[发明专利]基于CGAN数据增强的频谱感知方法及系统

权利要求书

1.一种基于CGAN数据增强的频谱感知方法，其特征在于，包括如下步骤：

步骤S1：采集信道状态数据，获取训练数据集；

步骤S2：通过短时傅里叶变换，将训练数据转化为光谱图，生成训练集；

步骤S3：建立基于CGAN的神经网络模型，通过所述训练集对基于CGAN的神经网络模型进行训练；

步骤S4：将训练后的基于CGAN的神经网络模型生成的数据样本添加到所述训练集中，生成增强训练数据集；

步骤S5：获取预先训练的卷积神经网络，将所述增强训练数据集输入到卷积神经网络中进行分类，得到分类结果，所述分类结果为信道的主用户处于静默状态或主用户处于活跃状态。

2.根据权利要求1所述的基于CGAN数据增强的频谱感知方法，其特征在于，在步骤S1中，所述训练数据集可以表示为φ＝{(x₁，y₁)，(x₂，y₂)...，(x_n，y_n)}，其中y_n表示x_n所对应的标签，x_n为第n个信道状态数据，y_n包括主用户处于静默状态和主用户处于活跃状态。

3.根据权利要求1所述的基于CGAN数据增强的频谱感知方法，其特征在于，所述步骤S2包括如下步骤：

步骤S201：对所述信道状态数据进行分帧、加窗的预处理，通过短时傅里叶变换，获取到的训练数据以光谱图的形式可视化，得到光谱图x(k)：

其中，N为窗长，x(n)为用户的信道状态数据，w(n)为汉明窗函数，k为信号频率，i为虚函数单位，n为时序采样点；

步骤S202：将光谱图转化为幅值为分贝的形式：

I(k，t)＝20×log₁₀|x_t(k)|

其中，x_t(k)为t时刻的光谱图；

步骤S203：将光谱图分贝最小的bin灰度值设置为0，所有分贝bin灰度值进行归一化为：

其中，R(i，j)表示原图像的灰度值，I(i，j)表示变换后图像的灰度值，R(i，j)_max和R(i，j)_min分别表示原图像的最小灰度值、最大灰度值；

因此训练数据集转化为训练集φ＝{(I₁，y₁)，(I₂，y₂)...(I_n，y_n)}，I_n表示光谱图归一化后的灰度值。

4.根据权利要求1所述的基于CGAN数据增强的频谱感知方法，其特征在于，在步骤S3中，所述CGAN的神经网络模型的表示为：

其中，D表示判别器，G表示生成器，x表示真实数据，z表示输入生成器的随机噪声，y表示的条件变量，G(z)是生成器的输出，D(x)为判别器的输出，D(x)和G(z)在输入层都需要附加条件。

5.根据权利要求4所述的基于CGAN数据增强的频谱感知方法，其特征在于，在步骤S3中首先固定CGAN的生成器模型参数，训练判别器参数，包括如下步骤：

步骤M1：从训练集中随机选取m个正样本{(I₁，y₁)，(I₂，y₂)...，(I_m，y_m)}；

步骤M2：从高斯分布中选取m个噪声数据{z₁，z₂...，z_m}。

步骤M3：将条件y和噪声数据z同时输入到生成器，得到生成数据

步骤M4：根据判别器目标函数

其中表示生成器生成的图像，表示从真实样本中选取的单一图像，当判别器目标函数取得最大值时，判别器最佳，因此采用梯度上升训练判别器参数：

其中，θ_d为，η为，为。