基于CNN的STPA-BAA频谱叠加盲SIR分类框架-频谱共享与信干比盲估计

可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 9（2023）57www.elsevier.com/locate/icte基于CNN的STPA-BAA频谱叠加盲SIR分类框架Hiroaki Kobayashia，Shun Kojimab，Kazuki Marutac，Takatoshi Sugiyamad，Chang-JunAhnaa千叶大学研究生院理工学研究科，日本千叶263b宇都宫大学工学研究生院，日本，c东京工业大学超级智能社会学院，东京152-8552，日本d日本东京163- 8677工学院大学信息学院接收日期：2021年8月31日;接收日期：2021年11月11日;接受日期：2021年12月21日2021年12月28日网上发售摘要在多个无线通信系统之间的空间域中的频谱共享由于其耗尽而应当被解决。我们以前概念化的频谱叠加子载波发射功率分配（STPA）和盲自适应阵列（BAA），即使没有先验信息的干扰，可以抑制同信道干扰。然而，它需要输入信号干扰功率比（SIR）的知识，以实现完全盲操作。本文提出了一种信干比盲估计框架卷积神经网络（CNN）使用功率谱图像。仿真结果表明，该方案可以最大限度地提高吞吐量性能的SIR分类结果的基础上，97%的准确率。版权所有2021作者。由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：卷积神经网络;盲自适应阵列;子载波发射功率分配;频谱叠加1. 介绍由于对各种应用服务的需求，宽带传输已经成为移动通信的必要条件，不仅是智能手机，还有机器类型的通信。结果，频率资源短缺，特别是在微波频带中。因此，其在不同无线通信系统中的有效使用是一个重要的问题。在次系统覆盖在主系统的通信范围上的情况下，我们先前提出了通过子载波发射功率分配（STPA）和盲自适应阵列（BAA）实现的频谱叠加的概念[1]。BAA可以抑制干扰从主系统的STPA的知识从发射机。STPA在子载波之间提供高/低电平的功率密度，并在为BAA提供隐式信息以选择适当的算法来提取所需信号方面发挥作用。我们以前的研究表明，两对发射器/接收器*通讯作者。电子邮件地址：h-kobayashi@chiba-u.jp（H.Kobayashi），s.ieee.org（S.Kojima），kazuki. ieee.org（K. Maruta）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2021.12.009可以在一定水平的信号干扰功率比（SIR）条件下共存。通过室内实验验证了其基本可行性[2]，并提出了自适应子载波比特加载以扩展其工作区域[3]。在这种情况下，辅接收机应该根据输入SIR值自适应地切换BAA算法，并且其实现一直是要克服的实质性挑战。STPA参数也应该在发射机侧利用SIR进行优化。针对STPA中存在高低电平子载波的功率谱，其受干扰频谱可以直观地表示干扰功率的大小。本文利用其特点，提出了盲SIR估计，采用监督机器学习框架。利用功率谱图像训练卷积神经网络（CNN），分类后的SIR值作为输出，切换BAA算法进行干扰抑制和反馈以确定最佳STPA参数。所提出的方法可以实现完全盲操作，以最大限度地提高吞吐量性能的各种SIR条件。2405-9595/© 2021作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。H. 小林山小岛K.Maruta等人ICT Express 9（2023）5758∑1v=nF∑==·| |=∑1∈∈−j2πNc1.1. 相关工作有效利用频率资源的主要概念是在多个系统之间共享，称为认知无线电[4]。在不干扰现有主系统的约束下，次系统检测可用频率资源。最近的趋势之一是构建一个数据库[5]，该数据库记录具有区域测量点[6]的无线资源的统计使用情况，并且第二用户可以参考它来动态地访问临时可用的资源。分布式方法已经被讨论为授权辅助接入（LAA）[7]和对未授权频谱的新的基于无线电的接入（NR-U）[8]。它的目标是蜂窝系统和无线局域网在最初由后者驻留的未授权频带中的共存。由于这些系统要避免同信道系统间干扰，所以先听后说机制是必不可少的，它是基于时分原理的。我们提出的STPA是一个更积极的概念，可以实现在空间域的频谱叠加其关键挑战在于BAA的工作区域依赖于SIR条件，因此需要进行SIR估计。已经研究了一些基于盲的估计方案，其不需要参考信号。