本申請屬于認知無線電，尤其涉及一種頻譜感知模型的訓練方法、裝置、設備及頻譜感知方法。

背景技術：

1、頻譜感知對于為通信分配頻譜資源和組織監(jiān)控活動至關重要，可以使用頻譜感知技術來實現認知無線電，可動態(tài)識別、利用空閑頻譜資源，從而提高無線電系統(tǒng)對周圍電磁環(huán)境的感知能力和頻譜利用效率。

2、隨著機器學習技術的發(fā)展，機器學習越來越多的被用于頻譜感知。但在電波傳播環(huán)境中，存在可用于深度學習的樣本數較少或電磁環(huán)境頻繁變化等問題，當環(huán)境發(fā)生變化時，使用舊樣本訓練的頻譜感知模型無法可靠的用于新環(huán)境，導致頻譜感知模型不能在這種場景下快速的實現頻譜感知，感知性能大大降低。

技術實現思路

1、本申請實施例提供一種頻譜感知模型的訓練方法、裝置、設備及頻譜感知方法，用以至少解決相關技術中當電磁環(huán)境發(fā)生變化時使用舊樣本訓練的頻譜感知模型無法可靠的用于新環(huán)境導致感知性能低的問題。

2、第一方面，本申請實施例提供一種頻譜感知模型的訓練方法，包括：

3、獲取多個電波傳播中的待感知信號訓練樣本；

4、將多個所述待感知信號訓練樣本輸入到預設模型的特征提取網絡中，得到多個所述待感知信號訓練樣本各自對應的特征矩陣；

5、根據iou系數對多個特征矩陣進行篩選，得到目標樣本；

6、根據所述目標樣本，利用平滑損失函數訓練所述預設模型的區(qū)域建議網絡，得到rpn建議；

7、根據所述rpn建議和所述特征矩陣，利用生成對抗網絡訓練所述預設模型的分類網絡；

8、在不滿足預設訓練停止條件的情況下，返回所述將多個所述待感知信號訓練樣本輸入到預設模型的特征提取網絡中的步驟，直至滿足所述預設訓練停止條件，得到訓練后的頻譜感知模型。

9、第二方面，本申請實施例提供一種頻譜感知方法，包括：

10、獲取電波傳播中的待感知信號；

11、將所述待感知信號輸入到預先訓練得到的頻譜感知模型中，所述頻譜感知模型包括特征提取網絡、區(qū)域建議網絡、池化區(qū)域、分類網絡、第一全連接層和第二全連接層；

12、通過所述特征提取網絡對所述待感知信號進行降維處理，得到特征矩陣，所述特征矩陣的維數是根據所述特征提取網絡的降維系數確定的；

13、通過所述區(qū)域建議網絡將所述特征矩陣轉化為分類矩陣和回歸矩陣；

14、通過所述池化區(qū)域分別對所述分類矩陣和回歸矩陣進行窗口化處理，得到所述分類矩陣對應的第一向量和回歸矩陣對應的第二向量，所述第一向量和所述第二向量的尺寸均為預設尺寸；

15、通過所述分類網絡分別對所述第一向量和所述第二向量進行扁平化處理，得到扁平化后的第一向量和扁平化后的第二向量；

16、通過所述第一全連接層對所述扁平化后的第一向量進行分類，通過所述第二全連接層對所述扁平化后的第二向量進行回歸，并根據預設閾值進行判斷，得到頻譜感知結果。

17、第三方面，本申請實施例提供了一種頻譜感知模型的訓練裝置，所述裝置包括：

18、獲取模塊，用于獲取多個電波傳播中的待感知信號訓練樣本；

19、輸入模塊，用于將多個所述待感知信號訓練樣本輸入到預設模型的特征提取網絡中，得到多個所述待感知信號訓練樣本各自對應的特征矩陣；

20、篩選模塊，用于根據iou系數對多個特征矩陣進行篩選，得到目標樣本；

21、第一訓練模塊，用于根據所述目標樣本，利用平滑損失函數訓練所述預設模型的區(qū)域建議網絡，得到rpn建議；

22、第二訓練模塊，用于根據所述rpn建議和所述特征矩陣，利用生成對抗網絡訓練所述預設模型的分類網絡；

23、第三訓練模塊，用于在不滿足預設訓練停止條件的情況下，返回所述將多個所述待感知信號訓練樣本輸入到預設模型的特征提取網絡中的步驟，直至滿足所述預設訓練停止條件，得到訓練后的頻譜感知模型。

