基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知.pdf
《基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知.pdf》由会员分享,可在线阅读,更多相关《基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知.pdf(9页珍藏版)》请在咨信网上搜索。
1、Test(in Chinese).Chinese Journal of SSpace Science,2023,43(3):567-575.D0I:10.11728/cjsjss2023.03.2022-0017YANGKai,HUHANGXin.Spectrum Sensing for Combined GEO and LEO Satellites Based on Bi-LSTM and Bayesian Likelihood Ratio0254-6124/2023/43(3)-0567-09Chin.J.SpaceSci.空间科学学报基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫
2、星组合频谱感知*1,22杨凯胡圣波张欣11(贵州大学大数据与信息工程学院贵阳550025)2(贵州师范大学智能信息处理研究所贵阳550001)摘要目前的频谱感知算法以模型驱动为主,其感知性能过于依赖预定的统计模型,这使得其在信道环境复杂的卫星通信场景中的部署变得困难。对LEO卫星过境期间的信噪比波动情况进行分析,结果显示信噪比的波动达到14dB。针对该复杂场景提出了一种基于双向长短期记忆网络及贝叶斯似然比检验联合的频谱感知算法。该算法不需要任何主信号的先验知识,可自动从主信号中学习隐藏特征并做出决策。基于Neyman-Pearson准则,在神经网络输出端设计了一种基于阈值的检测方案,可方便地控
3、制恒定的虚警概率。仿真结果表明,所提算法在信噪比为-14dB的情况下,仍能达到8 3%的检测性能,且始终优于卷积神经网络、多层感知机和基于模型驱动的能量检测算法。关键词同认知卫星通信,频谱感知,深度学习,LSTM,贝叶斯似然比检验中图分类号TN927Spectrum Sensing for Combined GEO andLEO Satellites Based on Bi-LSTM and BayesianLikelihood Ratio TestYANG Kail.2HU ShengboZHANG Xini1(School of Big Data and Information Engin
4、eering,Guizhou University,Guiyang 550025)2(Intelligent Information Processing Research Institute,Guizhou Normal University,Guiyang 550001)AbstractWith LEO mega satellite constellations coming into operation,the available spectrum re-sources are more crowded.To improve spectrum utilization,the cognit
5、ive satellite communication net-work composed of GEO relay satellites and LEO satellites has become one of the important candidate*国家自然科学基金项目(6 156 10 0 9)和贵州省教育厅项目(KY2017031,K Y 2 0 2 0 0 0 7)共同资助2022-05-05收到原稿,2 0 2 2-11-2 9 收到修定稿E-mail:The Author(s)2023.This is an open access article under the CC
6、-BY 4.0 License(https:/creativecommons.org/licenses/by/4.0/)2023,43(3)568Chin.J.SpaceSci空间科学学报technologies to solve the above problem.In this scenario,LEO satellites are permitted to access the au-thorized spectrum of the GEO satellites through spectrum sensing technology.To avoid interferencesfrom
7、secondary users,spectrum sensing,which is used to quickly determine the presence or absence ofprimary users,is the most critical step in the scenario of cognitive satellite communication.Since mostcurrent spectrum sensing algorithms are model-driven,they rely heavily on the predetermined statistical
8、model for their detection performance,which makes it more difficult to be modeled and deployed insatellite communication scenarios with complex channel environments.In this paper,we first analyze thefluctuation of the Signal-to-Noise Ratio(SNR)at the LEO satellites receiving end with the satellite-t
