一种变换特征注意力的频谱感知方法

1.本发明涉及一种认知无线电技术，尤其是涉及一种变换特征注意力的频谱感知方法。


背景技术：

2.随着无线通信技术的快速发展与新兴技术的快速进步，越来越多的物联网(internet of things，iot)设备需要利用频谱资源来进行信息交互，频谱资源已经成为当今最重要的资源之一。我国的频谱资源分配采用的是固定的授权分配与开放的非授权分配相结合的方式，并以固定的授权分配方式为主。然而，被分配到频谱资源的用户并非一直在使用被分配到的这段频谱资源，这就会导致这些频段的频谱资源并没有得到充分利用，造成了大量的资源浪费，因此，提高频谱资源利用率具有非常重要的意义。
3.认知无线电技术允许次级用户(secondary user，su)在不干扰主用户(primary user，pu)正常通信的情况下使用pu占据的频谱资源。近年来大量的频谱感知方法被提出，如：能量检测法(energy detection，ed)、基于特征值的检测方法(eigenvalue-based detection)和基于协方差矩阵与卷积神经网络(cm-cnn)的检测方法等。大多数频谱感知方法都未考虑pu信号的随机到达和离开。当信道状态(忙碌或空闲)的平均持续时间远大于感知周期持续时间时这个假设通常成立，然而，在某些情况下并非如此，以lte-a(4g)为例，其最小资源调度间隔(即传输时间间隔，tti)为1毫秒，即使使用tti捆绑，信道状态也可能在几毫秒(miliseconds，ms)内变化，假设感知周期持续时间很小时，例如1ms，信道状态很可能在一个感知周期内发生改变。已经有文献证明，当信道状态在感知周期内发生改变时，传统的频谱感知方法会出现严重的性能衰落，为解决此问题，一些专家提出了考虑了pu信号在感知周期内发生随即到达和离开的频谱感知方法，如：加权能量检测法(weighted-energy detection，w-ed)、平均对数似然比检测法(average log likelihood ration，avellr)等。然而，当信道状态的平均持续时间与感知周期持续时间接近时，即使信噪比(signal-to-noise ratio，snr)很高，这些方法也会出现随着snr增加而检测概率不再上升的趋势；且对于在感知周期内发生pu信号随即到达与离开的场景，真正判断在感知周期内频谱状态的数据是与在感知周期内末尾时刻状态相同的数据，而这些方法并未很好地利用这个特性。


技术实现要素：

4.本发明所要解决的技术问题是提供一种变换特征注意力的频谱感知方法，其能够准确估计出主用户信号的到达和离开，可以很好地将卷积神经网络的注意力集中在对判别频谱状态有益的数据上，使检测结果更为精确。
5.本发明解决上述技术问题所采用的技术方案为：一种变换特征注意力的频谱感知方法，其特征在于该方法在认知无线电系统中考虑一个感知周期内最多存在一次主用户信号的随机到达或一次主用户信号的随机离开，设定一个感知周期内授权信道忙碌的持续时
间为tb、授权信道空闲的持续时间为ti，且tb服从均值为μ的超指数分布，ti服从均值为ν的超指数分布，μ与ν相等；该方法具体包括以下步骤：
6.步骤1：设定有n
snr
个不同的信噪比和n
μ
个不同的μ值，并将n
snr
个不同的信噪比和n
μ
个不同的μ值两两组合成n
snr
×nμ
种场景情况；其中，n
snr
≥3，n
μ
≥3；
7.步骤2：针对每一种场景情况，任意选取一个感知周期作为第1个感知周期；然后从第1个感知周期开始选定连续的k个感知周期；接着对选定的每个感知周期内的次级用户接收信号进行n次采样，得到每个感知周期内的次级用户接收信号的n个采样值，将第k个感知周期内的次级用户接收信号的第n个采样值记为xk(n)，若第k个感知周期内授权信道空闲，则xk(n)描述为：若第k个感知周期内授权信道忙碌，则xk(n)描述为：之后将每个感知周期内的次级用户接收信号的各个采样值的实部和虚部分开；紧接着将每个感知周期内的次级用户接收信号的n个采样值的实部和虚部构成一个样本矩阵，将第k个感知周期内的次级用户接收信号的n个采样值的实部和虚部构成的样本矩阵记为xk，再对每个感知周期内授权信道的状态打标签，将第k个感知周期内授权信道的状态标签记为zk，zk的值为0或1，zk的值为0时表示第k个感知周期内授权信道空闲，zk的值为1时表示第k个感知周期内授权信道忙碌；其中，k≥1000，n＝ts×fs
