一種基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法
【專利摘要】本發(fā)明涉及一種基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，決策中心依次打開各個子區(qū)域內(nèi)的主用戶信號模擬發(fā)射機(jī)，決策中心接收來自認(rèn)知用戶的本地檢測結(jié)果，將接收的認(rèn)知用戶發(fā)送的本地檢測信息及統(tǒng)計(jì)和計(jì)算的認(rèn)知用戶的檢測概率信息，生成訓(xùn)練樣本集，根據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練樣本生成神經(jīng)網(wǎng)絡(luò)測試函數(shù)；基于神經(jīng)網(wǎng)絡(luò)測試函數(shù)和訓(xùn)練后生成的神經(jīng)元權(quán)值矩陣，運(yùn)用狼群優(yōu)化方法對權(quán)值矩陣進(jìn)行優(yōu)化處理，將優(yōu)化后的權(quán)值矩陣輸入神經(jīng)網(wǎng)絡(luò)工作模塊中；認(rèn)知用戶對主用戶信號進(jìn)行檢測，決策中心將接收到的認(rèn)知用戶的本地檢測結(jié)果與累計(jì)的認(rèn)知用戶檢測概率進(jìn)行融合，融合值輸入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)，判斷主用戶信號是否出現(xiàn)。
【專利說明】-種基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法。

【背景技術(shù)】
[0002] "認(rèn)知無線電"最早是由Jos印h Mitola于1999年提出，它以軟件無線電為擴(kuò)展平 臺，是一種新的智能無線通信技術(shù)。它能夠感知周圍的無線環(huán)境，通過對環(huán)境的理解、主動 學(xué)習(xí)來實(shí)時調(diào)整傳輸參數(shù)等以適應(yīng)外部無線環(huán)境的變化。頻譜感知技術(shù)是指認(rèn)知用戶通過 各種信號檢測和處理手段來獲取無線網(wǎng)絡(luò)中的頻譜使用信息。目前頻譜感知技術(shù)的研究大 多數(shù)集中在本地感知、協(xié)作感知和感知機(jī)制優(yōu)化三個方面。
[0003] 本地檢測的方法，目前主要有三種，第一種是匹配濾波器檢測，該方法檢測性能最 優(yōu)，檢測時間短，但是需要獲取主用戶信號的先驗(yàn)信息；第二種是循環(huán)平穩(wěn)特性檢測，該方 法可以區(qū)分信號類型、低信噪比環(huán)境下也有較好的檢測性能，但是計(jì)算復(fù)雜度較高檢測時 間較長；第三種方法就是能量檢測的方法，實(shí)現(xiàn)簡單、無需先驗(yàn)信息，受到廣泛的應(yīng)用，雖然 精度低、性能易受信噪比不確定性影響、不能辨別干擾，但是應(yīng)用在協(xié)作式頻譜感知方面， 作為認(rèn)知用戶的本地檢測方法，能夠很好的彌補(bǔ)這方面的問題。
[0004] 協(xié)作頻譜感知的融合算法，經(jīng)典的有'與'融合，'或'融合以及'K秩'融合等算法， 用在協(xié)作頻譜感知算法上都有非常明顯的缺陷，如，'與'融合對認(rèn)知用戶的本地檢測有過 高的要求，'或'融合高虛警概率等，并且都不夠智能，沒有自主學(xué)習(xí)能力。
[0005] 人工神經(jīng)網(wǎng)絡(luò)作為一門活躍的邊緣性交叉學(xué)科，眾多方面有著十分廣泛的應(yīng)用。 人工神經(jīng)網(wǎng)絡(luò)是由多個簡單（通常是自適應(yīng)的）單元及其層次化組織所構(gòu)成的大規(guī)模并行 互聯(lián)的網(wǎng)絡(luò)，它以類似于生物神經(jīng)系統(tǒng)的方式與真實(shí)世界中的對象進(jìn)行交互。通過在線學(xué) 習(xí)的方法來積累主用戶信號的先驗(yàn)信息，在某個噪聲波動范圍內(nèi)進(jìn)行學(xué)習(xí)和訓(xùn)練以克服噪 聲不確定性的影響，使認(rèn)知用戶能夠快速地，準(zhǔn)確地感知"頻譜空穴"（即判斷主用戶是否存 在），伺機(jī)的接入頻譜，達(dá)到提高頻譜利用率的目的。