一种基于多用户历史感知数据挖掘的协作频谱感知方法与流程

本发明涉及基于协作频谱感知的认知无线电技术，尤其是涉及一种基于多用户历史感知数据挖掘的协作频谱感知方法。

背景技术：

在当今的无线通信中，频谱资源不足以及利用不充分的问题大量存在。为解决这些问题，josephmitola博士提出了认知无线电技术(cr)。认知无线电被定义为一种建立在软件无线电(sdr)基础上的智能无线通信技术。它能够连续不断地感知周围的无线电环境，并进行分析，做出决策，动态地选择空闲的频率进行通信，然后运用无线电知识表示语言(rkrl)自适应地修改设备内部的通信参数。

认知无线电网络由两类用户组成，分别是主要用户(pu)以及具备认知功能，机会式地使用授权频段的次要用户(su)。次要用户需要通过对授权频段进行检测，并根据获取的感知数据，对无线场景进行分析，最终获得目标频谱可用性的判决。这一过程即为频谱感知，显然，频谱感知过程是认知无线电的第一步，也是最重要的步骤之一。频谱感知可分为单点频谱感知和多点协作频谱感知，分别由一个次要用户和多个次要用户来完成。多点协作频谱感知相比于单点频谱感知有一定优势，主要包括：解决隐藏节点问题；增强了认知无线电系统在低接收信号信噪比环境下的频谱判决性能；降低了对su节点频谱检测器的敏感度要求。尽管其依然有系统复杂度、节点间信息交换、多节点同步、能量及信令开销控制等问题，多点协作频谱感知依然是认知无线电感知方式的首选。

目前，频谱感知所面临的挑战和问题主要是由无线通信过程中的各类不确定性引起的，包括信道、噪声的随机性，设备级和网络级的不确定性等，现有技术并无法有效消除这些不确定性，尤其对于历史频谱占用状态转移特性的利用并不充分，因此导致频谱状态判决结果的不精确。在多点协作频谱感知中，由于频谱状态之间的转移概率及节点的频谱感知过程是相对稳定的，因而可以利用基于历史感知数据的统计分析来改进频谱判决性能。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种判断准确快速的基于多用户历史感知数据挖掘的协作频谱感知方法。

本发明的目的可以通过以下技术方案来实现：

一种基于多用户历史感知数据挖掘的协作频谱感知方法，用以判定目标信道是否被占用，包括以下步骤：

1)对各su节点中的历史感知数据通过拒识过程进行筛选，获得有效的历史感知数据；

2)采用粘性分层狄利克雷过程—隐马尔科夫模型通过迭代求解获取感知数据的隐含频谱状态以及对应的高斯分布参数。

3)对感知数据频谱状态进行判决。

所述的步骤1)具体包括以下步骤：

11)对于各su节点中的历史感知数据，建立每一时刻的感知信号数据集；

12)设定拒识门限并定义拒绝域；

13)将每个感知信号的似然概率与拒识门限比较，若似然概率小于拒识门限，则判定其属于拒绝域，舍弃，若不属于拒绝域，则保留，并对保留下来的信号建立新的感知信号数据集。

所述的步骤2)具体包括以下步骤：

21)根据感知信号数据集{yt},t＝1,...,t的能量进行频谱判决，获取初始隐藏频谱状态总数k、每类状态对应的高斯分布参数以及初始中间过渡分布，并将感知信号数据集{yt},t＝1,...,t的频谱判决结果作为初始的隐含频谱状态集；

22)根据当前步骤n的中间过渡分布βⁿ计算隐含频谱状态集属于状态k∈k和新状态k+1对应的概率值，并对其进行抽样获取当前步骤n对应的隐含频谱状态集并将当前步骤n对应的隐含频谱状态集赋值给下一步骤n+1的隐含频谱状态集将当前步骤n对应的中间过渡分布βⁿ赋值给下一步的中间过渡分布βⁿ⁺¹；

23)重复步骤22)进行迭代更新，当抽样出现新的隐藏频谱状态k+1时，则对中间过渡分布βⁿ进行更新。

所述的步骤22)中，隐含频谱状态集属于第k种状态和新状态k+1的概率值的计算式为：

其中，α0为标准hdp分层结构中第一层dp的集中参数，κ为自转移常数，为上一步迭代后频谱状态为k而当次迭代后频谱状态为zt+1的数据的个数；numk.为上一步迭代后频谱状态为k的数据的个数，δ(zt-1,k)与δ(k,zt+1)为冲激函数，当k＝zt+1时，则δ(k,zt+1)＝1，为感知数据yt属于第k种状态的似然函数。