9、o-ground link loss model.The results show that the SNRs fluctuation reaches 14 dB during satellite tran-sit.Secondly,in this complex channel environment,a spectrum sensing algorithm combining a Bidirec-tional Long Short-Term Memory(Bi-LSTM)network and a Bayesian likelihood ratio test is proposed.The
10、 algorithm can automatically learn hidden features from the primary user signals and make final de-cisions without requiring any prior knowledge of the primary user signals.Additionally,according to theNeyman-Pearson criterion,we design a threshold-based detection mechanism at the output of the Bi-L
11、STM network,which can conveniently control the false alarm probability.Finally,the simulation re-sults show that even with an SNR of-14 dB,the proposed algorithm achieves an excellent detection per-formance of 83%and always outperforms convolutional neural networks,multilayer perceptrons,andmodel-dr
12、iven energy detection algorithms.Key words Cognitive satellite communications,Spectrum sensing,Deep learning,LSTM,Bayesian likelihood ratio test0引言为实现低时延的全球覆盖,基于立方体卫星的LEO巨型卫星星座,即由多个轨道平面和数百颗小卫星组成的卫星系统,已成为B5G和6 G的一项重要候选技术叫随着大量LEO卫星星座投人运营,可用的频谱资源变得更加拥挤。为了提高频谱利用率,认知卫星通信(Cognitive Satellite Communication
13、)技术2 已成为重要的候选技术之一。在认知卫星通信领域,最为关键的问题是如何在特定空间和特定频段内快速检测主用户(PrimaryUser)的存在。为避免对主用户的通信造成干扰,次用户(SecondaryUser)只有在主用户不存在的情况下,才能接入当前频段进行通信。频谱感知(Spectrum Sensing)作为认知卫星通信的第一步,可用于解决上述问题。目前大多数的频谱感知技术均基于模型驱动,其检测性能很大程度上依赖于预定的统计模型,这将加大在实际环境中建模部署的难度。当下较为流行的频谱感知算法包括能量检测、匹配滤波检测、循环平稳检测和特征值检测等。其中匹配滤波器和循环平稳检测均需要主用户的先
14、验知识,这对于卫星通信场景是难以获取的,特征值检测虽不需要相应的先验知识,但其计算复杂度高而难以部署。能量检测算法简单、易于部署,常被用于卫星频谱感知场景,然而当信噪比(Signal-to-Noise Ratio,SNR)低于检测下限后,其性能会急剧下降,甚至无法工作。随着基于数据驱动的信号处理技术的迅速发展5,深度学习(Deep Learning)技术在未来无线网络的背景下得到工业界和学术界的广泛关注6。认知卫星通信的主要优势在于其认知能力,即无线电环境中的自我学习能力,此特性类似于深度学习,因此深度学习技术被广泛用于认知网络场景7。此外,其不需要任何数据的先验知识,可从数据中挖掘隐藏的特征
15、,并对这些特征进行分类,且能取得优异的效果8。近年来有相关研究将深度学习用于认知卫星通信领域,其将频谱感知处理为信号的分类问题,文献9 提出了基于机器学习的协作频谱感知方法,虽然取得了569杨凯等:基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知良好的感知性能,但是当噪声功率较大时,非常影响其鲁棒性。文献10 提出了基于人工神经网络的频谱感知方法,将信号能量和循环平稳特征作为输入特征,然后通过大规模的数据进行训练,但是人工神经网络容易出现过拟合问题,过拟合问题将直接影响测试数据的感知结果。文献11 将卷积神经网络(Con-volutional Neural Network,
16、C NN)应用于认识无线电,利用信号的波形图作为输入,进行一系列卷积操作,提取波形图隐层特征并进行分类。但是这需要大量的信号波形图CNN对进行训练,数据集的采集过程过于繁杂。无线频谱数据是一种时间序列数据12,序列中存在特有的时间相关特性。长短期记忆网络(LongShort-term Memory Network,LSTM)作为循环神经网络(Recurrent Neural Network,RNN)的一个改进模型,继承了RNN处理时间序列的强大能力,在学习顺序数据13 中的时间依赖关系方面表现优异,同时还解决了RNN处理长序列时梯度消失和梯度爆炸的问题。与传统LSTM不同,双向长短期记忆网络(
17、Bi-di-rectional Long Short-term Memory Network,Bi-LSTM)可以从过去(向后)和未来(向前)的状态中获取序列的时间相关性等特征信息14,Bi-LSTM对于长时间序列的特征提取更具优势。在本文所考虑的认知卫星通信场景中,用于全天候和全时段遥测、跟踪和命令的GEO中继卫星作为主用户,LEO卫星作为次用户与主用户共享频谱。基于此场景,设计了一个基于Bi-LSTM及贝叶斯似然比检验联合的频谱感知算法,该算法依赖于线下训练和线上检测两个阶段。首先,次用户接收到来自主用户卫星地面站的频谱信息数据,经预处理后发送给频谱感知模型,完成线下训练目标。其次,由于频