，ts表示每个感知周期的时长，fs表示采样频率，k为正整数，1≤k≤k，n为正整数，1≤n≤n，lk(n)表示第k个感知周期内的主用户发射信号即主用户信号的第n个采样值，lk(n)服从均值为0方差为的复高斯分布，ωk(n)表示第k个感知周期内的加性高斯白噪声的第n个采样值，ωk(n)服从均值为0方差为的复高斯分布，lk(n)与ωk(n)是相互独立的，n0表示主用户信号离开的时刻，n1表示主用户信号到达的时刻，xk的维数为2
×
n，re()表示取实部操作，im()表示取虚部操作，xk(1)表示第k个感知周期内的次级用户接收信号的第1个采样值，xk(2)表示第k个感知周期内的次级用户接收信号的第2个采样值，xk(n)表示第k个感知周期内的次级用户接收信号的第n个采样值；
8.步骤3：从针对每一种场景情况共得到的k个样本矩阵中随机选择n
train
个样本矩阵，将从n
snr
×nμ
种场景情况共得到的n
snr
×nμ
×
k个样本矩阵中随机选择出的n
snr
×nμ
×ntrain
个样本矩阵及对应的授权信道的状态标签构成训练集，记为y
train
，将n
snr
×nμ
种场景情况共得到的n
snr
×nμ
×
k个样本矩阵中剩余的n
snr
×nμ
×
(k-n
train
)个样本矩阵构成测试集，记为y
test
，其中，其中，表示训练集中的第j个样本矩阵，表示所对应的授权信道的状态标签，表示测试集中的第j'个样本
矩阵，1≤j≤n
snr
×nμ
×ntrain
，1≤j'≤n
snr
×nμ
×
(k-n
train
)；
9.步骤4：构建卷积神经网络：其包括一个第一卷积层、四个结构相同的卷积残差注意力模块层、一个最大池化层及两个全连接层，第一卷积层的输入端为该卷积神经网络的输入端，第一卷积层的输出端输出的特征数据经过relu激活函数后输入到第1个卷积残差注意力模块层的输入端，第1个卷积残差注意力模块层的输出端输出的特征数据输入到第2个卷积残差注意力模块层的输入端，第2个卷积残差注意力模块层的输出端输出的特征数据输入到第3个卷积残差注意力模块层的输入端，第3个卷积残差注意力模块层的输出端输出的特征数据输入到第4个卷积残差注意力模块层的输入端，第4个卷积残差注意力模块层的输出端输出的特征数据输入到最大池化层的输入端，最大池化层的输出端输出的特征数据经过relu激活函数后输入到第1个全连接层的输入端，第1个全连接层的输出端输出的特征数据经过relu激活函数后再经过dropout操作后输入到第2个全连接层的输入端，第2个全连接层的输出端输出的特征数据经过softmax激活函数后作为该卷积神经网络的输出端输出的特征数据；其中，第一卷积层的卷积核大小为3
×
3、卷积核深度为32、卷积步长为1，最大池化层的池化窗大小为2
×
2、池化步长为2，第1个全连接层的神经元个数为128，第2个全连接层的神经元个数为2，每个卷积残差注意力模块层由一个第二卷积层、一个第三卷积层与一个卷积注意力模块组成，第二卷积层的输入端作为其所在的卷积残差注意力模块层的输入端，第二卷积层的输出端输出的特征数据输入到第三卷积层的输入端，第三卷积层的输出端输出的特征数据输入到卷积注意力模块的输入端，第三卷积层的输出端输出的特征数据、第二卷积层的输入端接收的特征数据、卷积注意力模块的输出端输出的特征数据经过相加合并操作后得到的特征数据作为其所在的卷积残差注意力模块层的输出端输出的特征数据，第二卷积层和第三卷积层的卷积核大小为3
×
3、卷积核深度为32、卷积步长为1；
10.步骤5：将训练集中的每个样本矩阵及对应的授权信道的状态标签输入到构建的卷积神经网络中对卷积神经网络进行训练，训练的batch size设置为大于或等于100，训练的优化器采用adam，训练的损失函数采用交叉熵函数，训练的结束条件为交叉熵函数的值收敛到0附近或迭代次数设置为大于或等于20；训练结束后得到训练好的卷积神经网络模型及训练集中的每个样本矩阵对应的输出向量，输出向量包含两个元素，分别为授权信道空闲的概率和授权信道忙碌的概率；
