噪声不确定情况下基于核空间优化的合作频谱感知方法与流程

本发明属于合作频谱感知领域，采用核空间优化来消除噪声不确定对频谱感知分类器的影响，得到最优的分类器。

背景技术：

认知无线电(cognitiveradio，cr)作为一种有效提高频谱利用率的技术，通过感知频谱环境，检测授权用户(licenseduser，lu)也称主用户(primaryuser，pu)的频谱使用情况，分配可用的频谱资源给次用户(seconduser，su)，提高频谱利用率。准确的频谱感知是资源分配的前提，可以有效的提高频谱利用率，感知结果不准确会造成频谱资源的浪费，甚至干扰pu通信。

传统的频谱感知算法分为单节点频谱感知算法和多节点频谱感知算法，单节点频谱感知算法主要有三种：能量法、循环平稳检测法和匹配滤波器检测法。多节点频谱感知算法是在单节点频谱感知的基础上，多个su依据某种规则融合各自的感知结果或感知数据得到频谱感知结果。多节点频谱感知算法在频谱感知准确性方面较单节点频谱感知算法有较大的提升，但在一定程度上增加了计算复杂度。能量法作为一种高效的频谱感知方法，存在有一定的缺陷：信号传输系统模型是建立在高斯噪声、瑞丽噪声等确定性噪声的信道环境下，但在实际的情况下，噪声的类型往往是不确定；能量法的判断阈值是根据信道的信噪比和虚警率计算得出；在噪声不确定的情况下，能量法不能实时的根据环境调整阈值，导致频谱感知准确度下降。

基于机器学习的频谱感知方法较传统的频谱感知算法，感知准确度有明显提升。支持向量机(supportvectormachine，svm)是一种建立在统计学理论和结构风险最小原理基础上的数据分类算法，通过引入核函数将低维空间数据映射到高维空间，在高维空间中将数据分类，其中核函数参数决定了数据在高维空间中的分布，最优的核函数参数可以有效的抵消噪声不确定的影响，得到最优的分类效果。最优的核函数可以有效消除噪声不确定对分类效果的影响。核空间优化支持向量机的上述特性可以很好的克服噪声不确定性。

技术实现要素：

在认知无线电网络中，由于噪声不确定性引起的聚类重叠，导致能量检测的性能明显降低。针对噪声不确定对频谱感知的影响，本发明提出一种基于核空间优化支持向量机的合作频谱感知方法。该方法融合了支持向量机和核空间优化相关理论，将感知用户收集的数据统计量组合成向量，使用fisher准则对该向量集进行相关运算，得出使各类数据在高维空间中分离度最高的核函数参数，之后使用支持向量机算法对训练向量进行训练，得到最优的频谱感知分类器。

1.一种噪声不确定情况下基于核空间优化的合作频谱感知方法，包括下列步骤：

(1)各个认知用户同时对感知信道进行感知，认知无线电网络中的主用户pu共享同一频段通信，有n个次用户su，su均匀分布在二维空间中，m个pu也分布在二维空间中，并按一定概率占用频段通信，yn为第n个su的信号采样值，由pu信号采样和高斯噪声组成，所有的su传输自己感知到的能量值到融合中心fu，fu将各个能量值组合为能量向量，建立能量向量集：y＝(y1,...,yn)^t；

(2)针对噪声不确定性，使用fisher准则求得训练数据向量在核空间中分离度最高的核函数参数，建立数据源在核空间的目标函数sb为训练数据类间离散度，sw为类内离散度，求得最优核函数参数σ；

(3)将能量向量集与最优核函数参数使用支持向量机训练，得到最优的频谱感知分类器f(x)＝ω^tx+b，x为待判断类别的能量向量，ω为分类面法向量，b为分类面与原点距离，ω和b代表分类面的位置，f(x)＞0，频段可用，反之，频段不可用；

(4)在判决阶段，将待判决频段的数据采样能量向量输入到频谱感知分类器中，得到待判决频段频谱感知结果。

附图说明

图1本发明待系统模型。

图2本发明中噪声不确定能量分布示意图。

图3算法仿真结果对比图

具体实施方式

图1为基于机器学习频谱感知系统模型，分为两个部分：训练模块和感知模块：如果认知无线电网络需要判断频段的可用性，系统产生训练向量输入到训练模块，得到分类器参数。分类模块通过对当前频段的感知来判断频段的可用性。

1，假定认知无线电系统中有m个pu，n个su。每个pu的状态被标记为sm，当pu未占用信道通信时，sm＝1，pu占用信道通信时，sm＝0，只有在所有pu均未占用信道通信时，才得出频段可用的结论。信号载频频率fc，带宽w。认知用户suj在单位时间l^th接受到的信号：sj,l(n)是su接收到pu的信号；uj,l(n)为su接收到的噪声信号。yn表示sun的能量值：所有的su传输自己感知到的能量值到融合中心(fusioncenter，fu)，fu组成能量向量：y＝(y1,...,yn)^t。

2，针对噪声不确定性，数据点分布如图2所示，同一感知时间内，两个感知用户的接收到的信号组成多个二维的能量向量构成了图2中各个数据点。横轴为次用户1感知能量值，纵轴为次用户2感知的能量值，融合中心将两个次用户的能量值组成能量向量，构成图中数据点，能量向量分为两类：频段可用的能量向量示意点(下图中星号的数据点)和频段不可用的能量向量示意图(下图中十字的数据点)，直线为使用svm算法得到的数据分类面。使用fisher准则求的训练数据向量在核空间中分离度最高的核函数参数。本文使用的高斯核函数高斯核函数的参数是σ。x1(x11,x12,…,x1i),x2(x21,x22,…,x2i)(i＝1,2,…,n1,j＝1,2,…,n2)为两类原始数据，建立数据源在核空间的目标函数sb为训练数据类间离散度，sw为类内离散度，求得最优核函数参数σ，核空间中的均值两类样本对应的类内离散度sb为：

两类样本对应的类间离散度sw为：sw＝sw1+sw2。

将训练能量向量集和与最优核函数参数使用支持向量机训练，得到最优的频谱感知分类器f(x)＝ω^tx+b。x为待判断类别的能量向量，ω为分类面法向量，b为分类面与原点距离，ω和b代表分类面的位置。f(x)＞0，频段可用，反之，频段不可用。图3为算法效果对比图。