[发明专利]一种基于深度神经网络的频谱感知方法

权利要求书

1.一种基于深度神经网络的频谱感知方法，其特征在于，包括以下步骤：

S1、采样：通过M元多天线系统采集N个时刻的观测向量，将观测向量分为有标记的采样数据和无标记的采样数据，其中有标记的采样数据作为训练集，无标记的采样数据作为测试数据；

S2、获取检测统计量：构建基于深度神经网络的检测统计量模型，采用步骤S1获得的训练集进行训练，得到训练好的深度神经网络模型，根据获得的测试数据，获得检测统计量；具体方法为：

设x(n)＝[x₁(n),x₂(n),…,x_m(n),…,x_M(n)]^T表示第n个观测向量，n＝0,1,…,N-1，其中x_m(n)是在第m个天线的第n个离散时间采样，m＝1,2,…,M；将多天线下的频谱感知问题设定为一个二元假设检验问题：

H₁:x(n)＝s(n)+u(n)

H₀:x(n)＝u(n)

其中，H₁和H₀分别代表主用户存在和主用户不存在两种假设检验，s(n)表示信号向量，u(n)表示均值为0，协方差为的独立同分布圆对称复高斯向量，表示噪声方差；

采用离线训练和在线检测两个模块组成深度神经网络DNN框架，则：

(1)离线训练用于基于DNN的检测统计量设计：

设训练集为：

(Y,Z)＝{(y⁽¹⁾,z⁽¹⁾),(y⁽²⁾,z⁽²⁾),…,(y^(k),z^(k)),…,(y^(K),z^(K))}

其中，Y表示输入数据y的集合，y是原始采样数据或者基于原始采样得出的训练集；与之对应，Z代表标签的集合，即(y^(k),z^(k))表示第k个样本，k＝1,2,…,K，K是总的样本数，对于频谱感知模型，z^(k)＝1和z^(k)＝0分别表示H₁和H₀；

令

表示DNN的输出，它是一个2×1维的类分数向量；其中，h_θ(·)表示在参数θ下的DNN表达式，表示DNN对应于假设检验H_i的表达式，即表示对应于H_i的类分数；

设DNN训练的目标为最小化代价函数：

即DNN训练的目标是获得最优的参数θ，使得后验概率P(Z|Y)最大：

其中，θ^*代表最大后验概率准则下的最优参数；

基于代价函数，通过反向传播算法逐步更新DNN的参数，得到训练好的DNN为：

其中，表示以y为输入的训练好的DNN，表示对应于H_i的类分数；

令表示标签H₀下的单个样本输入，得到基于DNN的似然比L_DNN在H₀情况下的表达式：

令

表示H₀下的数据集，将其送到训练好的DNN，得到各个样本对应的L_DNN|H₀的值，将这些值按降序排列，组成一个集合，记为对应于虚警概率φ的检测阈值表示为：

其中，表示向下取最近整数，表示集合的第l个元素；

(2)在线检测：

令多天线系统收集的测试数据记为将其送到训练好的DNN进行基于DNN的似然比检验：

得到检测统计量后，进入步骤S3；

S3、判决：将检测统计量与阈值进行比较：如果检测统计量大于阈值，判为主用户信号存在；否则，判为主用户信号不存在。