CN113067653A - 一种频谱感知方法、装置、电子设备及介质 - Google Patents

Abstract

本发明实施例提供了一种频谱感知方法、装置、电子设备及介质，涉及频谱感知技术领域。该方法包括：对指定频段上的第一信号进行采样，获取第一信号数据；将第一信号数据输入频谱感知模型，并获取频谱感知模型输出的分类结果；频谱感知模型为采用样本训练集对深度学习网络进行训练得到的模型，其中，样本训练集包括原始训练集和拓展训练集，原始训练集包括主用户在指定频段上产生的信号数据以及指定频段上的噪声信号数据，拓展训练集包括生成对抗网络基于原始训练集包括的信号数据生成的信号数据；根据频谱感知模型的分类结果确定指定频段上当前是否存在主用户的信号。可以提高频谱感知的准确度。

Description

一种频谱感知方法、装置、电子设备及介质

技术领域

本发明涉及频谱感知技术领域，特别是涉及一种频谱感知方法、装置、电子设备及介质。

背景技术

随着无线通信技术的迅猛发展，频谱作为一种有限的资源越来越难以满足目前及将来的无线业务需求，而认知无线电技术是一项有望缓解无线频谱资源短缺、频谱利用率低下的智能无线通信技术。通过认知无线电技术可以允许认知无线电用户使用主用户当前没有使用的频谱空穴，从而提高频谱的利用率。

频谱感知则是认知无线电的一项关键技术，它的主要功能在于检测出可供认知用户使用的频谱空穴，同时监测主用户信号活动情况，保证主用户再次使用频谱时，认知用户能够快速退出相应频谱，而不影响主用户的正常使用。目前，随着深度学习在模式识别方面的快速发展，催生了基于深度学习模型的数据驱动的频谱感知算法，经过训练的深度学习模型可根据对主用户信号活动的频段的数据采集做出认知用户是否可以使用的频谱空穴判断。

但是，用于频谱感知的深度学习模型尤其是神经网络模型的训练都需要庞大的数据量来保证模型的有效性，而训练所需数据的收集和注释所需的高昂成本使我们无法在多种不同的通信环境下分别构建大型数据，因此神经网络模型的训练集内的训练数据不够充足会导致该神经网络模型的判断准确度不高，函待解决。

发明内容

本发明实施例的目的在于提供一种频谱感知方法、装置、电子设备及介质，以提高频谱感知的准确度。具体技术方案如下：

第一方面，本发明实施例提供了一种频谱感知方法，所述方法包括：

对指定频段上的第一信号进行采样，获取第一信号数据；

将所述第一信号数据输入频谱感知模型，并获取所述频谱感知模型输出的分类结果；所述频谱感知模型为采用样本训练集对深度学习网络进行训练得到的模型，其中，所述样本训练集包括原始训练集和拓展训练集，所述原始训练集包括主用户在所述指定频段上产生的信号数据以及所述指定频段上的噪声信号数据，所述拓展训练集包括生成对抗网络基于所述原始训练集包括的信号数据生成的信号数据；

根据所述频谱感知模型的分类结果确定所述指定频段上当前是否存在所述主用户的信号。

可选的，所述方法还包括：

在主用户占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到主用户在所述指定频段上产生的多个主用户信号数据；

在主用户未占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到多个噪声信号数据；

生成原始训练集，所述原始训练集包括所述多个主用户信号数据以及多个噪声信号数据；

将所述原始训练集中包括的信号数据输入所述生成对抗网络，获取所述生成对抗网络输出的信号数据，基于所述生成对抗网络输出的信号数据生成所述拓展训练集；

将所述原始训练集中的信号数据和所述拓展训练集中的信号数据的集合作为样本训练集，基于所述样本训练集对深度学习网络进行训练，得到所述频谱感知模型。

可选的，所述生成对抗网络中包括生成模型和判别模型；所述生成对抗网络通过以下步骤训练得到：

随机生成噪声信号样本，将生成的噪声信号样本输入所述生成模型，获取所述生成模型输出的仿信号数据；

将所述仿信号数据输入所述判别模型，获取所述判别模型对所述仿信号数据的第一判别概率值；

若所述第一判别概率值处于第一概率值区间，则基于所述第一概率值区间包括的多个第一概率值子区间与额外训练次数之间的预设对应关系，确定所述第一判别概率值所处的第一概率值子区间对应的第一额外训练次数，对所述生成模型进行所述第一额外训练次数的训练；

若所述第一判别概率值处于第二概率值区间，则基于所述第二概率值区间包括的多个第二概率值子区间与额外训练次数之间的预设对应关系，确定所述第一判别概率值所处的第二概率值子区间对应的第二额外训练次数，对所述判别模型进行所述第二额外训练次数的训练；所述第二概率值区间的起始概率值大于所述第一概率值区间的结束概率值；

若所述第一判别概率值处于第三概率值区间，则确定不对所述生成对抗网络进行额外训练；所述第三概率区间的起始概率值与所述第一概率区间的结束概率值相同，所述第三概率区间的结束概率值与所述第二概率区间的起始概率值相同；

将所述原始训练集中的信号数据输入所述判别模型，得到所述判别模型对输入的信号数据的第二判别概率值；

若当前迭代次数未达到预设次数，则根据所述第一判别值计算第一损失函数值，并根据所述第一损失函数值更新所述生成模型的网络参数，并根据所述第一判别概率值和所述第二判别概率值计算第二损失函数值，根据所述第二损失函数值更新所述判别模型的网络参数，并返回所述随机生成噪声信号样本，将生成的噪声信号样本输入所述生成模型，获取所述生成模型输出的仿信号数据的步骤；

