宋文佳 何昊軒 鐘天宇 邢文博

摘 要：為了提升無人機機群間的通信頻譜利用效率，認知無線電技術被應用在無人機機群中。由于傳統(tǒng)頻譜感知算法易受到噪聲干擾、受通信時延干擾、需要累積信號長，無法適應無人機機群間通信，本文提出了一種基于長短期記憶神經(jīng)網(wǎng)絡（LSTM）的雙門限無人機機群頻譜感知算法。首先利用所有次級用戶對頻譜信號進行感知收集，隨后將所有次級用戶信號傳入無人機融合節(jié)點，最后利用長短期記憶（LSTM）神經(jīng)網(wǎng)絡進行感知判斷。在仿真實驗條件下與傳統(tǒng)單門限能量協(xié)作算法、雙門限能量協(xié)作算法比較，仿真結果表明在不同信噪比和虛警概率下，所提方法的檢測性能均優(yōu)于傳統(tǒng)算法。

關鍵詞：頻譜感知;長短期記憶神經(jīng)網(wǎng)絡;動量隨機梯度下降算法

1 背景介紹

無人機憑借著其成本低廉、操作便捷、應用場景廣泛等優(yōu)勢，得到越來越多用戶的青睞，并且逐步運用到軍事和民用領域。單架無人機往往難以滿足適應復雜的場景的要求，例如山區(qū)地圖測繪、災后救援等，后來無人機機群極大地提高了使用效率，并且可以滿足更多高難度任務要求。在這些場景下，機群內(nèi)的靈活高效的通信成為保證無人機機群的運行安全，以及信息共享和作業(yè)的協(xié)同的前提條件。然而近年來隨著無線通信技術的不斷發(fā)展，頻譜作為一種不可再生的珍稀資源也變得越來越緊缺，頻譜復用成了通信中的必要技術。因此如何實現(xiàn)無人機機群協(xié)作通信頻譜感知，從而實現(xiàn)無人機機群頻譜復用的問題急需解決。

傳統(tǒng)頻譜感知方法分為單點感知［1］和協(xié)作感知［23］。單節(jié)點頻譜感知技術僅采用一個感知單元對頻譜進行感知，因此易受多種噪聲因素影響，如多徑衰落、陰影衰落、噪聲不確定度等。為了減少位置和噪聲對感知結果的影響的不確定性，協(xié)作頻譜感知利用多個不同位置的感知端點結果進行融合判斷，因此可以有效提升檢測性能降低虛警概率。然而，傳統(tǒng)多點協(xié)作感知方法需要在融合中心長時間積累信號，并要求各個端點將采集的信號全部回傳到融合中心，需要消耗大量時間和無線通信頻帶資源，無法適應無人機機群間通信。

本文提出了一種基于長短期記憶神經(jīng)網(wǎng)絡（LSTM）的無人機機群頻譜感知算法。首先將所有次級用戶的信號進行收集進行初步感知，并將收集信號傳入無人機融合節(jié)點，隨后利用長短期記憶（LSTM）神經(jīng)網(wǎng)絡進行感知判斷。在仿真實驗條件下與傳統(tǒng)單門限能量協(xié)作算法、雙門限能量協(xié)作算法比較，仿真結果表明在不同信噪比和虛警概率下，所提方法的檢測性能均優(yōu)于傳統(tǒng)算法。本文所提算法成本低、復雜度小，是解決無人機機群協(xié)作問題的可行辦法，其應用前景廣闊，對無人機通信具有重要意義。

2 模型建立

假設無人機機群組成的通信網(wǎng)絡可由1個主用戶（PU）、M個次級用戶（SU）以及1個數(shù)據(jù)融合中心（Fusion Center，F(xiàn)C）組成。傳統(tǒng)的頻譜感知檢測算法的二元假設模型可表示如下：

y（t）=n（t），H0s（t）h（t）+n（t），H1（1）

其中y（t）表示一個次用戶在感知時刻為t時接收到的信號，h（t）為t時刻的主用戶信號，n（t）是高斯白噪聲信號，均值為0，方差為σ2n。H0表示未感知到主用戶信號，H1表示主用戶接入了頻譜。由于n（t）是高斯白噪聲信號，認為s（t）和n（t）相互獨立。

在傳統(tǒng)能量感知算法（Energy Detection，ED）中，檢測統(tǒng)計量T（y）可表示為：

T（y）=∑N-1n=0y（n）2（2）

其中，N為采樣點數(shù)。當給定判決門限λ時，統(tǒng)計量T（y）大于門限λ時，即可認為感知到主用戶；反之，則認為沒有感知到信號。對于雙門限算法，即給定兩個門限λ1、λ2，且λ1<λ2，大于門限λ2時即可認為感知到主用戶，小于門限λ1時，認為沒有感知到主用戶。

