[發明專利]基于深度學習分類的頻譜感知方法及裝置

在審

• 申請號: 202010974518.0
• 申請日: 2020-09-16
• 公開（公告）號: CN112101460A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 鄭仕鏈;周華吉;楊小牛
• 申請（專利權）人: 中國電子科技集團公司第三十六研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京天達知識產權代理事務所(普通合伙) 11386
• 代理人: 張通

1.一種基于深度學習分類的頻譜感知方法，其特征在于，包括如下步驟：

獲取信號的樣本數據；所述樣本數據包括信號采樣序列、信號功率譜和小波向量；

構造卷積神經網絡，并基于所述樣本數據對卷積神經網絡進行網絡訓練，得到所述卷積神經網絡對應的最優網絡結構；

將待檢測信號數據輸入所述卷積神經網絡對應的最優網絡結構，得到待檢測信號數據對應的置信度，并基于所述置信度得到頻譜感知結果。

2.根據權利要求1所述的基于深度學習分類的頻譜感知方法，其特征在于，所述樣本數據中的信號采樣序列為歸一化信號采樣序列；獲取樣本數據包括如下步驟：

對初始信號進行采樣及歸一化處理，得到歸一化信號采樣序列；所述初始信號包括純噪聲信號和主用戶信號；

基于所述歸一化信號采樣序列獲得信號功率譜、信號低頻分量和信號高頻分量，并將所述信號低頻分量與信號高頻分量拼接得到小波向量；

基于所述歸一化信號采樣序列、信號功率譜及小波向量獲得向量矩陣；

為所述向量矩陣添加標簽，得到樣本數據，所述標簽包括有信號和無信號，所述有信號指初始信號包含主用戶信號，所述無信號指初始信號為純噪聲信號。

3.根據權利要求1所述的基于深度學習分類的頻譜感知方法，其特征在于，所述卷積神經網絡包括輸入層、中間層和輸出層；

所述輸入層的尺寸與所述向量矩陣的大小相同；

所述中間層包括卷積層和激活函數Rule；

所述輸出層包括softmax分類層。

4.根據權利要求2或3所述的基于深度學習分類的頻譜感知方法，其特征在于，基于所述樣本數據對卷積神經網絡進行網絡訓練，得到所述卷積神經網絡對應的最優網絡結構，包括如下步驟：

選取N個樣本數據中的T個作為訓練數據，其余N-T個樣本數據作為驗證數據，其中，1＜T＜N；

將所述訓練數據輸入卷積神經網絡進行網絡訓練，得到訓練好的卷積神經網絡；

將所述驗證數據輸入訓練好的卷積神經網絡，得到驗證數據對應的最佳置信度，并基于所述最佳置信度得到卷積神經網絡對應的最優網絡結構。

5.根據權利要求4所述的基于深度學習分類的頻譜感知方法，其特征在于，獲取所述待檢測信號數據包括如下步驟：

獲取待檢測信號采樣序列并對其進行歸一化，得到歸一化的待檢測信號采樣序列；

基于所述歸一化的待檢測信號采樣序列獲得待檢測信號功率譜、待檢測信號低頻分量和待檢測信號高頻分量，并將所述待檢測信號低頻分量與待檢測信號高頻分量拼接得到待檢測信號的小波向量；

基于所述歸一化的待檢測信號采樣序列、待檢測信號功率譜及待檢測信號的小波向量獲得待檢測信號向量矩陣，所述待檢測信號向量矩陣即為待檢測信號數據。

6.根據權利要求5所述的基于深度學習分類的頻譜感知方法，其特征在于，基于所述置信度得到頻譜感知結果包括如下步驟：

將所述待檢測信號數據輸入卷積神經網絡對應的最優網絡結構，得到待檢測信號數據對應的置信度t_noise，并判斷所述置信度t_noise是否滿足1-t_noise＞γ，γ為判決門限；

若是，則待檢測信號數據對應的頻譜感知結果為有信號，若否，則待檢測信號數據對應的頻譜感知結果為無信號。

7.根據權利要求6所述的基于深度學習分類的頻譜感知方法，其特征在于，所述判決門限基于下述步驟獲得：

基于N-T個驗證數據，得到對應的N-T個置信度；

從大到小依次排列所述置信度，并選取第i個置信度作為判決門限；其中，

i＝ceil(p_f/p)

式中，ceil為向上取整，p_f為驗證數據中包含的純噪聲數據，p為驗證數據。