所接收的信号应该隐含地包含无线传播特性以及干扰。深度学习是提取这种特征的强大工具，现在正在积极开发各种方法。它的主要应用是调制Fig. 1. 系统模型和STPA-BAA概述。2. 预赛2.1. 系统模型图1示出了感兴趣的系统模型。基于多载波传输（例如OFDM）的次系统在相同的频率信道中覆盖在主系统上。具有Nc个离散傅里叶变换（DFT）点的基带等效OFDM调制传输信号可以在离散时域中表示为使用接收信号波形进行识别[9]。关注Nc−1中国skexpj2πknNc、（1）联合信噪比（SNR）和多普勒频移估计[10，11]。还使用IQ星座研究了盲SIR估计[12]。1.2. 贡献本文的核心思想是在不需要先验干扰源信息的情况下，对频谱重叠情况下不同无线通信系统间的同频干扰进行估计。在STPA-BAA方案中，正确的SIR估计对于选择合适的BAA算法和STPA参数是非常重要的。针对发射端功率密度控制的特点，提出了一种基于功率谱图像的信干比精确估计方法。本文的主要贡献是：i. 为了提供足够的分类精度的SIR所需的最佳BAA算法和STPA参数的选择。ii. 公开了能够最大化由所提出的方案提供的吞吐量性能的综合仿真结果。ck=0其中Sk是第k个子载波的数据符号 我们可以通过v =（v0，v1，. . . ，vn，. . . vNc −1）= F−1（s）在向量中形式，其中s（s0，s1，. . . ，s k，. . . ，s Nc−1）是频率-域符号向量，并且-1代表如（1）中所述的IDFT函数。准静态多径衰落信道表示为，L−1h（τ）=hlδ（t-τl），（ 2）l=0其中hl是复信道系数，δ表示狄拉克h1表示为h1 g1 ejφj，其中g1和φj分别表示第j个波的第l个这里，我们假设归一化路径增益，即E[gl2] 1其中E[ ]代表期望操作。然后，我们可以通过冲激响应的DFT获得频率响应Hk，其表示为，Nc−1Hk=NC（kl）最后的频分复用（OFDM），STPA-BAA方案，第3节示出了所提出的框架。仿真结果在第4节中给出，结论在第5节中给出。针对第k个子载波，定义了发送信号和接收信号之间的关系.令st[k]C1×Nd和xr[k]C1×Nd表示来自第t个发射机的信号矢量和第r个天线）论文的其余部分的结构如下。第2节给出了正交频分复用的系统和信道模型。hlexpl=0.（三）（H. 小林山小岛K.Maruta等人ICT Express 9（2023）5759∈∈∈⊙.... ..⎠⎟⎜⎝⎟⎠，它们可以经由信道矩阵H[k]∈CNr×Nt关联如下。X[k]=H[k]S[k]+N[k]，⑷⎛s1[k]表示s1，1，k 。. . s1，d，k 。. . s1，Nd，k⎞⎜ ⎟ ⎜ ⎟当所有子载波中的总SIR约为0dB时。此外，辅传输的STPA可以由于大量的低级子载波而减少对主接收机的干扰。同时，在干扰器可能发生显著变化的环境中，必须正确估计其功率值，以便正确确定STPA参数，S[k]=St[k]st，1，kst， d， kst，Nd，k=、（五）⎟以及相应的BAA算法。.sNt[k].. . ..sNt，1，k . . .sNt，d，k. . .sNt，Nd，k3. 建议：使用CNN和BAA算法切换的H[k]=0H1，1，k . . .H1，t，k 。. . H1，Nt，kH2，1，kH2，t，kH2，Nt，k...中国，（6）所提出的方案的框图如图所示。二、对于本研究中的频谱叠加方案好吧.. ...⎟⎠三种方法，CMA，PI和STPA-BAA，应该由于它们的不同操作，⎛x1[k]⎛x1，1，k . . .s1，d，k 。. . x1，Nd，k⎞地区 此外，STPA-BAA方案具有以下特点：- 是的好吧. . ..⎟其操作区域也根据X[k]=xr[k]xr，1，kxr， d， kxr，Nd，k=.（七）参数G和F如图 所 示。1 .一、重点提案本文的研究重点是对SIR进行预先估计好吧你好. . ..⎟⎠BAA算法以及STPA参数基于xNr[k]xNr，1，k . . . xNr，d，k . . . xNr，Nd，kSIR估计结果。在这里，监督机器学习这里，Nd是OFDM符号的数量。Nt和Nr分别表示发送器和接收天线元件的数量。N[k]CNr×Nd是加性高斯白噪声（AWGN）矩阵。然后通过CMA或PI准则导出BAA权重向量w[k]CNr×1阵列输入信号X[k]，以获得阵列输出y[k]C1×Nd，即y [k]= wH [k] X [k]。（八）如果对每个子载波选择合适的BAA算法，我们就可以得到所需的信号作为阵列输出。2.2. 