[发明专利]一种集中式频谱感知方法、系统、储存介质及通信设备

说明书

本发明提出了一种集中式频谱感知方法、系统、储存介质及通信设备，方法部分通过基于协方差矩阵和IQ分解的方法对感知信号进行信号特征向量的提取，运用DBSCAN算法在对信号特征向量聚类的同时发现并删除其中的异常值，进而获得更有效的分类器；本发明改进了在低SNR的环境下的感知性能，在训练时避免了受到初始点选取的影响。通过仿真实验表明，本文所提出的方法在低信噪比环境下仍然有较好的感知性能。

技术领域

本发明涉及通信技术领域，具体涉及认知无线电及频谱感知领域，更具体地，涉及一种集中式频谱感知方法、系统、储存介质及通信设备。

背景技术

近几年通信技术的发展极为迅速，导致现有的无线资源变得非常紧缺。作为一种可以高效利用无线频谱的智能化电信技术，认知无线电已经越来越多的为人们所重视。认知无线电的实质是：通信设备使用认知无线电技术可以实时感知当前通信环境，智能快速的调整通信参数，并允许次用户SU(Second User)在主用户PU(Primary User)没有占用该频段时接入该频段通信，最大化频谱资源利用率。由于PU是法定使用频谱资源的用户，拥有频谱接入的优先权，因此认知无线电在接入信道之前需要感知无线环境中的空闲频谱以避免对PU产生任何干扰，所以频谱感知可以看做是认知无线电工作中最重要的环节。因此，频谱感知准确度对认知无线电系统性能至关重要。

目前常用的频谱感知方法在实现过程中不少需要推导判决门限值或者获取关于PU的先验知识，但这在实际情况中往往难以得到精确结果甚至是难以实现的；而对于一些涉及机器学习的频谱感知方法而言，如公开时间为2018.08.28，公开号为CN 108462544 A的中国专利：一种频谱感知方法及装置所示，基于K-means聚类算法或K-medoids聚类算法的感知方法在训练时极易受到初始点选取的影响；基于SVM或KNN的感知方法则需要对数据集做标签，这在实际中同样很难操作。显然，上述现有技术存在的不足，都会影响频谱感知的性能，进而影响整个认知无线电系统的性能。

发明内容

针对现有技术的局限，本发明提出一种集中式频谱感知方法、系统、储存介质及计算机设备，本发明采用的技术方案是：

一种集中式频谱感知方法，包括以下步骤：

获取各次用户感知信号的训练数据，生成所述训练数据的原始信号矩阵；对所述训练数据的原始信号矩阵进行I/Q分解，通过将所述训练数据的原始信号矩阵的分解结果转化为协方差矩阵，构建所述训练数据的信号特征向量；以所述训练数据的信号特征向量作为样本生成训练集；

获取各次用户感知信号的测试数据，生成所述测试数据的原始信号矩阵；对所述测试数据的原始信号矩阵进行I/Q分解，通过将所述测试数据的原始信号矩阵的分解结果转化为协方差矩阵，构建所述测试数据的信号特征向量；以所述测试数据的信号特征向量生成测试集；

根据所述训练集，运用DBSCAN算法获取频谱感知判决分类器；

根据所述测试集，运用所述频谱感知判决分类器判断是否存在主用户信号。

相较于现有技术，本发明通过基于协方差矩阵和IQ分解的方法对感知信号进行信号特征向量的提取，运用DBSCAN算法在对信号特征向量聚类的同时发现并删除其中的异常值，进而获得更有效的分类器；本发明改进了在低SNR的环境下的感知性能，在训练时避免了受到初始点选取的影响。通过仿真实验表明，本文所提出的方法在低信噪比环境下仍然有较好的感知性能。

进一步的，所述原始信号矩阵Y按以下方式表示：

其中，x_m(n)表示次用户m在第n个采样时间点的感知信号，m＝[1，2，...，M]，n＝[1，2，...，N]。

进一步的，所述原始信号矩阵经过I/Q分解得到的分解结果Y^I和Y^Q分别按以下方式表示：