11.步骤6：找出训练集中对应的授权信道的状态标签的值为0的所有样本矩阵；然后计算找出的每个样本矩阵对应的输出向量的概率比值，将找出的任一个样本矩阵对应的输出向量的概率比值记为b，接着对找出的所有样本矩阵对应的输出向量的概率比值进行降序排序；再判断s
×
pf的结果是否为0，若为0，则将判决门限的值设定为0，并记为λ；若不为0，则从排序结果中选择第ceil(s
×
pf)个概率比值作为判决门限，记为λ；其中，p1表示该样本矩阵对应的输出向量中的授权信道忙碌的概率，p0表示该样本矩阵对应的输出向量中的授权信道空闲的概率，p1 p0＝1，int()为取整函数，s表示训练集中对应的授权信道的状态标签的值为0的样本矩阵的总个数，pf表示给定的虚警概率，pf∈[0,1]，ceil()为向上取整函数；
[0012]
步骤7：将测试集中的每个样本矩阵输入到训练好的卷积神经网络模型中进行测
试，得到测试集中的每个样本矩阵对应的输出向量；然后计算测试集中的每个样本矩阵对应的输出向量的概率比值，将测试集中的任一个样本矩阵对应的输出向量的概率比值记为b'，其中，p1'表示测试集中的任一个样本矩阵对应的输出向量中的授权信道忙碌的概率，p0'表示测试集中的任一个样本矩阵对应的输出向量中的授权信道空闲的概率，p1' p0'＝1；
[0013]
步骤8：将测试集中的每个样本矩阵对应的输出向量的概率比值作为检验统计量；然后将每个检验统计量与λ进行比较，对于任一个检验统计量，如果该检验统计量大于λ，则判定该检验统计量对应的样本矩阵所对应的感知周期内主用户信号到达，即授权信道忙碌；否则，判定该检验统计量对应的样本矩阵所对应的感知周期内主用户信号离开，即授权信道空闲。
[0014]
与现有技术相比，本发明的优点在于：
[0015]
1)本发明方法不需要对检验统计量进行建模，通过卷积神经网络学习数据的隐藏特征而得到的数据驱动的检验统计量使得本发明方法可以更好地适应不同的场景，在不同的场景都能实现比现有方法更好的检测性能。
[0016]
2)本发明方法通过学习数据的分布特征，并且在卷积神经网络结构中引入了注意力机制即卷积注意力模块，使得卷积神经网络的注意力集中在对判别频谱状态有益的数据上，有效地避免了干扰，实现了更优异的检测性能。
[0017]
3)通过仿真实验，发现无论是roc曲线还是检测概率随信噪比变化曲线，性能优异，能够准确估计出主用户信号的到达和离开。
[0018]
4)感知周期内发生主用户信号的随机到达或离开时，在发生这个现象的时刻的前面一段时间与后面一段时间的状态是不一样的，对判别该感知周期内主用户信号是离开还是到达起到积极作用的数据是与感知周期内最后时刻状态相同的数据，也就是发生主用户信号随机到达或离开时刻后的那部分数据，而发生随机到达前的那部分数据可能会起到消极作用，因此在构建卷积神经网络时加入了注意力机制即卷积注意力模块，希望卷积神经网络可以学习到哪部分数据对判断感知周期内主用户信号是到达还是离开起到一个主要作用，即为变换特征。
附图说明
[0019]
图1为本发明方法的总体实现框图；
[0020]
图2为本发明方法构建的卷积神经网络的组成结构示意图；
[0021]
图3为本发明方法构建的卷积神经网络中的卷积残差注意力模块层的组成结构示意图；
[0022]
图4为感知周期内授权信道忙碌的持续时间的均值μ＝2ms且信噪比snr＝-10db时，分别利用本发明方法(cfam-cnn detector)和五种对比方法得到的检测概率pd随虚警概率pf变化的曲线即roc曲线对比示意图；
[0023]
图5为感知周期内授权信道忙碌的持续时间的均值μ＝2ms且虚警概率pf＝0.1时，分别利用本发明方法(cfam-cnn detector)和五种对比方法得到的检测概率pd随信噪比snr变化的曲线对比示意图。
具体实施方式
[0024]
