欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202110136183X
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于机器学习的卫星频谱感知方法,其特征在于:包括数据预处理、模型离线训练、在线检测三个部分,具体步骤如下:(1)数据预处理:将单用户信号I个信道的历史接收数据以时隙为单位进行能量归一化;单用户信号I个信道的历史接收数据经能量归一化后,拼接组合得到CNN神经网络训练集(X,Y)CNN;单用户信号I个信道的历史接收数据经能量归一化后,组合得到LSTM神经网络训练集(X,Y)LSTM;

(2)模型离线训练:使用CNN神经网络训练集(X,Y)CNN对CNN神经网络进行训练,使用LSTM神经网络训练集(X,Y)LSTM对LSTM神经网络进行训练:基于如下原则:(2.1)使用网格搜索法分别确定两个神经网络的优化方向和超参数;

(2.2)使用K折交叉验证法分别对两个训练集进行合理划分;

(2.3)使用早停法监视两个神经网络的训练过程;

(3)在线检测:包括联合检测值计算、检测门限计算和在线样本检测三部分:(3.1)联合检测值计算:融合训练完成的CNN神经网络的输出概率向量和LSTM神经网络的输出概率向量得到联合检测值;包括如下步骤:(3.1.1)第k个时隙对应的CNN神经网络的训练样本 经训练完成的CNN神经网络的输出概率向量表示为:其中: 表示训练完成的CNN神经网络, 表示训练完成的CNN神经网络判定第k个时隙的频谱占用状态为H0的概率, 表示训练完成的CNN神经网络判定第k个时隙的频谱占用状态为H1的概率;

(3.1.2)第k个时隙对应的LSTM神经网络的训练样本 经训练完成的LSTM神经网络的输出概率向量表示为:其中: 表示训练完成的LSTM神经网络, 表示训练完成的LSTM神经网络判定第k个时隙的频谱占用状态为H0的概率, 表示训练完成的LSTM神经网络判定第k个时隙的频谱占用状态为H1的概率;

(3.1.3)对 和 的输出概率向量进行融合得到的融合概率向量表示为:其中: 表示融合了CNN神经网络和LSTM神经网络的联合神经网络, 表示联合神经网络判定第k个时隙的频谱占用状态为H0的概率, 表示联合神经网络判定第k个时隙的频谱占用状态为H1的概率;

(3.1.4)用于判定第k个时隙的频谱占用状态的联合检测值表示为:其中:T(·)表示联合检测值;

(3.2)检测门限计算:根据历史时隙对应的CNN神经网络训练集(X,Y)CNN中的噪声数据集和LSTM神经网络训练集(X,Y)LSTM中的噪声数据集计算联合检测值集合,结合设置的虚警概率求出检测门限;包括如下步骤:(3.2.1)从CNN神经网络训练集(X,Y)CNN中分离出L个频谱占用状态为H0的训练样本形成噪声数据集 从LSTM神经网络训练集(X,Y)LSTM中分离出L个频谱占用状态为H0的训练样本形成噪声数据集 和 对应的时隙相同;

(3.2.2)使用步骤(3.1)的方法计算噪声数据集中各时隙的频谱占用状态的联合检测值,对联合检测值进行降序排列,得到噪声数据集的联合检测值集合(l)

T(W )表示由大到小排列在第l位的联合检测值;

(3.2.3)设置检测门限值 其中: 表示联合检测值集合 中(l)

的第l个元素T(W ), 为设置的虚警概率, 表示对·向下取整;

(3.3)在线样本检测:将实时采集到的检测样本的联合检测值与检测门限进行对比,判断频谱占用情况。

2.根据权利要求1所述的基于机器学习的卫星频谱感知方法,其特征在于:所述步骤(1)中,对单用户信号I个信道的历史接收数据经能量归一化,第k个时隙第i个信道的接收数据 表示为:其中:复向量 为第k个时隙第i个信道接收到的长为N的离散复信号, 为复向量的第n个离散时间抽样值,K为时隙总数,I为单用户信号包含的信道总数,N为信号长度;

第k个时隙第i个信道的接收数据 的能量 表示为:

其中:energy(·)表示对·求能量;

单用户信号I个信道在第k个时隙的历史接收数据经能量归一化后,拼接组合得到CNN神经网络训练集(X,Y)CNN中第k个时隙的训练样本 对应的标签标识为其中:训练样本 是大小为N×I×2的矩阵, 为 的第一通道矩阵,为 的第二通道矩阵, 表示在第k个时隙的频谱占用状态,H0表示频谱未被占用,H1表示频谱被占用;

单用户信号I个信道在第k个时隙的历史接收数据经能量归一化后,组合得到LSTM神经网络训练集(X,Y)LSTM中第k个时隙的训练样本 对应的标签标识为 第k个时隙的频谱占用状态是由第k‑1,…,k‑s个时隙的能量值序列经LSTM神经网络预测得到的:其中:训练样本 是由前s个时隙能量值构成,s为回溯窗长, 表示在第k个时隙的频谱占用状态,H0表示频谱未被占用,H1表示频谱被占用。

3.根据权利要求1所述的基于机器学习的卫星频谱感知方法,其特征在于:所述步骤(3.3),在线样本检测时,先计算实时采集到的某一时隙的检测样本的联合检测值再对比联合检测值 与检测门限值γ,得到该检测样本的频谱占用情况State:其中:State表示该检测样本的频谱占用情况。