若当前迭代次数达到所述预设次数，则确定所述生成对抗网络训练完成。

可选的，所述在主用户占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到主用户在所述指定频段上产生的多个主用户信号数据，包括：

在主用户占用所述指定频段的情况下，针对所述指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第一观测向量集合；

基于所述第一观测向量集合确定第一实部采样序列矩阵和第一虚部采样序列矩阵；

确定所述第一实部采样序列矩阵对应的第一实部协方差矩阵，和所述第一虚部采样序列矩阵对应的第一虚部协方差矩阵；

以所述第一实部采样协方差矩阵、所述第一虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第一真彩图，所述第一真彩图用于表示所述多个主用户信号数据；

所述在主用户未占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到多个噪声信号数据，包括：

在所述主用户未占用所述指定频段的情况下，针对所述指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第二观测向量集合；

基于所述第二观测向量集合确定第二实部采样序列矩阵和第二虚部采样序列矩阵；

确定所述第二实部采样序列矩阵对应的第二实部协方差矩阵，和所述第二虚部采样序列矩阵对应的第二虚部协方差矩阵；

以所述第二实部采样协方差矩阵、所述第二虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第二真彩图，所述第二真彩图用于表示所述多个噪声信号数据。

第二方面，本发明实施例提供了一种频谱感知装置，所述装置包括：

获取模块，用于对指定频段上的第一信号进行采样，获取第一信号数据；

输入模块，用于将所述获取模块获取的所述第一信号数据输入频谱感知模型，并获取所述频谱感知模型输出的分类结果；所述频谱感知模型为采用样本训练集对深度学习网络进行训练得到的模型，其中，所述样本训练集包括原始训练集和拓展训练集，所述原始训练集包括主用户在所述指定频段上产生的信号数据以及所述指定频段上的噪声信号数据，所述拓展训练集包括生成对抗网络基于所述原始训练集包括的信号数据生成的信号数据；

确定模块，用于根据所述频谱感知模型的分类结果确定所述指定频段上当前是否存在所述主用户的信号。

可选的，所述装置还包括：第一训练模块；所述第一训练模块，用于：

在主用户占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到主用户在所述指定频段上产生的多个主用户信号数据；

在主用户未占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到多个噪声信号数据；

生成原始训练集，所述原始训练集包括所述多个主用户信号数据以及多个噪声信号数据；

将所述原始训练集中包括的信号数据输入所述生成对抗网络，获取所述生成对抗网络输出的信号数据，基于所述生成对抗网络输出的信号数据生成所述拓展训练集；

将所述原始训练集中的信号数据和所述拓展训练集中的信号数据的集合作为样本训练集，基于所述样本训练集对深度学习网络进行训练，得到所述频谱感知模型。

可选的，所述生成对抗网络中包括生成模型和判别模型；所述装置还包括：第二训练模块；所述第二训练模块，用于：

随机生成噪声信号样本，将生成的噪声信号样本输入所述生成模型，获取所述生成模型输出的仿信号数据；

将所述仿信号数据输入所述判别模型，获取所述判别模型对所述仿信号数据的第一判别概率值；

若所述第一判别概率值处于第一概率值区间，则基于所述第一概率值区间包括的多个第一概率值子区间与额外训练次数之间的预设对应关系，确定所述第一判别概率值所处的第一概率值子区间对应的第一额外训练次数，对所述生成模型进行所述第一额外训练次数的训练；

若所述第一判别概率值处于第二概率值区间，则基于所述第二概率值区间包括的多个第二概率值子区间与额外训练次数之间的预设对应关系，确定所述第一判别概率值所处的第二概率值子区间对应的第二额外训练次数，对所述判别模型进行所述第二额外训练次数的训练；所述第二概率值区间的起始概率值大于所述第一概率值区间的结束概率值；

若所述第一判别概率值处于第三概率值区间，则确定不对所述生成对抗网络进行额外训练；所述第三概率区间的起始概率值与所述第一概率区间的结束概率值相同，所述第三概率区间的结束概率值与所述第二概率区间的起始概率值相同；

将所述原始训练集中的信号数据输入所述判别模型，得到所述判别模型对输入的信号数据的第二判别概率值；

若当前迭代次数未达到预设次数，则根据所述第一判别值计算第一损失函数值，并根据所述第一损失函数值更新所述生成模型的网络参数，并根据所述第一判别概率值和所述第二判别概率值计算第二损失函数值，根据所述第二损失函数值更新所述判别模型的网络参数，并返回所述随机生成噪声信号样本，将生成的噪声信号样本输入所述生成模型，获取所述生成模型输出的仿信号数据的步骤；

若当前迭代次数达到所述预设次数，则确定所述生成对抗网络训练完成。

可选的，所述第一训练模块，具体用于：

在主用户占用所述指定频段的情况下，针对所述指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第一观测向量集合；

基于所述第一观测向量集合确定第一实部采样序列矩阵和第一虚部采样序列矩阵；

确定所述第一实部采样序列矩阵对应的第一实部协方差矩阵，和所述第一虚部采样序列矩阵对应的第一虚部协方差矩阵；

以所述第一实部采样协方差矩阵、所述第一虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第一真彩图，所述第一真彩图用于表示所述多个主用户信号数据；

所述第一训练模块，具体用于：

在所述主用户未占用所述指定频段的情况下，针对所述指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第二观测向量集合；

