[发明专利]协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统

说明书

本发明涉及一种协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统，方法通过以下步骤：步骤S1，原始信号预处理，得到协方差矩阵；步骤S2，将步骤S1所得协方差矩阵作为输入参数，按协方差矩阵分解方法执行计算，每个次用户得到其下三角矩阵X；步骤S3，将步骤S2所得下三角矩阵X作为输入参数，按统计量构造方法执行计算，得到不同信噪比下的统计矩阵，作为CNN的训练与测试数据；步骤S4，将步骤S3所得统计矩阵标记后作为输入参数，按CNN频谱感知方法执行计算，将测试集输入到训练好的模型中，得到不同信噪比下的检测概率。本发明充分提取了原始信号的特征，极大提高了检测性能，使其在认知无线电系统中有较好应用前景。

技术领域

本发明属于数字通信技术领域，具体涉及一种协方差矩阵Cholesky分解的卷积神经网络(Convolutional Neural Network,CNN)协作频谱感知方法及系统。

背景技术

频谱资源作为推动通信产业发展的核心要素，已成为信息时代不可或缺的重要战略资源。近年来，第五代移动通信(The 5^th Generation Mobile Networks,5G)技术所具有的大宽带、高速率、低时延、机器到机器(Machine to Machine,M2M)通信也需要更多的频谱资源支撑。同时，随着物联网、车联网等技术的快速发展，万物互联的时代将带来几何级增长的数据，现阶段可使用的频谱资源已不能满足用户的日益需求，所以除了寻找更高通信频段，采用动态频谱共享模式以及灵活的频谱资源配置，将会是未来通信技术发展的一个重要方向。

认知无线电(Cognitive Radio,CR)技术作为缓解频谱资源稀缺的关键技术之一，其主要目的是让无线通信系统拥有从周围环境学习的能力，可以实时互换知识，检测并使用可用的空闲频谱，并控制和减少冲突。安全可靠的频谱感知是CR系统正常工作的前提，是频谱共享得以实现的重要环节。在CR网络中，频谱感知的主要功能是检测某授权频段的使用状态，一旦检测出可用的频谱空穴，非授权用户(Secondary User,SU)就会通过调整自身参数实现动态接入，随机接入分配给主用户(Primary User,PU)的授权频谱，实现频谱共享，从而提高频谱资源利用率。

频谱感知过程中，传统的单用户、单天线信号检测方法已经不能满足实际需求，随着科技的发展，统计信号处理向多用户、多天线、智能化方向发展，这使得阵列信号处理成主流的研究方向。相比单天线系统，多天线系统接入数据量更大、设计灵活，可根据天线接收数据之间的相关性完成检测，并且其信号检测性能有显著提高。与单用户系统相比，多用户协作可以与其它用户共享感知到的信号，不仅可以达到提高整体检测精度的效果，而且可以降低单个用户参与频谱感知的时间。多用户、多天线协作频谱感知技术已成为认知无线电中的研究热点。机器学习作为人工智能的核心技术，理论上可以使CR中的频谱感知系统更加“智能化”，所以采用深度学习方法解决复杂电磁环境下的频谱感知问题，是CR与人工智能的重要结合，对建立更加智能的CR网络具有重要意义。因此，通过协方差矩阵Cholesky分解与CNN协作频谱感知方法应运而生，基于此，本发明充分提取了原始信号特征，且不需先验信息及判决门限等不稳定数值，能显著提高信号的检测性能。

发明内容

基于现有技术的上述现状，本发明提供了一种基于协方差矩阵Cholesky分解的(Convolutional Neural Network,CNN)协作频谱感知方法及系统。

本发明采取以下技术方案：

一种基于协方差矩阵Cholesky分解的CNN协作频谱感知方法，包括以下步骤：

S1、原始信号预处理，得到协方差矩阵；

S2、将协方差矩阵作为输入，执行Cholesky分解(即按协方差矩阵分解方法执行计算)，每个次用户得到其下三角矩阵X；

S3、将下三角矩阵X作为输入，按统计量构造方法执行计算，得到不同信噪比下的统计矩阵样本，作为CNN的训练与测试样本；