一般將神經(jīng)網(wǎng)絡(luò)分為五類，單層前向網(wǎng) 絡(luò)、多層前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、隨機(jī)神經(jīng)網(wǎng)絡(luò)以及競爭神經(jīng)網(wǎng)絡(luò)。而其中采用誤差反向傳播 算法（Back-Propagation algorithm，BP算法）和反饋網(wǎng)絡(luò)中的Hopfield神經(jīng)網(wǎng)絡(luò)已經(jīng)被 廣泛應(yīng)用于多種學(xué)科中，而自組織神經(jīng)網(wǎng)絡(luò)作為競爭神經(jīng)網(wǎng)絡(luò)的一種，相對于這些神經(jīng)網(wǎng) 絡(luò)來說，更加的智能化，可以自主學(xué)習(xí)，可以將輸出結(jié)果劃分種類區(qū)域等，擁有其他神經(jīng)網(wǎng) 絡(luò)不可比擬的優(yōu)勢。
[0006] 狼群優(yōu)化方法是在分析狼群的協(xié)作捕獵活動特點(diǎn)的基礎(chǔ)上提出一種新的群體智 能算法。該算法將人工狼群分為頭狼、探狼和猛狼三種，其中頭狼是以勝者為王的方式選出 來的，探狼在一定范圍內(nèi)游走并尋找獵物，猛狼在頭狼發(fā)出召喚時，向召喚發(fā)出方向進(jìn)行奔 襲并發(fā)起圍攻。
[0007] 與本發(fā)明最相關(guān)的現(xiàn)有技術(shù)為，在2012年1月北京郵電大學(xué)的柳青在碩士學(xué)位論 文《基于競爭神經(jīng)網(wǎng)絡(luò)的的認(rèn)知無線電協(xié)作頻譜感知》中，提出了一種基于自組織神經(jīng)網(wǎng)絡(luò) 的頻譜感知方法，該方法檢測的虛警概率為〇,在低信噪比環(huán)境下，依然具有一定的感知正 確概率，但是該正確概率并不高。


【發(fā)明內(nèi)容】

[0008] 本發(fā)明目的在于提供一種基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，具有更優(yōu) 化的性能，能夠有效提高感知正確概率。
[0009] 實(shí)現(xiàn)本發(fā)明目的技術(shù)方案：
[0010] 一種基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，其特征在于：
[0011] 步驟1 :神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段；決策中心依次打開各個子區(qū)域內(nèi)的主用戶信號模擬 發(fā)射機(jī)，決策中心接收來自認(rèn)知用戶的本地檢測結(jié)果，將接收的認(rèn)知用戶發(fā)送的本地檢測 信息及統(tǒng)計(jì)和計(jì)算的認(rèn)知用戶的檢測概率信息，生成訓(xùn)練樣本集，將訓(xùn)練樣本輸入神經(jīng)網(wǎng) 絡(luò)訓(xùn)練模塊中進(jìn)行訓(xùn)練；訓(xùn)練結(jié)束后，根據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練樣本生成神經(jīng)網(wǎng)絡(luò)測試函 數(shù)；
[0012] 步驟2 :神經(jīng)網(wǎng)絡(luò)優(yōu)化階段；基于神經(jīng)網(wǎng)絡(luò)測試函數(shù)和訓(xùn)練后生成的神經(jīng)元權(quán)值 矩陣，運(yùn)用狼群優(yōu)化方法在神經(jīng)網(wǎng)絡(luò)優(yōu)化模塊中對權(quán)值矩陣進(jìn)行優(yōu)化處理，將優(yōu)化后的權(quán) 值矩陣輸入神經(jīng)網(wǎng)絡(luò)工作模塊中；
[0013] 步驟3 :神經(jīng)網(wǎng)絡(luò)工作階段；認(rèn)知用戶對主用戶信號進(jìn)行檢測，將本地檢測結(jié)果發(fā) 往決策中心，決策中心將接收到的認(rèn)知用戶的本地檢測結(jié)果與累計(jì)的認(rèn)知用戶檢測概率進(jìn) 行融合，融合值輸入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)，判斷主用戶信號是否出現(xiàn)，并將檢測結(jié)果發(fā)送給各 認(rèn)知用戶。