基于所述第二观测向量集合确定第二实部采样序列矩阵和第二虚部采样序列矩阵；

确定所述第二实部采样序列矩阵对应的第二实部协方差矩阵，和所述第二虚部采样序列矩阵对应的第二虚部协方差矩阵；

以所述第二实部采样协方差矩阵、所述第二虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第二真彩图，所述第二真彩图用于表示所述多个噪声信号数据。

第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述任一频谱感知方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一频谱感知方法的步骤。

第五方面，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一频谱感知方法的步骤。

本发明实施例提供的一种频谱感知方法、装置、电子设备及介质，由于识别第一信号数据的频谱感知模型在训练时使用原始训练集和拓展训练集进行训练，且拓展训练集包括生成对抗网络基于原始训练集包括的信号数据生成的信号数据，即训练频谱感知模型的数据既包括收集的真实数据，又包括基于真实数据生成的数据，利用生成对抗网络生成数据的成本低，且生成对抗网络能够模拟真实数据的分布来生成数据，因此丰富了神经网络模型的训练集，提高了频谱感知模型的识别准确度，即提高了频谱感知的准确度。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例。

图1为本发明实施例提供的一种频谱感知方法流程图；

图2为本发明实施例提供的生成频谱感知模型的方法的示意图；

图3为本申请实施例提供的一种频谱感知模型的结构示意图；

图4为本发明实施例提供的训练生成对抗网络的方法的示意图；

图5为本发明实施例提供的一种频谱感知装置的结构示意图；

图6为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

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了提高频谱感知的准确度，本发明实施例提供了一种频谱感知方法，该方法可以应用于电子设备，其中电子设备可以是手机、计算机、服务器等具备数据处理能力的设备。如图1所示，该频谱感知方法包括如下步骤：

步骤101，对指定频段上的第一信号进行采样，获取第一信号数据。

在本发明实施例中，指定频段为需要进行频谱感知的频段，每个频段对应一个或多个主用户。由于主用户间断性使用频段，为提高频谱利用率，在主用户未使用频段时，可以授权其他用户使用该频段，其他用户称为认知用户。

一种实施方式中，信号由实部和虚部组成，采集到第一信号后，利用第一信号的实部和虚部分别构建一个采样序列矩阵，得到两个采样序列矩阵，再分别针对每个采样序列矩阵构建协方差矩阵，得到两个协方差矩阵。结合两个协方差矩阵和一个零矩阵，构建真彩图，该真彩图为三通道矩阵。即本发明实施例中的第一信号数据可以为基于第一信号构造的真彩图。

由于获取的第一信号数据需要输入频谱感知模型进行频谱感知，而频谱感知模型的输入数据一般为包括三个通道的矩阵，因此本发明实施例利用第一信号构建包含三通道的真彩图，以方便频谱感知模型处理。

步骤102，将第一信号数据输入频谱感知模型，并获取频谱感知模型输出的分类结果。

在本发明实施例中，频谱感知模型为采用样本训练集对深度学习网络进行训练得到的模型。

可选的，深度学习网络可以为卷积神经网络(Convolutional Neural Networks,CNN)。

在本发明实施例中，对深度学习网络训练时使用的样本训练集包括：原始训练集和拓展训练集。其中，原始训练集包括主用户在指定频段上产生的信号数据以及指定频段的噪声信号数据，拓展训练集包括生成对抗网络基于原始训练集包括的信号数据生成的信号数据。在主用户未占用指定频段的情况下，指定频段上采集到的信号数据称为噪声信号数据。

原始训练集包括的每个信号数据存在对应的分类标签，分类标签用于表示信号数据是否存在主用户的信号。

具体的，拓展训练集包括：深度卷积生成对抗网络(Deep ConvolutionalGenerative Adversarial Networks，DCGAN)中的生成模型基于原始训练集包括的信号数据生成的信号数据，以及生成的信号数据对应的分类标签。其中针对生成的每个信号数据，该信号数据对应的分类标签与生成模型生成该信号数据所基于的信号数据对应的标签相同。

步骤103，根据频谱感知模型的分类结果确定指定频段上当前是否存在主用户的信号。

一种实施方式中，频谱感知模型的分类结果表示指定频段上当前存在主用户的信号的概率；当该概率大于预设阈值时，确定指定频段上当前存在主用户的信号；当该概率不大于预设阈值时，确定指定频段上当前不存在主用户的信号。

本发明实施例提供的一种频谱感知方法，由于识别第一信号数据的频谱感知模型在训练时使用原始训练集和拓展训练集进行训练，且拓展训练集包括生成对抗网络基于原始训练集包括的信号数据生成的信号数据，即训练频谱感知模型的数据既包括收集的真实数据，又包括基于真实数据生成的数据，利用生成对抗网络生成数据的成本低，且生成对抗网络能够模拟真实数据的分布来生成数据，因此丰富了神经网络模型的训练集，提高了频谱感知模型的识别准确度，即提高了频谱感知的准确度。

参见图2，获得上述步骤102和103中的频谱感知模型可以通过以下步骤训练获得：

步骤一，在主用户占用指定频段的情况下，在不同通信环境下对指定频段上的多个信号进行采样，得到主用户在指定频段上产生的多个主用户信号数据。

不同的通信环境包括：不同信道、不同传播路径的通信环境，以及存在不同程度信号干扰、不同种类和不同程度信道衰落的通信环境。

一种实施方式中，在主用户占用指定频段的情况下，针对指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第一观测向量集合；然后基于第一观测向量集合确定第一实部采样序列矩阵和第一虚部采样序列矩阵，再确定第一实部采样序列矩阵对应的第一实部采样协方差矩阵，和第一虚部采样序列矩阵对应的第一虚部采样协方差矩阵。接着以第一实部采样协方差矩阵、第一虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第一真彩图。其中，第一真彩图用于表示多个主用户信号数据。