傳統(tǒng)的神經(jīng)網(wǎng)絡算法在處理時間序列時，無法處理前后相關性的問題，即前一時間段的輸入無法對后一時間段的結果造成影響。因此Fernando J.Pineda等人針對此類問題設計循環(huán)神經(jīng)網(wǎng)絡（RNN）。RNN網(wǎng)絡將不同時間的估計狀態(tài)進行儲存，在每個時間點輸出做出估計的時候用戶需考慮儲存的所有歷史狀態(tài)，因此可以解決歷史狀態(tài)對輸出估計的影響。但是RNN網(wǎng)絡為儲存歷史狀態(tài)需要大量的內(nèi)存，并且同時計算所有歷史狀態(tài)計算量繁重。為了解決RNN內(nèi)存消耗大、計算量大等問題，Hochreiter S在1997年提出了LSTM網(wǎng)絡。LSTM在RNN的結構基礎上，重新設計了神經(jīng)網(wǎng)絡的隱藏層單元，具體結構如圖1所示。

圖1中，LSTM網(wǎng)絡的隱藏層單元共有三個信息控制單元，以保留有用信息并去除無用信息，分別為輸入門i（t）、遺忘門f（t）、輸出門o（t），表達式為：

i（t）=σWiy（t）y（t）+Wih（t）h（t-1）+bi（t）f（t）=σWfy（t）y（t）+Wfh（t）h（t-1）+bf（t）o（t）=σWoy（t）y（t）+Woh（t）h（t-1）+bo（t） （3）

其中，W（t）為針對門、遺忘門、輸出門等不同門單元的權重系數(shù)矩陣，針對門的類型在W（t）函數(shù)角標表示；b（t）為針對門、遺忘門、輸出門等不同門單元的偏置矩陣，針對門的類型在b（t）函數(shù)角標表示；σ為sigmoid函數(shù)，tanh為雙曲正切函數(shù)。狀態(tài)信息C（t）、隱藏層輸出h（t）和網(wǎng)絡輸出L（t）可表達為：

C（t）=f（t）C（t-1）+?? i（t）tanhWcy（t）y（t）+Wch（t）h（t-1）+bc（t）h（t）=o（t）tanh（C（t））L（t）=WLh（t）h（t）+by（t）（4）

對于無人機機群所有次級用戶SU的感知數(shù)據(jù)集Y可表示為：

Y（t）=Y1（t）Y2（t）YM（t）=Y1（1）Y1（2）…Y1（kbatchsize）Y2（1）Y2（2）…Y2（kbatchsize）YM（1）YM（2）…YM（kbatchsize）（5）

其中，kbatchsize為每次序列送入網(wǎng)絡訓練的分塊長度，本文將所有次級用戶SU的感知數(shù)據(jù)集Y分為M個長度為kbatchsize的數(shù)據(jù)塊，再將Y（t）=［Y1（t），Y2（t），…YM（t）］T與其對應的信道狀態(tài)L（t）=［L1（t），L2（t），…LM（t）］T作為目標輸出集，投入網(wǎng)絡進行訓練，其輸出目標僅有兩個狀態(tài)：“0”表示未感知到主用戶信號和“1”表示感知到主用戶信號。

對于LSTM神經(jīng)網(wǎng)絡的參數(shù)更新，采用隨機梯度更新。為了防止網(wǎng)絡過擬合，使用了權重衰減方法，并采用正確實現(xiàn)權重衰減的AdamW算法作為優(yōu)化器，其中權重衰減因子為0.002。

3 仿真實驗及結果分析

為了對LSTM模型進行訓練和測試，我們利用Matlab分別在-20dB到10dB信噪比（步長為3dB）下生成包含主用戶和不包含主用戶的信號。每個信噪比下生成信號為20000條，包含和不包含主用戶的信號條數(shù)各為10000。所有數(shù)據(jù)按比例8∶1∶1分為訓練集、驗證集和測試集。信號采用OFDM編碼格式編碼，載波頻率在遵循WiFi協(xié)議規(guī)定范圍內(nèi)隨機設定。每條數(shù)據(jù)持續(xù)時間為0.1ms，仿真帶寬為500MHz，采樣率為1GHz。主用戶通信帶寬為10MHz，載波頻率在100MHz到400MHz范圍內(nèi)隨機設定，圖2展示為10條數(shù)據(jù)拼接一起的時頻譜圖，其中橫坐標軸為頻率（GHz），縱坐標為時間（μs）。

