卫星与地面蜂窝系统共存下的智能频谱感知方法及系统

1.本发明涉及空间通信与无线通信技术领域，特别是指一种卫星与地面蜂窝系统共存下的智能频谱感知方法及系统。


背景技术：

2.随着卫星与地面蜂窝系统的共存，移动通信技术发展快速，二者已在频谱资源方面形成了激烈的竞争态势，其中无线通信设备的数量呈指数级增长，使得当前无线频谱资源局部紧张却整体空闲即“假性枯竭”的矛盾愈发明显，静态的无线电频谱资源管理方式已经不再足够有效。认知无线电采用动态频谱管理方法，可以为认知用户(secondary user,su)提供动态频谱访问机会，而不会对授权用户(primary user,pu)造成通信干扰，频谱感知阶段就是该方法中的一个重要环节，感知性能的好坏直接影响后面的频谱分配和频谱共享等阶段。频谱感知，即认知用户对接收到的信号进行相应的分析处理，识别出频谱空洞，从而伺机接入空闲频段，且不会对授权用户造成干扰，能够最大程度缓解“假性枯竭”的矛盾。
3.现有的能量检测法计算复杂度低，实现简单，且不需要接收信号的任何先验信息，但极容易受到噪声不确定性的影响，即当噪声样本出现较大采样值时，该方法存在误判的危险；而当知道接收信号的详细信息时，匹配滤波器检测法是最佳检测器，但计算复杂度比较高，而且往往实际场景中对接收信号的任何先验信息是难以获取的。但上述两种方法，在低信噪比(signal-to-noise ratio,snr)下都无法获得较好的感知性能。


技术实现要素：

4.本发明实施例提供了一种卫星与地面蜂窝系统共存下的智能频谱感知方法及系统。所述技术方案如下：
5.一方面，提供了一种卫星与地面蜂窝系统共存下的智能频谱感知方法，该方法由电子设备实现，该方法包括：
6.s1、通过认知用户感知电路接收待感知信号；
7.s2、提取所述待感知信号的多个特征，联合生成特征矩阵；
8.s3、将所述特征矩阵映射成特征张量；
9.s4、将所述特征张量输入到预先训练生成的模型features-cnn；
10.s5、使用所述模型features-cnn判断出所述待感知信号所在频段的状态。
11.可选地，所述多个特征包括以下至少一种：能量特征、功率谱密度特征、循环平稳特征、lp范数特征以及几何功率特征。
12.可选地，所述s2，具体包括：
13.s21、对待感知信号y(t)(t≥0)进行采样，得到离散的样值y(l)(l＝0,1,
…
,n-1)，称之为接收信号序列；
14.s22-1、提取y(l)的能量特征，记为e，其计算表达式为：
[0015][0016]
其中，m为信号采样点数；
[0017]
s22-2、提取y(l)的功率谱密度特征，即第k个频率分量上的功率谱密度py(k)，其计算表达式为：
[0018][0019]
其中，n为接收信号序列的长度，y(k)是进行快速傅里叶变换所得结果的第k个系数，其计算表达式为：
[0020][0021]
其中，fft(y(l))表示对y(l)做快速傅里叶变换；
[0022]
s22-3、提取y(l)的循环平稳特征；
[0023]
首先接收信号的自相关函数在时间t上仅关于t0是呈周期性的，表示为：
[0024][0025]
其中，τ是恒定滞后，*表示共轭操作；
[0026]
然后对进行傅里叶变换，得到信号的循环自相关函数
[0027][0028]
其中，α为循环频率；
[0029]
最后对进行傅里叶变换，计算得出循环功率谱密度函数即y(l)的循环平稳特征：
[0030][0031]
其中，f为频率，的取值情况如下：
[0032][0033]
其中，h(f)是感知信道的冲激响应，和分别为信号和噪声在α处得到的循环功率谱密度函数；
[0034]
s22-4、提取y(l)的lp范数特征，其计算公式为：
[0035][0036]
其中，p的取值为1，得到表征y(l)幅值特性的lp一范数，也称为曼哈顿范数；
[0037]
s22-5、提取y(l)的几何功率特征，计算表达式为：
[0038][0039]
其中，exp为指数运算，log为对数运算；
[0040]
s23、将上述五个特征联合生成特征矩阵f＝(e
energy
,p
power
,s
