[發明專利]一種基于半監督深度學習的頻譜感知方法

有效

• 申請號: 202110311989.8
• 申請日: 2021-03-24
• 公開（公告）號: CN113095162B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 張煜培;趙知勁
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/2431;G06F18/213;G06N3/0895;G06N3/0464
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強;張曉英

本發明提供了一種基于半監督深度學習的頻譜感知方法，該方法包括以下步驟：S1、通過有標簽樣本訓練半監督集成決策樹模型以獲得用于區分PU信號和噪聲的分類器；S2、將無標簽樣本輸入分類器，并將置信度高于預設值的無標簽樣本樣本標記為偽標簽；S3、通過所述的偽標簽訓練CNN網絡以獲得頻譜感知預測模型。本方法的訓練階段基于半監督分類，只需要少量有標簽樣本，相比于傳統基于完全監督學習的頻譜感知算法，本方案能夠大大降低對有標簽樣本的依賴。

技術領域

本發明屬于無線通信中認知無線電領域，尤其是涉及一種基于半監督深度學習的頻譜感知方法。

背景技術

認知無線電(Cognit?ive?Radio，CR)技術可動態使用頻譜空穴，又稱為動態頻譜接入，是一種自主、動態、高效的頻譜使用方式，對于緩解頻譜資源匱乏問題具有重要意義。

動態頻譜接入首先要解決的問題便是頻譜感知。

相比于傳統的頻譜感知算法，深度學習(deep?learning，DL)是一種基于大規模數據的表征學習算法，它可以自動從大量數據尋找特征，同時它具有深層結構，因此有更強的特征提取能力。近來，許多基于DL的頻譜感知方法被提出。

雖然基于深度學習的算法已經超越傳統頻譜感知方法，但是現有基于深度學習的頻譜感知方法偏向于監督學習，而完全監督深度學習方法需要大量有標簽樣本作為支撐，如果可供訓練的有標簽樣本不足，模型往往會出現欠擬合或無法收斂等問題，判別精度也不夠理想。而且這些大量有標簽的樣本在頻譜感知的場景中往往是很難獲得的，這就使得深度學習方法在頻譜感知領域面臨由于缺乏標簽數據而難以訓練出泛化能力較強模型的問題，進而導致無法很好地完成學習任務。

發明內容

本發明的目的是針對上述問題，提供一種基于半監督深度學習的頻譜感知方法。

為達到上述目的，本發明采用了下列技術方案：

一種基于半監督深度學習的頻譜感知方法，該方法包括以下步驟：

S1、通過有標簽樣本訓練半監督集成決策樹模型以獲得用于區分PU信號和噪聲的分類器；

S2、將無標簽樣本輸入分類器，并將置信度高于預設值的無標簽樣本樣本標記為偽標簽；

S3、通過所述的偽標簽訓練CNN網絡以獲得頻譜感知預測模型。

在上述的基于半監督深度學習的頻譜感知方法中，在步驟S1中，通過提取有標簽樣本的高階累積量特征、時頻特征和信息熵特征訓練半監督集成決策樹。

在上述的基于半監督深度學習的頻譜感知方法中，通過混合矩定義M_pq獲取各類高階累積量：

M_pq＝E[r(n)^p-q(r^*(n))^q]??(1)

提取高階累積量C₄₀，

E(r(n))表示對r(n)求期望，r(n)表示接收機收到的復信號，利用采樣點的平均值代替理論期望，且將接收信號r(n)的四階累積量作為訓練半監督集成決策樹的信號特征，高階累積量的計算方式為：

在上述的基于半監督深度學習的頻譜感知方法中，所述的時頻特征包括零中心歸一化瞬時幅度譜密度最大值γ_max和零中心瞬時相位非線性分量標準偏差β_dp，其中，

零中心歸一化瞬時幅度譜密度最大值γ_max用于表征信號瞬時幅度的變換情況；