24、第四方面，本申請實施例提供了一種電子設備，該電子設備包括：處理器以及存儲有計算機程序指令的存儲器；處理器執(zhí)行所述計算機程序指令時實現如第一方面的任一項實施例中所述的頻譜感知模型的訓練方法的步驟。

25、第五方面，本申請實施例提供了一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序指令，計算機程序指令被處理器執(zhí)行時實現如第一方面的任一項實施例中所述的頻譜感知模型的訓練方法的步驟。

26、本申請實施例的頻譜感知模型的訓練方法、裝置、設備及頻譜感知方法，基于獲取的多個電波傳播中的待感知信號訓練樣本，構建了快速cnn頻譜感知架構，優(yōu)化了其中的特征提取網絡、區(qū)域建議網絡和分類網絡架構；對輸入信號樣本根據iou系數進行篩選，并利用篩選后的樣本進行區(qū)域建議網絡的訓練以產生rpn建議，然后使用rpn建議來訓練分類網絡，并且在分類網絡的訓練中引入了生成對抗網絡，訓練了頻譜數據增強機制和領域自適應機制，使訓練數據適應頻譜動態(tài)變化；最終訓練得到的頻譜感知模型可以用于一維信號的頻譜感知，模型性能好、可靠，提高了頻譜感知的精度，降低了頻譜感知的復雜度，能夠用于復雜的射頻環(huán)境中。

技術特征：

1.一種頻譜感知模型的訓練方法，其特征在于，包括：

2.根據權利要求1所述的方法，其特征在于，所述根據所述rpn建議和所述特征矩陣，利用生成對抗網絡訓練所述預設模型的分類網絡，包括：

3.根據權利要求2所述的方法，其特征在于，所述生成對抗網絡包括生成器網絡和判別器網絡；

4.根據權利要求1所述的方法，其特征在于，所述iou系數為：

5.根據權利要求1所述的方法，其特征在于，

6.根據權利要求1所述的方法，其特征在于，所述區(qū)域建議網絡的中間層為卷積層。

7.一種頻譜感知方法，其特征在于，包括：

8.一種頻譜感知模型的訓練裝置，其特征在于，所述裝置包括：

9.一種電子設備，其特征在于，所述設備包括：處理器以及存儲有計算機程序指令的存儲器；所述處理器調用所述計算機程序指令時實現如權利要求1-6中任意一項所述的頻譜感知模型的訓練方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序指令，所述計算機程序指令被處理器調用時實現如權利要求1-6中任意一項所述的頻譜感知模型的訓練方法。

技術總結
本申請公開了一種頻譜感知模型的訓練方法、裝置、設備及頻譜感知方法。所述訓練方法包括：獲取多個電波傳播中的待感知信號訓練樣本；將多個訓練樣本輸入到預設模型的特征提取網絡中，得到多個訓練樣本各自對應的特征矩陣；根據IoU系數對多個特征矩陣進行篩選得到目標樣本；根據目標樣本，利用平滑損失函數訓練預設模型的區(qū)域建議網絡，得到RPN建議；根據RPN建議和特征矩陣，利用生成對抗網絡訓練預設模型的分類網絡；在不滿足預設訓練停止條件的情況下，返回將多個訓練樣本輸入到預設模型的步驟，直至滿足預設訓練停止條件，得到訓練后的頻譜感知模型。根據本申請實施例，最終訓練得到的頻譜感知模型性能好、可靠，能夠用于復雜的射頻環(huán)境中。

技術研發(fā)人員：李濤,姚俊楠,朱磊,王凱,袁偉偉,李勝權,程騫,趙穎坤,司飛飛,王淑平,袁舒,李紅霞
受保護的技術使用者：中國人民解放軍32180部隊
技術研發(fā)日：
技術公布日：2024/12/30