[发明专利]一种基于ResNet-CBAM的频谱感知方法

权利要求书

1.一种基于ResNet-CBAM的频谱感知方法，其特征在于包括以下步骤：

步骤1：在认知无线电系统中，设定主用户状态在任一个感知时段跳变的次数最多只有三次，即在任一个感知时段主用户信号出现随机到达和离开的情况最多只发生三次，设定仅存在1个次级用户，设定次级用户从一个待感知的频段采集信号，且在每个感知时段的N个采样时刻采样信号，在K个感知时段共采样K×N个信号，将次级用户在第k个感知时段的第n个采样时刻采样的信号记为s_k(n)，当在第k个感知时段主用户信号出现随机离开的情况时s_k(n)描述为：并设置s_k(n)的标记为H₀；当在第k个感知时段主用户信号出现随机到达的情况时s_k(n)描述为：并设置s_k(n)的标记为H₁；其中，K＞1，N＞1，1≤k≤K，1≤n≤N，x_k(n)表示次级用户在第k个感知时段的第n个采样时刻采样的信号中的主用户信号，w_k(n)表示次级用户在第k个感知时段的第n个采样时刻采样的信号中的高斯白噪声信号，w_k(n)的均值为0且方差为N_a、N_c和N_e表示在第k个感知时段主用户信号随机离开时的前一个采样时刻，N_b、N_d和N_f表示在第k个感知时段主用户信号随机到达时的前一个采样时刻，N_a、N_b、N_c、N_d、N_e、N_f均服从超指数分布，N_a∈[0,N-1]、N_b∈[0,N-1]、N_c∈[0,N]、N_d∈[0,N-1]、N_e∈[0,N-1]、N_f∈[0,N]；

步骤2：计算次级用户在每个感知时段的每个采样时刻采样的信号的能量，将次级用户在第k个感知时段的第n个采样时刻采样的信号的能量记为E_k(n)，E_k(n)＝|s_k(n)|²；然后获取训练数据，记为E，其中，符号“| |”为取绝对值符号，符号“[ ]”为矩阵或向量表示符号，E的维数为K×N，E₁(1)表示次级用户在第1个感知时段的第1个采样时刻采样的信号的能量，E₁(2)表示次级用户在第1个感知时段的第2个采样时刻采样的信号的能量，E₁(N)表示次级用户在第1个感知时段的第N个采样时刻采样的信号的能量，E₂(1)表示次级用户在第2个感知时段的第1个采样时刻采样的信号的能量，E₂(2)表示次级用户在第2个感知时段的第2个采样时刻采样的信号的能量，E₂(N)表示次级用户在第2个感知时段的第N个采样时刻采样的信号的能量，E_K(1)表示次级用户在第K个感知时段的第1个采样时刻采样的信号的能量，E_K(2)表示次级用户在第K个感知时段的第2个采样时刻采样的信号的能量，E_K(N)表示次级用户在第K个感知时段的第N个采样时刻采样的信号的能量；

步骤3：构建ResNet-CBAM网络：该网络包括五个结构相同的残差块、最大池化层、Flatten层、第一全连接层、Dropout层、第二全连接层，第1个残差块的输入端作为该网络的输入端接收输入数据，第2个残差块的输入端接收输入数据与第1个残差块的输出端输出的数据通过相加合并后得到的数据，第3个残差块的输入端接收第1个残差块的输出端输出的数据与第2个残差块的输出端输出的数据通过相加合并后得到的数据，第4个残差块的输入端接收第2个残差块的输出端输出的数据与第3个残差块的输出端输出的数据通过相加合并后得到的数据，第5个残差块的输入端接收第3个残差块的输出端输出的数据与第4个残差块的输出端输出的数据通过相加合并后得到的数据，最大池化层的输入端接收第4个残差块的输出端输出的数据与第5个残差块的输出端输出的数据通过相加合并后得到的数据，Flatten层的输入端接收最大池化层的输出端输出的数据，第一全连接层的输入端接收Flatten层的输出端输出的数据，Dropout层的输入端接收第一全连接层的输出端输出的数据，第二全连接层的输入端接收Dropout层的输出端输出的数据，第二全连接层的输出端作为该网络的输出端；其中，最大池化层的池化窗口大小为2×2、步长为2×2，第一全连接层的神经元个数为128，Dropout层的丢失率为0.5，第二全连接层的神经元个数为2，残差块由第一批归一化层、第一卷积层、第二批归一化层、第二卷积层、卷积块注意力模块组成，第一批归一化层的输入端为其所在的残差块的输入端，第一卷积层的输入端接收第一批归一化层的输出端输出的数据，第二批归一化层的输入端接收第一卷积层的输出端输出的数据，第二卷积层的输入端接收第二批归一化层的输出端输出的数据，卷积块注意力模块的输入端接收第二卷积层的输出端输出的数据，卷积块注意力模块的输出端为其所在的残差块的输出端，第一卷积层和第二卷积层的卷积核个数均为32、卷积核大小均为3×3、步长均为1×1，第一卷积层和第二卷积层的激活函数均为Relu函数，卷积块注意力模块的卷积核个数为1、卷积核大小为7×7、步长为1×1；

