认知网络中加权的基于信号相关特性的频谱检测方法与流程

技术特征：

1.认知网络中加权的基于信号相关特性的频谱检测方法，其特征是：它包括以下步骤：

步骤一、采用认知用户多天线接收端对接收到的信号进行采样，设采样点数为K，采样频率为f_s，并根据公式：

${\hat{R}}_X=\frac{1}{K}{\mathrm{\Σ}}_{k=1}^{K}x\left(k\right)x^H\left(k\right)$

计算样本协方差矩阵

设每个认知用户有M个感知天线；主用户信号经历瑞利信道到达每个认知用户接收端；则在第k个时刻接收信号采样向量，即：x(k)＝[x₁(k),x₂(k),…,x_M(k)]^T，为：

$x\left(k\right)=\{\begin{array}{cc}w\left(k\right)& H_0\\ s\left(k\right)+w\left(k\right)& H_1\end{array},k=1,2,...,K$

其中：K表示采样点数；向量w(k)＝[w₁(k),w₂(k),…,w_M(k)]^T表示M个天线接收到的独立同分布的复高斯白噪声信号，其均值为0，方差为且设等于噪声功率；s(k)＝[s₁(k),s₂(k),…,s_M(k)]^T表示认知用户接收到的主用户信号；H₁和H₀表示主用户信号出现和不出现的场景；在第m个天线接收到的信号为：

$s_m\left(k\right)=\sqrt{S_p}{h}_{\mathrm{\ψ}}\left(r\right){\mathrm{\θ}}_s\left(k\right)h_m\left(k\right)$

其中：1≤m≤M；S_p代表发射功率，r为主用户和认知用户之间的距离，h_ψ(r)表示路径损耗，h_m(k)是多径衰落系数，θ_s(k)为发送的主用户信号；

采用σ_s代替

步骤二、根据公式：

利用样本协方差矩阵计算频谱检测方法的检测统计量T_w；

其中：代表矩阵的第(m,n)个元素；f_b为符号速率；N_s＝f_s/f_b表示每个符号对应的采样点数；T_w,mm,ξ和T_w,mn分别代表对应于接收信号自相关和互相关函数统计特性的检测量项；T_w,mm,ξ和T_w,mn的加权系数为：和

步骤三、根据公式：

计算判决门限λ；

其中：Q^-1(·)表示Q(·)的反函数，P_f,WDSC为预设的WDSC算法希望达到的虚警概率值；

步骤四、通过比较步骤二获得的检测统计量T_w和步骤三获得的判决门限λ的大小，认知网络判定主用户信号是否出现。

2.根据权利要求1所述的认知网络中加权的基于信号相关特性的频谱检测方法，其特征在于步骤二中所述的频谱检测方法采用SWDSC算法实现，该SWDSC算法的具体为：

步骤A1、利用采样点，计算样本协方差矩阵

步骤A2、根据公式：

$T_{w,s}={\mathrm{\Σ}}_{m=1}^M{T}_{w,mm,\mathrm{\ξ}=1}+{\Σ}_{m=2}^M{\Σ}_{n=1}^{m-1}{T}_{w,mn}$

利用样本协方差矩阵计算检测统计量T_w,s；

步骤A3、根据公式：

${\mathrm{\λ}}_s=Q^{-1}\left(P_{f,SWDSC}\right)\sqrt{\frac{3M^2{(M+1)}^2}{4K{(K+1)}^2}}$

计算判决门限λ_s；

其中：P_f,SWDSC表示预设的SWDSC算法希望达到的虚警概率值；

步骤A4、通过比较步骤A2获得的检测统计量T_w,s和步骤A3获得的判决门限λ_s的大小，认知网络能够判定主用户信号是否存在，具体为：若检测统计量T_w,s大于判决门限λ_s，则认为主用户信号存在，否则认为主用户信号不存在。

3.根据权利要求1所述的认知网络中加权的基于信号相关特性的频谱检测方法，其特征在于步骤四中，通过比较步骤二获得的检测统计量T_w和步骤三获得的判决门限λ的大小，认知网络判定主用户信号是否出现的方法为：

具体为，若检测统计量T_w大于判决门限λ，则认为主用户信号存在，否则认为主用户信号不存在。

4.根据权利要求1所述的认知网络中加权的基于信号相关特性的频谱检测方法，其特征在于步骤二中，在计算对应于接收信号自相关函数统计特性的检测量项T_w,mm,ξ时，利用带有ξ个时延的自相关函数实现。