[发明专利]基于深度学习分类的频谱感知方法及装置

说明书

本发明涉及一种基于深度学习分类的频谱感知方法及装置，属于信号处理技术领域，解决了现有的频谱感知方法需要涉及大量人工过程、依赖过多的专业知识造成精确度较低的问题。方法包括如下步骤：获取信号的样本数据；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，并基于样本数据对卷积神经网络进行网络训练，得到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，并基于置信度得到频谱感知结果。实现了待检测信号的频谱感知，提高了频谱感知结果的精确度。

技术领域

本发明涉及信号处理技术领域，尤其涉及一种基于深度学习分类的频谱感知方法及装置。

背景技术

随着5G网络的大规模部署、物联网的快速涌现以及各种新兴技术对频谱使用需求的快速增长，无线频谱资源将变得越来越紧张。认知无线电作为一种机会式频谱使用技术，将极大提高频谱使用效率，对于缓解频谱资源紧张的现状具有重要意义。频谱感知是实现认知无线电动态频谱接入的一个关键前提。目前已有的频谱感知方法基本上都是通过研究信号与噪声之间的不同特征来设计相应的判决统计量进行判决，因此，判决统计量的设计对频谱感知性能来说至关重要。然而，判决统计量的设计需要涉及大量人工过程，依赖过多的专业知识，造成现有的频谱感知方法精确度较低。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于深度学习分类的频谱感知方法及装置，用以解决现有的频谱感知方法需要涉及大量人工过程、依赖过多的专业知识造成精确度较低的问题。

一方面，本发明实施例提供了一种基于深度学习分类的频谱感知方法，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。

进一步，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。

进一步，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。

进一步，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置信度，将准确度最高的置信度对应的卷积神经网络作为卷积神经网络对应的最优网络结构。