以下结合附图实施例对本发明作进一步详细描述。
[0025]
本发明提出的一种变换特征注意力的频谱感知方法，其总体实现框图如图1所示，该方法在认知无线电系统中考虑一个感知周期内最多存在一次主用户信号的随机到达或一次主用户信号的随机离开，设定一个感知周期内授权信道忙碌的持续时间为tb、授权信道空闲的持续时间为ti，且tb服从均值为μ的超指数分布，ti服从均值为ν的超指数分布，μ与ν相等，tb和ti、μ和ν的值可自行设定，如μ和ν的值为2ms或5ms或10ms，即tb和ti满足均值为2ms或5ms或10ms；该方法具体包括以下步骤：
[0026]
步骤1：设定有n
snr
个不同的信噪比和n
μ
个不同的μ值，并将n
snr
个不同的信噪比和n
μ
个不同的μ值两两组合成n
snr
×nμ
种场景情况；其中，n
snr
≥3，n
μ
≥3，在本实施例中取n
snr
＝n
μ
＝3，3个不同的信噪比分别为-10db、-5db、0db，3个不同的μ值分别为2ms、5ms、10ms。
[0027]
步骤2：针对每一种场景情况，任意选取一个感知周期作为第1个感知周期；然后从第1个感知周期开始选定连续的k个感知周期；接着对选定的每个感知周期内的次级用户接收信号进行n次采样，得到每个感知周期内的次级用户接收信号的n个采样值，将第k个感知周期内的次级用户接收信号的第n个采样值记为xk(n)，若第k个感知周期内授权信道空闲，则xk(n)描述为：若第k个感知周期内授权信道忙碌，则xk(n)描述为：之后采用现有技术将每个感知周期内的次级用户接收信号的各个采样值的实部和虚部分开；紧接着将每个感知周期内的次级用户接收信号的n个采样值的实部和虚部构成一个样本矩阵，将第k个感知周期内的次级用户接收信号的n个采样值的实部和虚部构成的样本矩阵记为xk，再对每个感知周期内授权信道的状态打标签，将第k个感知周期内授权信道的状态标签记为zk，zk的值为0或1，zk的值为0时表示第k个感知周期内授权信道空闲，zk的值为1时表示第k个感知周期内授权信道忙碌；其中，k≥1000，在本实施例中取k＝40000，n＝ts×fs
，ts表示每个感知周期的时长，在本实施例中取ts为1ms，fs表示采样频率，在本实施例中取fs为1mhz，k为正整数，1≤k≤k，n为正整数，1≤n≤n，lk(n)表示第k个感知周期内的主用户发射信号即主用户信号的第n个采样值，lk(n)服从均值为0方差为的复高斯分布，ωk(n)表示第k个感知周期内的加性高斯白噪声的第n个采样值，ωk(n)服从均值为0方差为的复高斯分布，lk(n)与ωk(n)是相互独立的，由于次级用户接收信号包括主用户发射信号和加性高斯白噪声，或仅包括加性高斯白噪声，因此对次级用户接收信号进行采样，意味着同时对主用户发射信号和加性高斯白噪声进行了相同的采样，n0表示主用户信号离开的时刻，n1表示主用户信号到达的时刻，xk的维数为2
×
n，re()表示取实部操作，im()表示取虚部操作，xk(1)表示第k个感知周期内的次级用户接收信号的第1个采样值，xk(2)表示第k个感知周期内的次级用户接收信号的
第2个采样值，xk(n)表示第k个感知周期内的次级用户接收信号的第n个采样值。
[0028]
步骤3：从针对每一种场景情况共得到的k个样本矩阵中随机选择n
train
个样本矩阵，将从n
snr
×nμ
种场景情况共得到的n
snr
×nμ
×
k个样本矩阵中随机选择出的n
snr
×nμ
×ntrain
个样本矩阵及对应的授权信道的状态标签构成训练集，记为y
train
，将n
snr
×nμ
种场景情况共得到的n
snr
×nμ
×
k个样本矩阵中剩余的n
snr
×nμ
×
(k-n
train
)个样本矩阵构成测试集，记为y
test
，其中，其中，表示训练集中的第j个样本矩阵，表示所对应的授权信道的状态标签，表示测试集中的第j'个样本矩阵，1≤j≤n
snr
×nμ
×ntrain
，1≤j'≤n
snr
×nμ
×
(k-n
train
)。
[0029]
