[发明专利]认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法

权利要求书

1.认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法，其特征在于：根据大量认知节点对实际感知到的非平稳信号空时相关性结构，感知数据映射到小波基进行稀疏变换，通过计算小波域信号的能量子集，选取最大能量子集作为测量矩阵行向量，并对该行向量进行正交化构造测量矩阵，形成自适应测量，并使其满足约束等距性质；认知基站通过稀疏贝叶斯回归模型中的相关向量机模型对认知用户感知的宽带频谱进行重构恢复与宽带频谱检测。

2.根据权利要求1所述的认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法，其特征是具体包括以下步骤：

(1)首先，考虑认知无线网络中N个认知节点在时刻t对感知到的主用户信号向量为在时刻t之前的连续T个时刻的感知信息列向量构成感知数据矩阵χ^(t)＝[x^(t-1),x^(t-2),L,x^(t-T)]∈R^N×T，该矩阵中的不同时刻的感知数据列向量之间存在时间相关性；此外，在同一感知时刻，各节点由于分布位置的不同，对主用户频谱信号的感知数据也具有空间相关性；利用感知数据矩阵元素的时空相关性，定义时刻t感知数据矩阵的时间平均向量为该向量中的元素对应为各时刻感知数据列向量的时间平均值，定义时刻t感知数据矩阵的协方差矩阵为将时刻t的感知向量与时间平均向量的差值向量映射到小波基B={B_i|B_i∈R^N,i∈{1,2,L,N}}进行稀疏变换，即利用多节点非平稳感知信号的时空相关性特点，选取正交小波基B作为稀疏空间，感知信号差值向量经正交小波变换后在该基空间下具有一定的稀疏性，得到K个非零元素构成稀疏系数向量

采用小波的马拉特塔式分解构造树型结构小波基矩阵B，小波基为四阶Daubechies系紧支集正交小波，该小波具有4阶消失矩，Mallat分解层数为6；因此，由于B为正交阵，故

(2)然后，构造自适应观测矩阵；利用观测矩阵Φ对差值向量进行线性变换，观测矩阵满足Φ与B的不相关性和K阶约束等距性质，获得t时刻的M个观测值y^(t)∈R^M，即其中为压缩感知信息算子；

自适应测量的过程：计算差值向量信号在小波域的能量子集寻找最大能量子集得到最佳观测值M，即自适应测量矩阵Φ_M的行向量个数；由于t时刻观测向量的元素是自适应测量矩阵行向量与t时刻感知信号差值向量相乘得到，若测量矩阵的行向量之间相互独立，则观测向量元素之间的相关性也相应减少；因此，对自适应测量矩阵的M个行向量还需进行正交化处理，即构造行向量相互正交的自适应测量矩阵Φ_M，以此得到基于最大能量子集的观测向量

感知向量通过设置在各认知节点侧的模拟信息转换器获取t时刻的初始观测向量y^(t)，即通过初始测量矩阵Φ进行变换后产生t时刻的观测信号y^(t)，并计算其能量寻找最大能量子集得到最佳观测值M，从而构造自适应测量矩阵Φ_M，以此得到基于最大能量子集的自适应观测向量并将压缩采样后的发送至认知基站；

(3)最后，认知基站采用层次化稀疏贝叶斯回归模型中的相关向量机进行感知信号重构，以较大概率实现含噪感知信号的重构，恢复多个认知节点的感知信息；而后，认知基站提取感知信息的特征（能量）进行主用户频谱检测，采用基于主用户能量检测的多节点“或准则”数据融合进行宽带频谱检测，从而得到全局频谱利用信息；

认知基站从自适应观测向量中恢复稀疏系数向量的问题为l₀范数的约束最优化问题，通过求解l₁范数优化问题得到它的等价解，即通过层次化贝叶斯压缩感知中的相关向量机模型进行参数的学习和估计，获得对稀疏系数向量的优化估计从而得到时刻t的重构感知向量

认知基站进行基于频域能量检测的多节点“或准则”数据融合，得到全局感知信息；具体过程如下：

●假设宽带频谱均匀划分为P个子信道，计算第n个认知用户重构感知信息的频域能量En=Σt=1T||xn(t)||22,]]>判决门限为λn=EnP;]]>

●利用基于频域能量置信度检测法求出第n个认知用户在第p个子信道上检测统计量n=1,2,L,N，p=1,2,L,P；其中，W为每个子信道的采样点数；

●通过二元假设检验判断第p个子信道是否被主用户占用，即dp=1H1:Sp≥λ0H0:Sp<λ;]]>

●认知基站根据“或准则”对N个认知用户的感知信息进行数据融合，得到全局检测概率若N个认知用户的检测概率Pr_d相同，则

Qd=Σn=1NNnPrdn(1-Prd)N-n=1-(1-Prd)N.]]>