stationarity
,l
norm
,g
geometric
)，其中能量特征e
energy
＝(e1,e2,...,ev)
t
，功率谱密度特征p
power
＝(p1,p2,...,pv)
t
，pn,n＝1,2,
…
,v由不同频率分量上的功率谱密度py(k)加权得到，循环平稳特征s
stationarity
＝(s1,s2,...,sv)
t
，sn＝(s
αn
,s
fn
),n＝1,2,...,v，s
αn
由α＝0时的得到，s
fn
由α≠0时的得到，lp范数特征l
norm
＝(l1,l2,...,lv)
t
，几何功率特征g
geometric
＝(g1,g2,...,gv)
t
，t表示转置操作。
[0041]
可选地，预先训练生成模型features-cnn，具体包括：
[0042]
通过认知用户感知电路接收信号；
[0043]
提取所述信号的多个特征，联合生成特征矩阵；
[0044]
将所述特征矩阵，根据所述信号的类型添加对应标签后，映射成特征张量，作为模型features-cnn的数据集；
[0045]
在卷积神经网络features-cnn中使用所述数据集进行训练，生成模型features-cnn。
[0046]
可选地，所述卷积神经网络features-cnn由l个卷积层、m个池化层、n个全连接层以及relu激活函数构成，其中l、m和n均为正整数；
[0047]
输入层:所述特征张量；
[0048]
卷积层：其计算过程为：
[0049][0050]
其中，x
(l)
表示第l层的特征图，z
(l)
是第l层进行卷积操作后的结果，w
(l)
表示第l层的权值矩阵，b表示偏置矩阵，f表示relu激活函数，其计算表达式如下所示：
[0051][0052]
池化层：池化层的作用是去除不重要的数据，采用最大池化，求取特征图区域内神经元的最大值，其操作表示为：
[0053][0054]
其中，rk表示当前特征图的某一区域，ai为这一区域里所有神经元的值；
[0055]
全连接层:采用前馈神经网络，经过最后一个全连接层得到2
×
1的输出向量，用于判断pu信号有无，从而知道目标频段的状态为空闲还是忙碌；
[0056]
训练数据由不同snr下的特征矩阵映射成的特征张量构成，表达式为：
[0057][0058]
其中，u为训练集的长度，表示第u个训练样本及其标签，zu∈{0,1}表示这个样本下的标签；
[0059]
将输入features-cnn后得到：
[0060][0061]
其中，j表示features-cnn对应的函数关系式，θ表示features-cnn所有需要训练的模型参数，表示训练样本被判为授权频段的空闲状态h0的概率值，表示训练样本被判为授权频段的忙碌状态h1的概率值，和的取值在0-1之间。
[0062]
可选地，所述卷积神经网络features-cnn的训练，选用交叉熵损失函数来衡量输出向量与标签之间的误差，定义为:
[0063][0064]
其中，l(θ)的值越小，代表拟合程度越好，把训练问题建模为一个优化问题，求得使l(θ)最小的最优的θ
*
，表示如下：
[0065][0066]
由于l(θ)的非线性，难以得到最优解θ
*
，利用梯度下降法来寻找θ
*
，用下式来进行表示：
[0067][0068]
上式中，θi为θ的第i个参数，为其在训练过程中的第l次选代更新的值，则为目标函数l(θ)在θi上的梯度，α被定义为学习率；
[0069]
所述features-cnn训练结束的条件是：l(θ)不再下降，则停止遍历，保存网络模型j(θ
*
)。
[0070]
可选地，所述s5，具体包括：
[0071]
对于待感知信号序列y(l),l＝0,1,
…
,n-1的某一个样值y(m),0≤m≤n-1，进行特征提取生成对应的特征矩阵并映射成特征张量得到训练生成的模型features-cnn的输入向量，通过训练生成的网络模型j(θ
*
)计算出当前输入对应的输出向量：
[0072][0073]
其中，表示被判为授权频段的空闲状态h0的概率值，表示被判为授权频段的忙碌状态h1的概率值，和的取值在0-1之间；
[0074]
