1.一种基于半监督深度学习的频谱感知方法，其特征在于,该方法包括以下步骤：S1、通过有标签样本训练半监督集成决策树模型以获得用于区分PU信号和噪声的分类器；

S2、将无标签样本输入分类器，并将置信度高于预设值的无标签样本标记为伪标签；

S3、通过所述的伪标签训练CNN网络以获得频谱感知预测模型。

2.根据权利要求1所述的基于半监督深度学习的频谱感知方法，其特征在于，在步骤S1中，通过提取有标签样本的高阶累积量特征、时频特征和信息熵特征训练半监督集成决策树。

3.根据权利要求2所述的基于半监督深度学习的频谱感知方法，其特征在于，通过混合矩定义Mpq获取各类高阶累积量：p‑q * q

Mpq＝E[s(n) (s(n)) ]   (1)提取高阶累积量C40，

E(x(n))表示对x(n)求期望，x(n)表示经过多径衰落的PU信号，利用采样点的平均值代替理论期望，且将接收信号rn的四阶累积量 作为训练半监督集成决策树的信号特征，高阶累积量 的计算方式为：

4.根据权利要求3所述的基于半监督深度学习的频谱感知方法，其特征在于，所述的时频特征包括零中心归一化瞬时幅度谱密度最大值γmax和零中心瞬时相位非线性分量标准偏差βdp，其中，

零中心归一化瞬时幅度谱密度最大值γmax用于表征信号瞬时幅度的变换情况；

零中心瞬时相位非线性分量标准偏差βdp用于区分PU信号和噪声。

5.根据权利要求4所述的基于半监督深度学习的频谱感知方法，其特征在于，零中心归一化瞬时幅度谱密度最大值γmax被定义为：2

rmax＝max|DFT(Acn(i))|/N   (4)其中，Acn(i)为零中心归一化瞬时幅度，由下式计算：Acn(i)＝An(i)‑1   (5)其中，An(i)＝A(i)/ma，ma为瞬时幅度的平均值,零中心瞬时相位非线性分量标准偏差βdp被定义为：其中，φNL是经过零中心化处理后瞬时相位的非线性分量，ta用于判断信号段的一个幅度阈值。

6.根据权利要求5所述的基于半监督深度学习的频谱感知方法，其特征在于，所述的信息熵特征包括频谱香农熵特征、奇异谱熵特征和能量谱熵特征。

7.根据权利要求6所述的基于半监督深度学习的频谱感知方法，其特征在于，将频谱感知描述为如下二元假设检验问题：其中，r(n)表示接收机收到的复信号，n＝0,1,2…,N‑1,x(n)表示经过多径衰落的PU信2

号，v(n)为服从高斯分布N(0,σ)的加性高斯白噪声，H0表示信道当前未被占用，H1表示信道被占用。

8.根据权利要求7所述的基于半监督深度学习的频谱感知方法，其特征在于，对公式(7)进行傅里叶变换：

其中，k＝0,1,2…N‑1，R(k)，S(k)和V(k)分别表示接收信号，PU信号和噪声频谱；

然后通过直方图计算信息熵，将接收信号R(k)幅度值按照大小分到L个箱子中，令Ki表示第i个箱子中的数量，有 定义pi＝Ki/N，表示第i个箱子中的频率，有香农熵、奇异谱熵、能量谱熵分别被定义为：将p i＝ Ki /N 代入得 到接 收 信号的 信息 熵 ，并由 此构 造特 征向 量

9.根据权利要求8所述的基于半监督深度学习的频谱感知方法，其特征在于，在步骤S1之前先构建半监督集成决策模型：L U L U L

令X＝{X ,X}表示由有标签样本集X 和无标签样本集X构成的训练集，Y＝{yi|yi∈[0,L J

1]}对应于X的标签，fi＝f(xi)∈R表示第i个接收信号xi对应的特征向量，xi∈X；

在步骤S1中，利用有标签训练集 学习M棵决策树，并使用该M棵决策树的组合预测输出：

U

在步骤S2中，输入无标签样本集X，将其中置信水平高于预设值的样本标记为伪标签；

m

第M棵决策树h(·)定义为：m J m

其中，s (·):R a{1,2,...,C }为决策树结构，表示将一个样本映射到相应的叶节点m m

索引，C＝|h (·)|为当前决策树中叶节点的数目， 为所有叶节点的响应值向量。

10.根据权利要求9所述的基于半监督深度学习的频谱感知方法，其特征在于，为半监督集成决策树模型定义如下代价函数：其中， 表示信号产生的二进制交叉熵损失，第一项和第二项分别为有标签信号和无标签信号产生的分类损失，μ∈[0,1]是一个平衡系数。