一种基于改进bp神经网络算法的动态信道接入方法
阅读说明：本技术 一种基于改进bp神经网络算法的动态信道接入方法 (Dynamic channel access method based on improved BP neural network algorithm ) 是由 彭艺 魏翔 于 2021-09-08 设计创作，主要内容包括：本发明涉及一种在认知无线电网络中基于改进BP神经网络算法的动态信道接入方法,属于无线通信技术领域。本发明通过获取信道中的频谱感知数据为数据集,来训练改进的BP神经网络算法,改进的BP神经网络算法将全反传式网络变为局部反传式网络,提高训练效率,之后再通过训练完成的BP神经来预测认知无线电中各个信道主用户接入的概率,对比预测结果得出可用的信道集合,为次级用户传输提供可用信道。本发明能有效提高认知无线电网络的通信性能、信道利用率和系统稳定性,并减少了主用户与次用户之间的接入冲突。(The invention relates to a dynamic channel access method based on an improved BP neural network algorithm in a cognitive radio network, belonging to the technical field of wireless communication. The invention trains an improved BP neural network algorithm by acquiring spectrum sensing data in a channel as a data set, the improved BP neural network algorithm changes a full back-transfer network into a local back-transfer network, the training efficiency is improved, then the probability of access of each channel main user in cognitive radio is predicted through the trained BP neural, an available channel set is obtained by comparing the prediction results, and an available channel is provided for transmission of secondary users. The invention can effectively improve the communication performance, the channel utilization rate and the system stability of the cognitive radio network and reduce the access conflict between the primary user and the secondary user.)
技术领域
本发明涉及一种在认知无线电网络中基于改进BP神经网络算法的动态信道接入方法，属于无线通信技术领域。
背景技术
伴随着移动通信技术的高速发展，频谱资源变得越来越紧张。尤其是随着无线局域网 (WLAN)技术、无线个人域网络(WPAN)技术的发展，越来越多的人通过这些技术以无线的方式接入互联网。各级各类用户对无线电频谱资源的需求与日俱增。但目前大部分国家主要还是采用独占授权的方式分配频谱资源，这导致可用的频谱资源越来越少。虽然这种分配方式具有很高的稳定性和可靠性，但是这也成为了部分频谱利用率不高和频谱资源供需出现矛盾的主要原因。
认知无线电技术的出现为解决无线频谱资源紧缺供求不足的现状提供了全新的思路。在认知无线电的通信中，次级用户(secondary user，SU)能够动态地使用主用户(primary user，PU)的空闲信道来传输自己的数据，将信道的空闲频段充分利用。当PU需要使用信道时，SU迅速切换到其它空闲的信道中，实现SU的动态信道接入，在尽量避免对PU的造成影响的前提下，动态地调整认知用户占用的频段、发射功率等参数，充分利用频率和时间等多个维度的频谱资源，实现无线信道的智能接入和空闲频谱资源的高效利用。SU 的动态接入需要通过频谱感知来完成，但频谱感知容易受多方面因素的影响，因此通过改进BP神经网络算法来预测PU的接入情况，为SU动态传输提供支持。
