技术特征：
1.一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：该方法包括以下步骤：s1：获取不同环境下大量的宽带频谱接收信号能量观测矩阵以及这些矩阵所对应的子带占用模式标签；s2：对获取到的原始数据进行归一化以及样本均衡化操作；s3：根据能量观测矩阵的尺寸特征设计两个神经网络模型；s4：利用训练过的数据集分别对设计好的神经网络模型进行训练得到可用于识别pu占用频带起始位置的分类器1和识别pu占用带宽的分类器2；s5：分别向两个分类器输入经过归一化处理的实时频谱能量观测矩阵，由这两个分类器同时执行分类任务，得到当前时刻pu占用频带的起始位置和占用带宽。2.根据权利要求1所述的一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：所述步骤s1具体为：根据初始条件，设当前时刻为t，所有的m个su接收到的全部的q子带上的能量值组成的q
×
m维能量观测矩阵为x
t
，t时刻的频带占用模式为在一定长的时间内获取不同信噪比不同衰落环境下大量的频谱观测能量观测矩阵以及该矩阵对应的子带占用模式，组成训练集θ＝{x1,x2,...,x
t
}和训练集对应的标签集其中d＝{d
(1)
,d
(2)
,...,d
(t)
}，3.根据权利要求2所述的一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：所述步骤s2具体为：为使分类器达到更好的分类效果，对s1中得到的原始数据集θ中的能量观测矩阵进行归一化操作得到新的样本集θ
norm
＝{z1,z2,...,z
t
}，其中z
t
是x
t
经过归一化操作后的矩阵，然后对归一化后的数据集进行样本均衡化处理；样本均衡化处理采用过采样法进行样本均衡化，具体操作为：统计l中每个类的样本数量，对样本数量较少的类随机复制一部分数据，保证各个类对应的数据量保持均衡；得到新的训练样本集θ
resamp
＝{z1,z2,
…
,z
t'
}和训练样本集所对应的频带占用模式标签集其中t'≤t。4.根据权利要求3所述的一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：所述步骤s3包括：采用一种5层的网络结构，根据能量观测矩阵的特征，确定合适的卷积核尺寸、卷积核个数和采样窗口的大小，分别设计两个深度为5层的卷积神经网络，两个网络均由3个卷积层和2个全连接层组成；前两个卷积层均包含一个卷积层和池化层，所有卷积层采用relu为激活函数以增强网络的非线性；该网络结构采用最大池化方法通过缩小特征图尺寸达到减小计算量的目的；在得到最后一个卷积层的输出特征图后，对该特征图进行扁平化操作，将其转换为一个新的特征向量；为防止过拟合，在第一个全连接层的基础上添加dropout层，然后添加第二个全连接层。5.根据权利要求4所述的一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：在所述步骤s4中，将数据{θ
resamp
,d}输入分类器1、{θ
resamp
,n
p
}输入分类器2，对两个分类器分别进行训练；采用自适应矩估计方法来更新卷积神经网络的参数，使用分类交叉熵作为目标损失函数，当目标函数最小时，停止训练。
6.根据权利要求5所述的一种基于卷积神经网络分类器的宽带频谱感知方法，其特征在于：在所述步骤s5中，向两个分类器中输入当前时刻归一化后的频谱能量观测矩阵z
t
，由这两个分类器分别执行分类任务，得到pu占用频带的起始位置和占用带宽