[发明专利]一种基于深度学习的卫星频谱感知数据重构方法

说明书

本发明公开了一种基于深度学习的卫星频谱感知数据重构方法，结合了异常数据修复算法与深度卷积神经网络，包括数据预处理、数据重建、实时重建性能评估三个部分；数据预处理是将高分辨率频谱数据依次进行异常数据修复、降采样和数据匹配操作，低分辨率数据依次进行异常数据修复和数据匹配操作；数据重建步骤是利用历史高分辨率数据进行模型训练，将实时传输的低分辨率频谱输入到已经训练好的模型中，完成超分辨率重建；实时重建性能评估步骤是利用传输的少量高分辨率频谱数据评估数据重建的性能，以确定是否要重新进行模型训练。本方法可将低分辨率频谱数据重建为高分辨率频谱数据，从而有效降低星地传输数据量，减缓星地间数据传输压力。

技术领域

本发明涉及一种基于深度学习的卫星频谱感知数据重构方法，属于认知无线电通信技术。

背景技术

卫星频谱感知是掌握频谱分配情况、提高频谱利用效率的有效途径，近年来受到越来越多的研究关注。特别是在通过卫星的频谱感知系统中，卫星能够以无缝方式实现全局频谱感知。然而，由于地球上的感测卫星与接收节点之间的距离较长，并且感知卫星的发射功率有限，因此从感知卫星到接收节点的链路难以承担海量感知数据的无线传输。当前，为了减少传输的数据量，数据压缩被广泛用于压缩传输前的原始数据。此外，信号重建是重建频谱感应卫星丢失数据的有效方法。

随着深度学习的进一步发展，由于深度学习在图像处理方面具有特定的能力来获得底层信息，因此已经引起了越来越多的研究关注，深度学习也已经被用于进行数据重构。开发了一种新的深度字典学习和编码网络，以在数据有限的情况下执行图像识别任务，并借助微分相分析工具，针对不完整的数据进一步提出了一种使用深度学习的新重构框架。对比计算机断层扫描，深度学习还被设计为重建用于压缩感知的信号。具体来说，开发一种基于混合模型的深度学习架构，该架构依赖于深度展开方法，并将数据采集和信号恢复进一步解释为自动编码结构。此外，研究了稀疏信号恢复和稀疏支持恢复，并提出了两种基于标准自动编码器结构的模型驱动方法。尽管基于压缩感知的稀疏信号恢复可用于重建丢失的数据，但它依赖于数据的稀疏性。在基于卫星的频谱感知的系统中，由于其覆盖范围广的特性，卫星可能会同时感知其覆盖范围内的大量发射终端，因此，频谱感知数据的稀疏性是模糊的。另外，传统的图像重建依赖于先验知识(如像素的分布等)和相邻像素之间的高相关性相比之下，这种先验知识在频谱感知数据的图像中很难获得，因为被感知的终端以随机的方式传输数据。因此，尽管可以将频谱感知数据转换成图像，但是频谱感知数据的图像仍然与通常的图片不同。

发明内容

发明目的：为了缓解星地之间有限的链路资源和大量的频谱感知数据之间的矛盾，本发明提供一种基于深度学习的卫星频谱感知数据重构方法，该方法综合使用了异常数据修复算法与深度卷积神经网络(DCNN)，让接收节点借助异常数据修复算法来对降采样的数据进行异常数据修复，再通过HR频谱离线训练后的深度卷积神经网络对预处理数据进行频谱重建，并通过周期性发送的小段HR频谱数据对模型重建性能实时评估的数据重构方法；该方法可以使卫星对频谱感知数据进行降采样，并从降采样后的副本中重建出原始的频谱感知数据，减缓星地之间数据传输的压力。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于深度学习的卫星频谱感知数据重构方法，具体包括数据预处理、数据重建和实时重建性能评估三个部分，具体如下：

(1)数据预处理：将高分辨率(High Resolution，HR)频谱数据依次进行异常数据恢复、降采样和数据匹配操作完成预处理，将低分辨率(Low Resolution，LR)频谱数据依次进行异常数据恢复和数据匹配操作完成预处理；

(2)数据重建：对历史采集的高分辨率频谱数据进行预处理，利用该预处理后的数据对深度卷积神经网络进行模型训练；对实时采集的低分辨率频谱数据进行预处理，将该预处理后的数据输入到训练好的深度卷积神经网络中进行数据重建；