步骤4：将E和标签输入到构建的ResNet-CBAM网络中进行训练，在训练过程中采用交叉熵损失函数并利用自适应矩估计算法更新ResNet-CBAM网络中的参数；其中，Y的维数为K×1，y₁、y₂、y_K的值为0或1，y₁为E₁对应的标签，E₁表示次级用户在第1个感知时段采样的所有信号的能量构成的能量向量，E₁＝[E₁(1) E₁(2) … E₁(N)]，y₁的值为0时代表在第1个感知时段主用户对授权频谱的真实占用状态为未占用，y₁的值为1时代表在第1个感知时段主用户对授权频谱的真实占用状态为占用，y₂为E₂对应的标签，E₂表示次级用户在第2个感知时段采样的所有信号的能量构成的向量能量，E₂＝[E₂(1) E₂(2) … E₂(N)]，y₂的值为0时代表在第2个感知时段主用户对授权频谱的真实占用状态为未占用，y₂的值为1时代表在第2个感知时段主用户对授权频谱的真实占用状态为占用，y_K为E_K对应的标签，E_K表示次级用户在第K个感知时段采样的所有信号的能量构成的能量向量，E_K＝[E_K(1) E_K(2) …E_K(N)]，y_K的值为0时代表在第K个感知时段主用户对授权频谱的真实占用状态为未占用，y_K的值为1时代表在第K个感知时段主用户对授权频谱的真实占用状态为占用；

步骤5：使用训练数据E按照步骤4的过程训练40轮以上，最终训练得到ResNet-CBAM网络训练模型；

步骤6：在测试阶段对于同一个待感知的频段，次级用户按照步骤1和步骤2的过程，以相同的方式从该待感知的频段采集信号，在计算在测试阶段次级用户在每个感知时段的每个采样时刻采样的信号的能量后获取测试数据，记为其中，K'表示在测试阶段的感知时段的数量，K'＞1，N'表示在测试阶段的每个感知时段的采样时刻的数量，N'＞1，的维数为K'×N'，表示在测试阶段次级用户在第1个感知时段的第1个采样时刻采样的信号的能量，表示在测试阶段次级用户在第1个感知时段的第2个采样时刻采样的信号的能量，表示在测试阶段次级用户在第1个感知时段的第N'个采样时刻采样的信号的能量，表示在测试阶段次级用户在第2个感知时段的第1个采样时刻采样的信号的能量，表示在测试阶段次级用户在第2个感知时段的第2个采样时刻采样的信号的能量，表示在测试阶段次级用户在第2个感知时段的第N'个采样时刻采样的信号的能量，表示在测试阶段次级用户在第K'个感知时段的第1个采样时刻采样的信号的能量，表示在测试阶段次级用户在第K'个感知时段的第2个采样时刻采样的信号的能量，表示在测试阶段次级用户在第K'个感知时段的第N'个采样时刻采样的信号的能量；

步骤7：将中的每行能量作为一个测试向量，共有K'个测试向量；然后将每个测试向量输入到ResNet-CBAM网络训练模型中，ResNet-CBAM网络训练模型输出每个测试向量对应的一个数值，数值为0或1，ResNet-CBAM网络训练模型输出的第k'个测试向量对应的数值为0时代表在测试阶段在第k'个感知时段主用户信号未占用授权频谱，ResNet-CBAM网络训练模型输出的第k'个测试向量对应的数值为1时代表在测试阶段在第k'个感知时段主用户信号占用授权频谱；其中，1≤k'≤K'。