[发明专利]一种基于小样本训练神经网络的频谱感知方法

权利要求书

1.一种基于小样本训练神经网络的频谱感知方法，其特征在于，包括以下步骤：

步骤S1、预训练阶段：对神经网络检测器进行预训练，将神经网络检测器预先在系统实际运行环境中进行部署，随机初始化神经网络检测器的初始参数，按照以下过程循环处理，直到进行规定次数的预训练为止，具体过程为：

S11、在当前感知环境下抽取K个样本，通过J次梯度迭代计算出神经网络检测器的微调值，对所述微调值进行存储；其中，K和J均为大于0的整数；

S12、在当前感知环境下再抽取K个新的样本，并计算所述微调值与新样本的损失值，计算出新样本的损失值对应的初始参数的梯度；

S13、根据新样本的损失值对应的初始参数的梯度对初始参数进行更新；

S14、检查预训练的次数，若达到规定次数的预训练，则执行步骤S2；若未达到规定次数的预训练，则检查此时神经网络检测器微调值的检测性能，若神经网络检测器微调值的检测性能恶化超过门限值，则返回至步骤S11进行下一次预训练；

步骤S2、在线调整阶段：基于步骤S1预训练得到的神经网络检测器的初始参数，在当前感知环境下抽取至少K个样本，并且通过至少J次梯度迭代对神经网络检测器的初始参数进行调整；

步骤S3、在线检测阶段：将当前的接收信号输入至步骤S2调整后的神经网络检测器，神经网络检测器将输出当前频谱是否被占用；

所述步骤S1中K为大于等于10小于等于100的整数；

所述步骤S1中J为大于等于1小于等于10的整数；

所述步骤S1中神经网络检测器的初始参数包括神经网络中每个神经元的初始权重与初始偏置；

所述步骤S1和步骤S2中的样本均指的是接收信号以及其对应的频谱状态的集合。

2.根据权利要求1所述的一种基于小样本训练神经网络的频谱感知方法，其特征在于，所述步骤S3中在运行过程中检查神经网络检测器的检测性能恶化是否超过门限值，若超过门限值，则返回至步骤S2对神经网络检测器重新进行调整。

3.根据权利要求2所述的一种基于小样本训练神经网络的频谱感知方法，其特征在于，所述检测性能恶化指的是不同时刻的漏检概率的差值超过门限值。

4.根据权利要求1所述的一种基于小样本训练神经网络的频谱感知方法，其特征在于，所述步骤S12中损失值指的是通过机器学习中的损失函数计算得到的值。

5.根据权利要求4所述的一种基于小样本训练神经网络的频谱感知方法，其特征在于，所述损失函数为交叉熵。