1.一种基于深度学习的多用户宽带通信系统的频谱感知方法，其特征在于，包括以下步骤：(1)从历史数据库里获取单个感知时刻已知子信道占用状况的宽带接收信号数据并分别由每个子信道的接收信号计算出该子信道的协方差矩阵，最后将所有子信道的协方差矩

1 1 2

阵集合Y与其对应的子信道占用状况Z作为单个训练数据构建训练集Ω＝{(Y ,Z ),(Y ,

2 K K

Z),...,(Y ,Z)}；

(2)构造卷积神经网络，在训练集Ω上进行训练，训练完成后得到训练好的网络hθ；

(3)在每个感知时刻t，对宽带信号的每个子信道分别采样并计算得到每个子信道上的协方差矩阵；

(4)将所有子信道上协方差矩阵作为训练好的卷积神经网络的输入Yt，得到输出hθ(Yt)＝(h1,h2,...,hI)作为所有子信道上的检验统计量；

(5)对每个子信道上的检验统计量进行判决来判断该子信道是否已被主用户占用，最后得到所有子信道上的占用状况。

2.根据权利要求1所述的基于深度学习的多用户宽带通信系统的频谱感知方法，其特征在于：步骤(1)中每个子信道i上的接收信号yi(n)可以用如下模型表示：其中，H0表示该子信道没有PU存在，H1表示该子信道有PU存在，K为PU个数， 或1且表示PUk是否占用子信道i且一个子信道只能被一个PU占用；η为能量泄漏系数，H为多天线系统的信道增益矩阵， 分别为第k个PU的发送信号与子信道i上的噪声，BP，BA分别表示被PU占用的子信道与被占用子信道的相邻信道。

3.根据权利要求2所述的基于深度学习的多用户宽带通信系统的频谱感知方法，其特征在于：第i个子信道上的接收信号的样本协方差矩阵 用如下公式计算：其中M为接收端天线数。

4.根据权利要求3所述的基于深度学习的多用户宽带通信系统的频谱感知方法，其特征在于：将所有子信道上的协方差矩阵一齐作为输入Y，输入Y可表示为：

5.根据权利要求1所述的基于深度学习的多用户宽带通信系统的频谱感知方法，其特征在于：步骤(5)中通常使用虚警概率与检测概率来衡量感知算法的性能，其中，虚警概率Pfa定义为PU不存在条件下，检测出PU存在的概率，检测概率Pd定义为PU存在条件下，检测出PU存在的概率，用公式可表示为：Pd＝P(H1|H1)    (8)

Pfa＝P(H1|H0)    (9)

感知算法的性能，在固定Pfa的情况下，比较Pd的大小来衡量，Pd越高，性能越好；同时，检测错误概率表示为：Pe＝P(H0)P(H1|H0)+P(H1)P(H0|H1)    (10)用来衡量为算法感知错误的概率，在宽带感知问题中，则用所有子信道上Pfa，Pd，Pe的平均值来衡量宽带感知算法的性能。