[發(fā)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?zhí)枺?/td>: 202010974518.0
• 申請日: 2020-09-16
• 公開（公告）號: CN112101460A
• 公開（公告）日: 2020-12-18
• 發(fā)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(chǎn)權代理事務所(普通合伙) 11386
• 代理人: 張通

本發(fā)明涉及一種基于深度學習分類的頻譜感知方法及裝置，屬于信號處理技術領域，解決了現(xiàn)有的頻譜感知方法需要涉及大量人工過程、依賴過多的專業(yè)知識造成精確度較低的問題。方法包括如下步驟：獲取信號的樣本數(shù)據(jù)；樣本數(shù)據(jù)包括信號采樣序列、信號功率譜和小波向量；構造卷積神經(jīng)網(wǎng)絡，并基于樣本數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡進行網(wǎng)絡訓練，得到卷積神經(jīng)網(wǎng)絡對應的最優(yōu)網(wǎng)絡結構；將待檢測信號數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡對應的最優(yōu)網(wǎng)絡結構，得到待檢測信號數(shù)據(jù)對應的置信度，并基于置信度得到頻譜感知結果。實現(xiàn)了待檢測信號的頻譜感知，提高了頻譜感知結果的精確度。

技術領域

本發(fā)明涉及信號處理技術領域，尤其涉及一種基于深度學習分類的頻譜感知方法及裝置。

背景技術

隨著5G網(wǎng)絡的大規(guī)模部署、物聯(lián)網(wǎng)的快速涌現(xiàn)以及各種新興技術對頻譜使用需求的快速增長，無線頻譜資源將變得越來越緊張。認知無線電作為一種機會式頻譜使用技術，將極大提高頻譜使用效率，對于緩解頻譜資源緊張的現(xiàn)狀具有重要意義。頻譜感知是實現(xiàn)認知無線電動態(tài)頻譜接入的一個關鍵前提。目前已有的頻譜感知方法基本上都是通過研究信號與噪聲之間的不同特征來設計相應的判決統(tǒng)計量進行判決，因此，判決統(tǒng)計量的設計對頻譜感知性能來說至關重要。然而，判決統(tǒng)計量的設計需要涉及大量人工過程，依賴過多的專業(yè)知識，造成現(xiàn)有的頻譜感知方法精確度較低。

發(fā)明內(nèi)容

鑒于上述的分析，本發(fā)明實施例旨在提供一種基于深度學習分類的頻譜感知方法及裝置，用以解決現(xiàn)有的頻譜感知方法需要涉及大量人工過程、依賴過多的專業(yè)知識造成精確度較低的問題。

一方面，本發(fā)明實施例提供了一種基于深度學習分類的頻譜感知方法，包括如下步驟：

獲取信號的樣本數(shù)據(jù)；所述樣本數(shù)據(jù)包括信號采樣序列、信號功率譜和小波向量；

構造卷積神經(jīng)網(wǎng)絡，并基于所述樣本數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡進行網(wǎng)絡訓練，得到所述卷積神經(jīng)網(wǎng)絡對應的最優(yōu)網(wǎng)絡結構；

將待檢測信號數(shù)據(jù)輸入所述卷積神經(jīng)網(wǎng)絡對應的最優(yōu)網(wǎng)絡結構，得到待檢測信號數(shù)據(jù)對應的置信度，并基于所述置信度得到頻譜感知結果。

進一步，所述樣本數(shù)據(jù)中的信號采樣序列為歸一化信號采樣序列；獲取樣本數(shù)據(jù)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(shù)據(jù)，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。

進一步，所述卷積神經(jīng)網(wǎng)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(shù)Rule；

所述輸出層包括softmax分類層。

進一步，基于所述樣本數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡進行網(wǎng)絡訓練，得到所述卷積神經(jīng)網(wǎng)絡對應的最優(yōu)網(wǎng)絡結構，包括如下步驟：

選取N個樣本數(shù)據(jù)中的T個作為訓練數(shù)據(jù)，其余N-T個樣本數(shù)據(jù)作為驗證數(shù)據(jù)，其中，1＜T＜N；

將所述訓練數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡進行網(wǎng)絡訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡；

將所述驗證數(shù)據(jù)輸入訓練好的卷積神經(jīng)網(wǎng)絡，得到驗證數(shù)據(jù)對應的置信度，將準確度最高的置信度對應的卷積神經(jīng)網(wǎng)絡作為卷積神經(jīng)網(wǎng)絡對應的最優(yōu)網(wǎng)絡結構。