[发明专利]一种基于机器学习的卫星频谱感知方法

说明书

本发明公开了一种基于机器学习的卫星频谱感知方法，包括数据预处理、模型离线训练、在线检测三个部分。该方法通过对不同信道的历史接收数据进行处理，构建相应的训练集训练神经网络模型，并结合网格搜索、交叉验证和早停修正来优化模型，能够有效提取数据的隐藏规律。此外，将CNN神经网络的强大分类能力与LSTM神经网络处理序列问题的优势相结合，选取合适的融合方式，设计合理的联合检测值计算方法，并将虚警概率纳入考量求出适当的检测门限。最后，将实时的检测样本输入到训练好的神经网络模型中实现频谱占用状态的实时判断，提高了频谱感知准确度、从而提高了频谱资源利用率。

技术领域

本发明涉及一种基于机器学习的卫星频谱感知方法，属认知无线电频谱感知技术。

背景技术

随着无线通信技术的发展，无线用频设备数量飞速增长，频谱需求日益加剧。但是，目前频谱资源是静态分配的，这种分配策略会造成许多授权频谱利用率不足，存在频谱空洞，这导致了很大的资源浪费。认知无线电是一种在频谱的授权用户(主用户)允许的情况下，非授权用户(从用户)机会式地接入使用授权用户闲置频谱资源的技术，能够一定程度上提高频谱利用率，缓解频谱资源紧缺的现状。频谱感知在认知无线电中扮演极为重要的角色，所以，设计一种高准确率的频谱感知方法很有必要。

传统的频谱感知方法中使用最广泛的是能量检测法。能量检测法虽然简单，实现难度低，但其作为半盲检测法，需要知道噪声的先验信息，对测量环境缺乏灵活适应性。同时，能量检测法在低信噪比情况下对噪声的鲁棒性较差，当噪声波动较大时很容易造成误判。

近年来，随着计算机运算能力的提升以及数据海量化，深度学习技术迅速发展，它通过各式各样的神经网络模型智能提取目标特征，学习隐藏规律，已经在计算机视觉，自然语言处理等领域发挥作用，目前，基于深度学习的频谱感知技术已经开始崭露头角。卷积神经网络(Convolutional Neural Network，CNN)广泛用于分类问题中，长短期记忆(Longshort-term memory，LSTM)是一种改进的循环神经网络(Recurrent network，RNN)，RNN是一种专门用来处理序列问题的神经网络。离散接收信号可以在一定程度上看作是时间序列的一种，因此应用CNN神经网络和LSTM神经网络对表征频谱占用状态的接收信号进行预测分类是可行的、合理的。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于机器学习的卫星频谱感知方法，该方法是一种基于CNN和LSTM神经网络的联合频谱感知方法，通过各个信道历史接收数据构建的数据集训练神经网络模型，结合网格搜索，交叉验证和早停修正优化模型，能够有效提取数据隐藏规律。此外，将CNN神经网络的强大分类能力与LSTM神经网络处理序列问题的优势结合，选取合适的融合方式，设计合理的联合检测值计算方法，并将虚警概率纳入考量求出适当的检测门限；将实时接收数据对应的样本输入到优化好的神经网络模型中实现频谱占用状态的实时判断，能够提高频谱资源利用率。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于机器学习的卫星频谱感知方法，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个信道的近期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；

(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：