为了提高认知无线电网络的通信效率，改善PU与SU对信道的利用率，本发明将信道可用性的预测和SU的动态信道接入相结合。BP神经网络算法在通信的信道预测方面也发挥着重要的作用，结合神经网络算法实现的信道预测，相对于传统的频谱感知方法更高效。而信道的预测刚好为动态信道接入的选择提供了参考依据，通过信道预测的结果来选择可行性最优的信道集合，SU通过信道集合在认知无线电网络中传输数据来避免与PU的接入冲突。并且本发明提出的基于改进BP神经网络算法的动态信道接入方法，在传统的BP神经网络算法中加入协调器来提高神经网络的训练速率，根据预测误差的大小来进行局部阈值的调整，加快算法的训练速度。
发明内容
针对现有技术的不足，本发明提供了一种基于改机BP神经网络算法的动态信道接入方法，采用改进BP神经网络算法预测信道状态，具有提高信道利用率，降低网络损耗等优点，解决了频谱资源不足的问题。
为实现上述能够及时预测空闲信道，完成次级用户动态接入信道的目的，本发明提供如下技术方案：一种基于改进BP神经网络算法的动态信道接入方法，具体步骤如下：
Step1、在动态信道接入的系统模型中，假设有M个信道，每一个信道中存在一个独立的主用户，模拟主用户接入情况，主用户接入到达信道速率服从参数为λp的泊松分布，泊松分布数据流的等待时间服从负指数分布，每一个信道中主用户的速率和等待时间参数都随机产生；
Step2、获取M个信道中主用户接入产生的数据集，获取各个主用户在信道中接入时刻、传输时间、离开时刻和信道中的信噪比；
Step3、通过获取的数据集对已有的BP神经网络模型进行训练学习，具体的训练流程如下：
(1)初始化BP神经网络模型隐藏层权值wij、输出层取值wjk及对应的阈值以及误差设定值ε，设置循环次数R；
(2)输入样本数据即步骤Step2中获取的数据集；
(3)计算隐藏层的输出以及经过BP神经网络模型后的输出即预测值；
(4)计算BP神经网络模型误差代价函数E，将其和误差设定值ε进行比较，若E＜ε，即满足精度要求，则停止训练，若E≥ε，则分别修正隐藏层权值wij和输出层权值wjk，修正后继续进行循环训练直至训练完成；
Step4、利用完成训练的改进BP神经网络模型对M个信道进行预测，预测各个信道中主用户的接入概率和信道质量，将信噪比≥20dB和主用户接入概率为零的信道列入可用信道集合；
Step5、次级用户接入可用信道集合中的信道进行数据传输。
其中Step3的训练流程中，BP神经网络模型包括三层：输入层、隐藏层和输出层，其中输入层层数为m，隐藏层层数为n，输出层层数为l，在BP神经网络模型中增加一个协调器，根据预测误差协调BP神经网络模型的误差反传值；
Xi表示输入层的输入
ai＝Xi (1)
隐藏层的第j个节点的输入为
其中wij和θj分别表示隐藏层的权值和第j个节点的阈值，对应输出为
输出层第k个节点的输入为
其中wjk、θk分别为输出层的权值和第k个节点的阈值，对应输出为
整个BP神经网络系统误差代价函数为
其中p是输入样本数，yk是BP神经网络的预测值，ypk是需要预测的目标值；
输出层的误差信号的反传误差信号为
δk＝yk(1-yk)(ypk-yk) (7)
隐藏层的误差信号的误差反传信号为
隐藏层和输出层的权值修正式为
wij(k+1)＝wij(k)+ηjδjai+aj(wij(k)-wij(k-1)) (9)
wjk(k+1)＝wjk(k)+ηkδkaj+ak(wjk(k)-wjk(k-1)) (10)
其中，ηj表示隐藏层的梯度步长，ηk表示输出层的梯度步长，wij(k)表示此次样本训练时的隐藏层权值，wij(k-1)表示前一次样本训练时的隐藏层权值，wij(k+1)表示下一次样本训练时的隐藏层权值，wjk(k)表示此次样本训练时的输出层权值，wjk(k-1)表示前一次样本训练时的输出层权值，wjk(k+1)表示下一次样本训练时的输出层权值。
当所述误差代价函数E＞0.2时，分别根据公式(9)和公式(10)修正隐藏层权值wij和输出层权值wjk，当0.1＜E≤0.2时，根据公式(10)修正输出层权值wjk，当ε＜E≤ 0.1时，根据公式(9)修正隐藏层权值wij。
与现有技术相比，本发明提供了一种基于认知无线电的集中式协作频谱感知系统，具备的有益效果：本发明将动态信道接入与改进后的BP神经网络算法结合起来，通过改进 BP神经网络算法预测的高准确性和高效性来预测各个信道的可用性，为次级用户的动态传输提供可用的信道。本发明能够有效地避免PU与SU之间的冲突，极大地提高了信道利用率，为认知无线网络通信中的跳频通信提供有益的帮助。
附图说明
图1为本发明方法的流程示意图；
图2为改进BP神经网络层结构图；
图3为改进BP神经网络训练流程图；
图4为实施例1中单个信道中PU接入概率分布图与改进BP神经网络预测的情况；