LSTM為三層結構網(wǎng)絡，網(wǎng)絡輸入層設為12，隱藏單元為26個，輸出端口為1。在網(wǎng)絡訓練過程中，Batchsize設為64，最大迭代次數(shù)為100，初始學習率設為0.001。隨后，本文根據(jù)無人機機群通信主用戶信號檢測的需求，統(tǒng)計兩個參數(shù)，即主用戶的檢測概率和檢測的虛警率。實驗在采用GPU訓練，型號為NVIDIA 2080Ti。同樣的測試數(shù)據(jù)同時利用傳統(tǒng)能量檢測算法［4］和雙門限能量檢測算法［5］進行測試，并將結果對比。

在不同信噪比下，虛警概率設為5%的條件下，單門限ED算法、雙門限ED算法及本文提出的基于LSTM的算法的檢測概率性能比較如圖3所示。從圖3可知，在信噪比為-20dB的環(huán)境中，單門限ED算法的檢測概率僅為約2%；而雙門限ED算法的檢測概率提升到了約為41%，雖然有較大的提升，但仍無法滿足實際應用需求。而LSTM算法在-20dB的條件下，檢測概率達到約70%。在信噪比20dB到5dB的檢測概率均大幅優(yōu)于傳統(tǒng)檢測方法，能夠很好提高系統(tǒng)實際使用效果。

在不同信噪比，并且檢測概率設為80%的條件下，單門限ED算法、雙門限ED算法及本文提出的基于LSTM的算法的檢測虛警概率性能比較如圖4所示。從圖4可知，在信噪比為-20dB的環(huán)境中，單門限ED算法的檢測虛警概率約為41%；而雙門限ED算法的檢測虛警概率優(yōu)化為約32%，虛警率有較大的下降。而LSTM算法在信噪比-20dB的條件下，檢測虛警概率降為約22%。雖然在-20dB到0dB的檢測虛警概率均仍處于較高水平，但均優(yōu)于傳統(tǒng)檢測方法，證明LSTM方法在低信噪比條件下，能夠很好降低系統(tǒng)對主用戶信號的檢測虛警概率，降低系統(tǒng)的錯誤率。

4 總結

本文提高無人機機群通信中頻譜的感知效率，本文提出了一種基于長短期記憶神經(jīng)網(wǎng)絡（LSTM）的雙門限無人機機群頻譜感知算法。首先利用所有次級用戶對頻譜信號進行感知收集，隨后將所有次級用戶信號傳入無人機融合節(jié)點，隨后利用LSTM神經(jīng)網(wǎng)絡進行感知判斷。通過分別在-20dB到10dB（步長3dB）不同信噪比的條件下進行仿真實驗條件，并與傳統(tǒng)單門限能量協(xié)作算法、雙門限能量協(xié)作算法比較，仿真結果表明在不同信噪比和虛警概率下，所提LSTM方法的檢測性能和虛警率性能均優(yōu)于傳統(tǒng)算法。證明LSTM方法能夠提高無人機機群通信中頻譜的感知效率，提升通信網(wǎng)絡工作質(zhì)量，對無人機機群的實際應用有實際效果。

參考文獻：

［1］薛楠.如何破解無人機大發(fā)展時代頻譜短缺之憂？［J］.上海信息化，2015（11）：1619.

［2］文凱，姜賴贏.一種基于噪聲方差估計的自適應多門限能量檢測算法［J］.南京郵電大學學報（自然科學版），2017，37（3）：6872.

［3］LIU Xin，GUAN Mingxiang，ZHANG Xueyan，et al.Spectrum sensing optimization in an UAVbased cognitive radio［J］.IEEE access，2018（6）：4400244009.

［4］YUCEKT，ARSLAN H.A survey of spectrum sensing algorithms for cognitive radio applications［J］.IEEE Communications Surveys & Tutorials，2009，11（1）：116130.

［5］張亮，馮景瑜，盧光躍.協(xié)作頻譜感知中的可信雙門限硬判決融合算法［J］.信號處理，2014，30（2）：181188.

項目：中國民航大學大學生創(chuàng)新創(chuàng)業(yè)計劃培優(yōu)項目（202210059127）

作者簡介：宋文佳（2001— ），女，漢族，河北邯鄲人，中國民航大學大四在讀，主要從事航空電子信號處理研究;何昊軒（2001— ），男，漢族，湖北隨州人，中國民航大學大四在讀，主要從事無人機路徑規(guī)劃研究；鐘天宇（2001— ），男，漢族，浙江紹興人，中國民航大學大四在讀，主要從事航空電子研究；邢文博（2002— ），女，漢族，山東威海人，中國民航大學大三在讀，主要從事雷達信號處理研究。