步骤二，在主用户未占用指定频段的情况下，在不同通信环境下对指定频段上的多个信号进行采样，得到多个噪声信号数据。

一种实施方式中，在主用户未占用指定频段的情况下，针对指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第二观测向量集合；然后基于第二观测向量集合确定第二实部采样序列矩阵和第二虚部采样序列矩阵；再确定第二实部采样序列矩阵对应的第二实部采样协方差矩阵，和第二虚部采样序列矩阵对应的第二虚部采样协方差矩阵；接着以第二实部采样协方差矩阵、第二虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第二真彩图。其中，第二真彩图用于表示多个噪声信号数据。

步骤三，生成原始训练集。其中，原始训练集包括主用户在指定频段上产生的多个信号数据以及多个噪声信号数据。

在本发明实施例中原始训练集中的信号数据存在对应的分类标签，主用户在指定频段上产生的信号数据对应的分类标签用于表示指定频段上存在主用户的信号，噪声信号数据对应的分类标签用于表示指定频段上不存在主用户的信号。

步骤四，将原始训练集中包括的信号数据输入生成对抗网络，获取生成对抗网络输出的信号数据，基于生成对抗网络输出的信号数据生成拓展训练集。

具体的，生成对抗网络包括生成模型和对抗模型，将原始训练集中包括的信号数据输入生成对抗网络模型中的生成模型，获取生成模型生成的信号数据，并针对生成的每个信号数据，添加其对应的分类标签，该分类标签与生成模型生成该信号数据所基于的信号数据对应的标签相同。基于生成的各信号数据与每个信号数据对应的分类标签，组成拓展训练集。

步骤五，将原始训练集中的信号数据和拓展训练集中的信号数据的集合作为样本训练集，基于样本训练集对深度学习网络进行训练，得到频谱感知模型。

可选的，如图3所示，深度学习网络包括的网络层从输入到输出依次为：卷积池化层1、卷积池化层2、卷积池化层3、卷积池化层4、全连接层1、全连接层2，且深度学习网络包括的网络层依次串联。本发明实施例中全连接层2也可以称为输出层。

如图3所示，图3中网络层对应的虚线框表示网络层的具体结构，卷积池化层2-4与卷积池化层1的结构相同，因此未在图3中示出卷积池化层2-4的具体结构。卷积池化层包括串联的卷积处理、激活函数和池化处理，卷积处理采用的卷积核大小为3×3，池化处理采用的池化窗口大小为2×2。全连接层包括串联的全连接处理和激活函数。卷积池化层1-4以及全连接层1使用的激活函数为线性整流函数(Rectified Linear Unit，ReLU)，全连接层2使用的激活函数为S型函数(Sigmoid)。

在本发明实施例中，频谱感知模型包括的网络层中的激活函数大多数使用ReLU，由于ReLU能够提高模型训练时的收敛速度，且计算复杂度低，能够提高获取频谱感知模型的效率，并提高频谱感知模型的运行速度。频谱感知模型的输出层的激活函数使用Sigmoid，由于Sigmoid能够将频谱感知模型的输出值限制在0到1之间，使得输出值能够有效地反映输入的信号数据中存在主用户信号的概率。

一种实施方式中，将样本训练集中的信号数据输入深度学习网络，得到深度学习网络输出的分类结果，基于输入深度学习网络的信号数据对应的分类标签以及深度学习网络输出的分类结果，计算损失函数值。基于损失函数判断深度学习网络是否收敛；在深度学习网络未收敛时，更新深度学习网络的网络参数；在深度学习网络收敛时，将当前的深度学习网络作为频谱感知模型。

可选的，深度学习网络每被更新一次网络参数，说明深度学习网络被训练一次；当深度学习网络的训练次数达到预设次数时，确定深度学习网络收敛；当深度学习网络的训练次数未达到预设次数时，确定深度学习网络未收敛。

可选的，可以通过公式(1)计算损失函数值。

其中，

为损失函数值，

x为输入的信号数据，k＝0或1，y为深度学习网络对x的分类结果，

为深度学习网络的输出结果，ω和b为深度学习网络的网络参数，P(y＝k|x)为频谱感知模型对x的分类结果为k的概率。

可选的，可以根据公式(2)，更新深度学习网络的网络参数。

其中，dw为迭代梯度，t为时间步，w_t为当前时间步的网络参数，v_t为当前时间步的一阶矩估计，v_t-1为上一时间步的一阶矩估计，s_t为当前时间步的二阶矩估计，s_t-1为上一时间步的二阶矩估计，α为频谱感知模型的学习率、β₁和β₂分别为一阶矩估计和二阶矩估计的指数衰减率，∈为超参数。在公式(2)中设置∈是为了防止v_t除以零，导致计算结果无意义。

结合上述步骤一至步骤五，参见图2，以深度学习网络为CNN模型为例，训练频谱感知模型的过程包括：信号传输至多天线系统后，通过多天线矩阵对指定频段上的信号进行采样，得到采样协方差矩阵，然后将采样协方差矩阵转化为真彩图，该真彩图为原始数据集。然后将该真彩图划分为原始训练集和测试集，将原始训练集输入生成对抗网络，基于生成对抗网络的输出结果，构建拓展训练集。然后基于拓展训练集和原始训练集对CNN模型进行训练，得到训练好的CNN模型。之后基于测试集对训练好的CNN模型进行测试，在确定训练好的CNN模型识别准确率达到预设要求时，将该训练好的CNN模型作为频谱感知模型。

