1.一种基于机器学习逻辑回归算法的频谱感知方法，其特征在于，包括以下步骤：S1，采集认知节点所接收到的信号，并从信号中解析出信号数据；

S2，对解析出的信号数据进行预处理，所述预处理依次包括特征提取、无量纲化、特征降维；

S3，预先训练完成的逻辑回归模型对预处理后的信号数据进行处理，输出得到频谱是否空闲的概率值，概率值大于阈值则判别为频谱空闲，小于等于阈值则判别为频谱不空闲。

2.根据权利要求1所述的基于机器学习逻辑回归算法的频谱感知方法，其特征在于，所述S1中，解析出的信号数据包括应用类型、信号强度、需求带宽、分配带宽、信号能量、信号时延；所述逻辑回归模型包括线性回归函数和激活函数，线性回归函数为输入，激活函数为输出，其中，线性回归函数为：；

激活函数为： ；

式中，h(x)为目标值，x1、x2、x3、x4、x5、x6分别表示应用类型、信号强度、需求带宽、分配带宽、信号能量、信号时延，w1、w2、w3、w4、w5、w6分别为应用类型、信号强度、需求带宽、分T配带宽、信号能量、信号时延的权重，b为调节系数，θ x为信号数据线性回归方程矩阵表达形式。

3.根据权利要求2所述的基于机器学习逻辑回归算法的频谱感知方法，其特征在于，在所述逻辑回归模型的训练过程中，先将激活函数的输出值按照如下公式映射到（‑1，1）内：；

然后采用如下函数进行损失计算：

；

其中， 表示映射后的激活函数的输出值，g为激活函数的输出值，gmax与gmin分别为激活函数输出值的最大值与最小值，y表示正确的类别，取值为1或‑1，β为所述阈值在（‑1，1）之间的映射值，如果 ，则损失为 ；如果 ，则损失为0。

4.根据权利要求1所述的基于机器学习逻辑回归算法的频谱感知方法，其特征在于，所述S2中，采用字典特征提取法对信号数据进行特征提取处理。

5.根据权利要求1所述的基于机器学习逻辑回归算法的频谱感知方法，其特征在于，所述S2中，所述无量纲化包括归一化和z‑score标准化。

6.根据权利要求4所述的基于机器学习逻辑回归算法的频谱感知方法，其特征在于，所述S2中，采用主成分分析法对z‑score标准化后数据进行特征降维处理。

7.一种基于机器学习逻辑回归算法的频谱感知系统，其特征在于，包括：数据采集模块，用于采集认知节点所接收到的信号，并从信号中解析出信号数据；

预处理模块，用于对解析出的信号数据进行预处理，所述预处理依次包括特征提取、无量纲化、特征降维；

频谱感知模块，利用预先训练完成的逻辑回归模型对预处理后的信号数据进行处理，输出得到频谱是否空闲的概率值，概率值大于阈值则判别为频谱空闲，小于等于阈值则判别为频谱不空闲。

8.根据权利要求7所述的基于机器学习逻辑回归算法的频谱感知系统，其特征在于，数据采集模块解析出的信号数据包括应用类型、信号强度、需求带宽、分配带宽、信号能量、信号时延；所述逻辑回归模型包括线性回归函数和激活函数，线性回归函数为输入，激活函数为输出，其中，线性回归函数为：；

激活函数为： ；

式中，h(x)为目标值，x1、x2、x3、x4、x5、x6分别表示应用类型、信号强度、需求带宽、分配带宽、信号能量、信号时延，w1、w2、w3、w4、w5、w6分别为应用类型、信号强度、需求带宽、分T配带宽、信号能量、信号时延的权重，b为调节系数，θ x为信号数据线性回归方程矩阵表达形式。

9.根据权利要求8所述的基于机器学习逻辑回归算法的频谱感知系统，其特征在于，还包括模型训练模块，用于训练得到所述逻辑回归模型，在所述逻辑回归模型的训练过程中，先将激活函数的输出值按照如下公式映射到（‑1，1）内：；

然后采用如下函数进行损失计算：

；

其中， 表示映射后的激活函数的输出值，g为激活函数的输出值，gmax与gmin分别为激活函数输出值的最大值与最小值，y表示正确的类别，取值为1或‑1，β为所述阈值在（‑1，1）之间的映射值，如果 ，则损失为 ；如果 ，则损失为0。

10.根据权利要求8所述的基于机器学习逻辑回归算法的频谱感知系统，其特征在于，预处理模块采用字典特征提取法对信号数据进行特征提取处理。