根据所述输出向量，判断出所述待感知信号所在频段的状态。
[0075]
另一方面，提供了一种卫星与地面蜂窝系统共存下的智能频谱感知系统，所述系统包括：
[0076]
接收模块，用于通过认知用户感知电路接收待感知信号；
[0077]
提取模块，用于提取所述待感知信号的多个特征，联合生成特征矩阵；
[0078]
映射模块，用于将所述特征矩阵映射成特征张量；
[0079]
输入模块，用于将所述特征张量输入到预先训练生成的模型features-cnn；
[0080]
判断模块，用于使用所述模型features-cnn判断出所述待感知信号所在频段的状
态。
[0081]
另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述卫星与地面蜂窝系统共存下的智能频谱感知方法。
[0082]
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述卫星与地面蜂窝系统共存下的智能频谱感知方法。
[0083]
本发明实施例提供的技术方案带来的有益效果至少包括：
[0084]
本发明提取接收信号的多个特征，包括以下至少一种：能量特征、功率谱密度特征、循环平稳特征、lp范数特征以及几何功率特征，联合生成特征矩阵，将所述特征矩阵，根据所述信号的类型添加对应标签后，映射成特征张量，作为模型features-cnn的数据集，送入到已设置好超参数的卷积神经网络features-cnn中，完成训练和测试阶段，其中训练数据和测试数据的占比分别为60％、40％，最后通过仿真验证了本发明基于接收特征矩阵的频谱感知方法在低信噪比情况下的较好的感知性能。
附图说明
[0085]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0086]
图1是本发明实施例提供的一种卫星与地面蜂窝系统共存下的智能频谱感知方法流程图；
[0087]
图2是本发明实施例提供的卫星与地面蜂窝系统共存场景图；
[0088]
图3是本发明实施例提供的features-cnn训练流程图；
[0089]
图4是本发明实施例的features-cnn算法的检测概率变化曲线图；
[0090]
图5是本发明实施例的features-cnn算法的虚警概率变化曲线图；
[0091]
图6是本发明实施例提供的一种卫星与地面蜂窝系统共存下的智能频谱感知系统框图；
[0092]
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0093]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0094]
本发明实施例提供了一种卫星与地面蜂窝系统共存下的智能频谱感知方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的一种卫星与地面蜂窝系统共存下的智能频谱感知方法流程图，该方法的处理流程可以包括如下的步骤：
[0095]
s1、通过认知用户感知电路接收待感知信号；
[0096]
s2、提取所述待感知信号的多个特征，联合生成特征矩阵；
[0097]
s3、将所述特征矩阵映射成特征张量；
[0098]
s4、将所述特征张量输入到预先训练生成的模型features-cnn；
[0099]
s5、使用所述模型features-cnn判断出所述待感知信号所在频段的状态。
[0100]
针对星地通信频谱资源紧张的问题，本发明实施例提出在卫星网络与地面蜂窝网共存场景下进行频谱感知的方案，达到有效利用频谱空洞，提升整个系统频谱利用率的目的。作为示例，本发明实施例在ka频段(18.8-20.2ghz)，考虑由leo卫星及其地球站组成的系统为授权通信系统，5g基站及其移动终端组成的系统为认知通信系统，两个系统均为下行链路，作为认知用户的5g基站去感知leo卫星与地球站进行通信时使用频段的状态，一旦判决为空闲状态，就可以伺机接入。
[0101]
在本发明实施例中，所考虑的授权系统里存在一个授权用户，认知系统里存在一个配备了多根接收天线的认知用户，去主动感知来自leo卫星的接收信号，如图2所示。