在本发明实施例中，生成对抗网络中包括生成模型和判别模型；生成对抗网络通过以下8个步骤训练得到，生成对抗网络的训练过程可参考图4。

步骤1，随机生成噪声信号样本，将生成的噪声信号样本输入生成模型，获取生成模型输出的仿信号数据。

一种实施方式中，可以随机生成与训练集中的信号数据维度相同的仿信号样本，即仿信号样本的维度与训练集中的信号数据维度相同，且仿信号样本的数据是随机数。例如，训练集中的信号数据是64×64×3的矩阵，则可以生成64×64×3的仿信号数据，且仿信号数据矩阵中包括的每个元素都是随机数。

由上述描述可知，训练集中的每个信号数据可以为一张真彩图，真彩图是一个三通道矩阵，且矩阵中每个元素代表一个像素点，本发明实施例训练生成对抗网络的目的是为了让生成模型基于噪声信号样本，输出的仿信号数据的大小与训练集中的信号数据大小相近，此时对抗网络难以辨别仿信号数据是否为真实采集的数据，使得生成模型生成的仿信号数据能够以假乱真。

而由于输入模型的数据量越大，使得模型的参数计算量越大，提升了模型识别复杂度。为使得生成模型输出的仿信号数据的大小接近训练集中的信号数据大小，输入生成模型的数据维度也可以小于训练集中的信号数据维度。

因此另一种实施方式中，可以随机生成维度为1×N的仿信号样本，其中，N为预设值，例如N＝100。

步骤2，将仿信号数据输入判别模型，获取判别模型对仿信号数据的第一判别概率值。

其中，原始训练集中的信号数据为真实采集到的数据，称为真实数据，生成模型生成的信号数据并非真实采集，因此可以称为非真实数据，即仿信号数据。第一判别概率值表示输入判别模型的仿信号数据为真实数据的概率。

步骤3，若第一判别概率值处于第一概率值区间，则基于第一概率值区间包括的多个第一概率值子区间与额外训练次数之间的预设对应关系，确定第一判别概率值所处的第一概率值子区间对应的第一额外训练次数，对生成模型进行第一额外训练次数的训练。

可选的，判别模型输出的判别概率值属于[0,1]，判别概率值越接近0，表示输入的信号数据为非真实数据的概率越大；判别概率值越接近1，表示输入的信号数据为真实数据的概率越大。因此判别模型输出的第一判别概率值越接近0，表示判别模型识别出生成模型生成的仿信号数据为真实数据的可能性越小，此时判别模型的进化程度超前于生成模型；若判别模型输出的第一判别概率值越接近1，表示判别模型识别出生成模型生成的仿信号数据为真实数据的可能性越大，此时判别模型的进化程度落后于生成模型。而判别模型输出的第一判别概率值越接近0.5，表示判别模型难以识别输入的仿信号数据是否为真实数据，此时生成模型与判别模型的进化程度相近。

一种实施方式中，第一概率值区间包括多个互斥的第一概率值子区间，第一概率值子区间越接近0，对生成模型额外训练的次数越多。

例如，第一概率值区间为[0,0.19]，其中第一概率区间包括4个第一概率值子区间，每个第一概率值子区间与额外训练次数的预设对应关系如表一所示。

表一

第一概率值子区间	额外训练次数
		0≤P<sub>D</sub>≤0.07	4
0.07&lt;P<sub>D</sub>≤0.10	3
		0.10&lt;P<sub>D</sub>≤0.14	2
0.14&lt;P<sub>D</sub>≤0.19	1

例如，若第一判别概率值为0.13，则第一判别概率值属于第一概率值子空间(0.10,0.14]，对生成模型额外训练2次。

步骤4，若第一判别概率值处于第二概率值区间，则基于第二概率值区间包括的多个第二概率值子区间与额外训练次数之间的预设对应关系，确定第一判别概率值所处的第二概率值子区间对应的第二额外训练次数，对判别模型进行第二额外训练次数的训练。其中，第二概率值区间的起始概率值大于第一概率值区间的结束概率值。

一种实施方式中，第二概率值区间包括多个互斥的第二概率值子区间，概率值子区间越接近1，对判别模型额外训练的次数越多。

例如，第二概率值区间为[0.5,1]，其中第二概率区间包括5个第二概率值子区间，每个第二概率值子区间与额外训练次数的预设对应关系如表二所示。

表二

第二概率值子区间	额外训练次数
		0.5&lt;P<sub>D</sub>≤0.65	2
0.65&lt;P<sub>D</sub>≤0.75	3
		0.75&lt;P<sub>D</sub>≤0.85	4
0.85&lt;P<sub>D</sub>≤0.95	5
		0.95&lt;P<sub>D</sub>≤1	6

例如，若第一判别概率值为0.67，则第一判别概率值属于第二概率值子空间(0.65,0.75]，对判别模型额外训练3次。

结合步骤3和步骤4，在本发明实施例中，模型的训练方式包括：根据第一判别概率值计算模型的损失函数值，并基于计算的损失函数值更新模型的网络参数。

步骤5，若第一判别概率值处于第三概率值区间，则确定不对生成对抗网络进行额外训练。其中，第三概率区间的起始概率值与第一概率区间的结束概率值相同，第三概率区间的结束概率值与所述第二概率区间的起始概率值相同。

例如，第三概率值区间为(0.19，0.5)。

结合步骤3-步骤5，在本发明实施例中，可以随机生成一批噪声信号样本，并利用生成模型生成一批仿信号数据，将这一批仿信号数据输入判别模型，判别模型输出这一批仿信号数据分别对应的第一判别概率值，在确定额外训练次数时，可以计算这一批第一判别概率值的平均值，在平均值处于的第一概率值区间或第二概率值区间时，进一步确定额外训练次数；在平均值处于的第三概率值区间时，确定不对生成对抗网络进行额外训练。

