基于深度學習的無線通信頻譜感知優化方法

賈怡婧，李真真

（漯河職業技術學院，河南 漯河 462000）

0 引 言

隨著無線通信技術的迅猛發展，頻譜資源的有效利用成為優化網絡性能的重要課題之一[1-3]。頻譜感知作為一種關鍵的技術手段，可以實時監測和分析周圍無線環境，使通信系統能夠動態適應不斷變化的無線信道條件，從而提高系統的效率和可靠性[4-5]。然而，傳統的頻譜感知方法在應對復雜和動態的通信環境時面臨一系列挑戰，包括感知精度不足、實時性差等，限制了網絡性能的進一步提升[6-7]。為克服這些挑戰，文章提出一種基于深度學習的無線通信頻譜感知優化方法，旨在提高網絡性能和頻譜利用效率。深度學習作為一種強大的模型學習技術，通過對大量數據的學習和訓練，能夠有效挖掘復雜的非線性關系，從而更精準地進行頻譜感知[8-9]。在該框架中，頻譜感知被賦予核心地位，并通過引入長短時記憶網絡（Long Short Term Memory，LSTM）進行深度學習模型的構建，以實現對動態無線環境的高效感知，提高網絡性能[10-11]。

1 針對頻譜感知的網絡性能優化框架

基于LSTM 的無線通信頻譜感知優化方法的核心思想在于利用LSTM 網絡有效建模頻譜信息，實現對時序變化的動態感知，從而更精準地適應復雜的通信環境。

具體而言，該方法采集周圍無線環境的頻譜信息，形成時序數據序列。將這些時序數據引入LSTM網絡進行訓練，使網絡能夠學習到頻譜變化的內在規律和復雜的非線性關系。LSTM 網絡以其優秀的記憶性能，能夠捕捉時序數據中的長期依賴關系，適用于頻譜感知這一需要考慮歷史信息的場景。完成訓練后，文章設計方法通過LSTM 網絡預測實時采集的頻譜信息，得到當前時刻的頻譜狀態。這一預測結果被用于調整通信系統的參數和資源分配，以優化網絡性能。通過LSTM 網絡的學習和預測，該方法能夠更加準確地把握頻譜變化的趨勢，從而實現對通信系統的智能優化。

基于LSTM 的無線通信頻譜感知的網絡性能優化方法如圖1 所示，主要是時序頻譜數據的采集、LSTM 模型的訓練、實時預測、頻譜狀態的輸出以及網絡性能的優化過程。整個框架通過LSTM 網絡實現對頻譜信息的智能感知和網絡性能的實時優化。

圖1 基于LSTM 的頻譜感知的網絡性能優化方法

2 基于LSTM 的頻譜感知方法研究

2.1 長短期記憶網絡

LSTM 是一種循環神經網絡（Recurrent Neural Network，RNN）的變體，旨在克服傳統RNN 在處理長序列時容易出現梯度消失或梯度爆炸問題的不足。LSTM 的核心結構包括記憶單元和門控單元，其中記憶單元負責儲存并傳遞信息，而門控單元則負責控制信息的輸入、輸出和遺忘?？紤]一個時刻t：xt為輸入向量，表示當前時刻的輸入信息；ht為隱藏狀態，表示當前時刻的網絡狀態；ct為記憶單元的狀態，負責長期儲存信息。LSTM 的基本單元如圖2 所示。

圖2 LSTM 的基本單元

遺忘門通過Sigmoid 激活函數來決定前一時刻的記憶單元狀態中哪些信息應該被遺忘，輸入門通過Sigmoid 激活函數來決定當前時刻的哪些輸入信息應該更新到記憶單元中。記憶單元狀態負責長期儲存信息，通過綜合遺忘門和輸入門的信息得到更新。輸出門通過Sigmoid 激活函數和雙曲正切激活函數來決定當前時刻的隱藏狀態和輸出值。