[0102]
认知用户接收信号y(t)是经过感知链路得到的，其取值情况有两种，可以表示授权频段的不同使用状态，具体表达式如下：
[0103][0104]
其中，n(t)是均值为0，方差为的加性白高斯噪声(additive white gaussian noise,awgn)，x(t)是授权用户的发射信号，h是感知链路的信道增益，y(t)是认知用户接收信号，它的不同取值分别可以表示授权频段的空闲状态h0和忙碌状态h1。h0表明检测统计量小于判决阈值λ，此时授权频段未被pu使用，即存在频谱空洞，su可以接入；h1表明检测统计量大于λ，授权频段正在被使用，无法接入。
[0105]
下面结合图3-图5，详细说明本发明实施例提供的一种卫星与地面蜂窝系统共存下的智能频谱感知方法，包括：
[0106]
s1、通过认知用户感知电路接收待感知信号；
[0107]
s2、提取所述待感知信号的多个特征，联合生成特征矩阵；
[0108]
可选地，所述多个特征包括以下至少一种：能量特征、功率谱密度特征、循环平稳特征、lp范数特征以及几何功率特征。
[0109]
可选地，所述s2，具体包括：
[0110]
s21、对待感知信号y(t)(t≥0)进行采样，得到离散的样值y(l)(l＝0,1,
…
,n-1)，称之为接收信号序列；
[0111]
s22-1、提取y(l)的能量特征，记为e，其计算表达式为：
[0112][0113]
其中，m为信号采样点数；
[0114]
s22-2、提取y(l)的功率谱密度特征，即第k个频率分量上的功率谱密度py(k)，功率谱密度可以反映信号的功率分布情况，可以作为一种特性来表征y(l)，其计算表达式为：
[0115][0116]
其中，n为接收信号序列的长度，y(k)是进行快速傅里叶变换所得结果的第k个系数，其计算表达式为：
[0117][0118]
其中，fft(y(l))表示对y(l)做快速傅里叶变换；
[0119]
s22-3、提取y(l)的循环平稳特征；
[0120]
在卫生发射信号调制过程中，经过调频、循环前缀等处理，使得产生的调制信号具有周期性的统计信号特性，即循环平稳特性，但是awgn信号是不具备此特性的，所以可根据su的接收信号是否满足循环平稳特性来判断pu信号是否存在。
[0121]
首先接收信号的自相关函数在时间t上仅关于t0是呈周期性的，表示为：
[0122][0123]
其中，τ是恒定滞后，*表示共轭操作；
[0124]
然后对进行傅里叶变换，得到信号的循环自相关函数
[0125][0126]
其中，α为循环频率；
[0127]
最后对进行傅里叶变换，计算得出循环功率谱密度函数即y(l)的循环平稳特征：
[0128][0129]
其中，f为频率，的取值情况如下：
[0130][0131]
其中，h(f)是感知信道的冲激响应，和分别为信号和噪声在α处得到的循环功率谱密度函数；
[0132]
s22-4、提取y(l)的lp范数特征，因lp范数检测器在awgn中的表现良好，且不需要任何关于pu信号的先验知识，故采用lp范数来体现接收到的信号序列的特征，其计算公式为：
[0133][0134]
其中，p的取值为1，得到表征y(l)幅值特性的lp一范数，也称为曼哈顿范数；
[0135]
s22-5、提取y(l)的几何功率特征(幅值几何平均值)，计算表达式为：
[0136][0137]
其中，exp为指数运算，log为对数运算；
[0138]
s23、将上述五个特征联合生成特征矩阵f＝(e
energy
,p
power
,s
stationarity
,l
norm
,ggeometric
)，其中能量特征e
energy
＝(e1,e2,...,ev)
t
，功率谱密度特征p
power
＝(p1,p2,...,pv)
t
，pn,n＝1,2,
…
,v由不同频率分量上的功率谱密度py(k)加权得到，循环平稳特征s
stationarity
＝(s1,s2,...,sv)
t
，sn＝(s
αn
,s
fn
),n＝1,2,...,v，s
αn
