一种基于深度学习的频谱感知检测方法、装置及设备

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：

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。

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：

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。

可选的，所述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的步骤包括：

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。

第二方面，本实施例公开了一种基于深度学习的频谱感知检测装置，其中，包括：

数据获取模块，用于获取待预测信号观测数据集；

数据处理模块，用于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；

检测模块，用于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。

第三方面，本实施例公开了一种终端设备，其中，包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现所述的基于深度学习的频谱感知检测方法的步骤。

第四方面，本实施例公开了一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述的基于深度学习的频谱感知检测方法的步骤。

有益效果，本发明提供了一种基于深度学习的频谱感知检测方法、装置及设备，通过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。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。

附图说明

图1是本实施例所提供的基于深度学习的频谱感知检测方法的步骤流程图；

图2分别是本实施例所提供的所述方法的具体应用实施例步骤示意图；

图3是本实施例频谱检测网络模型的结构示意图；

图4是本实施例样本与噪声协方差矩阵特征值降序排序图；

图5是本实施例所述基于深度学习的频谱感知装置的原理框图；

图6是本实施例所述终端设备的原理结构示意图；

图7是本实施例中SNR＝-15dB时，模拟信号下与传统检测技术的性能比较图；

图8是本实施例中模拟信号下与传统检测技术的噪声敏感性比较(虚警概率Pf＝0.1)

图9是本实施例中SNR＝-15dB时，真实环境下与传统检测技术的接收操作特征(ROC)曲线图；

图10本实施例中虚警概率Pf＝0.1时，真实环境下与传统检测技术的噪声敏感性比较。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

本技术邻域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术邻域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属邻域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

随着无线设备的激增和数据流量的快速增长，无处不在和无限的连接是非常理想的。为了提供无线设备之间的无缝通信连接，补充地面连接，天地一体化网络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。由于无线通信的质量受到传播介质的影响，提高天地一体化频谱效率引起了研究人员和业界的广泛关注。

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，许多无线信号认知技术被提出，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。因此目前无线信号认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。

为了克服上述信号认知程度浅、微弱信号识别准确率低的缺陷，本实施例提供一种基于深度学习的频谱感知方法，利用深度学习的学习能力与数据挖掘能力，基于高阶累积量和循环谱检测相结合的频谱感知技术，通过数据驱动的方式从接收预测信号的协方差矩阵中提取信号特征，在不使用系统先验信息的条件下设置检测阈值，这种盲感知方案可消除噪声不确定性的影响。通过对模拟信号和实际信号的数值分析表明在低信噪比条件下，该方案可有效提高频谱检测性能，在低信噪比条件下将信号检测准确率提高到95％以上。

下面结合附图，对本发明所公开的所述方法做更为详细的解释。

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，如图1所示，包括：

步骤S1、获取待预测信号观测数据集。

本步骤中先获取待进行处理的预测信号观测数据集，具体的，所述预测信号观测数据集包括：多个采集到的待预测的信号观测值。

可以想到的是，本步骤中获取待预测信号观测数据集的方式可以有多种，一种方式为，智能观测设备直接采集到待预测的信号观测值，或者智能设备从其他智能设备中获取其采集到的信号观测值。信号观测数据集也可以是预先保存到云端服务器中的数据。

步骤S2、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。

当获取到上述步骤S1中所述的待预测信号观测数据集时，本步骤对该待预测信号观测数据集中含有的信号观测值进行处理，利用其高阶累积量计算所述预测信号的协方差矩阵确定预测信号的协方差矩阵。

高阶累积量为阶数高于二阶的统计量，通过获取到的待预测信号观测数据集可以根据高阶累积量的计算公式，可以直接计算得到待预测信号观测数据的高阶累积量，再根据待预测信号观测数据的高阶累积量确定所述预测信号对应的协方差矩阵。

步骤S3、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。

当上述步骤S2中计算得到预测信号对应的协方差矩阵后，将预测信号对应的协方差矩阵输入值已经训练完成的频谱检测网络模型，得到频谱检测网络模型输出的与所述协方差矩阵对应的预测频谱状态值。具体的，预测频谱状态值包括频谱空闲和频谱占用两种状态。

具体的，结合图2所示，本实施例所提供的方法中，首先构建出了训练输入的样本数据，再构建基于深度学习的预设网络模型，再将样本数据输入至预设网络模型，得到训练得到的频谱检测网络模型，利用测试集数据及其标签对训练完成的频谱检测网络模型的性能进行评估，得到最终训练完成的频谱检测网络模型，以及最终利用训练完成的频谱检测网络模型输出的与样本数据对应的预测频谱状态值。

