[发明专利]一种基于小样本训练神经网络的频谱感知方法

说明书

本发明提供了一种基于小样本训练神经网络的频谱感知方法，包括以下步骤：对神经网络检测器进行预训练，将检测器预先部署在系统实际运行环境中，通过少量数据以及少量梯度迭代计算出检测器在不同感知环境下的微调值及其测试损失值，然后计算出损失值对应的初始参数的梯度并且对初始参数进行梯度更新，使得检测器的初始参数能够迅速适应环境的变化；基于预训练的神经网络检测器的初始参数进行在线调整；将抽样后的接收信号输入进经过调整后的神经网络检测器来预测此时频谱是否被占用的概率。该频谱感知方法能够达到与现有的基于大量样本以及梯度迭代的神经网络检测器相近的检测性能，且能有效减少检测器调整所需要的计算量以及样本数量。

技术领域

本发明属于无线通信网络技术领域，涉及一种基于小样本训练神经网络的频谱感知方法。

背景技术

频谱感知，即通过接收信号来判断当前频谱是否被占用，已经受到越来越广泛的关注。频谱感知技术因为其应用的广泛性，在很多通信场景下都有广泛的应用。例如，认知无线电技术以及抗干扰通信技术等。

关于频谱感知技术的研究一般都是假设一定的先验信息，例如发送端通信特征或信道特征已知。但是这些先验信息在实际应用中往往较难获得，从而导致该类方法的实用性较差。随着机器学习技术的快速发展，现有研究逐渐集中于将机器学习技术与盲频谱感知技术相结合。在不需要先验信息的条件下，机器学习方法往往能够获得更准确的检测结果，但该类方法往往需要消耗感知端大量的计算资源以及需要大量的训练样本。

因此，业内急需一种基于小样本训练神经网络的频谱感知方法的新型技术。

发明内容

本发明目的在于提供一种基于小样本训练神经网络的频谱感知方法，以解决现有技术中基于神经网络的频谱感知方法中需要大量样本以及大量计算的技术问题。

为实现上述目的，本发明提供了一种基于小样本训练神经网络的频谱感知方法，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。

进一步的，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。

进一步的，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。

进一步的，所述步骤S1中K为大于等于10小于等于100的整数。

进一步的，所述步骤S1中J为大于等于1小于等于10的整数。