由α＝0时的得到，s
fn
由α≠0时的得到，lp范数特征l
norm
＝(l1,l2,...,lv)
t
，几何功率特征g
geometric
＝(g1,g2,...,gv)
t
，t表示转置操作。
[0139]
本发明实施例通过将能量特征计算公式转换为matlab代码，可以生成128
×
1的能量特征矩阵；通过设置matlab自带的函数pwelch的输入参数，可以生成128
×
1的功率谱密度特征矩阵；通过设置matlab自带的函数commp25ssca的输入参数，可以生成128
×
2的循环平稳特征矩阵；通过将lp范数特征计算公式转换为matlab代码，可以生成128
×
1的lp范数特征矩阵；通过将几何功率特征计算公式转换为matlab代码，可以生成128
×
1的几何功率特征矩阵。
[0140]
s3、将所述特征矩阵映射成特征张量；
[0141]
张量是本发明实施例使用python编程语言进行后续模型训练时用到的一种数据结构。
[0142]
s4、将所述特征张量输入到预先训练生成的模型features-cnn；
[0143]
可选地，预先训练生成模型features-cnn，具体包括：
[0144]
通过认知用户感知电路接收信号；
[0145]
提取所述信号的多个特征，联合生成特征矩阵；
[0146]
将所述特征矩阵，根据所述信号的类型添加对应标签后，映射成特征张量，作为模型features-cnn的数据集；
[0147]
在卷积神经网络features-cnn中使用所述数据集进行训练，生成模型features-cnn。
[0148]
可选地，所述卷积神经网络features-cnn由l个卷积层、m个池化层、n个全连接层以及relu激活函数构成，其中l、m和n均为正整数；
[0149]
作为一个示例，本发明实施例的网络参数可以如表1所示：
[0150]
表1 features-cnn网络参数表
[0151][0152]
从上表可知，本发明实施例的features-cnn有三个卷积层c1、c2和c3，卷积核个数分别为4，4和8，大小分别为2*2，2*2和4*4，步长分别为1，2和1，且均进行图像的填充；三个池化层p1、p2和p3，其核的大小均为2*2，只有p3进行图像的填充；五个全连接层f
1 f5。
[0153]
输入层:所述特征张量；
[0154]
其大小可以为128
×
6。
[0155]
卷积层：输入矩阵通过第一个卷积层，c1采用4个2*2的卷积核，得到4个不同的特征图，c2和c3亦是同理，其计算过程为：
[0156][0157]
其中，x
(l)
表示第l层的特征图，z
(l)
是第l层进行卷积操作后的结果，w
(l)
表示第l层的权值矩阵，b表示偏置矩阵，f表示relu激活函数，其计算表达式如下所示：
[0158][0159]
池化层：池化层的作用是去除不重要的数据，采用最大池化，求取特征图区域内神经元的最大值，其操作表示为：
[0160][0161]
其中，rk表示当前特征图的某一区域，ai为这一区域里所有神经元的值；
[0162]
全连接层:采用前馈神经网络，经过最后一个全连接层得到2
×
1的输出向量，用于判断pu信号有无，从而知道目标频段的状态为空闲还是忙碌；
[0163]
features-cnn的训练流程如图3所示。
[0164]
其中，dataloader函数用于数据的读取操作。
[0165]
features-cnn的训练数据和测试数据分别占数据集的60％、40％，使用的优化器是小批量梯度下降法(mini-batch gradient descent,mbgd)，在每次迭代时需要计算损失函数的梯度并求和。
[0166]
在离线训练阶段会从数据集中随机抽取60％带有标签的数据作为训练集ω，训练数据由不同snr下的特征矩阵映射成的特征张量构成，表达式为：
[0167][0168]
其中，u为训练集的长度，表示第u个训练样本及其标签，zu∈{0,1}表示这个样本下的标签；
[0169]
将输入features-cnn后得到：
[0170][0171]
