买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电子科技集团公司第五十四研究所

摘要：本发明涉及一种无线通信技术，特别是涉及基于数据驱动的频谱感知方法。具体过程为：在训练阶段，利用神经网络，从训练数据样本集中，学习同环境解耦合的频谱状态特征；在测试阶段，将测试数据输入训练好的神经网络，获取频谱感知分类结果。所述神经网络，利用生成对抗网络的思想，通过对抗学习来提取同环境解耦合的特征。本发明在先验信息缺乏背景下，能够利用有限的已知域的训练样本集，通过线下一次性学习，学习与环境无关的频谱状态特征，进而完成在线自适应、敏捷的频谱感知，实现具有环境适应性的频谱感知能力，有效提升智能频谱感知方法的泛化能力。

主权项：1.一种具有环境适应能力的智能频谱感知方法，其特征在于，包括以下过程：在训练阶段，利用神经网络，从训练数据样本集中，学习同环境解耦合的频谱状态特征；在测试阶段，将测试数据输入训练好的神经网络，获取频谱感知分类结果；所述神经网络，至少包括特征提取器、频谱状态分类器和域鉴别器；特征提取器用于从输入数据中提取携带频谱状态信息的数据特征，频谱状态分类器用于对数据特征进行频谱状态分类，判断频谱状态是占用或空闲，域鉴别器用于对数据特征进行域类别鉴别，判断数据特征来自的域；频谱状态类别用独热编码来表示；域类别用独热编码来表示；其中，特征提取器与域鉴别器是对抗学习的关系，对抗学习的最终目标是使得特征提取器所提取的特征不包含域相关的信息；其中，神经网络训练时，通过联合最小化特征提取器-频谱状态分类器的损失函数以及最大化特征提取器-域鉴别器的损失函数更新特征提取器的参数，通过最小化特征提取器-频谱状态分类器的损失函数更新频谱状态分类器的参数，通过最大化特征提取器-域鉴别器的损失函数更新域鉴别器的参数；所述联合最小化特征提取器-频谱状态分类器的损失函数以及最大化特征提取器-域鉴别器的损失函数，是指通过在特征提取器和域鉴别器之间引入梯度反向层，基于控制梯度反向层的超参数来联合优化更新特征提取器的参数；所述联合最小化特征提取器-频谱状态分类器的损失函数以及最大化特征提取器-域鉴别器的损失函数作为神经网络整个模型的损失函数，表达式如下：Jθe,θc,θd＝Jθe,θc-λJθe,θd式中，λ为引入的超参数，λ＞0；θe、θc和θd分别对应为特征提取器、频谱状态分类器和域鉴别器的参数；Jθe,θc为特征提取器-频谱状态分类器的损失函数，Jθe,θd为特征提取器-域鉴别器的损失函数；其中，损失函数由交叉熵来定义，假设tk被编码为独热向量δk＝[δ1,δ2,...,δV]，域鉴别器的输出用向量来表示，特征提取器-频谱状态分类器和特征提取器-域鉴别器的损失函数分别如下： 式中，θe、θc和θd分别对应为特征提取器、频谱状态分类器和域鉴别器的参数，K表示训练样本数量，表示第k个采样协方差矩阵，表示在频谱处于占用状态H1情况下，输入数据经过特征提取器-频谱状态分类器后对频谱状态的预测输出，表示在频谱处于空闲状态H0情况下，输入数据经过特征提取器-频谱状态分类器后对频谱状态的预测输出，zk表示第k个训练样本即协方差矩阵对应的频谱状态标签，表示第i个SNR场景下第k个训练样本的SNR标签，表示域鉴别器对第i个SNR场景下第k个训练样本的预测输出；其中，梯度反向层的超参数取值为一个随训练过程逐渐变化的自适应因子，具体如下： 式中，α是一个随训练进度从0逐渐变化到1的变量；通过构建优化目标函数，来更新特征提取器、频谱状态分类器和域鉴别器的参数；构建的优化目标函数，如下： 式中，和分别对应为特征提取器、频谱状态分类器和域鉴别器的优化参数；通过不断迭代优化目标函数，得到特征提取器、频谱状态分类器和域鉴别器的最优参数。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所 一种具有环境适应能力的智能频谱感知方法