步骤4：考虑到卷积神经网络(convolutional neural network，cnn)强大的特征提取能力，本发明使用卷积神经网络作为分类器，同样考虑到分类的复杂情况与需要实现的功能，本发明构建的卷积神经网络的结构如图2所示，构建卷积神经网络：其包括一个第一卷积层、四个结构相同的卷积残差注意力模块层、一个最大池化层及两个全连接层，第一卷积层的输入端为该卷积神经网络的输入端，第一卷积层的输出端输出的特征数据经过relu激活函数后输入到第1个卷积残差注意力模块层的输入端，第1个卷积残差注意力模块层的输出端输出的特征数据输入到第2个卷积残差注意力模块层的输入端，第2个卷积残差注意力模块层的输出端输出的特征数据输入到第3个卷积残差注意力模块层的输入端，第3个卷积残差注意力模块层的输出端输出的特征数据输入到第4个卷积残差注意力模块层的输入端，第4个卷积残差注意力模块层的输出端输出的特征数据输入到最大池化层的输入端，最大池化层的输出端输出的特征数据经过relu激活函数后输入到第1个全连接层的输入端，第1个全连接层的输出端输出的特征数据经过relu激活函数后再经过dropout(丢弃)操作后输入到第2个全连接层的输入端，第2个全连接层的输出端输出的特征数据经过softmax激活函数后作为该卷积神经网络的输出端输出的特征数据；其中，第一卷积层的卷积核大小为3
×
3、卷积核深度为32、卷积步长为1，最大池化层的池化窗大小为2
×
2、池化步长为2，第1个全连接层的神经元个数为128，第2个全连接层的神经元个数为2，每个卷积残差注意力模块层如图3所示由一个第二卷积层、一个第三卷积层与一个卷积注意力模块组成，第二卷积层的输入端作为其所在的卷积残差注意力模块层的输入端，第二卷积层的输出端输出的特征数据输入到第三卷积层的输入端，第三卷积层的输出端输出的特征数据输入到卷积注意力模块的输入端，第三卷积层的输出端输出的特征数据、第二卷积层的输入端接收的特征数据、卷积注意力模块的输出端输出的特征数据经过相加合并操作后得到的特征数据作为其所在的卷积残差注意力模块层的输出端输出的特征数据，第二卷积层和第三卷积层的卷积核大小为3
×
3、卷积核深度为32、卷积步长为1。
[0030]
在本实施例中，第一卷积层、第二卷积层、第三卷积层采用现有的卷积层，第1个全连接层、第2个全连接层采用现有的全连接层，最大池化层、dropout操作均采用现有技术；卷积注意力模块采用现有技术，来源于s woo,j park,j ylee et al.,cbam:convolutional block attention module[j],2018.(cbam：卷积块注意力模块)；相加合并操作是指对应的元素相加，例如：第三卷积层的输出端输出的特征数据、第二卷积层的输入
端接收的特征数据、卷积注意力模块的输出端输出的特征数据相加合并，是指第三卷积层的输出端输出的特征数据中的元素、第二卷积层的输入端接收的特征数据中对应的元素、卷积注意力模块的输出端输出的特征数据中对应的元素相加。
[0031]
步骤5：将训练集中的每个样本矩阵及对应的授权信道的状态标签输入到构建的卷积神经网络中对卷积神经网络进行训练，训练的batch size设置为大于或等于100，训练的优化器采用adam，训练的损失函数(loss function，lf)采用交叉熵函数(cross-entropy function)，训练的结束条件为交叉熵函数的值收敛到0附近或迭代次数设置为大于或等于20，在本实施例中训练的batch size设置为1500，迭代次数设置为50；训练结束后得到训练好的卷积神经网络模型及训练集中的每个样本矩阵对应的输出向量，输出向量包含两个元素，分别为授权信道空闲的概率和授权信道忙碌的概率。
[0032]
步骤6：找出训练集中对应的授权信道的状态标签的值为0的所有样本矩阵；然后计算找出的每个样本矩阵对应的输出向量的概率比值，将找出的任一个样本矩阵对应的输出向量的概率比值记为b，接着对找出的所有样本矩阵对应的输出向量的概率比值进行降序排序；再判断s
×
pf的结果是否为0，若为0，则将判决门限的值设定为0，并记为λ；若不为0，则从排序结果中选择第ceil(s
×