其中，j表示features-cnn对应的函数关系式，θ表示features-cnn所有需要训练的模型参数，表示训练样本被判为授权频段的空闲状态h0的概率值，表示训练样本被判为授权频段的忙碌状态h1的概率值，和的取值在0-1之间。
[0172]
可选地，所述卷积神经网络features-cnn的训练，选用交叉熵损失函数来衡量输出向量与标签之间的误差，定义为:
[0173][0174]
其中，l(θ)的值越小，代表拟合程度越好，把训练问题建模为一个优化问题，求得使l(θ)最小的最优的θ
*
，表示如下：
[0175][0176]
由于l(θ)的非线性，难以得到最优解θ
*
，利用梯度下降法来寻找θ
*
，用下式来进行表示：
[0177][0178]
上式中，θi为θ的第i个参数，为其在训练过程中的第l次选代更新的值，则为目标函数l(θ)在θi上的梯度，α被定义为学习率(本发明实施例中将其设置为0.001)；
[0179]
所述features-cnn训练结束的条件是：l(θ)不再下降，则停止遍历，保存网络模型j(θ
*
)。
[0180]
s5、使用所述模型features-cnn判断出所述待感知信号所在频段的状态。
[0181]
在感知阶段，对于待感知信号序列y(l),l＝0,1,
…
,n-1的某一个样值y(m),0≤m
≤n-1，通过上述特征计算公式，进行特征提取生成对应的特征矩阵并映射成特征张量得到训练生成的模型features-cnn的输入向量，通过训练生成的网络模型j(θ
*
)计算出当前输入对应的输出向量：
[0182][0183]
其中，表示被判为授权频段的空闲状态h0的概率值，表示被判为授权频段的忙碌状态h1的概率值，和的取值在0-1之间；
[0184]
根据所述输出向量，判断出所述待感知信号所在频段的状态
[0185]
本发明实施例的基于接收信号特征矩阵的频谱感知算法的详细过程见表2，其中，用epoch
max
表示最大遍历次数，用last_loss表示上一次在训练集遍历得到的损失值。
[0186]
表2基于接收信号特征矩阵的频谱感知算法
[0187][0188]
本发明实施例考虑最常见的两个用于评估频谱感知方法的性能指标：检测概率pd和虚警概率pf，其定义表达式分别为：
[0189][0190]
其中，pd过低，su很难准确检测到存在的pu，一旦su认为授权频段处于空闲状态并接入的话，就会对pu产生干扰；pf较高的话，su就会很容易认为当前的授权频段处于忙碌状
态，一旦su发生在这样的误判，就会失去对空闲频段的占用，从而降低了频谱利用率。因此，本发明实施例要尽可能地去提升pd同时去降低pf，达到最大程度上去利用频谱资源的目的。本发明实施例的features-cnn算法的检测概率变化曲线图如图4所示，本发明实施例的features-cnn算法的虚警概率变化曲线图如图5所示。
[0191]
如图6所示，本发明实施例还提供了一种卫星与地面蜂窝系统共存下的智能频谱感知系统，包括：
[0192]
接收模块610，用于通过认知用户感知电路接收待感知信号；
[0193]
提取模块620，用于提取所述待感知信号的多个特征，联合生成特征矩阵；
[0194]
映射模块630，用于将所述特征矩阵映射成特征张量；
[0195]
输入模块640，用于将所述特征张量输入到预先训练生成的模型features-cnn；
[0196]
判断模块650，用于使用所述模型features-cnn判断出所述待感知信号所在频段的状态。
[0197]
本发明实施例提供的一种卫星与地面蜂窝系统共存下的智能频谱感知系统，其功能结构与本发明实施例提供的一种卫星与地面蜂窝系统共存下的智能频谱感知方法相对应，在此不再赘述。
[0198]
图7是本发明实施例提供的一种电子设备700的结构示意图，该电子设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)701和一个或一个以上的存储器702，其中，所述存储器702中存储有至少一条指令，所述至少一条指令由所述处理器701加载并执行以实现上述卫星与地面蜂窝系统共存下的智能频谱感知方法的步骤。
