频谱感知的方法、装置、设备以及计算机可读存储介质与流程

本发明涉及认知无线电技术领域，特别是涉及一种基于主成分分析的最大最小特征值频谱感知的方法、装置、设备以及计算机可读存储介质。

背景技术：

随着无线电技术的进步和社会的发展，各行各业对无线电频率的需求越来越多，频谱资源匮乏的问题日益严重。目前，频谱资源采用国家统一分配授权的管理模式，将频谱分为两种类型：授权频段和非授权频段。其中，授权频段占据着大部分频谱资源，如电视广播频段，但不少授权频段处于空闲状态；开放使用的非授权频段占整个频谱资源的很少一部分，如无线局域网、无线城域网等无线网络大多使用非授权频段在工作，该频段上的用户很多，业务量也很大，无线电频段已基本趋于饱和。据美国联邦通信委员会的研究表明，已分配的频谱利用率为15％～85％。所以说，频谱资源的匮乏并不是真正意义上的频谱资源不足，更多是由频谱利用率过低造成的。

比较经典的频谱感知的方法有能量检测(energydetection，ed)算法，该算法是一种最基本、最简单的信号检测方法，它无需知道信号的先验信息，复杂度低，容易实现，在现阶段的研究中广泛应用于信号检测中。能量检测方法是一种非连贯性、非相干的检测算法，检测的对象是特定频带内的频谱能量，而与具体信号的波形无关，特别适用于未知信号的检测。

经典能量检测的缺点十分明显，如检测性能较差，不能区分信号和噪声，在低信噪比情况下容易淹没在噪声当中，并且在噪声不确定情况下很难用于信号检测。因此，能量检测只适用于对检测性能要求不太高的认知无线电系统中，比如ieee802.22系统。

综上所述可以看出，如何提高频谱检测器的检测性能是目前有待解决的问题。

技术实现要素：

本发明的目的是提供一种基于主成分分析的最大最小特征值频谱感知的方法、装置、设备以及计算机可读存储介质，已解决现有技术中频谱检测器检测性能较低的问题。

为解决上述技术问题，本发明提供一种基于主成分分析的最大最小特征值频谱感知的方法，包括：对次用户的接收端接收到的信号进行采样，获取预设个数的采样信号矩阵；利用主成分分析算法，分别得到与预设个数的采样信号矩阵对应的样本协方差矩阵，以便分别计算预设个数的样本协方差矩阵的最大特征值；分别计算与预设个数的最大特征值对应的特征向量，以便分别提取与预设个数的特征向量对应的主成分；将预设个数的主成分组建为主成分矩阵，得到与所述主成分矩阵对应的主成分协方差矩阵；将所述主成分协方差矩阵的最大特征值与最小特征值的比值作为最大最小特征值算法的检验统计量，通过所述检验统计量与自适应阈值的比较结果，判断所述次用户的接收端信号中是否存在主用户。

优选地，所述对次用户的接收端接收到的信号进行采样，获取预设个数的采样信号矩阵包括：

对次用户的m个接收天线的观测值进行采样，获取采样信号矩阵其中xi＝[xi(1),xi(2),…,xi(n)]表示第i个接收天线观测值的1×n向量，n为接收样本的总数。

优选地，所述利用主成分分析算法，分别得到与预设个数的采样信号矩阵对应的样本协方差矩阵，以便分别计算预设个数的样本协方差矩阵的最大特征值包括：

利用分别估算与预设个数的采样信号矩阵对应的样本协方差矩阵c；分别计算预设个数的样本协方差矩阵的最大特征值

其中，矩阵c为m个天线上接收的pu信号的协方差矩阵cs和噪声分量的协方差矩阵cw的和；c的特征值为cs和cw的特征值的和λ(c)＝λ(cs)+λ(cw)；cw的特征值等于cs的特征值为零，除一个等于cs的轨迹c的特征值为c的最大特征值为

优选地，所述分别计算与预设个数的最大特征值对应的特征向量，以便分别提取与预设个数的特征向量对应的主成分包括：

通过(c-λmi2)vm＝0分别计算预设个数的矩阵c的最大特征值λm对应的特征向量vm，i2为单位矩阵；根据分别计算预设个数的最大特征向量λm对应的主成分pm。

优选地，所述将预设个数的主成分组建为主成分矩阵，得到与所述主成分矩阵对应的主成分协方差矩阵包括：将预设个数的主成分pm组建为主成分矩阵pval，通过计算得到与所述主成分矩阵对应的主成分协方差矩阵。

