[发明专利]一种基于卷积长短时记忆神经网络的频谱感知方法

权利要求书

1.一种基于卷积长短时记忆神经网络的频谱感知方法，其特征在于，所述方法包括以下步骤：

1)数据预处理

将次用户所接收到的IQ信号先进行N点采样再进行数据归一化处理：

其中x_I、x_Q分别代表I和Q信号数据，x_{I_min}、x_{Q_min}分别代表I和Q信号数据中的最小值，x_{I_max}、x_{Q_max}分别代表I和Q信号数据中的最大值；

然后得到2*N矩阵记作E₀，其中第一行代表归一化后的I信号数据、第二行代表归一化后的Q信号数据；

2)将E₀送入到ConvLstm2D网络，ConvLstm2D网络对E₀进行第一次空间与时间特征提取得到输出的数据记作E₁；

3)将E₁输入到批量归一化神经网络输出到归一化的数据记作E₂，对于一层具有d维的输入向量x＝[x¹...x^d]，将会对该向量的每一个维度进行归一化：

其中，x^k代表第k维度的数据，E[x^k]是代表第k维度数据的期望，Var[x^k]是代表第k维度数据的方差，是代表第k维度数据归一化后的数据；

4)将E₂输入到第二个ConvLstm2D网络中对IQ数据进行第二次空间和时间特征提取得到的数据记作E₃；

5)将E₃输入到批量归一化神经网络中进行如同步骤2)的操作得到的数据记作E₄；

6)将E₅输入到Flatten层将输入来的数据进行压平得到一维数据E₅；

7)然后将E₅输入到全连接层得到数据E₆；

8)最后进入分类部分，将E₆输入到神经元为1的全连接层中，激活函数为sigmoid函数，当输出结果大于等于0.5，则表明该信道被主用户所使用着；当结果小于0.5，则表明该信道未被占用；

10)通过最小化损失函数来训练模型参数，损失函数L定义为：

其中，q_j表示主用户存在的真实概率；p_j：主用户存在的预测概率；n表示每训练一批量中含有n个数据。

2.如权利要求1所述的一种基于卷积长短时记忆神经网络的频谱感知方法，其特征在于，所述步骤10)中，模型参数包括矩阵元素与神经网络权重。