[0199]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述卫星与地面蜂窝系统共存下的智能频谱感知方法。例如，所述计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0200]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0201]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种卫星与地面蜂窝系统共存下的智能频谱感知方法，其特征在于，所述方法包括：s1、通过认知用户感知电路接收待感知信号；s2、提取所述待感知信号的多个特征，联合生成特征矩阵；s3、将所述特征矩阵映射成特征张量；s4、将所述特征张量输入到预先训练生成的模型features-cnn；s5、使用所述模型features-cnn判断出所述待感知信号所在频段的状态。2.根据权利要求1所述的方法，其特征在于，所述多个特征包括以下至少一种：能量特征、功率谱密度特征、循环平稳特征、lp范数特征以及几何功率特征。3.根据权利要求2所述的方法，其特征在于，所述s2，具体包括：s21、对待感知信号y(t)(t≥0)进行采样，得到离散的样值y(l)(l＝0,1,
…
,n-1)，称之为接收信号序列；s22-1、提取y(l)的能量特征，记为e，其计算表达式为：其中，m为信号采样点数；s22-2、提取y(l)的功率谱密度特征，即第k个频率分量上的功率谱密度p
y
(k)，其计算表达式为：其中，n为接收信号序列的长度，y(k)是进行快速傅里叶变换所得结果的第k个系数，其计算表达式为：其中，fft(y(l))表示对y(l)做快速傅里叶变换；s22-3、提取y(l)的循环平稳特征；首先接收信号的自相关函数在时间t上仅关于t0是呈周期性的，表示为：其中，τ是恒定滞后，*表示共轭操作；然后对进行傅里叶变换，得到信号的循环自相关函数进行傅里叶变换，得到信号的循环自相关函数其中，α为循环频率；最后对进行傅里叶变换，计算得出循环功率谱密度函数即y(l)的循环平稳特征：其中，f为频率，的取值情况如下：
其中，h(f)是感知信道的冲激响应，和分别为信号和噪声在α处得到的循环功率谱密度函数；s22-4、提取y(l)的lp范数特征，其计算公式为：其中，p的取值为1，得到表征y(l)幅值特性的lp一范数，也称为曼哈顿范数；s22-5、提取y(l)的几何功率特征，计算表达式为：其中，exp为指数运算，log为对数运算；s23、将上述五个特征联合生成特征矩阵f＝(e
energy
,p
power
,s
stationarity
,l
norm
,g
geometric
)，其中能量特征e
energy
＝(e1,e2,...,ev)
t
，功率谱密度特征p
power
＝(p1,p2,...,pv)
t
，p
n
,n＝1,2,
…
,v由不同频率分量上的功率谱密度p
y
(k)加权得到，循环平稳特征s
stationarity
＝(s1,s2,...,sv)
t
，s
n
＝(s
αn
,s
fn
),n＝1,2,...,v，s
αn
由α＝0时的得到，s
fn
由α≠0时的得到，lp范数特征l
norm
＝(l1,l2,...,lv)
t
，几何功率特征g
geometric
＝(g1,g2,...,gv)
t
，t表示转置操作。4.根据权利要求1所述的方法，其特征在于，预先训练生成模型features-cnn，具体包括：通过认知用户感知电路接收信号；提取所述信号的多个特征，联合生成特征矩阵；将所述特征矩阵，根据所述信号的类型添加对应标签后，映射成特征张量，作为模型features-cnn的数据集；在卷积神经网络features-cnn中使用所述数据集进行训练，生成模型features-cnn。5.根据权利要求4所述的方法，其特征在于，所述卷积神经网络features-cnn由l个卷积层、m个池化层、n个全连接层以及relu激活函数构成，其中l、m和n均为正整数；输入层:所述特征张量；卷积层：其计算过程为：其中，x
(l)
表示第l层的特征图，z