18、谱感知中漏检问题比虚警问题更为严峻15,因此为了能够在给定的虚警概率(ProbabilityofFalseAlarm,Pr)下去最大化检测概率(DetectionProbability,Pp),在Neyman-Pearson准则的启发下,以贝叶斯似然比(BayesianLikelihood Ratio,BLR)作为测试统计量,在Bi-LSTM的输出端设计了一种基于阈值的检测机制,该阈值主要由噪声样本的统计量及给定Pr决定;在训练完成的Bi-LSTM模型的输出端,结合该检测机制对线上接收的频谱信息数据进行频谱感知。实验结果表明,即使是在SNR为-14dB的信道环境下,所提算法仍能达到8 3%以上
19、的PD,且始终优于卷积神经网络、多层感知机(Multi-layerPerceptron,MLP)和传统能量检测算法(EnergyDetection,ED),表现出较强的检测能力。1系统建模及问题建模GEO中继卫星和LEO卫星组成的认知卫星通信场景如图1所示。工作在Ka波段的GEO中继卫星作为主用户,轨道高度为550 km的LEO卫星作为次用户,主用户的波束覆盖范围内包含多个GEO地面站(GEOEarthStation,G ES)和LEO地面站(LEOEarthStation,LES)。次用户卫星天线的覆盖范围与主用户卫星的波束重叠,当主用户卫星与GES进行通信时,如果次用户卫星接人当前频段进行
20、Link of GESto GEOGEOOffline training andLinkofGEStoLEORelay satelliteonlinedetection(PU)(ss:ModelOfflineLEOTrainingBi-LSTMlabeledGEOSatellite(SU),datasetset(Y,Z)trainingGet detectionLEOSelectings.leoOnlinesamples underWell-trainedthreshold amodeloRe+HieounlabeledHdatasetTest sampleGEO EarthLEO Earth
21、ymstationheHm)R。stationTBi-LSTM(ym)入图1认知卫星通信场景及所提的频谱感知模型Fig.1Scenario of cognitive satellite communications and the proposed spectrum sensing model5702023,43(3)Chin.J.SpaceSci.空间科学学报通信,将对主用户卫星的通信造成严重干扰。此外,在当前认知卫星通信场景中,下行链路为单颗主用户卫星向GES发送信息,而上行链路则是单个GES向主用户卫星发送信息,这里假设主用户卫星波束覆盖范围内的次用户卫星均可以接收到来自主用户卫星或者G
22、ES的频谱信息数据。本文所提频谱感知算法主要面向单颗主用户卫星与GES通信的频谱信息数据,因此两种链路情况均适用。本文主要针对上行链路场景展开分析。由于当前LEO卫星具有较强的算力16,所提频谱感知模型将被部署于LEO卫星,对来自GES的信息数据进行决策,如果不存在正在与主用户进行通信的GES,则当前波束覆盖范围内的LES在当前频段可与次用户进行通信。基于此,频谱感知问题可被定义为如下二元假设检验问题17.w(n):Ho,y(n)=(1)hs(n)+w(n):Hi.其中,y(n)为次用户接收到的信号数据,s(n)为GES发送给主用户的信号样本,w(n)表示服从圆对称复高斯分布的噪声样本,其均值
23、为0,方差为%,h为信道增益18,可表示为如下对数阴影模型:PC2Ag+AchQt1010(2)TleoPtges4元fdges.lecges式中,Gtes为GES发送天线增益,Gie为次用户接收天线增益,Pie.为次用户的接收功率,Ptes为GES的发射功率,dgesleo表示GES与次用户之间的距离,c为光速,f表示工作频率。A.和A分别表示在上行链路中大气吸收和云雾衰减的传播因素18。因此,次用户接收信号数据的信噪比(SNR,S/N)可表示为Pt2Ag+AcYrleoCS/N=gesges1010(3)k:TieoB4元fdges.lo其中,k=1.380610-23JK-1为玻尔兹曼常
24、数,B为信道带宽,Tie为次用户接收机的噪声温度。图1表明LEO卫星沿轨道高速飞行过程中dgesleo的变化遵循先变小后变大的规律,dgesleo可表示为/R2 sin +2Hleo Re+H-Re sin.(4)其中,Re为地球半径,Hie为次用户的轨道高度,表示次用户与GES之间的仰角。由式(4)可见,当=0和=90时,dges.le分别达到最小值和最大值。此外,当工作频率f、噪声温度Tie.不变时,SNR波动主要受到dges.leo影响。如图2 所示,LEO卫星过境期20-2-4-6-8-10-12,-14020406080100120140160180/()图2信噪比随仰角波动曲线Fi
25、g.2Curve of SNR fluctuation with elevation 间SNR的波动达到近14dB。虽然在当前SNR波动范围下,LEO卫星可进行正常的通信状态18,但是为能够准确检测主用户的状态,一个鲁棒的频谱感知方案是必要的。2基于Bi-LSTM的频谱感知方案2.1线下训练及测试统计量的设计在线下训练过程中,由于所提的Bi-LSTM算法仅适合处理实数类型的数据,首先需要将次用户接收到的复信号数据的实部与虚部分离,并组合为N2的信号样本,可表示为Ym=R(ym(0),I(ym(0);R(ym(1),I(ym(1);.R(ym(N),I(ym(N);m=1,2,M.(5)其中,R
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Bi LSTM 贝叶斯似然 检验 GEO LEO 卫星 组合 频谱 感知
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。