步骤6，将原始训练集中的信号数据输入判别模型，得到判别模型对输入的信号数据的第二判别概率值。

其中，第二判别概率值用于表示判别模型对输入的原始训练集中的信号数据为真实数据的概率。

在本发明实施例中，步骤1和步骤6可以同时执行，也可以先后执行，本发明实施例不对步骤1和步骤6的执行顺序作具体限定。

步骤7，若当前迭代次数未达到预设次数，则根据第一判别值计算第一损失函数值，并根据第一损失函数值更新生成模型的网络参数，并根据第一判别概率值和第二判别概率值计算第二损失函数值，根据第二损失函数值更新判别模型的网络参数，并返回步骤1。

一种实施方式中，可以基于公式(3)根据第一判别概率值和第二判别概率值计算第二损失函数值：

V(D,G)＝E_x～pdata(x)[logD(x)]+E_z～pz(z)[log(1-D(G(z)))] (3)

其中，V(D,G)为第二损失函数值，E表示期望，x为原始训练集中的信号数据，pdata(x)表示x的数据分布，z为噪声信号样本，pz(z)为z的数据分布，D(x)为第二判别概率值，G(z)为仿信号数据，D(G(z)))为第一判别概率值。

更新生成模型或判别模型的网络参数的方式与更新频谱感知模型的网络参数的方式相同，可以参见上述相关描述，此处不再赘述。

步骤8，若当前迭代次数达到预设次数，则确定生成对抗网络训练完成。

其中，每执行一次步骤1至步骤7，即每更新一次生成模型的网络参数，并更新一次判别模型的网络参数，称为一次迭代。

采用该方法对生成对抗网络进行训练，可以避免生成对抗网络出现梯度爆炸的问题，使得生成对抗网络可以稳定的运行。

结合上述步骤1至步骤8，参见图4，生成对抗网络的训练过程包括：生成噪声信号样本z，将噪声信号样本z输入生成模型G，得到仿信号数据G(z)，然后将仿信号数据G(z)输入判别模型D，得到第一判别概率值D(G(z))，根据第一判别概率值D(G(z))确定生成模型G或判别模型D的额外训练次数，并对生成模型G或者判别模型D进行额外训练次数的训练。将原始训练集中的信号数据x输入判别模型D，得到第二判别概率值D(x)。若当前迭代次数未达到预设次数，则根据第一判别值D(G(z))更新生成模型G的网络参数，并根据第一判别概率值D(G(z))和第二判别概率值D(x)更新判别模型D的网络参数，返回执行生成噪声信号样本z的步骤。若当前迭代次数已达到预设次数，则确定生成对抗网络训练完成。

基于相同的发明构思，对应于上述方法实施例，本发明实施例提供了一种频谱感知装置，如图5所示，该装置包括：获取模块501、输入模块502和确定模块503；

获取模块501，用于对指定频段上的第一信号进行采样，获取第一信号数据；

输入模块502，用于将获取模块501获取的第一信号数据输入频谱感知模型，并获取频谱感知模型输出的分类结果；频谱感知模型为采用样本训练集对深度学习网络进行训练得到的模型，其中，样本训练集包括原始训练集和拓展训练集，原始训练集包括主用户在指定频段上产生的信号数据以及指定频段上的噪声信号数据，拓展训练集包括生成对抗网络基于原始训练集包括的信号数据生成的信号数据；

确定模块503，用于根据频谱感知模型的分类结果确定指定频段上当前是否存在主用户的信号。

可选的，装置还可以包括：第一训练模块；第一训练模块，用于：

在主用户占用指定频段的情况下，在不同通信环境下对指定频段上的多个信号进行采样，得到主用户在指定频段上产生的多个主用户信号数据；

在主用户未占用指定频段的情况下，在不同通信环境下对指定频段上的多个信号进行采样，得到多个噪声信号数据；

生成原始训练集，原始训练集包括多个主用户信号数据以及多个噪声信号数据；

将原始训练集中包括的信号数据输入生成对抗网络，获取生成对抗网络输出的信号数据，基于生成对抗网络输出的信号数据生成拓展训练集；

将原始训练集中的信号数据和拓展训练集中的信号数据的集合作为样本训练集，基于样本训练集对深度学习网络进行训练，得到频谱感知模型。

可选的，生成对抗网络中包括生成模型和判别模型；装置还可以包括：第二训练模块；第二训练模块，用于：

随机生成噪声信号样本，将生成的噪声信号样本输入生成模型，获取生成模型输出的仿信号数据；

将仿信号数据输入判别模型，获取判别模型对仿信号数据的第一判别概率值；

若第一判别概率值处于第一概率值区间，则基于第一概率值区间包括的多个第一概率值子区间与额外训练次数之间的预设对应关系，确定第一判别概率值所处的第一概率值子区间对应的第一额外训练次数，对生成模型进行第一额外训练次数的训练；

若第一判别概率值处于第二概率值区间，则基于第二概率值区间包括的多个第二概率值子区间与额外训练次数之间的预设对应关系，确定第一判别概率值所处的第二概率值子区间对应的第二额外训练次数，对判别模型进行第二额外训练次数的训练；第二概率值区间的起始概率值大于第一概率值区间的结束概率值；

若第一判别概率值处于第三概率值区间，则确定不对生成对抗网络进行额外训练；第三概率区间的起始概率值与第一概率区间的结束概率值相同，第三概率区间的结束概率值与第二概率区间的起始概率值相同；

