的準確性

圖3 全部網格內SUE 收集的頻譜觀測數據的JTM 分類算法準確性

圖4 表示在不同JTM 下，傳統能量檢測方案與劃分地理區域的方案增加的授權頻譜接入網格的數量。由于傳統能量檢測頻譜感知方案當且僅當在檢測中將CCRN中的所有PUT 都確定為不活動時才使SUE 可以訪問LFB，這等同于JTM 為S0時，因此在2N個JTM 下存在大量頻譜機會浪費。與此相反的是，采用本文提出的劃分地理區域的方案，當CCRN 中的PUT 處于活動狀態時，SUE仍然有機會訪問F2頻段，從而提高了頻譜利用率。

圖4 不同JTM 下，增加的授權頻譜接入網格的數量

圖5 表示對有感知需求SUE 采用TOA 定位時的定位的準確性。仿真采用了4 個基站，基站坐標分別為仿真隨機選取了20 個SUE 在理想情況下來進行定位測試，仿真顯示TOA 定位算法在理想情況下具有較高的定位精度，定位誤差遠遠小于網格的大小，有助于SUE作出快速準確的頻譜決策。

圖5 基于TOA 定位算法進行SUE 定位的準確性

5 結論

本文提出了一種基于無線指紋數據庫的新型頻譜感知方案。仿真結果表明，在對PUT 聯合傳輸模式分類過程中，不同的機器學習分類算法能夠達到較高的精度，劃分地理區域的方法與傳統算法對比，該方法顯著增加了頻譜利用率；另外，TOA 定位算法對SUE 的定位也有著較高的精度，能很好地滿足SUE 的頻譜決策需求，達到即插即用的目的。但是，本文只考慮了當PUT位置已知情況下的頻譜感知問題，PUT 位置未知的情況還需要進一步研究。