[发明专利]一种基于半监督深度学习的频谱感知方法

权利要求书

1.一种基于半监督深度学习的频谱感知方法，其特征在于,该方法包括以下步骤：

S1、通过有标签样本训练半监督集成决策树模型以获得用于区分PU信号和噪声的分类器；

S2、将无标签样本输入分类器，并将置信度高于预设值的无标签样本标记为伪标签；

S3、通过所述的伪标签训练CNN网络以获得频谱感知预测模型；

在步骤S1之前先构建半监督集成决策模型：

令X＝{X^L,X^U}表示由有标签样本集X^L和无标签样本集X^U构成的训练集，Y^L＝{y_i|y_i∈[0,1]}对应于X^L的标签，f_i＝f(x_i)∈R^J表示第i个接收信号x_t对应的特征向量，x_t∈X；

在步骤S1中，通过提取有标签样本的高阶累积量特征、时频特征和信息熵特征训练半监督集成决策树；

通过混合矩定义M_pq获取各类高阶累积量：

M_pq＝E[r(n)^p-q(r^*(n))^q]    (1)

提取高阶累积量C₄₀，

E(r(n))表示对r(n)求期望，r(n)表示接收机收到的复信号，利用采样点的平均值代替理论期望，且将接收信号r(n)的四阶累积量作为训练半监督集成决策树的信号特征，高阶累积量的计算方式为：

所述的时频特征包括零中心归一化瞬时幅度谱密度最大值γ_max和零中心瞬时相位非线性分量标准偏差β_dp，其中，

零中心归一化瞬时幅度谱密度最大值γ_max用于表征信号瞬时幅度的变换情况；

零中心瞬时相位非线性分量标准偏差β_dp用于区分PU信号和噪声；

所述的信息熵特征包括频谱香农熵特征、奇异谱熵特征和能量谱熵特征。

2.根据权利要求1所述的基于半监督深度学习的频谱感知方法，其特征在于，零中心归一化瞬时幅度谱密度最大值γ_max被定义为：

γ_max＝max|DFT(A_cn(i))|²/N    (4)

其中，A_cn(i)为零中心归一化瞬时幅度，由下式计算：

A_cn(i)＝A_n(i)-1   (5)

其中，A_n(i)＝A(i)/m_a，m_a为瞬时幅度的平均值,

零中心瞬时相位非线性分量标准偏差β_dp被定义为：

其中，φ_NL是经过零中心化处理后瞬时相位的非线性分量，t_a用于判断信号段的一个幅度阈值。

3.根据权利要求2所述的基于半监督深度学习的频谱感知方法，其特征在于，将频谱感知描述为如下二元假设检验问题：

其中，r(n)表示接收机收到的复信号，n＝0,1,2…,N-1,x(n)表示经过多径衰落的PU信号，v(n)为服从高斯分布N(0,σ²)的加性高斯白噪声，H₀表示信道当前未被占用，H₁表示信道被占用。