[0014] 認(rèn)知用戶頻譜感知區(qū)域劃分方法為，選定一塊方形區(qū)域，均分成若干塊子區(qū)域并 編號，在同一時間內(nèi)每塊子區(qū)域內(nèi)只存在一個認(rèn)知用戶。
[0015] 神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)分為輸入神經(jīng)元與輸出神經(jīng)元兩層，輸入神經(jīng)元個數(shù)與子區(qū)域 數(shù)量相等，輸出神經(jīng)元個數(shù)表示主用戶出現(xiàn)情況。
[0016] 認(rèn)知用戶采用能量檢測方法對主用戶信號進(jìn)行檢測；設(shè)置在環(huán)境中無主用戶信 號存在時的能量大小為能量檢測的檢測門限，當(dāng)認(rèn)知用戶檢測到的信號能量高于檢測門限 時，判定主用戶存在，記為1，反之主用戶不存在，記為0。
[0017] 步驟1中，決策中心依次向各個子區(qū)域的主用戶信號模擬發(fā)射機(jī)，發(fā)送打開關(guān)閉 命令，在同一時間段內(nèi)有且只有一個信號發(fā)射機(jī)工作，并接受若干次所有認(rèn)知用戶發(fā)送的 本地檢測結(jié)果，決策中心判斷并累計(jì)計(jì)算各認(rèn)知用戶的本地檢測概率。
[0018] 步驟1、步驟2中所說的神經(jīng)網(wǎng)絡(luò)測試函數(shù)，其輸入為神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣，輸出為 頻譜感知檢測正確概率。
[0019] 步驟2中，具體包括以下步驟，
[0020] 步驟2. 1 :確定神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣的定義域，該權(quán)值矩陣內(nèi)元素的最小值到最大 值所形成的區(qū)間，為該自組織神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣的定義域；
[0021] 步驟2. 2 :狼群的衍生，以當(dāng)前神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的得到的權(quán)值矩陣W表征一只人工 狼的位置，并設(shè)為頭狼；將生成的狼群分為兩部分，第一部分在頭狼周圍生成％只位置分 別戈

【權(quán)利要求】
1. 一種基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，其特征在于： 步驟1 :神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段；決策中心依次打開各個子區(qū)域內(nèi)的主用戶信號模擬發(fā)射 機(jī)，決策中心接收來自認(rèn)知用戶的本地檢測結(jié)果，將接收的認(rèn)知用戶發(fā)送的本地檢測信息 及統(tǒng)計(jì)和計(jì)算的認(rèn)知用戶的檢測概率信息，生成訓(xùn)練樣本集，將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)訓(xùn) 練模塊中進(jìn)行訓(xùn)練；訓(xùn)練結(jié)束后，根據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練樣本生成神經(jīng)網(wǎng)絡(luò)測試函數(shù)； 步驟2 :神經(jīng)網(wǎng)絡(luò)優(yōu)化階段；基于神經(jīng)網(wǎng)絡(luò)測試函數(shù)和訓(xùn)練后生成的神經(jīng)元權(quán)值矩陣， 運(yùn)用狼群優(yōu)化方法在神經(jīng)網(wǎng)絡(luò)優(yōu)化模塊中對權(quán)值矩陣進(jìn)行優(yōu)化處理，將優(yōu)化后的權(quán)值矩陣 輸入神經(jīng)網(wǎng)絡(luò)工作模塊中； 步驟3 :神經(jīng)網(wǎng)絡(luò)工作階段；認(rèn)知用戶對主用戶信號進(jìn)行檢測，將本地檢測結(jié)果發(fā)往決 策中心，決策中心將接收到的認(rèn)知用戶的本地檢測結(jié)果與累計(jì)的認(rèn)知用戶檢測概率進(jìn)行融 合，融合值輸入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)，判斷主用戶信號是否出現(xiàn)，并將檢測結(jié)果發(fā)送給各認(rèn)知 用戶。
