[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

本發明公開了一種基于機器學習的衛星頻譜感知方法，包括數據預處理、模型離線訓練、在線檢測三個部分。該方法通過對不同信道的歷史接收數據進行處理，構建相應的訓練集訓練神經網絡模型，并結合網格搜索、交叉驗證和早停修正來優化模型，能夠有效提取數據的隱藏規律。此外，將CNN神經網絡的強大分類能力與LSTM神經網絡處理序列問題的優勢相結合，選取合適的融合方式，設計合理的聯合檢測值計算方法，并將虛警概率納入考量求出適當的檢測門限。最后，將實時的檢測樣本輸入到訓練好的神經網絡模型中實現頻譜占用狀態的實時判斷，提高了頻譜感知準確度、從而提高了頻譜資源利用率。

技術領域

本發明涉及一種基于機器學習的衛星頻譜感知方法，屬認知無線電頻譜感知技術。

背景技術

隨著無線通信技術的發展，無線用頻設備數量飛速增長，頻譜需求日益加劇。但是，目前頻譜資源是靜態分配的，這種分配策略會造成許多授權頻譜利用率不足，存在頻譜空洞，這導致了很大的資源浪費。認知無線電是一種在頻譜的授權用戶(主用戶)允許的情況下，非授權用戶(從用戶)機會式地接入使用授權用戶閑置頻譜資源的技術，能夠一定程度上提高頻譜利用率，緩解頻譜資源緊缺的現狀。頻譜感知在認知無線電中扮演極為重要的角色，所以，設計一種高準確率的頻譜感知方法很有必要。

傳統的頻譜感知方法中使用最廣泛的是能量檢測法。能量檢測法雖然簡單，實現難度低，但其作為半盲檢測法，需要知道噪聲的先驗信息，對測量環境缺乏靈活適應性。同時，能量檢測法在低信噪比情況下對噪聲的魯棒性較差，當噪聲波動較大時很容易造成誤判。

近年來，隨著計算機運算能力的提升以及數據海量化，深度學習技術迅速發展，它通過各式各樣的神經網絡模型智能提取目標特征，學習隱藏規律，已經在計算機視覺，自然語言處理等領域發揮作用，目前，基于深度學習的頻譜感知技術已經開始嶄露頭角。卷積神經網絡(Convolutional Neural Network，CNN)廣泛用于分類問題中，長短期記憶(Longshort-term memory，LSTM)是一種改進的循環神經網絡(Recurrent network，RNN)，RNN是一種專門用來處理序列問題的神經網絡。離散接收信號可以在一定程度上看作是時間序列的一種，因此應用CNN神經網絡和LSTM神經網絡對表征頻譜占用狀態的接收信號進行預測分類是可行的、合理的。

發明內容

發明目的：為了克服現有技術中存在的不足，本發明提供一種基于機器學習的衛星頻譜感知方法，該方法是一種基于CNN和LSTM神經網絡的聯合頻譜感知方法，通過各個信道歷史接收數據構建的數據集訓練神經網絡模型，結合網格搜索，交叉驗證和早停修正優化模型，能夠有效提取數據隱藏規律。此外，將CNN神經網絡的強大分類能力與LSTM神經網絡處理序列問題的優勢結合，選取合適的融合方式，設計合理的聯合檢測值計算方法，并將虛警概率納入考量求出適當的檢測門限；將實時接收數據對應的樣本輸入到優化好的神經網絡模型中實現頻譜占用狀態的實時判斷，能夠提高頻譜資源利用率。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種基于機器學習的衛星頻譜感知方法，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個信道的近期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；

(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：