[发明专利]一种非高斯干扰下多天线系统频谱智能感知方法、系统、设备及介质

说明书

一种非高斯干扰下多天线系统频谱智能感知方法、系统、设备及介质，方法包括：对多天线接收信号进行预处理，采用通道注意力机制提取不同模态的关键特征，采用多模态融合方法对提取的特征融合，并以该融合特征构建频谱感知的检验统计量与检测门限，能够有效实现高斯噪声和非高斯干扰下智能频谱感知；其系统、设备及介质应用于对非高斯干扰下多天线系统频谱智能感知；本发明有效实现了在高斯噪声和非高斯干扰下多天线系统频谱的智能感知，同时在较低信噪比条件下具有良好的感知性能；此外，本发明是数据驱动的，可以方便地设置期望的虚警概率，在真实环境中更适用。

技术领域

本发明属于认知无线电网络中频谱感知技术领域，尤其涉及一种非高斯干扰下多天线系统频谱智能感知方法、系统、设备及介质。

背景技术

认知无线电是一种智能的频谱共享技术，实现了高质量的通信和最大化的频谱利用效率。频谱感知作为认知无线电的核心技术之一，可以指导认知无线电网络动态利用空闲频谱，其主导思想是实现伺机的动态频谱接入，通过感知主用户当前未在使用的授权频段供认知用使用的一种技术。为了确保认知用户不对主用户产生干扰，认知用户接入频谱时需要准确判断频谱状态。因此，设计智能化以及可靠化的频谱感知方法显得尤为重要。

目前，已经有很多频谱感知方法被提出。经典的频谱感知方法有：能量检测算法(Gaiera B,Patel D K,Soni B,et al.Performance Evaluation of Improved EnergyDetection under Signal and Noise Uncertainties in Cognitive Radio Networks[C]//2019IEEE International Conference on Signals and Systems,2019.)、基于干扰温度的检测算法(Kolodzy PJ.Interference Temperature:a Metric forDynamicSpectrum Utilization[J].International Journalof Network Management，2006，16:103－113.)、基于循环平稳特性的算法(Zhu Y,Liu J,Feng Z,et al.SensingPerformance of Efficient Cyclostationary Detector with Multiple Antennas inMultipath Fading and Lognormal Shadowing Environments[J].Journal ofCommunications and Networks,2014,16(2):162-171.)、基于功率谱的算法(ZHAO Zhi-jin,LV Xi.The Spectrum Sensing Algorithm Using the Maximum Value and MinimumValue of the Power Spectral Density[J].Journal of Signal Processing,2017,33(02):152-157)。新型的频谱感知方法有：基于深度学习和循环谱的频谱感知方法(Pan GL,Li J,Lin F.A Cognitive Radio Spectrum Sensing Method for an OFDM SignalBased on Deep Learning and Cycle Spectrum[J].International Journal of DigitalMultimedia Broadcasting,2020:1-10)、基于堆栈自编码频谱感知方法(Cheng Q Q,Shi ZG,Nguyen D N,et al.Non-Cooperative OFDM Spectrum Sensing Using Deep Learning[C]//2020International Conference on Computing,Networking and Communications,2020.)、基于协方差矩阵的卷积神经网络频谱感知方法(Liu C,Wang J,Liu X,etal.DeepCM-CNN for spectrum sensing in cognitive radio[J].IEEE Journal on SelectedAreas in Communications,2019,37(10):2306-2321.)、基于LSTM和CNN结合的频谱感知方法(Xie J D,Fang J,Liu C,etal.Deep Learning-Based Spectrum Sensing inCognitive Radio:A CNN-LSTM Approach[J].IEEE Communications Letters,2020,24(10):2196-2200.)。上面所提到的频谱感知方法大多是基于环境噪声为高斯白噪声的假设。但是实际通信环境复杂，存在非高斯噪声的干扰，导致接收信号遭到破坏。从而使高斯假设下的频谱检测性能下降。