[发明专利]NOMA系统中基于机器学习的频谱感知方法和装置

说明书

本申请涉及一种NOMA系统中基于机器学习的频谱感知方法、装置、计算机设备和存储介质。该方法包括：当需要采用目标频段发送消息时，向对应基站发送目标频段的感知申请，使基站向覆盖范围内的各次用户发布对目标频段的频谱感知任务；获取基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号；根据各次用户的位置信息，将各频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，对获得的能量观测矩阵进行预处理，将处理后的能量观测矩阵进行图像转化，获得灰度图像输入到基于Shuffle‑Dense神经网络的频谱感知模型进行识别，输出目标频段当前的信道状态，提高了频谱感知准确率。

技术领域

本申请涉及无线通信技术领域，特别是涉及一种NOMA系统中基于机器学习的频谱感知方法、装置、计算机设备和存储介质。

背景技术

随着自动驾驶、远程医疗、增强现实等新兴应用的产生，以及智能手机、无人机等智能终端数量的快速增长，传统的移动通信网络已经无法满足当代用户的业务需求，无线通信网络在高速率，低时延，海量接入等方面的要求越来越高。5G网络的数据速率需求呈指数增长，迫切需要大量频谱资源。NOMA（Non Orthogonal Multiple Access，非正交多址接入）技术通过功率域复用和码域非正交的方式进一步提升了系统容量，提高了频谱资源的利用率。

认知无线电技术（Cognitive Radio, CR）通过动态频谱接入方式（DynamicSpectrum Access, DSA），让次用户（Secondary User, SU）感知主用户（Primary User,PU）的频谱使用状态，检测频谱空穴并进行动态接入，提升了授权频段的利用率。将NOMA和CR技术结合，可以大大提高SU访问授权频段的机会，从而进一步提高系统吞吐量。频谱感知是CR通信能够进行DSA的前提条件，准确的频谱感知能够帮助用户正确的占用频谱空穴，否则就会出现低频谱利用率或者多用户干扰问题，为了提升频谱感知准确率，现在大多采用协作频谱感知(Cooperative Spectrum Sensing, CSS)代替单用户频谱感知。由于NOMA物理层实现的复杂性，如复杂的接收机和复杂的功率分配，限制了NOMA的应用，NOMA下的CSS情况更加复杂，数学求解更为困难，因此选择利用机器学习算法解决这一系列非凸优化问题。

现有方案对功率域NOMA下的CSS进行了详尽的数学描述，并分析了无监督学习算法（K-Means和GMM）和监督学习算法(DAG-SVM、KNN和BP神经网络)在处理NOMA下CSS问题上的性能，但是现有的频谱感知的准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高频谱感知的准确性的NOMA系统中基于机器学习的频谱感知方法、装置、计算机设备和存储介质。

一种NOMA系统中基于机器学习的频谱感知方法，所述方法包括：

当需要采用目标频段发送消息时，向对应基站发送所述目标频段的感知申请，使所述基站向覆盖范围内的各次用户发布对所述目标频段的频谱感知任务；

获取所述基站的覆盖范围内的各次用户在感知时隙内采集的频谱观测能量信号；

根据各所述次用户的位置信息，将各所述频谱观测能量信号对应的频谱观测能量值填入频谱能量观测矩阵中，获得能量观测矩阵；

对所述能量观测矩阵进行预处理，获得处理后的能量观测矩阵；

将所述处理后的能量观测矩阵进行图像转化，获得灰度图像；

将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态。

在其中一个实施例中，所述将所述灰度图像输入到基于Shuffle-Dense神经网络的频谱感知模型进行识别，输出所述目标频段当前的信道状态的步骤，包括：