[发明专利]基于协方差特征值和均值漂移聚类的协作频谱感知方法

说明书

本发明公开一种基于协方差特征值和均值漂移聚类的协作频谱感知方法，首先，利用接收到的感知数据计算协方差矩阵，计算协方差矩阵的特征值，利用最大特征值和最小特征值构成二维信号特征向量。最后，利用训练均值漂移聚类得到分类器。本发明不仅可以很好地避免了传统门限值的推导，还避免了需要对协方差矩阵进行预处理才能构建二维信号特征向量。同时，通过训练均值漂移聚类算法获得分类器，可以避免对类数目的设定，更好地展现训练集所隐藏的类别。

技术领域

本发明涉及认知无线电领域，更具体地，涉及一种基于协方差特征值和均值漂移聚类的协作频谱感知方法。

背景技术

近年来，各种无线设备和智能移动终端的数量快速增加，人们对无线频谱的需求日益增加，无线通信网络规模不断扩大，这无疑让频谱资源变得愈加紧张。认知无线电技术旨在缓解目前频谱紧缺的问题。认知无线电技术的主要的思想是让无线电通信设备能够发现自由频谱，并合理地利用频谱资源。频谱感知技术不但是认知无线电的重要技术之一，而且也是频谱共享和频谱管理等其他应用的基础。但是在实际的无线电环境中，频谱感知技术会受到阴影和衰减等影响，使得感知到的信号的信噪比很小，进而导致频谱感知的性能降低，为了解决这个问题，提出了一种多用户协作频谱感知技术，该技术可以提高认知无线电的性能。

传统的频谱感知技术有能量检测、匹配滤波器检测、循环特征检测频谱感知方法。近年来，随机矩阵理论被提出并渐渐地被运用到频谱感知的方法中。有文献提出一种基于协方差矩阵分解的频谱感知算法，该算法通过信号的协方差矩阵进行分解和处理，再通过门限的推导进行判决。有文献提出一种基于随机矩阵理论的频谱感知，该算法仍然采用门限判决的判定方法，固然会存在门限推导不准确，计算复杂的问题。频谱感知技术是用于检测主用户是否存在，于是可以把频谱感知看成一种二分类的问题，机器学习则能很好地处理二分类的问题，所以基于机器学习的频谱感知方法逐渐成为人们研究的热点。有文献提出一种基于K均值聚类的频谱感知算法，该算法把信号的能量作为信号特征，然后通过K均值聚类算法对这些信号进行分类和测试。有文献提出一种基于信号特征和聚类算法的频谱感知，该方法利用随机矩阵原理，把信号矩阵的特征值作为信号特征，再通过聚类算法对这些信号进行分类和测试。

发明内容

本发明提供一种基于协方差特征值和均值漂移聚类的协作频谱感知方法，避免了需要对协方差矩阵进行预处理才能构建二维信号特征向量。

为解决上述技术问题，本发明的技术方案如下：

一种基于协方差特征值和均值漂移聚类的协作频谱感知方法，包括以下步骤：

S1：获取多个不同时间段下的接收信号矩阵X，所述接收信号矩阵X的元素为不同次级用户的接收信号；

S2：计算接收信号矩阵X的协方差矩阵的特征值；

S3：利用S2计算得到的最大特征值和最小特征值构成二维信号特征向量；

S4：将多个不同时间段下计算得到的二维信号特征向量构成训练集，利用训练集作为训练均值漂移聚类算法的输入；

S5：训练完成后，得到用于判别授权信道是否可用的分类器；

S6：利用S5得到的分类器判断主用户是否存在，若主用户信号存在，则表示频段被占用，不能计入该频段；若主用户信号不存在，则表示频段空闲，可以接入该频段。