[發明專利]一種基于機器學習的衛星頻譜感知方法

有效

• 申請號: 202110136183.X
• 申請日: 2021-02-01
• 公開（公告）號: CN112968740B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 丁曉進;倪韜;朱劍;張更新;吳塵
• 申請（專利權）人: 南京郵電大學
• 主分類號: H04B17/382
• 分類號: H04B17/382;H04B7/185;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 彭雄

1.一種基于機器學習的衛星頻譜感知方法，其特征在于：包括數據預處理、模型離線訓練、在線檢測三個部分，具體步驟如下：

(1)數據預處理：將單用戶信號I個信道的歷史接收數據以時隙為單位進行能量歸一化；單用戶信號I個信道的歷史接收數據經能量歸一化后，拼接組合得到CNN神經網絡訓練集(X,Y)_CNN；單用戶信號I個信道的歷史接收數據經能量歸一化后，組合得到LSTM神經網絡訓練集(X,Y)_LSTM；

(2)模型離線訓練：使用CNN神經網絡訓練集(X,Y)_CNN對CNN神經網絡進行訓練，使用LSTM神經網絡訓練集(X,Y)_LSTM對LSTM神經網絡進行訓練：基于如下原則：

(2.1)使用網格搜索法分別確定兩個神經網絡的優化方向和超參數；

(2.2)使用K折交叉驗證法分別對兩個訓練集進行合理劃分；

(2.3)使用早停法監視兩個神經網絡的訓練過程；

(3)在線檢測：包括聯合檢測值計算、檢測門限計算和在線樣本檢測三部分：

(3.1)聯合檢測值計算：融合訓練完成的CNN神經網絡的輸出概率向量和LSTM神經網絡的輸出概率向量得到聯合檢測值；包括如下步驟：

(3.1.1)第k個時隙對應的CNN神經網絡的訓練樣本經訓練完成的CNN神經網絡的輸出概率向量表示為：

其中：表示訓練完成的CNN神經網絡，表示訓練完成的CNN神經網絡判定第k個時隙的頻譜占用狀態為H₀的概率，表示訓練完成的CNN神經網絡判定第k個時隙的頻譜占用狀態為H₁的概率；

(3.1.2)第k個時隙對應的LSTM神經網絡的訓練樣本經訓練完成的LSTM神經網絡的輸出概率向量表示為：

其中：表示訓練完成的LSTM神經網絡，表示訓練完成的LSTM神經網絡判定第k個時隙的頻譜占用狀態為H₀的概率，表示訓練完成的LSTM神經網絡判定第k個時隙的頻譜占用狀態為H₁的概率；

(3.1.3)對和的輸出概率向量進行融合得到的融合概率向量表示為：

其中：表示融合了CNN神經網絡和LSTM神經網絡的聯合神經網絡，表示聯合神經網絡判定第k個時隙的頻譜占用狀態為H₀的概率，表示聯合神經網絡判定第k個時隙的頻譜占用狀態為H₁的概率；

(3.1.4)用于判定第k個時隙的頻譜占用狀態的聯合檢測值表示為：

其中：T(·)表示聯合檢測值；

(3.2)檢測門限計算：根據歷史時隙對應的CNN神經網絡訓練集(X,Y)_CNN中的噪聲數據集和LSTM神經網絡訓練集(X,Y)_LSTM中的噪聲數據集計算聯合檢測值集合，結合設置的虛警概率求出檢測門限；包括如下步驟：

(3.2.1)從CNN神經網絡訓練集(X,Y)_CNN中分離出L個頻譜占用狀態為H₀的訓練樣本形成噪聲數據集從LSTM神經網絡訓練集(X,Y)_LSTM中分離出L個頻譜占用狀態為H₀的訓練樣本形成噪聲數據集和對應的時隙相同；

(3.2.2)使用步驟(3.1)的方法計算噪聲數據集中各時隙的頻譜占用狀態的聯合檢測值，對聯合檢測值進行降序排列，得到噪聲數據集的聯合檢測值集合T(W^(l))表示由大到小排列在第l位的聯合檢測值；

(3.2.3)設置檢測門限值其中：表示聯合檢測值集合中的第l個元素T(W^(l))，為設置的虛警概率，表示對·向下取整；

(3.3)在線樣本檢測：將實時采集到的檢測樣本的聯合檢測值與檢測門限進行對比，判斷頻譜占用情況。