[发明专利]一种基于压缩感知和支持向量机的高效频谱感知方法

说明书

本发明公开了一种基于压缩感知和支持向量机的高效频谱感知方法，包括以下步骤：S1：输入待感知的接收信号；S2：对待感知接收信号通过压缩感知采样处理得到测量矩阵Y，并对测量矩阵Y的采样协方差矩阵对角线元素判决，并取均值得到特征统计量T_k；S3：通过特征统计量与门限对比获取待感知接收信号的标签，并将获取到的标签和特征统计量组成的样本训练集；S4：将样本训练集输入到支持向量机SVM分类器中训练，得到频谱分类器；S5：将收集的数据输入至频谱分类器中处理，得到分类结果。本发明无需重构原信号，只需通过协方差对角线元素作为判决统计量，极大降低复杂度，且提高检测概率。

技术领域

本发明涉及数字通信技术领域，尤其涉及一种基于压缩感知和支持向量机的高效频谱感知方法。

背景技术

近年来，随着无线电通信技术的飞速发展，无线电频谱资源的需求迅速攀升，另外，由于无线电频谱资源主要采用固定分配模式，使得频谱利用率低、频谱资源浪费的问题十分严重。图1为典型的认知无线网络(CRN)系统架构示意图。典型的认知无线电网络(CNR)由主用户(PU)和次用户(SU)组成，通常假设PU和SU的无线网络通信在物理上是分隔的，SU无法直接获得PU的信道状态。在此系统中，PU对所占信道具有优先使用权，认知基站(CBS)首先通过检测信道中的PU信号，判断频谱中的空闲信道，然后，它发送PU接收机(PU-R)的状态并确定空闲频谱。直到PU不再占用频谱，SU可以重新使用该频谱。若SU正使用的频谱被PU访问，则SU要退出该频谱转入缓存中，认知设备同时检测别的空闲频谱。

关于认知无线电中的频谱感知技术的研究，已经有大量学者做了许多工作，针对不同的应用场景，提出了多种类型的频谱感知算法。传统的频谱感知算法主要针对单用户的窄带信号检测，包括能量检测算法，匹配滤波算法，循环平稳特征检测算法。能量检测算法是最常用的频谱感知方法。能量检测算法简单，所需时间短，但是会受到噪声峰值影响，不适合低信噪比的环境。匹配滤波检测算法精度高，所需时间短，然而需要授权用户的先验信息。循环平稳特征检查测算法检测精度高，支持在低信噪比环境下检测；但其算法复杂度高，检测时间最长。一般来说，频谱感知方法需要信号和噪声的先验信息，这限制了实际应用。近年来，随机矩阵理论的兴起，越来越多的基于协方差矩阵的盲频谱检测算法应用于频谱感知。传统盲检测方法包括：协方差绝对值(CAV)检测、最大最小特征值法(MME)检测等。这些算法可以消除一定的噪声不确定度影响,提高检测概率。但是MME和CAV的门限均是渐进的，门限的不精确性会影响算法检测性能

认知无线电(CR)技术的出现，使次用户(SU)能智能接入未被占用的空闲频谱，大大的提高的频谱利用率。其中，频谱感知作为CR关键，能够精确智能的识别出空闲频谱，充分利用频谱资源，有效提高频谱利用率。其中，传统单用户频谱感知技术因其局限性不适合实际复杂环境。为此，多用户协作频谱感知技术应运而生。它通过对多用户感知结果融合，能有效提高频谱感的性能。其中，基于压缩感知技术的频谱感知在检测性能方面有着显著的效果，但传统压缩频谱感知技术需要对原始信号重构，大大提高了频谱感知的复杂度。而利用支持向量机可以省去信号重构步骤，直接对压缩测量后的矩阵处理，有效降低了算法复杂度。

因此，本发明基于现有技术当中的受限等距特性(RIP)、序列最小最优化方法以及支持向量机，提出了一种基于压缩感知和支持向量机的高效频谱感知方法，其中，

受限等距特性(RIP)：

受限等距特性是观测矩阵Φ能够精确重构原始信号的充要条件，指对任意信号X，观测矩阵Φ均可满足下式：

其中，K为信号稀疏度，δ为足够小的一个数值，观测矩阵Φ的维度为M×N。

序列最小最优化方法：

序列最小优化(SMO)是一种用于解决支持向量机训练过程中系数优化问题的迭代算法，SMO算法的中心思想就是每次选出两个α优化，然后固定其他的α值。重复此过程，直到达到某个终止条件程序退出并得到我们需要的优化结果。