进一步的，预设网络模型包括至少一层卷积层，其训练得到的频谱检测网络模型也同样具有至少一层卷积层，利用卷积层提取输入的协方差矩阵的特征值，最终得到其预测出的频谱状态值。结合图3所示，在一种实施方式中，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。在本本实施例中预设网络模型使用LeNet-5网络模型，其是属于一种CNN网络，其隐藏层由卷积层1(C1)、汇聚层1(P1)、卷积层2(C2)、汇聚层2(P2)和全连通层(F)组成。

具体的，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。

具体的，结合如2所示，上述预设网络模型的训练方法包括以下步骤：

1.获取用于训练预设网络模型的样本数据集中含有多个信号观测值的样本数据，其为(X

2.基于高阶累积量计算信号的协方差矩阵Rx；

3.将协方差矩阵Rx输入预设网络模型，该网络的输入为信号的协方差矩阵Rx，输出为二元频谱状态决策值，可用于判断频谱的占用情况。

具体的，从L组数据集中选取

在训练集训练至网络收敛于最佳值附近后，由剩余的数据即

具体的，为了实现在不使用系统先验信息的条件下设置检测阈值，消除噪声不确定性的影响，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。

根据奈曼-皮尔逊定理，似然比检验具有最佳的检测性能，因此本实施例中选择使用似然比检验的方法对模型参数进行修正。

具体的，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：

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。

本实施例提出的盲阈值设置方案的详细步骤如下：

1.将输入信号的协方差矩阵的特征值进行降序排序λ

2.由于噪声的协方差矩阵的特征值约等于其噪声方差

3.根据噪声的协方差矩阵，对其输出的似然比检验数据进行降序排列，由虚警概率决定其对应的数据并设置为网络的阈值；

4.当检测信号的检验数据大于阈值，则判断该频谱信道被占用；

5.根据判断出的频谱信道被占用数据后，将其与该频谱信道被占用的真实值进行比较，得到真实值与预测值之间的差值，得到损失值，并根据损失值对模型参数进行修正；

6.利用循环频率对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，得到最终的模型参数。

为了克服现有技术中的无线信号认知技术中存在信号认知程度浅、微弱信号识别准确率低，不能满足天地一体化网络对频谱认知检测的需求，以及传统频谱检测技术依赖于信号的先验信息，实际检测中由于噪声等环境因素的不确定性，检测算法的适应性差等问题。本发明提出了基于深度学习的频谱感知检测方法，利用深度学习的学习能力与数据挖掘能力，基于高阶累积量和循环谱检测相结合的频谱感知技术，通过数据驱动的方式从接收信号的协方差矩阵中提取信号特征，在不使用系统先验信息的条件下设置检测阈值，这种盲感知方案可消除噪声不确定性的影响。通过对模拟信号和实际信号的数值分析表明在低信噪比条件下，该方案可有效提高频谱检测性能，在低信噪比条件下将信号检测准确率提高到95％以上。

本实施例还公开了一种基于深度学习的频谱感知检测装置，如图5所示，包括：

数据获取模块100，用于获取待预测信号观测数据集；其功能如步骤S1所述。

数据处理模块200，用于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；其功能如步骤S2所述。

检测模块300，用于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，其功能如步骤S3所述。

在上述方法的基础上，本实施例还公开了一种终端设备，包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现所述的基于深度学习的频谱感知检测方法的步骤。一种实施方式中，所述终端设备可以为手机、平板电脑或智能电视。

具体的，如图6所示，所述终端设备包括至少一个处理器(processor)20以及存储器(memory)22，还可以包括显示屏21、通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中方法的步骤。

此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的基于深度学习的频谱感知检测方法。

存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

另一方面，本实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述基于深度学习的频谱感知方法的步骤。

下面将本发明提出的方案(DLSS)与能量检测(ED)、最大特征值检测(MED)与最大特征值能量检测方案在模拟信号和实际信号的情况下进行比较：

在模拟数据的仿真下，DLSS能在低信噪比的环境下提高检测性能。随着信噪比的升高，ROC曲线往右上方移动，如图7。与传统检测技术的对比中，能明显看到DLSS居于最上方，如图8所示。在SNR＝-15dB且虚警概率等于0.1时，DLSS的检测概率大于95％。而图9的信噪比-检测概率曲线中，能看到DLSS的性能在变化的信噪比中是最稳定的。

真实环境下，信号之间往往具有相关性，而噪声并非简易的高斯噪声，因此在该环境下(本实施例中使用的是指数相关模型与海杂波噪声)，如图10所示，得到DLSS的ROC曲线仍居于最上方，在低信噪比下仍有最好的表现性能，而信噪比-检测概率曲线中，传统检测技术的检测性能随信噪比降低而有较大的下降趋势，而DLSS依然稳定在高检测概率区域。

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。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，并对信号特征进行检测得到天地一体网络中频谱感知状态，本实施例方法有效提高频谱检测性能，提高非授权用户使用检测到的频谱空隙效率。

可以理解的是，对本邻域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。