《電子技術應用》
您所在的位置：首頁 > 通信與網(wǎng)絡 > 設計應用 > 基于多頭自注意力機制的協(xié)作頻譜感知算法
基于多頭自注意力機制的協(xié)作頻譜感知算法
電子技術應用 11期
李濤1，張煜培1，趙知勁1，2
（1.杭州電子科技大學 通信工程學院，浙江 杭州 310018； 2.中國電子科技集團第36研究所通信系統(tǒng)信息控制技術國家級重點實驗室，浙江 嘉興 314001）
摘要： 針對協(xié)作頻譜感知中部分用戶受到陰影、衰落等影響導致在低信噪比環(huán)境下對微弱信號的感知性能急劇降低及部分聚類模型沒有充分利用能量向量的問題，提出一種基于多頭自注意力機制的協(xié)作頻譜感知算法。各次用戶獨立采樣數(shù)據(jù)，融合中心收集各次用戶的能量數(shù)值并構(gòu)成能量向量作為自注意力網(wǎng)絡的輸入；設計基于多頭自注意力機制的網(wǎng)絡模型，利用該網(wǎng)絡自動學習信號和噪聲的能量向量特征，有效提取局部特征，實現(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)于對比算法，在信噪比為-14 dB、虛警概率為0.001時，該算法檢測概率高于對比算法0.29~0.4。
中圖分類號：TN925
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.234080
引用格式： 李濤，張煜培，趙知勁. 基于多頭自注意力機制的協(xié)作頻譜感知算法[J]. 電子技術應用，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，隨著多媒體、大數(shù)據(jù)、物聯(lián)網(wǎng)等科學技術的快速發(fā)展，無線通信技術的應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爭激烈已演變成為無線頻譜資源利用的主要問題之一，而解決這一問題的思路是盡量提高現(xiàn)有的頻譜利用率。為此，認知無線電技術[1]應運而生。認知無線電技術能夠動態(tài)地利用暫時空閑的頻譜資源，在不對主用戶(PU）造成干擾的前提下實現(xiàn)與次用戶(CU)地頻譜共享，有效提高頻譜利用率。頻譜感知技術[2]是認知無線電的關鍵一步，其主要目的是在復雜的無線通信環(huán)境中準確、快速地檢測出主用戶信號是否存在。目前頻譜感知的研究主要分為單個次用戶頻譜感知技術和多個次用戶協(xié)作頻譜感知技術。相對于單個次用戶頻譜感知，協(xié)作頻譜感知技術可以充分利用次用戶感知環(huán)境的多樣性，避免單用戶由于多徑衰落和陰影效應造成的誤差，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)作頻譜感知的關鍵所在，融合準則可以分為硬判決[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的判決結(jié)果，常見的融合準則有“與”準則、“或”準則和“K”秩準則[5]。硬判決的優(yōu)點是實現(xiàn)簡單，傳輸開銷較小，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，因此其檢測性能一般。軟判決融合中，本地次用戶直接將檢測數(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”等準則判決主用戶存在與否。由于檢測數(shù)據(jù)中包含了大量信息，因此檢測性能優(yōu)于硬判決融合方法。但是這些軟融合方式?jīng)]有充分利用各個次用戶檢測數(shù)據(jù)的信息，檢測性能有待提高。

機器學習具有強大的特征提取和學習能力，已在各個領域得到應用。已有學者研究了利用機器學習進行協(xié)作頻譜感知的相關算法[6-11]，該類算法無需理論推導準確的檢測門限，且對不同噪聲環(huán)境的適應度高。文獻[6]將頻譜感知問題轉(zhuǎn)化為圖像二分類問題,利用各次用戶傳輸?shù)饺诤现行牡恼幌嘁奇I控(QPSK)信號，計算協(xié)方差矩陣，并進行歸一化灰度處理,作為深度卷積神經(jīng)網(wǎng)絡的輸入。文獻[7]利用各次用戶傳輸?shù)饺诤现行牡腎Q信號，經(jīng)過IQ分解與重建提取信號特征，使用K-Medoids聚類算法對特征進行分類，提高了在協(xié)作次用戶較少情況下的感知性能。文獻[8]首先利用各次用戶傳輸?shù)饺诤现行牡腎Q信號分別按照順序拆分和間隔拆分為兩組新的信號序列，然后根據(jù)各次用戶接收的都是同一主用戶信號，利用它們之間是否具有相關性，用以判斷主用戶信號是否存在，因此將次用戶之間的相關系數(shù)作為提取的信號特征向量，使用K-Means聚類算法對特征進行分類，提高了協(xié)作感知性能。文獻[9]結(jié)合文獻[8]的IQ信號拆分重組得到兩個協(xié)方差矩陣，通過計算重組得到的協(xié)方差矩陣到黎曼均值的測地線距離，作為信號的統(tǒng)計特征，結(jié)合Fuzzy C-Means聚類算法提高了協(xié)作頻譜感知的性能。但文獻[6]-[9]方法都需要較大的傳輸開銷。文獻[10]將各次用戶得到的能量傳輸?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練K-Means++聚類分類器，最后利用訓練好的聚類分類器感知主用戶信號存在與否。文獻[11]將各次用戶得到的能量傳輸?shù)饺诤现行慕M成能量向量，然后融合中心對能量向量進行數(shù)據(jù)處理變換為概率向量，并利用K-Mediods和模糊支持向量機算法進行訓練和分類，有效降低了算法的訓練時間與分類延遲。

但是文獻[10]-[11]算法沒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題，各個協(xié)作用戶的感知結(jié)果可信度不一致。對此，本文提出一種基于多頭自注意力機制的深度學習頻譜感知方法。多頭自注意力機制[12-13]是一類模擬人腦關注機制的算法，它可以實現(xiàn)將不同可信度的協(xié)作用戶賦予不同的權(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得到的能量組成能量向量，針對各次用戶接收的信號能量與噪聲能量存在的明顯差異問題，設計了多頭自注意力網(wǎng)絡結(jié)構(gòu)，用于提取能量向量的特征，從而抽取更加重要和關鍵的能量特征信息，并進行特征分類做出最終決策，進一步提高了協(xié)作頻譜感知的檢測性能。


文章詳細內(nèi)容下載請點擊：基于多頭自注意力機制的協(xié)作頻譜感知算法AET-電子技術應用-最豐富的電子設計資源平臺 (chinaaet.com)


【作者信息】

李濤1，張煜培1，趙知勁1，2

（1.杭州電子科技大學 通信工程學院，浙江 杭州 310018；

2.中國電子科技集團第36研究所通信系統(tǒng)信息控制技術國家級重點實驗室，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。