pf)个概率比值作为判决门限，记为λ；其中，p1表示该样本矩阵对应的输出向量中的授权信道忙碌的概率，p0表示该样本矩阵对应的输出向量中的授权信道空闲的概率，p1 p0＝1，int()为取整函数，s表示训练集中对应的授权信道的状态标签的值为0的样本矩阵的总个数，pf表示给定的虚警概率(false alarm probability，pf)，pf∈[0,1]，如pf取值为0.1，ceil()为向上取整函数。
[0033]
步骤7：将测试集中的每个样本矩阵输入到训练好的卷积神经网络模型中进行测试，得到测试集中的每个样本矩阵对应的输出向量；然后计算测试集中的每个样本矩阵对应的输出向量的概率比值，将测试集中的任一个样本矩阵对应的输出向量的概率比值记为b'，其中，p1'表示测试集中的任一个样本矩阵对应的输出向量中的授权信道忙碌的概率，p0'表示测试集中的任一个样本矩阵对应的输出向量中的授权信道空闲的概率，p1' p0'＝1。
[0034]
步骤8：将测试集中的每个样本矩阵对应的输出向量的概率比值作为检验统计量；然后将每个检验统计量与λ进行比较，对于任一个检验统计量，如果该检验统计量大于λ，则判定该检验统计量对应的样本矩阵所对应的感知周期内主用户信号到达，即授权信道忙碌；否则，判定该检验统计量对应的样本矩阵所对应的感知周期内主用户信号离开，即授权信道空闲。
[0035]
通过以下仿真来进一步说明本发明方法的可行性和有效性。
[0036]
在本发明方法的仿真中，数据集的数据包含信噪比-10db情况下μ＝2ms时的40000组数据、信噪比-10db情况下μ＝5ms时的40000组数据、信噪比-10db情况下μ＝10ms时的40000组数据、信噪比-5db情况下μ＝2ms时的40000组数据、信噪比-5db情况下μ＝5ms时的40000组数据、信噪比-5db情况下μ＝10ms时的40000组数据、信噪比0db情况下μ＝2ms时的40000组数据、信噪比0db情况下μ＝5ms时的40000组数据、信噪比0db情况下μ＝10ms时的40000组数据，采样频率设置为1mhz，每个感知周期的持续时间长度为1ms，每个感知周期的
样本数n设置为1000。
[0037]
在本发明方法的仿真中，训练的优化器采用的是adam优化器，学习率设置为0.0001，训练epoch设置为50，batch size设置为1500。
[0038]
对比方法有：avellr(似然比检测法)方法、w-ed(加权能量法)方法、ed(能量检测)方法、卷积神经网络(cnn)检测法、协方差-卷积神经网络(cm-cnn)法。
[0039]
图4为分别利用本发明方法(cfam-cnn detector)和上述五种对比方法得到的在不同虚警概率pf下的检测概率pd。仿真中，取一个感知周期内授权信道忙碌的持续时间的均值μ＝2ms，信噪比snr＝-10db。从图4中可以看出，所有方法的检测概率pd都随着虚警概率pf的增大而增大，并且本发明方法的检测概率pd要高于所有的对比方法。当pf＝0.1时，本发明方法的检测概率pd约为0.83，而对比方法的检测概率pd都低于0.8；通过将pf从0.1降到0.05，本发明方法的检测概率pd约为0.8，而其他对比方法最好的检测概率pd保持在0.6左右，在pf＝0.05的情况下，本发明方法的检测性能相对于对比方法至少提升了20％。
[0040]
图5为分别利用本发明方法(cfam-cnn detector)和上述五种对比方法得到的在不同信噪比snr下的检测概率pd。仿真中，取一个感知周期内授权信道忙碌的持续时间的均值μ＝2ms，虚警概率pf＝0.1。从图5中可以可看出，所有的方法的检测概率pd都随着信噪比snr的增大而增大，并且本发明方法和cnn检测方法的检测性能明显高于其他对比方法，而且在低信噪比时，本发明方法的检测性能优于cnn检测方法。当snr＝-10db时本发明方法的检测概率pd约为0.83，而cnn检测方法的检测概率pd保持在0.75左右，其他对比方法的检测概率pd都低于0.6。而且从图5中可以看出本发明方法的检测概率pd一直都很高。综上所述，本发明方法的检测性能要优于现有的对比方法。