将原始训练集中的信号数据输入判别模型，得到判别模型对输入的信号数据的第二判别概率值；

若当前迭代次数未达到预设次数，则根据第一判别值计算第一损失函数值，并根据第一损失函数值更新生成模型的网络参数，并根据第一判别概率值和第二判别概率值计算第二损失函数值，根据第二损失函数值更新判别模型的网络参数，并返回随机生成噪声信号样本，将生成的噪声信号样本输入生成模型，获取生成模型输出的仿信号数据的步骤；

若当前迭代次数达到预设次数，则确定生成对抗网络训练完成。

可选的，第一训练模块，具体用于：

在主用户占用指定频段的情况下，针对指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第一观测向量集合；

基于第一观测向量集合确定第一实部采样序列矩阵和第一虚部采样序列矩阵；

确定第一实部采样序列矩阵对应的第一实部协方差矩阵，和第一虚部采样序列矩阵对应的第一虚部协方差矩阵；

以第一实部采样协方差矩阵、第一虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第一真彩图，第一真彩图用于表示多个主用户信号数据；

第一训练模块，具体用于：

在主用户未占用指定频段的情况下，针对指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第二观测向量集合；

基于第二观测向量集合确定第二实部采样序列矩阵和第二虚部采样序列矩阵；

确定第二实部采样序列矩阵对应的第二实部协方差矩阵，和第二虚部采样序列矩阵对应的第二虚部协方差矩阵；

以第二实部采样协方差矩阵、第二虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第二真彩图，第二真彩图用于表示多个噪声信号数据。

本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，

存储器603，用于存放计算机程序；

处理器601，用于执行存储器603上所存放的程序时，实现上述方法实施例中的方法步骤。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一频谱感知方法的步骤。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一频谱感知方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种频谱感知方法，其特征在于，所述方法包括：

对指定频段上的第一信号进行采样，获取第一信号数据；

将所述第一信号数据输入频谱感知模型，并获取所述频谱感知模型输出的分类结果；所述频谱感知模型为采用样本训练集对深度学习网络进行训练得到的模型，其中，所述样本训练集包括原始训练集和拓展训练集，所述原始训练集包括主用户在所述指定频段上产生的信号数据以及所述指定频段上的噪声信号数据，所述拓展训练集包括生成对抗网络基于所述原始训练集包括的信号数据生成的信号数据；

根据所述频谱感知模型的分类结果确定所述指定频段上当前是否存在所述主用户的信号。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在主用户占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到主用户在所述指定频段上产生的多个主用户信号数据；

在主用户未占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到多个噪声信号数据；

生成原始训练集，所述原始训练集包括所述多个主用户信号数据以及多个噪声信号数据；

将所述原始训练集中包括的信号数据输入所述生成对抗网络，获取所述生成对抗网络输出的信号数据，基于所述生成对抗网络输出的信号数据生成所述拓展训练集；

将所述原始训练集中的信号数据和所述拓展训练集中的信号数据的集合作为样本训练集，基于所述样本训练集对深度学习网络进行训练，得到所述频谱感知模型。

3.根据权利要求1或2所述的方法，其特征在于，所述生成对抗网络中包括生成模型和判别模型；所述生成对抗网络通过以下步骤训练得到：

随机生成噪声信号样本，将生成的噪声信号样本输入所述生成模型，获取所述生成模型输出的仿信号数据；

将所述仿信号数据输入所述判别模型，获取所述判别模型对所述仿信号数据的第一判别概率值；

若所述第一判别概率值处于第一概率值区间，则基于所述第一概率值区间包括的多个第一概率值子区间与额外训练次数之间的预设对应关系，确定所述第一判别概率值所处的第一概率值子区间对应的第一额外训练次数，对所述生成模型进行所述第一额外训练次数的训练；

若所述第一判别概率值处于第二概率值区间，则基于所述第二概率值区间包括的多个第二概率值子区间与额外训练次数之间的预设对应关系，确定所述第一判别概率值所处的第二概率值子区间对应的第二额外训练次数，对所述判别模型进行所述第二额外训练次数的训练；所述第二概率值区间的起始概率值大于所述第一概率值区间的结束概率值；

若所述第一判别概率值处于第三概率值区间，则确定不对所述生成对抗网络进行额外训练；所述第三概率区间的起始概率值与所述第一概率区间的结束概率值相同，所述第三概率区间的结束概率值与所述第二概率区间的起始概率值相同；

将所述原始训练集中的信号数据输入所述判别模型，得到所述判别模型对输入的信号数据的第二判别概率值；

若当前迭代次数未达到预设次数，则根据所述第一判别值计算第一损失函数值，并根据所述第一损失函数值更新所述生成模型的网络参数，并根据所述第一判别概率值和所述第二判别概率值计算第二损失函数值，根据所述第二损失函数值更新所述判别模型的网络参数，并返回所述随机生成噪声信号样本，将生成的噪声信号样本输入所述生成模型，获取所述生成模型输出的仿信号数据的步骤；

若当前迭代次数达到所述预设次数，则确定所述生成对抗网络训练完成。

4.根据权利要求2所述的方法，其特征在于，所述在主用户占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到主用户在所述指定频段上产生的多个主用户信号数据，包括：

在主用户占用所述指定频段的情况下，针对所述指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第一观测向量集合；

基于所述第一观测向量集合确定第一实部采样序列矩阵和第一虚部采样序列矩阵；

确定所述第一实部采样序列矩阵对应的第一实部协方差矩阵，和所述第一虚部采样序列矩阵对应的第一虚部协方差矩阵；

以所述第一实部采样协方差矩阵、所述第一虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第一真彩图，所述第一真彩图用于表示所述多个主用户信号数据；

