【技术实现步骤摘要】
一种基于深度迁移学习的宽带频谱感知方法
[0001]本专利技术属于无线通信
，具体来说，涉及一种基于深度迁移学习的宽带频谱感知方法。
技术介绍
[0002]随着无线通信技术的迅猛发展，未来无线网络将使用极宽的频谱资源，这就要求频谱感知的范围将进一步扩大，如果采用奈奎斯特速率采样将导致过高的硬件成本和功耗，大量的采样数据也给后续数据存储和处理带来了不便。针对该问题，研究人员提出了基于次奈奎斯特速率的采样方式，利用信号在感知频段内的稀疏性，通过压缩感知的方法进行解决。然而，基于压缩感知的方法依赖于稀疏的先验模型，在信噪比较低时性能下降严重，同时较高的运算复杂度将增加感知所需的时间，因而不适用于动态复杂电磁环境的频谱感知。随着人工智能的兴起，其在无线网络中的应用已取得了初步成效并蕴含巨大潜力，深度神经网络(Deep Neural Network,DNN)能够从原始频谱数据发掘深层特征，无需依赖精确的数学模型，同时能够充分利用并灵活整合空、时、频、用户、网络等多域高维信息，实现数据驱动的准确高效频谱感知。此外，DNN可通过基于...
【技术保护点】
【技术特征摘要】
1.一种基于深度迁移学习的宽带频谱感知方法，其特征在于，具体包括以下步骤：步骤1、通过宽频谱信号检测系统模型接收宽带频谱信号，并对接收的宽带频谱信号进行预处理；步骤2、构建深度学习网络，将预处理的宽带频谱信号输入深度学习网络中进行训练，直至达到设定的迭代轮次，完成对深度学习网络的训练；步骤3、冻结训练好的深度学习网络中的部分全连接层或卷积层，得到迁移学习网络；步骤4、通过步骤1的方法重新获取预处理的宽带频谱信号，输入迁移学习网络中迭代训练至指定轮次，完成对迁移学习网络的训练；步骤5、再次通过步骤1的方法重新获取预处理的宽带频谱信号，输入训练好的迁移学习网络中，预测宽带频谱信号的频谱占用情况。2.根据权利要求1所述的一种基于深度迁移学习的宽带频谱感知方法，其特征在于，步骤1包括如下子步骤：步骤1.1、宽频谱信号检测系统模型中接收的每个宽带频谱信号具有M个大小相同非重叠窄带，通信用户的接收信号占用整个宽带频谱；在宽频谱信号检测系统模型中的任何一个次用户接收到的宽带频谱信号表示为：其中，x
m
(t)表示第m个频段主用户发送的信号，h表示信道增益，w(t)表示加性高斯白噪声，H0表示频段内主用户信号不存在，授权频段没有被占用；H1表示频段内主用户信号存在，授权频段被占用；步骤1.2、在采样时间T内，以f
s
采样频率对每一个接收的宽带频谱信号进行欠奈奎斯特采样，得到时域离散信号y[n]，对每个时域离散信号y[n]进行N点的离散傅里叶变换处理，得到y[n]的频域离散信号y[k]：其中，n表示时域离散信号y[n]的第n个时域离散点，j表示虚数单位，k表示得到的频域离散信号y[k]的第k个频域离散点；步骤1.3、将频域离散信号y[k]的实部和虚部合并成一个向量作为深度学习网络的输入[Re(y[0]),...,Re(y[N
‑
1]),Im(y[0]),...,Im(y[N
‑
1])]，其中，Re( )表示实部值，Im( )表示虚部值；采用0/1编码方式来表示每个宽带频谱信号中M个窄带的占用情况，作为深度学习网络输入的真实标签z＝[z1,z2,...,z
M
]，其中，0表示频段内主用户信号不存在，授权频段没有被占用的情形；1表示频段内主用户信号存在，授权频段被占用的情形。3.根据权利要求1所述的一种基于深度迁移学习的宽带频谱感知方法，其特征在于，所述深度学习网络为FCNet，由4层神经元个数分别为512、256、128、20的全连接层依次连接组成，且前三层全连接层的激活函数为relu函数，最后一层全连接层的激活函数为sigmoid函数；所述FCNet训练过程中的超参数的学习率设置为0.002，迭代轮次设置为10，批尺寸设置为8，选择SGD随机梯度下降算法，将SGD算法中的动量项设置为0.9，损失函数为二元交叉
熵损失函数；将训练好的FCNet冻结前两层全连接层，得到迁移学习网络；所述迁移学习网络训练的超参数的学习率设置为0.002，迭代轮次和批尺寸均设置为1，选择SGD随机梯度下降算法，将SGD算法中的动量项设置为0.9，损失函数为二元交叉熵损失函数。4.根据权利要求1所述的一种基于深度迁移学习的宽带频谱感知方法，其特征在于，所述深度学习网络为CNNet，由三层卷积核数目均为16、卷积核大小均为3、步长均为1的一维卷积层和神经元数目分别为128和20的全连接层依次连接组成；第一个全连接层的激活函数为relu函数，第二个全连接层的激活函数为sigmoid函数，并在每个一维卷积层后设置0.2的Dropout并添加...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。