2. 根據(jù)權(quán)利要求1所述的基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，其特征在于： 認(rèn)知用戶頻譜感知區(qū)域劃分方法為，選定一塊方形區(qū)域，均分成若干塊子區(qū)域并編號，在同 一時間內(nèi)每塊子區(qū)域內(nèi)只存在一個認(rèn)知用戶。
3. 根據(jù)權(quán)利要求2所述的基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，其特征在于： 神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)分為輸入神經(jīng)元與輸出神經(jīng)元兩層，輸入神經(jīng)元個數(shù)與子區(qū)域數(shù)量相 等，輸出神經(jīng)元個數(shù)表示主用戶出現(xiàn)情況。
4. 根據(jù)權(quán)利要求3所述的基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，其特征在于： 認(rèn)知用戶采用能量檢測方法對主用戶信號進(jìn)行檢測；設(shè)置在環(huán)境中無主用戶信號存在時的 能量大小為能量檢測的檢測門限，當(dāng)認(rèn)知用戶檢測到的信號能量高于檢測門限時，判定主 用戶存在，記為1，反之主用戶不存在，記為0。
5. 根據(jù)權(quán)利要求4所述的基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，其特征在于： 步驟1中，決策中心依次向各個子區(qū)域的主用戶信號模擬發(fā)射機(jī)，發(fā)送打開關(guān)閉命令，在同 一時間段內(nèi)有且只有一個信號發(fā)射機(jī)工作，并接受若干次所有認(rèn)知用戶發(fā)送的本地檢測結(jié) 果，決策中心判斷并累計(jì)計(jì)算各認(rèn)知用戶的本地檢測概率。
6. 根據(jù)權(quán)利要求5所述的基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，其特征在于： 步驟1、步驟2中所說的神經(jīng)網(wǎng)絡(luò)測試函數(shù)，其輸入為神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣，輸出為頻譜感知 檢測正確概率。
7. 根據(jù)權(quán)利要求6所述的基于狼群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)頻譜感知方法，其特征在于： 步驟2中，具體包括以下步驟， 步驟2. 1 :確定神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣的定義域，該權(quán)值矩陣內(nèi)元素的最小值到最大值所 形成的區(qū)間，為該自組織神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣的定義域； 步驟2. 2 :狼群的衍生，以當(dāng)前神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的得到的權(quán)值矩陣W表征一只人工狼 的位置，并設(shè)為頭狼；將生成的狼群分為兩部分，第一部分在頭狼周圍生成％只位置分別 為
