[发明专利]基于CGAN数据增强的频谱感知方法及系统

说明书

本发明提供了一种基于CGAN数据增强的频谱感知方法及系统，包括：采集信道状态数据，获取训练数据集；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；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；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；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。本发明采用CGAN网络对数据进行增强后，引入AlexNet卷积神经网络进行分类，可以有效实现频谱感知。

技术领域

本发明涉及认知无线电技术，具体地，涉及一种基于CGAN数据增强的频谱感 知方法及系统。

背景技术

随着5G、物联网等新兴无线通信技术的发展，对无线频谱资源的需求日益增加。美国联邦通信委员会(Federal Communications Commission，FCC)曾研究指出，大 量已经分配的频谱资源在时间和空间上均存在较大程度的闲置。造成频谱资源紧缺 的主要原因有：1.频谱资源的静态分配政策。2.某些授权频段的低效率使用。认知 无线电网络(Cognitive Radio Networks，CRNs)被认为是实现频谱资源动态分配 和提高频谱利用率的有效途径。

在CRNs中，有两种类型的用户，一种是主用户(PU)，另一种是次用户(SU)。 主用户已经授权了他所使用的某个频段，而次用户没有授权。因此次用户使用频段 的前提是不能干扰主用户的正常使用，当主用户发起业务请求时，次用户必须切换 到另一个可用空闲频段。频谱感知是认知无线电中动态频谱接入的关键技术，次用 户通过频谱感知技术对频谱进行分析，智能地使用空闲频谱，从而提高了频谱使用 效率。故研究频谱感知技术具有理论和现实意义。

频谱感知中常用的深度学习模型有卷积神经网络(Convolutional NeuralNetwork，CNN)、循环神经网络(Recurrent Neural Network，RNN)、长短期记忆网 络(LongShort-Term Memory，LSTM)等。然而这些基于有监督学习的深度学习的模 型需要大量的训练数据样本进行训练，在实际复杂的信道环境条件下可能根本无法 获得足够带有标注(label)的数据，并且收集充足的数据所需要的代价通常十分 昂贵，这就导致由少量的样本训练出来的模型泛化能力差。

生成对抗网络(GAN)是近几年研究的热点，由Goodfellow等人于2014年提 出。GAN由一个生成器和一个判别器组成。生成器负责学习真实样本的分布，根据 给定的噪声生成新的数据；判别器判断所接收的输入是真实样本还是生成器所生成 的样本。在这种动态博弈训练过程中，生成器的目的是增大判别器犯错的概率，判 别器的目的是将真实数据和生成数据分开。两者不断训练以提高自身的生成能力和 判别能力，直至生成器和判别器之间达到了一个纳什平衡。GAN的目标函数旨在最 小化p_g和p_data两个概率分布的JS散度，CGAN则是在GAN的基础上附加了标签条件， 即为给的标签生成所需要的数据。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于CGAN数据增强的频谱 感知方法及系统，针对频谱感知中缺乏数据的问题，采用生成对抗网络在给定的频 谱环境条件下，将合成的数据添加到原有的训练数据中，从而提高分类精度。

根据本发明提供的基于CGAN数据增强的频谱感知方法，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；