[发明专利]基于深度学习分类的频谱感知方法及装置

权利要求书

1.一种基于深度学习分类的频谱感知方法，其特征在于，包括如下步骤：

获取信号的样本数据；所述样本数据包括信号采样序列、信号功率谱和小波向量；

构造卷积神经网络，并基于所述样本数据对卷积神经网络进行网络训练，得到所述卷积神经网络对应的最优网络结构；

将待检测信号数据输入所述卷积神经网络对应的最优网络结构，得到待检测信号数据对应的置信度，并基于所述置信度得到频谱感知结果。

2.根据权利要求1所述的基于深度学习分类的频谱感知方法，其特征在于，所述样本数据中的信号采样序列为归一化信号采样序列；获取样本数据包括如下步骤：

对初始信号进行采样及归一化处理，得到归一化信号采样序列；所述初始信号包括纯噪声信号和主用户信号；

基于所述归一化信号采样序列获得信号功率谱、信号低频分量和信号高频分量，并将所述信号低频分量与信号高频分量拼接得到小波向量；

基于所述归一化信号采样序列、信号功率谱及小波向量获得向量矩阵；

为所述向量矩阵添加标签，得到样本数据，所述标签包括有信号和无信号，所述有信号指初始信号包含主用户信号，所述无信号指初始信号为纯噪声信号。

3.根据权利要求1所述的基于深度学习分类的频谱感知方法，其特征在于，所述卷积神经网络包括输入层、中间层和输出层；

所述输入层的尺寸与所述向量矩阵的大小相同；

所述中间层包括卷积层和激活函数Rule；

所述输出层包括softmax分类层。

4.根据权利要求2或3所述的基于深度学习分类的频谱感知方法，其特征在于，基于所述样本数据对卷积神经网络进行网络训练，得到所述卷积神经网络对应的最优网络结构，包括如下步骤：

选取N个样本数据中的T个作为训练数据，其余N-T个样本数据作为验证数据，其中，1＜T＜N；

将所述训练数据输入卷积神经网络进行网络训练，得到训练好的卷积神经网络；

将所述验证数据输入训练好的卷积神经网络，得到验证数据对应的最佳置信度，并基于所述最佳置信度得到卷积神经网络对应的最优网络结构。

5.根据权利要求4所述的基于深度学习分类的频谱感知方法，其特征在于，获取所述待检测信号数据包括如下步骤：

获取待检测信号采样序列并对其进行归一化，得到归一化的待检测信号采样序列；

基于所述归一化的待检测信号采样序列获得待检测信号功率谱、待检测信号低频分量和待检测信号高频分量，并将所述待检测信号低频分量与待检测信号高频分量拼接得到待检测信号的小波向量；

基于所述归一化的待检测信号采样序列、待检测信号功率谱及待检测信号的小波向量获得待检测信号向量矩阵，所述待检测信号向量矩阵即为待检测信号数据。

6.根据权利要求5所述的基于深度学习分类的频谱感知方法，其特征在于，基于所述置信度得到频谱感知结果包括如下步骤：

将所述待检测信号数据输入卷积神经网络对应的最优网络结构，得到待检测信号数据对应的置信度t_noise，并判断所述置信度t_noise是否满足1-t_noise＞γ，γ为判决门限；

若是，则待检测信号数据对应的频谱感知结果为有信号，若否，则待检测信号数据对应的频谱感知结果为无信号。

7.根据权利要求6所述的基于深度学习分类的频谱感知方法，其特征在于，所述判决门限基于下述步骤获得：

基于N-T个验证数据，得到对应的N-T个置信度；

从大到小依次排列所述置信度，并选取第i个置信度作为判决门限；其中，

i＝ceil(p_f/p)

式中，ceil为向上取整，p_f为验证数据中包含的纯噪声数据，p为验证数据。