i勺人工狼，并另Di = W，其中％是一個各項(xiàng)大小為權(quán)值矩陣W內(nèi)最大值的 ±0. 01倍之間的隨機(jī)數(shù)所組成的LXM階矩陣，其中h = 1，2,;第二部分在一定范圍 內(nèi)隨機(jī)生成V2只位置分別為&的人工狼，其中％為各項(xiàng)大小在定義域內(nèi)的隨機(jī)數(shù)所組成 的LXM階矩陣，12 = 1，2, "·，ν2，將D和F共同組成權(quán)值矩陣集合H，代表所有人工狼的位 置，人工狼總數(shù)為V = Vi+V2; 步驟2. 3 :分別將上述V組權(quán)值矩陣輸入神經(jīng)網(wǎng)絡(luò)測試函數(shù)，并記錄函數(shù)的輸出結(jié)果， 將其定義為人工狼所感知的獵物氣味濃度C，輸出結(jié)果越大，C越大。選出C最大的人工狼 作為頭狼，將頭狼所代表的權(quán)值矩陣置換到氏位置； 步驟2. 4 :游走行為；從狼群中選出Tnum只探狼，其中Tnum為[VAa+l)，VAa)]間的隨 機(jī)整數(shù)，a為探狼比例因各探狼以步長StepY= |maXj-minj|S,朝h個方向，以V g(j)= Q(j)+sin(2 π Xg/h) XStepY(j)方式分別探出一步，其中Q(j)和Q' g(j)分別表示某只探 狼在進(jìn)行g(shù)方向上的游走前后所代表的權(quán)值矩陣的第j列，ma\_(minp表示該狼所代表的 權(quán)值矩陣的第j列的最大值（最小值），S為步長因子，g= 1，2, ···，!!；同時感知各個方向 上的獵物氣味濃度，選擇濃度最濃的方向前進(jìn)一步；若所有方向的獵物氣味濃度，均小于當(dāng) 前位置，則保持原地不動；在游走過程中應(yīng)確保每只人工狼所代表的權(quán)值矩陣中每個元素 的數(shù)值的大小均在定義域內(nèi)。若有某只探狼感知的獵物氣味濃度C t大于頭狼所感知的濃 度Clead時或者達(dá)到最大游走次數(shù)Tmax時，游走結(jié)束，進(jìn)入步驟2. 5 ; 步驟2. 5 :召喚行為；除頭狼與探狼之外均為猛狼，各猛狼以StepB = 2X ImaXj-mirijlS 為步長，以 Zk+1(j) =Zk(j)+St印B(j) · = 方式向頭狼所在方向 進(jìn)行奔襲，其中Zk(j)表示某只猛狼在進(jìn)行第k次奔襲時所代表的權(quán)值矩陣的第j列；在奔 襲過程中通過不斷計(jì)算每只猛狼與頭狼之間的距I
，并不斷與判定 距離
進(jìn)行比較，
時，該猛狼停止奔襲，其中$ 和E分別表示頭狼與各猛狼所代表的權(quán)值矩陣，f為距離判定因子；在奔襲過程中每只猛狼 不斷感知獵物氣味濃度，若有某只猛狼感知?dú)馕稘舛菴m高于頭狼感知?dú)馕稘舛菴lead，該猛 狼成為頭狼，重新發(fā)起召喚，所有猛狼改為向該狼進(jìn)行奔襲；在奔襲過程中同樣確保每個權(quán) 值矩陣中每個元素的數(shù)值的大小定義域內(nèi)，當(dāng)所有猛狼停止奔襲或達(dá)到最大奔襲次數(shù)T maxl 時，進(jìn)入步驟2.6 ; 步驟2.6 :圍攻行為；所有猛狼及探狼，以Stepw = |maXj-minjk(2XS)為步長，以 〇' (j) =〇(j) + A ?Skpjj) ?iHjjO-CKj) |方式進(jìn)行圍攻并感知獵物氣味濃度，其中0(j) 和(V (j)分別表示某只人工狼在進(jìn)行圍攻前后所代表的權(quán)值矩陣的第j列，λ為[-1，1] 間均勻分布的隨機(jī)數(shù)；若當(dāng)前位置濃度更高，則保持原權(quán)值矩陣不變，反之更新人工狼所代 表的權(quán)值矩陣。在圍攻過程中同樣應(yīng)確保每個權(quán)值矩陣中每個元素的數(shù)值的大小定義域 內(nèi)；所有人工狼重新感知獵物氣味濃度，并按感知的濃度大小進(jìn)行排序，感知濃度最高的設(shè) 為頭狼，排名靠后的G_只人工狼被淘汰并更新，其中G num為[VA2 X β )，VA β )]間的隨機(jī) 整數(shù)，β為更新比例因子，判斷頭狼所感知的獵物氣味濃度是否達(dá)到最優(yōu)精度要求，即其所 代表的權(quán)值矩陣是否達(dá)到最優(yōu)，或者達(dá)到最大迭代次數(shù)K max，進(jìn)入步驟2. 7 ; 步驟2. 7 :頭狼所代表的權(quán)值矩陣即為當(dāng)前最優(yōu)權(quán)值矩陣，將該權(quán)值矩陣輸入神經(jīng)網(wǎng) 絡(luò)工作模塊，神經(jīng)網(wǎng)絡(luò)進(jìn)入工作期。
【文檔編號】H04W16/14GK104092503SQ201410334044
【公開日】2014年10月8日 申請日期:2014年7月15日 優(yōu)先權(quán)日:2014年7月15日
【發(fā)明者】刁鳴, 錢榮鑫, 高洪元, 張志強(qiáng), 張帆 申請人:哈爾濱工程大學(xué)