[发明专利]一种基于机器学习的卫星频谱感知方法

权利要求书

1.一种基于机器学习的卫星频谱感知方法，其特征在于：包括数据预处理、模型离线训练、在线检测三个部分，具体步骤如下：

(1)数据预处理：将单用户信号I个信道的历史接收数据以时隙为单位进行能量归一化；单用户信号I个信道的历史接收数据经能量归一化后，拼接组合得到CNN神经网络训练集(X,Y)_CNN；单用户信号I个信道的历史接收数据经能量归一化后，组合得到LSTM神经网络训练集(X,Y)_LSTM；

(2)模型离线训练：使用CNN神经网络训练集(X,Y)_CNN对CNN神经网络进行训练，使用LSTM神经网络训练集(X,Y)_LSTM对LSTM神经网络进行训练：基于如下原则：

(2.1)使用网格搜索法分别确定两个神经网络的优化方向和超参数；

(2.2)使用K折交叉验证法分别对两个训练集进行合理划分；

(2.3)使用早停法监视两个神经网络的训练过程；

(3)在线检测：包括联合检测值计算、检测门限计算和在线样本检测三部分：

(3.1)联合检测值计算：融合训练完成的CNN神经网络的输出概率向量和LSTM神经网络的输出概率向量得到联合检测值；包括如下步骤：

(3.1.1)第k个时隙对应的CNN神经网络的训练样本经训练完成的CNN神经网络的输出概率向量表示为：

其中：表示训练完成的CNN神经网络，表示训练完成的CNN神经网络判定第k个时隙的频谱占用状态为H₀的概率，表示训练完成的CNN神经网络判定第k个时隙的频谱占用状态为H₁的概率；

(3.1.2)第k个时隙对应的LSTM神经网络的训练样本经训练完成的LSTM神经网络的输出概率向量表示为：

其中：表示训练完成的LSTM神经网络，表示训练完成的LSTM神经网络判定第k个时隙的频谱占用状态为H₀的概率，表示训练完成的LSTM神经网络判定第k个时隙的频谱占用状态为H₁的概率；

(3.1.3)对和的输出概率向量进行融合得到的融合概率向量表示为：

其中：表示融合了CNN神经网络和LSTM神经网络的联合神经网络，表示联合神经网络判定第k个时隙的频谱占用状态为H₀的概率，表示联合神经网络判定第k个时隙的频谱占用状态为H₁的概率；

(3.1.4)用于判定第k个时隙的频谱占用状态的联合检测值表示为：

其中：T(·)表示联合检测值；

(3.2)检测门限计算：根据历史时隙对应的CNN神经网络训练集(X,Y)_CNN中的噪声数据集和LSTM神经网络训练集(X,Y)_LSTM中的噪声数据集计算联合检测值集合，结合设置的虚警概率求出检测门限；包括如下步骤：

(3.2.1)从CNN神经网络训练集(X,Y)_CNN中分离出L个频谱占用状态为H₀的训练样本形成噪声数据集从LSTM神经网络训练集(X,Y)_LSTM中分离出L个频谱占用状态为H₀的训练样本形成噪声数据集和对应的时隙相同；

(3.2.2)使用步骤(3.1)的方法计算噪声数据集中各时隙的频谱占用状态的联合检测值，对联合检测值进行降序排列，得到噪声数据集的联合检测值集合T(W^(l))表示由大到小排列在第l位的联合检测值；

(3.2.3)设置检测门限值其中：表示联合检测值集合中的第l个元素T(W^(l))，为设置的虚警概率，表示对·向下取整；

(3.3)在线样本检测：将实时采集到的检测样本的联合检测值与检测门限进行对比，判断频谱占用情况。