所述的步骤21)中，初始中间过渡分布根据狄利克雷分布抽样获得。

所述的步骤23)中，中间过渡分布进行更新具体步骤包括：

231)使频谱隐含状态总数k＝k+1，并对分布beta(1,γ)进行抽样，将结果赋值给状态转移概率b；

232)令βk+1＝(1-b)βk，βk＝bβk，将更新后的βk替代原βk，并将βk+1加入中间过渡分布β。

当步骤23)进行迭代时，若存在状态k使得所有感知时间段中属于第k类的数据的个数为0，则移除此状态k，并更新中间过渡分布β，即βk＝βk+βk，k＝k-1，由于状态数量由k变为k+1，中间过渡分布β中的参数个数也需由k变为k+1，而βk即原β中第k个也即最后一个参数值，βk+1为新加入的第k+1个参数；

所述的步骤22)中，隐含频谱状态集属于状态k的高斯分布参数通过超参数的更新获得。

所述的步骤3)具体包括以下步骤：

31)根据感知数据yt所属的隐含频谱状态类别以及该隐含频谱状态下的高斯分布参数；

32)将该高斯分布的期望与预设的门限作比较，若期望小于门限值，则目标信道空闲，若期望大于门限值，目标信道暂被占用。

与现有技术相比，本发明具有以下优点：

本发明将通过利用分层狄利克雷过程—隐马尔科夫模型及其粘性扩展模型(stickyhdp-hmm)，基于贝叶斯理论对历史感知数据进行数据挖掘，通过引入自转移常数解决了在标准hdp-hmm中时间状态保持特性不足的弊端，在充分利用感知数据间时间相关性的基础上得到的pu开关状态转移矩阵作为算法的先验知识，最终达到大幅改进系统的频谱判决性能的目的。在此之前，本发明通过拒识过程(rejectionprocess)筛选出各su节点中可靠性较高的历史感知数据，确保了贝叶斯学习过程的有效性。

附图说明

图1协作频谱感知过程图。

图2粘性分层狄利克雷过程—隐马尔科夫模型的概率图模型。

图3本专利算法的概率图模型。

图4基于粘性分层狄利克雷过程—隐马尔科夫模型的感知数据分类及挖掘。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明为一种基于多用户历史感知数据挖掘的协作频谱感知方法，如图1所示，具体步骤如下：

步骤1.拒识过程

步骤(11)，建立每一时刻的接收信号数据集yt′＝{y1t,y2t,...,ypt}，其中ypt为用户p于时刻t的感知信号数据，yt′为所有用户于时刻t的感知数据集，p为用户接收机个数

步骤(12)，设定拒识门限θ(θ∈[0,1])，对于某接收信号ypt，若其对于各个状态的似然概率p(ypt|hk)都小于θ，则该信号将被置入拒识域中。拒识门限θ的设定可根据不同系统的具体需要来进行。

步骤(13)，将每个感知信号与拒绝域比较，若属于拒绝域则舍弃，否则保留此感知数据，最后对保留下来的信号建立新的每一时刻接收信号数据集yt′＝{y1t,y2t,...,yqt}，其中yqt为时刻t的第q个有效感知信号数据，rt为时刻t所有有效感知数据的集合，q为其有效感知信号个数。

本发明通过拒识过程(rejectionprocess)筛选出各su节点中可靠性较高的历史感知数据，确保了贝叶斯学习过程的有效性。stickyhdp-hmm的概率图模型如图2所示，本算法的概率图模型如图3所示。

步骤2.历史感知数据挖掘：分层狄利克雷过程—隐马尔科夫模型的粘性扩展模型，如图4所示：

步骤(21)，将前一次(第n-1次)迭代后的隐含频谱状态集赋值给过渡状态集{zt},t＝1,...,t；若当前为第1次迭代，则对接收信号数据集{yt},t＝1,...,t基于能量进行频谱判决，根据判决结果得到隐藏频谱状态数k以及根据历史数据的能量分布得到各频谱状态的分布参数将前一次(第n-1次)迭代后的全局中间分布β^n-1赋值给中间过渡分布β；若当前为第一次，则将β抽样于狄利克雷分布，即