子载波发射功率分配盲自适应阵列STPA-BAA的概念如图所示。1.一、次级发射机为子载波建立两种类型的功率密度;功率差为GdB的高电平和低电平，并且高电平子载波周期性地放置在F个低电平子载波中。设P表示STPA向量，其被应用于频域传输信号;（9）第一章：其中表示Hadamard乘积，即逐元素乘法。然后对总发射功率进行归一化，以便不超过指定的发射功率。 在接收器侧，应用两种BAA算法;用于高电平子载波的恒模算法（CMA）[13]和用于低电平子载波的功率反转（PI）[14]。这些算法的干扰抑制性能取决于接收信号的功率差。当SIR> 0dB时，CMA起抑制干扰的作用，当SIR为0dB时，PI起抑制干扰的作用.如果干扰信号到达位于高电平子载波和低电平子载波之间的电平，则两个BAA算法将能够适当地抑制干扰信号。对 整体而言，STPA-BAA实现了干扰抑制⎟HN r，1，k . . . HN r，t，k . . . HN r，Nt，k⎝⎜H. 小林山小岛K.Maruta等人ICT Express 9（2023）5760=-=−×采用聚焦于STPA的特征频谱形状，其包括高电平和低电平子载波。这里，CNN被用来估计SIR作为分类问题。将接收信号的功率谱密度（PSD）转换为RGB图像，以便CNN可以很好地提取特征[10]。参数优化过程总结如下。i. 二次发射机通过将极端参数设置为G来探测干扰情况 50和F 13个更容易通过CNN区分SIRii. 次级接收机从包含期望信号和干扰信号的接收频谱中估计SIR。iii. 估计结果反馈给发射机确定STPA参数（G，F），接收机为每个子载波选择BAA算法。iv. 次级发射器和接收器在抑制干扰的情况下进行通信。该方案被应用于二次系统。将包含干扰信号的接收信号的功率谱转换为具有256 × 256像素的图像。其在SIR10、 0、 10 dB时接收信号的频谱图像如图2所示。如图所示，可以直观地识别干扰的影响，并且预期SIR分类是可能的。这些流程在算法1的伪代码中示出。我们提出的方案可以通过引入强化学习的框架来处理任何新的数据。如果干扰被抑制并且利用某些STPA和BAA参数被成功接收，则系统接收它作为奖励并且可以被训练以采取进一步的适当动作。4. 计算机模拟4.1. 模拟参数传播信道采用15路径瑞利衰落，其中每个路径在天线之间不相关。一次系统和二次系统在同一频率共存H. 小林山小岛K.Maruta等人ICT Express 9（2023）5761×图二、给 出 了各种SIR下接收信号的框图和功率谱。频道它们基于OFDM方案并且具有一个/两个发射/接收天线。对64个FFT点中的52个数据子载波进行半速率卷积编码后，用STPA进行QPSK调制。传输帧由1个导频符号和128个数据符号组成，其中导频用于干扰抑制后的频域均衡。SNR固定设置为30 dB，表示干扰受限的情况。在这项研究中，我们研究了估计（分类）9级、11级和17级的精度。 它分别对应于4、3和2 dB的SIR间隔为网络在训练中，为上述SIR值中的每一个生成1000个图像，并且总图像的90%用于训练，剩余的10%用于验证。CNN由27层组成，包括卷积层、最大池化层和全连接层。特别地，第一个隐藏层是具有8个过滤器的卷积层，下一层是池大小为2的最大池化层。第二个隐藏层是具有16个过滤器的卷积层。 之后的下一层是一个最大池化层，2使用。在三个卷积层之后，使用一个全组合层和softmax激活函数。对于所有卷积层，滤波器大小为3 3，激活函数是整流线性单元（ReLU），并且使用批量归一化层来减轻过拟合效应。CNN训练在10个epoch中进行，批量大小为 128 ， 优 化 算 法 基 于 带 动 量 的 随 机 梯 度 下 降（SGDM）。运行环境是MATLAB®深度学习工具箱和NVIDIA® GeForce ®GTX 1050 Ti 4 GB GPU。4.2. 仿真结果图图3（a）示出了分别使用功率谱和IQ星座图像的每个SIR值的1000个图像的测试集的分类精度，其中使用了90图3.第三章。 模拟评估所提出的方法。用于培训，其余10%用于验证。准确性被定义为正确CNN输出的数量（得分最高的输出是正确答案）与正确CNN输出的数量之比。H. 小林山小岛K.Maruta等人ICT Express 9（2023）5762联系我们=++−←▷←+←←▷←||▷←▷算法1提出的STPA-BAA框架发送器：1：输入：STPA参数G、F频域发射信号2：输出：时域发射信号v3：初始化：G←50F←13d←0第四章： 而d N

下载后可阅读完整内容，剩余1页未读，立即下载