所述在主用户未占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到多个噪声信号数据，包括：

在所述主用户未占用所述指定频段的情况下，针对所述指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第二观测向量集合；

基于所述第二观测向量集合确定第二实部采样序列矩阵和第二虚部采样序列矩阵；

确定所述第二实部采样序列矩阵对应的第二实部协方差矩阵，和所述第二虚部采样序列矩阵对应的第二虚部协方差矩阵；

以所述第二实部采样协方差矩阵、所述第二虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第二真彩图，所述第二真彩图用于表示所述多个噪声信号数据。

5.一种频谱感知装置，其特征在于，所述装置包括：

获取模块，用于对指定频段上的第一信号进行采样，获取第一信号数据；

输入模块，用于将所述获取模块获取的所述第一信号数据输入频谱感知模型，并获取所述频谱感知模型输出的分类结果；所述频谱感知模型为采用样本训练集对深度学习网络进行训练得到的模型，其中，所述样本训练集包括原始训练集和拓展训练集，所述原始训练集包括主用户在所述指定频段上产生的信号数据以及所述指定频段上的噪声信号数据，所述拓展训练集包括生成对抗网络基于所述原始训练集包括的信号数据生成的信号数据；

确定模块，用于根据所述频谱感知模型的分类结果确定所述指定频段上当前是否存在所述主用户的信号。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：第一训练模块；所述第一训练模块，用于：

在主用户占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到主用户在所述指定频段上产生的多个主用户信号数据；

在主用户未占用所述指定频段的情况下，在不同通信环境下对所述指定频段上的多个信号进行采样，得到多个噪声信号数据；

生成原始训练集，所述原始训练集包括所述多个主用户信号数据以及多个噪声信号数据；

将所述原始训练集中包括的信号数据输入所述生成对抗网络，获取所述生成对抗网络输出的信号数据，基于所述生成对抗网络输出的信号数据生成所述拓展训练集；

将所述原始训练集中的信号数据和所述拓展训练集中的信号数据的集合作为样本训练集，基于所述样本训练集对深度学习网络进行训练，得到所述频谱感知模型。

7.根据权利要求5或6所述的装置，其特征在于，所述生成对抗网络中包括生成模型和判别模型；所述装置还包括：第二训练模块；所述第二训练模块，用于：

随机生成噪声信号样本，将生成的噪声信号样本输入所述生成模型，获取所述生成模型输出的仿信号数据；

将所述仿信号数据输入所述判别模型，获取所述判别模型对所述仿信号数据的第一判别概率值；

若所述第一判别概率值处于第一概率值区间，则基于所述第一概率值区间包括的多个第一概率值子区间与额外训练次数之间的预设对应关系，确定所述第一判别概率值所处的第一概率值子区间对应的第一额外训练次数，对所述生成模型进行所述第一额外训练次数的训练；

若所述第一判别概率值处于第二概率值区间，则基于所述第二概率值区间包括的多个第二概率值子区间与额外训练次数之间的预设对应关系，确定所述第一判别概率值所处的第二概率值子区间对应的第二额外训练次数，对所述判别模型进行所述第二额外训练次数的训练；所述第二概率值区间的起始概率值大于所述第一概率值区间的结束概率值；

若所述第一判别概率值处于第三概率值区间，则确定不对所述生成对抗网络进行额外训练；所述第三概率区间的起始概率值与所述第一概率区间的结束概率值相同，所述第三概率区间的结束概率值与所述第二概率区间的起始概率值相同；

将所述原始训练集中的信号数据输入所述判别模型，得到所述判别模型对输入的信号数据的第二判别概率值；

若当前迭代次数未达到预设次数，则根据所述第一判别值计算第一损失函数值，并根据所述第一损失函数值更新所述生成模型的网络参数，并根据所述第一判别概率值和所述第二判别概率值计算第二损失函数值，根据所述第二损失函数值更新所述判别模型的网络参数，并返回所述随机生成噪声信号样本，将生成的噪声信号样本输入所述生成模型，获取所述生成模型输出的仿信号数据的步骤；

若当前迭代次数达到所述预设次数，则确定所述生成对抗网络训练完成。

8.根据权利要求6所述的装置，其特征在于，所述第一训练模块，具体用于：

在主用户占用所述指定频段的情况下，针对所述指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第一观测向量集合；

基于所述第一观测向量集合确定第一实部采样序列矩阵和第一虚部采样序列矩阵；

确定所述第一实部采样序列矩阵对应的第一实部协方差矩阵，和所述第一虚部采样序列矩阵对应的第一虚部协方差矩阵；

以所述第一实部采样协方差矩阵、所述第一虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第一真彩图，所述第一真彩图用于表示所述多个主用户信号数据；

所述第一训练模块，具体用于：

在所述主用户未占用所述指定频段的情况下，针对所述指定频段，在预设时间段内，对多天线系统采集的信号进行采样，得到第二观测向量集合；

基于所述第二观测向量集合确定第二实部采样序列矩阵和第二虚部采样序列矩阵；

确定所述第二实部采样序列矩阵对应的第二实部协方差矩阵，和所述第二虚部采样序列矩阵对应的第二虚部协方差矩阵；

以所述第二实部采样协方差矩阵、所述第二虚部采样协方差矩阵以及零矩阵分别作为真彩图的三个通道，构造第二真彩图，所述第二真彩图用于表示所述多个噪声信号数据。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-4任一项所述的方法步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法步骤。

Images