步骤(22)，对接收信号数据集{yt},t＝1,...,t中所有数据，依次进行频谱隐含状态的更新，得到新的隐含频谱状态集{zt},t＝1,...,t。

步骤(221)，对现有的k种隐含状态，可根据分层狄利克雷过程分别计算时刻t的接收数据yt属于第k种状态的概率值fk(yt)，以及yt属于新状态k+1的概率值fk+1(yt)。具体的概率分布公式如下。

其中，α0为标准hdp分层结构中第一层dp的集中参数；κ为自转移常数；为前一次迭代后频谱状态为k而当次迭代后频谱状态为zt+1的数据的个数；nk.为前一次迭代后频谱状态为k的数据的个数；δ(k,zt+1)性质类似冲激函数，当k＝zt+1时，δ(k,zt+1)＝1；δ(zt-1,k)与δ(k,zt+1)相同；为感知数据yt属于第k种状态的似然函数，即:

且(λ′,ν′,α′,ω′)为更新后的逆伽马分布的超参数，其计算过程详见步骤(3)；

步骤(222)，对步骤(221)所确定的概率分布进行抽样，即有

得到的z1即接收数据yt的隐含频谱状态。

步骤(23)，对于步骤(22)中的频谱隐含状态更新过程，若有频谱隐含状态zt＝k+1，则要立刻对算法的中间过渡分布β进行更新。具体更新过程如下。

步骤(231)，频谱隐含状态总数k＝k+1；对分布beta(1,γ)进行抽样，将结果赋值给状态转移概率b。

步骤(232)，令βk+1＝(1-b)βk，βk＝bβk，将更新后的βk替代原βk，并将βk+1加入中间过渡分布β。

步骤(24)，对执行过步骤(23)频谱隐含状态更新后的数据执行赋值即将过渡状态集的数据赋给隐含频谱状态集。检查是否存在状态k使得n.k＝0(k＝1,...,k)，其中n.k为所有感知时间段中属于第k类的数据的个数，若存在，移除此状态k，再更新中间过渡分布β，即执行βk＝βk+βk，k＝k-1。

步骤3.数据分布超参数更新

本发明认为pu对目标信道的占用状态转移矩阵在一段时间内是相对稳定的。另外，属于同一隐含状态的感知数据可以分享同一分布参数，yt被认为服从高斯分布，从而yt频谱隐含状态确定后即可确定该高斯分布均值和方差。而均值与方差均不固定的高斯分布的共轭先验分布为正态逆伽马分布(normal-inverse-gammadistribution)，即从而高斯分布均值和方差可通过超参数(λ,ν,α,ω)的更新获得，该过程基于贝叶斯公式完成。

步骤(31)，根据第n-1次迭代后的隐含频谱状态对超参数(λ,ν,α,ω)进行更新，具体步骤为：

νk′＝νk+n

步骤(32)，根据迭代后的正态逆伽马分布得到新的高斯分布参数分布参数可根据感知数据的似然函数以及贝叶斯公式得到：

步骤(33)，对算法的中间过渡分布β更新。

步骤(331)，将集合{mjk},(j,k)∈{1,...,k}²初始化为全零集合，将n初始化为0，其中mjk是j时刻感知的数据中隐含频谱状态为k的数据个数。按照j＝1,...,k的顺序，对随机变量x分别在n＝1,2,...,njk的条件下执行njk次抽样：

若x＝1，则mjk加1。

步骤(332)，抽样以得到覆盖变量ωj,j＝1,...,k：

ωj～binomial(mjj,ρ(ρ+βj(1-ρ))^-1),j＝1,...,k

其中ρ表示自转移概率，即ρ＝κ/α0+κ。

步骤(333)，根据集合{mjk},(j,k)∈{1,...,k}²和覆盖变量ωj,j＝1,...,k的抽样结果，计算得到过渡集合中各元素的值：

步骤(334)，对全局中间过渡分布β进行抽样：

步骤4.频谱状态判决

对步骤2、3进行n次迭代，得到最终的各类频谱隐含状态的分布参数并依此做出频谱占用判决。

步骤(41)，对于感知数据yt，步骤2的迭代过程中已得到其所属的隐含频谱状态类别k，并在步骤3中得到了该隐含频谱状态下的高斯分布参数

步骤(42)，将该高斯分布的期望μk与预设的门限作比较：若μk小于门限值，则目标信道空闲；若μk大于门限值，目标信道暂被占用。预设的门限值可根据实际情况自行定义。

以上所述，仅是本发明的较佳实例，本发明所主张的权利范围并不局限于此。本发明还有其他多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员可根据本发明作出各种相应的改变和变形，但这些改变和变形都应属于本发明所附的权利要求的保护范围。