图5为实施例1中改进BP神经网络学习过程中的预测均方误差；
图6为实施例1中单个SU接入多信道的跳频图案。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1-3所示：一种基于改进BP神经网络算法的动态信道接入方法，具体步骤如下：
Step1、在动态信道接入的系统模型中，假设有M个信道，每一个信道中存在一个独立的主用户，模拟主用户接入情况，主用户接入到达信道速率服从参数为λp的泊松分布，泊松分布数据流的等待时间服从负指数分布，每一个信道中主用户的速率和等待时间参数都随机产生；
Step2、获取M个信道中主用户接入产生的数据集，获取各个主用户在信道中接入时刻、传输时间、离开时刻和信道中的信噪比；
Step3、通过获取的数据集对已有的BP神经网络模型进行训练学习，具体的训练流程如下：
(1)初始化BP神经网络模型隐藏层权值wij、输出层取值wjk及对应的阈值以及误差设定值ε，设置循环次数R；
(2)输入样本数据即步骤Step2中获取的数据集；
(3)计算隐藏层的输出以及经过BP神经网络模型后的输出即预测值；
(4)计算BP神经网络模型误差代价函数E，将其和误差设定值ε进行比较，若E＜ε，即满足精度要求，则停止训练，若E≥ε，则分别修正隐藏层权值wij和输出层权值wjk，修正后继续进行循环训练直至训练完成；
Step4、利用完成训练的改进BP神经网络模型对M个信道进行预测，预测各个信道中主用户的接入概率和信道质量，将信噪比≥20dB和主用户接入概率为零的信道列入可用信道集合；
Step5、次级用户接入可用信道集合中的信道进行数据传输。
本实施例中基于Matlab搭建仿真平台，多信道模型设置信道数N为10，周期数M为10。每一个信道中有一个PU，10个信道中PU的接入信道的时间服从高斯分布，各个信道中高斯分布的位置参数μ和尺度参数σ通过MATLAB随机生成。
基于如下步骤对BP神经网络模型进行改进，如图3所示：BP神经网络模型包括三层：输入层、隐藏层和输出层，其中输入层层数为m，隐藏层层数为n，输出层层数为l，在 BP神经网络模型中增加一个协调器，根据预测误差协调BP神经网络模型的误差反传值；
Xi表示输入层的输入
ai＝Xi (1)
隐藏层的第j个节点的输入为
其中wij和θj分别表示隐藏层的权值和第j个节点的阈值，对应输出为
输出层第k个节点的输入为
其中wjk、θk分别为输出层的权值和第k个节点的阈值，对应输出为
整个BP神经网络系统误差代价函数为
其中p是输入样本数，yk是BP神经网络的预测值，ypk是需要预测的目标值；
输出层的误差信号的反传误差信号为
δk＝yk(1-yk)(ypk-yk) (7)
隐藏层的误差信号的误差反传信号为
隐藏层和输出层的权值修正式为
wij(k+1)＝wij(k)+ηjδjai+aj(wij(k)-wij(k-1)) (9)
wjk(k+1)＝wjk(k)+ηkδkaj+ak(wjk(k)-wjk(k-1)) (10)
其中，ηj表示隐藏层的梯度步长，ηk表示输出层的梯度步长，wij(k)表示此次样本训练时的隐藏层权值，wij(k-1)表示前一次样本训练时的隐藏层权值，wij(k+1)表示下一次样本训练时的隐藏层权值，wjk(k)表示此次样本训练时的输出层权值，wjk(k-1)表示前一次样本训练时的输出层权值，wjk(k+1)表示下一次样本训练时的输出层权值。
本实施例中，当所述误差代价函数E＞0.2时，分别根据公式(9)和公式(10)修正隐藏层权值wij和输出层权值wjk，当0.1＜E≤0.2时，根据公式(10)修正输出层权值wjk，当ε＜E≤0.1时，根据公式(9)修正隐藏层权值wij，其中ε根据需要进行设置。
改进BP神经网络对信道中PU预测的准确度能直接反映基于神经网络算法的动态信道接入方法的可靠性。本方法采用服从高斯分布的数据流来模拟主用户接入的情况，在其中加入高斯白噪声来模拟信道的实际情况。采用多信道模型来进行动态传输。图4是单个信道中PU接入概率分布图与改进BP神经网络预测的情况，图5是改进BP神经网络学习过程中的预测均方误差。可以看出本方法预测均方误差极小。
根据预测出的主用户分布的概率图，求出每一个信道的每一个周期的概率，再根据求出的概率找出每个周期中对应的最优信道，得出SU的跳频信道。图6是单个SU接入多信道的跳频图案，根据其完成跳频通信。
本领域的技术人员容易理解，以上实施例只为说明本发明的技术构思及特点，目的在于让相关技术人员能够了解本发明的内容并据以实施，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：异构立体分层网络中的控制方法、装置及通信系统