申请/专利权人：太原理工大学

申请日：2023-12-20

公开（公告）日：2024-03-22

公开（公告）号：CN117749301A

主分类号：H04B17/382

分类号：H04B17/382;H04L41/16;G06F18/10;G06F18/213;G06F18/24;G06N3/0464;G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明涉及频谱感知技术领域，尤其涉及基于改进的DenseNet模型的信噪比分级频谱感知方法，解决了现有传统信噪比分级由于移动通信过程次用户动态移动，难以把握距离等因素，误差较大的技术缺陷，具体为当次用户进行本地感知时先对感知信号进行高低信噪比分级，高信噪比信号可直接由CNN信噪比分级模型得出检测结果，低信噪比信号即输入改进的DenseNet低信噪比模型进行深度特征挖掘得检测结果。CNN信噪比分级模型能够对感知信号进行高精度、低时延的信噪比分级，该模型结构简单，感知速度快，极大地降低了高信噪比信号感知时延，利用改进的DenseNet低信噪比模型在减少参数的同时依旧保留加强特征传递的优势。

主权项：1.基于改进的DenseNet模型的信噪比分级频谱感知方法，其特征在于，步骤为：步骤一、从GNURadio采集多种调制方式下、不同信噪比的调制信号数据集进行实验，调制信号数据集的类型为二进制IQ信号；步骤二、对于每个调制信号数据集以最大最小归一化方式进行预处理，将二进制IQ信号映射到[0,1]区间内，以便进行特征提取；步骤三、将预处理之后的IQ信号按照一定比例分成训练集、验证集和测试集；步骤四、构建DensetNet多尺度信噪比分级模型，其由CNN信噪比分级模型和改进的DenseNet低信噪比模型组成；CNN信噪比分级模型包括依次连接的两个一维卷积神经网络层、两个fc全连接层和一个Softmax分类器，将预处理之后的IQ信号输入CNN信噪比分级模型，分析得到分级阅值点，若是高信噪比信号，则输出高信噪比信号检测结果，若是低信噪比信号则输出低信噪比索引；改进的DenseNet模型是在原有DenseNet模型的基础上增加了三个finaloutput模块，三个finaloutput模块分别连接至原有DenseNet模型的三个output模块之后，其中一个output模块的输出与另外两个output模块的输出在对应的finaloutput模块中交互，三个finaloutput模块的输出在原有DenseNet模型的PoolingandNormalizeandConcat模块中融合输出；CNN信噪比分级模型得到的低信噪比索引与预处理之后的IQ信号相乘，再输入改进的DenseNet低信噪比模型进行检测，最终输出低信噪比信号检测结果；步骤五、先将训练集输入CNN信噪比分级模型，通过比较相同信噪比下，不同调制方式的分级准确率；选择最合适的阈值作为信噪比分级点；再将验证集输入到CNN信噪比分级模型进行验证操作，对超参数进行调整，得到训练并验证好的CNN信噪比分级模型；步骤六、然后将训练集输入改进的DenseNet低信噪比模型，进行低信噪比感知；再将验证集输入到改进的DenseNet低信噪比模型中进行验证操作，对超参数进行调整，得到训练并验证好的改进的DenseNet低信噪比模型；步骤七、将步骤五和步骤六中最后的CNN信噪比分级模型与最后的改进的DenseNet低信噪比模型进行结合，得到训练并验证好的DensetNet多尺度信噪比分级模型，将步骤三中的测试集输入得到的DensetNet多尺度信噪比分级模型中，测试该模型对测试集的判断准确率，当判断准确率满足需求时，则得到最佳DensetNet多尺度信噪比分级模型；步骤八、将待感知的授权频段数据经过步骤七得到的最佳DensetNet多尺度信噪比分级模型进行处理，待感知的授权频段数据经过数据预处理后先输入CNN信噪比分级模型，分析得到分级阅值点，若是高信噪比信号，则输出该授权频段是否处于空闲状态，若是低信噪比信号则输出低信噪比索引；CNN信噪比分级模型得到的低信噪比索引与预处理之后的待感知的授权频段数据相乘，再输入改进的DenseNet低信噪比模型进行检测，最终输出该授权频段是否处于空闲状态。

全文数据：

权利要求：

百度查询： 太原理工大学 基于改进的DenseNet模型的信噪比分级频谱感知方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD