[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

说明书

本发明提供了一种基于深度学习的频谱感知方法、装置及设备，通过获取待预测信号观测数据集；根据预测信号观测数据集确定预测信号的协方差矩阵；将协方差矩阵输入已训练的频谱检测网络模型，通过频谱检测网络模型得到预测频谱状态值，其中，频谱检测网络模型是基于协方差矩阵样本和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。本实施例公开方法，利用深度学习的学习能力与数据挖掘能力从接收到的待预测信号的协方差矩阵中提取信号特征，并对特征进行检测得到天地一体网络中频谱感知状态，本实施例所提供的方法可以有效提高低信噪比下的频谱检测性能，提高天地一体网络中非授权用户使用检测到的频谱空隙效率。

技术邻域

本发明涉及通信技术领域，尤其涉及的是一种基于深度学习的频谱感知检测方法、装置及设备。

背景技术

为了补充地面通信连接，实现无处不在和无限连接的可能，天地一体化网络(space-air-ground integrated networks,SAGIN)被提出以提供无缝的广域连接用于改进和提供灵活的端到端服务。为了达到无线设备的需求以及最大化利用网络资源，动态频谱共享被提出，以促进未充分利用的频谱被应用于宽带通信服务。频谱感知作为动态频谱访问的核心组成部分，旨在获得地理区域的频谱使用情况，从而使得非授权用户使用检测到的频谱空隙以提高频谱效率。

近几年来，许多频谱感知技术被提出，包括匹配滤波器检测、能量检测和基于特征值的检测等。不同的传输媒介和长距离通信使得天地一体化网络接收信号信噪比低，低信噪比下，传统的频谱感知方案的检测可靠性容易受到影响。因此目前频谱感知技术中存在信号认知程度浅、微弱信号识别准确率低等问题，不能满足天地一体化网络对频谱认知检测的需求。

因此，现有技术有待于进一步的改进。

发明内容

鉴于上述现有技术中的不足之处，本发明的目的在于提供一种基于深度学习的频谱感知方法、装置及设备，克服现有技术中低信噪比下天地一体化网络中对频谱认知检测的准确率低的缺陷。

本发明实施例公开的方案如下：

第一方面，本实施例公开了一种基于深度学习的频谱感知检测方法，其中，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；

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预测频谱状态值，其中，所述频谱检测网络模型是基于协方差矩阵样本和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。

可选的，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。

可选的，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。

可选的，所述预设网络模型为LeNet-5网络模型。

可选的，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：