(l)
是第l层进行卷积操作后的结果，w
(l)
表示第l层的权值矩阵，b表示偏置矩阵，f表示relu激活函数，其计算表达式如下所示：
池化层：池化层的作用是去除不重要的数据，采用最大池化，求取特征图区域内神经元的最大值，其操作表示为：其中，r
k
表示当前特征图的某一区域，a
i
为这一区域里所有神经元的值；全连接层:采用前馈神经网络，经过最后一个全连接层得到2
×
1的输出向量，用于判断pu信号有无，从而知道目标频段的状态为空闲还是忙碌；训练数据由不同snr下的特征矩阵映射成的特征张量构成，表达式为：其中，u为训练集的长度，表示第u个训练样本及其标签，z
u
∈{0,1}表示这个样本下的标签；将输入features-cnn后得到：其中，j表示features-cnn对应的函数关系式，θ表示features-cnn所有需要训练的模型参数，表示训练样本被判为授权频段的空闲状态h0的概率值，表示训练样本被判为授权频段的忙碌状态h1的概率值，和的取值在0-1之间。6.根据权利要求5所述的方法，其特征在于，所述卷积神经网络features-cnn的训练，选用交叉熵损失函数来衡量输出向量与标签之间的误差，定义为:其中，l(θ)的值越小，代表拟合程度越好，把训练问题建模为一个优化问题，求得使l(θ)最小的最优的θ
*
，表示如下：由于l(θ)的非线性，难以得到最优解θ
*
，利用梯度下降法来寻找θ
*
，用下式来进行表示：上式中，θ
i
为θ的第i个参数，为其在训练过程中的第l次选代更新的值，则为目标函数l(θ)在θ
i
上的梯度，α被定义为学习率；所述features-cnn训练结束的条件是：l(θ)不再下降，则停止遍历，保存网络模型j(θ
*
)。7.根据权利要求6所述的方法，其特征在于，所述s5，具体包括：在感知阶段，对于待感知信号序列y(l),l＝0,1,...,n-1的某一个样值y(m),0≤m≤n-1，进行特征提取生成对应的特征矩阵并映射成特征张量得到训练生成的模型features-cnn的输入向量，通过训练生成的网络模型j(θ
*
)计算出当前输入对应的输出向量：
其中，表示被判为授权频段的空闲状态h0的概率值，表示被判为授权频段的忙碌状态h1的概率值，和的取值在0-1之间；根据所述输出向量，判断出所述待感知信号所在频段的状态。8.一种卫星与地面蜂窝系统共存下的智能频谱感知系统，其特征在于，所述系统包括：接收模块，用于通过认知用户感知电路接收待感知信号；提取模块，用于提取所述待感知信号的多个特征，联合生成特征矩阵；映射模块，用于将所述特征矩阵映射成特征张量；输入模块，用于将所述特征张量输入到预先训练生成的模型features-cnn；判断模块，用于使用所述模型features-cnn判断出所述待感知信号所在频段的状态。9.一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，其特征在于，所述至少一条指令由所述处理器加载并执行以实现如权利要求1-7任一项所述卫星与地面蜂窝系统共存下的智能频谱感知方法。10.一种计算机可读存储介质，所述存储介质中存储有至少一条指令，其特征在于，所述至少一条指令由处理器加载并执行以实现如权利要求1-7任一项所述卫星与地面蜂窝系统共存下的智能频谱感知方法。

技术总结
本发明涉及空间通信与无线通信技术领域，特别是指一种卫星与地面蜂窝系统共存下的智能频谱感知方法及系统，所述方法包括：S1、通过认知用户感知电路接收待感知信号；S2、提取所述待感知信号的多个特征，联合生成特征矩阵；S3、将所述特征矩阵映射成特征张量；S4、将所述特征张量输入到预先训练生成的模型Features-CNN；S5、使用所述模型Features-CNN判断出所述待感知信号所在频段的状态。采用本发明，可以在低信噪比情况下具有较好的感知性能。在低信噪比情况下具有较好的感知性能。在低信噪比情况下具有较好的感知性能。


技术研发人员：陈月云 桑鲁静 唐超 杜利平 韩双双
受保护的技术使用者：北京科技大学顺德创新学院
技术研发日：2023.06.27
技术公布日：2023/9/25