[发明专利]一种基于深度学习的频谱感知检测方法、装置及设备

权利要求书

1.一种基于深度学习的频谱感知检测方法，其特征在于，包括：

获取待预测信号观测数据集；

根据所述预测信号观测数据集确定预测信号的协方差矩阵；

基于高阶累积量计算所述预测信号的协方差矩阵，得到所述预测信号的协方差矩阵;

将所述协方差矩阵输入已训练的频谱检测网络模型，通过所述频谱检测网络模型得到频谱状态，其中，所述频谱检测网络模型是基于协方差矩阵样本与所述协方差矩阵样本对应的频谱状态真实值之间的对应关系训练得到的；

所述频谱检测网络模型的训练方法包括：

预设网络模型根据训练集中协方差矩阵样本，生成所述协方差矩阵样本对应的预测频谱状态值，其中，所述训练集包括多组训练样本，每组训练样本包括协方差矩阵样本以及与协方差矩阵样本对应的频谱状态；

所述预设网络模型根据所述协方差矩阵样本对应的预测频谱状态值，以及所述协方差矩阵样本对应的频谱状态，对模型参数进行修正，并继续执行所述根据所述训练集中协方差矩阵样本，生成所述协方差矩阵样本对应的预测频谱状态值的步骤，直至所述预设网络模型的训练情况满足预设条件，以得到所述频谱检测网络模型;

所述频谱检测网络模型包括隐含层，其中，所述隐含层包括依次连接的第一卷积层、第一汇聚层、第二卷积层、第二汇聚层和全连接层；

所述频谱检测网络模型的输入为信号的协方差矩阵，输出为二元频谱状态决策值，所述二元频谱状态决策值用于判断频谱的占用情况;

所述预设网络模型根据所述协方差矩阵样本对应的预测频谱状态值，以及所述协方差矩阵样本对应的频谱状态，对模型参数进行修正的步骤包括：

根据所述协方差矩阵样本对应的预测频谱状态值，以及所述协方差矩阵样本对应的频谱状态，利用似然比检验对模型参数进行修正;

所述预设网络模型根据所述协方差矩阵样本对应的预测频谱状态值，以及所述协方差矩阵样本对应的频谱状态，利用似然比检验对模型参数进行修正的步骤包括：

将输入所述协方差矩阵的特征值进行降序排序；

根据降序排序得到的特征值的最小值确定输入信号的噪声子空间维度；

根据所述输入信号的噪声子空间维度以及噪声的协方差矩阵对设置为似然比检验数据的预测频谱状态值进行降序排列，并根据预设虚警概率确定频谱状态对应检测阈值，并根据所述检测阈值计算预测频谱状态值与所述频谱状态之间的误差值；

根据误差值对模型参数进行修正；利用循环频率重复对频谱信道是否被占用进行检测，并将预测值与真实值进行比对，重复对模型参数进行修正。

2.根据权利要求1所述的基于深度学习的频谱感知检测方法，其特征在于，所述预设网络模型为LeNet-5网络模型。