2.2 基于LSTM 的頻譜分析方法

本研究考慮一個時序序列X={x1,x2,…,xT}，其中xt表示時刻t的頻譜信息?；贚STM 的頻譜分析方法具體步驟如下。

首先，對于時刻t的輸入xt，定義輸入門的輸出it和記憶單元狀態為

式中：σ表示Sigmoid 激活函數；tanh 表示雙曲正切激活函數；Wi和Wc分別表示相應的權重矩陣；bi和bc是偏置項。

定義遺忘門的輸出ft為

遺忘門的輸出用于決定前一時刻的記憶狀態中哪些信息需要被遺忘。該過程的數學表達式為

式中：ct表示時刻t的記憶單元狀態；ct-1表示前一時刻的記憶單元狀態。最后，定義輸出門的輸出ot和當前時刻的隱藏狀態ht為

輸出門的輸出ot用于決定當前時刻隱藏狀態ht中哪些信息需要輸出。該過程結合了 Sigmoid 和雙曲正切激活函數，通過調節記憶單元狀態ct，得到最終的隱藏狀態。

在基于LSTM 進行頻譜時序建模和分析后，網絡優化主要通過LSTM 的輸出來調整通信系統的參數和資源分配，以提高網絡性能，具體步驟如下。

第一，LSTM 輸出的利用。LSTM 網絡的輸出包括隱藏狀態ht，該狀態攜帶了對時序頻譜數據的建模信息，可以被視為對當前時刻頻譜狀態的抽象表示。本研究利用這一表示來進行網絡優化。

第二，網絡參數調整。將LSTM 的輸出與通信系統的參數關聯，如調整調制方式、信道編碼率等，以更好地適應當前時刻的頻譜環境。這樣的調整能夠使通信系統更加靈活地響應不同頻譜條件下的變化，提高系統的健壯性。

第三，資源分配優化?；贚STM 輸出的頻譜建模結果，可以智能分配通信資源。例如，動態調整功率分配、子載波分配等資源配置策略，最大限度地利用當前時刻的頻譜資源，提高通信系統的效率。

第四，實時優化決策。由于LSTM 網絡能夠實時感知動態無線環境，其輸出能夠用于實時的決策。根據LSTM 輸出，通信系統可以及時做出優化決策，以適應頻繁變化的頻譜條件，提高通信系統的實時性和適應性。

LSTM 網絡建模與分析輸出與網絡優化的關系如圖3 所示，包括參數調整、資源分配和實時決策。這一流程使通信系統能夠根據時序的頻譜信息動態調整其運行狀態，從而提高網絡性能。

圖3 LSTM 網絡建模與分析輸出與網絡優化

3 結果與分析

為測試基于LSTM 的無線通信頻譜感知優化方法的有效性，本研究在開放區域測量了無線通信頻譜制作數據集，包含在不同頻段和環境條件下的頻譜測量信息。該數據集覆蓋多種通信場景，包括城市、農村、室內以及室外環境，涉及不同信號類型和強度。數據集的多樣性有助于驗證模型在各種頻譜條件下的性能。實驗過程如下：首先，清理和預處理數據，包括去除異常值、標準化處理等，以確保輸入數據的質量和一致性；其次，將數據集的60%和40%分別劃分為訓練集和測試集，用于模型的訓練和性能評估；再次，使用劃分的訓練集訓練基于LSTM 的頻譜感知模型，調整網絡結構、超參數，以最大限度地適應數據集的特征；最后，使用測試集評估模型在實驗數據上的性能，記錄模型在不同頻譜條件下的感知精度和實時性。實驗結果如表1 所示。

表1 實驗結果

從表1 的實驗結果可以看出，在不同的頻譜條件下，模型的感知精度變化不大，較為一致，這表明基于LSTM 的無線通信頻譜感知方法對于不同環境的頻譜變化具有較好的泛化能力，并且模型在實時性能方面表現良好，響應時間在可接受的范圍內。通過在城市、農村、室內和室外等不同場景的測試，模型在各種環境中都能取得較好的性能。這證明了該方法在應對復雜的頻譜條件和通信場景時的健壯性較好。由此表明，基于LSTM 的無線通信頻譜感知優化方法在不同頻譜條件下的性能較優，為無線通信系統的性能優化提供了可行的解決途徑。

4 結 論

文章通過深度學習建模，精準分析了無線通信頻譜時序數據，為通信系統的智能優化提供了有效手段。然而仍需要進一步探討改進LSTM 網絡結構、優化參數調整方法，并在實際通信系統中進行更為全面的驗證。未來的研究方向包括引入更復雜的神經網絡結構、探索多模態信息融合的方法以及深入挖掘在5G 及以后通信標準中的應用。