本发明还提供了一种基于主成分分析的最大最小特征值频谱感知的装置，包括：

采样模块，用于对次用户的接收端接收到的信号进行采样，获取预设个数的采样信号矩阵；

计算模块，用于利用主成分分析算法，分别得到与预设个数的采样信号矩阵对应的样本协方差矩阵，以便分别计算预设个数的样本协方差矩阵的最大特征值；

提取模块，用于分别计算与预设个数的最大特征值对应的特征向量，以便分别提取与预设个数的特征向量对应的主成分；

组建模块，用于将预设个数的主成分组建为主成分矩阵，得到与所述主成分矩阵对应的主成分协方差矩阵；

判断模块，用于将所述主成分协方差矩阵的最大特征值与最小特征值的比值作为最大最小特征值算法的检验统计量，通过所述检验统计量与自适应阈值的比较结果，判断所述次用户的接收端信号中是否存在主用户。

优选地，所述采样模块具体用于：

对次用户的m个接收天线的观测值进行采样，获取采样信号矩阵其中xi＝[xi(1),xi(2),…,xi(n)]表示第i个接收天线观测值的1×n向量，n为接收样本的总数。

优选地，所述计算模块具体用于：

利用分别估算与预设个数的采样信号矩阵对应的样本协方差矩阵c；分别计算预设个数的样本协方差矩阵的最大特征值

其中，矩阵c为m个天线上接收的pu信号的协方差矩阵cs和噪声分量的协方差矩阵cw的和；c的特征值为cs和cw的特征值的和λ(c)＝λ(cs)+λ(cw)；cw的特征值等于cs的特特征值为零，除一个等于cs的轨迹c的特征值为c的最大特征值为

本发明还提供了一种基于主成分分析的最大最小特征值频谱感知的设备，包括：

存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于主成分分析的最大最小特征值频谱感知的方法的步骤。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于主成分分析的最大最小特征值频谱感知的方法的步骤。

本发明所提供的一种基于主成分分析的最大最小特征值频谱感知的方法、装置、设备以及计算机可读存储介质，对次用户的接收端接收到的信号进行采样，得到预设个数的采样信号矩阵，分别对采集到的采样信号矩阵运用主成分分析算法，得到所述采样信号矩阵的样本协方差矩阵，计算所述样本协方差矩阵的最大特征值，求取所述最大特征值对应的特征向量，提取所述特征向量对应的主成分。在存在授权用户的环境中采集到的采样信号矩阵，经过主成分分析生产的主成分中，只有一个主成分分量包含滤波的授权用户，该主成分分量对应于最大特征值；因此，对次用户接收端接收到的预设个数的采样信号矩阵进行主成分分析后，提取预设个数的样本协方差矩阵最大特征值对应的特征向量所对应的主成分，并且将提取到的预设个数的主成分组件为主成分矩阵作为最大最小特征值算法的输入值，生成主成分协方差矩阵，计算所述主成分协方差矩阵的最大特征值和最小特征值的比值，将所述比值作为检验统计量，比较所述检验统计量与自适应阈值的大小，从而判断次用户的接收端接收到的信号是否存在频谱信号。利用本发明所提供的方法进行频谱感知时，先对采集到的信号运用主成分分析算法，提高采样信号的信噪比，在对经过处理提高信噪比后的采样信号进行最大最小特征值分析，大大的提高了最大最小特征值算法的检测性能。因此本发明所提供的基于主成分分析的最大最小特征值频谱感知的方法提高了频谱感知的检测性能。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的基于主成分分析的最大最小特征值频谱感知的方法的第一种具体实施例的流程图；

图2为本发明所提供的基于主成分分析的最大最小特征值频谱感知的方法的第二种具体实施例的流程图；

图3为不同的频谱感知算法检测性能的实验结果图；

图4为本发明实施例提供的一种基于主成分分析的最大最小特征值频谱感知的装置的结构框图。

具体实施方式

本发明的核心是提供一种基于主成分分析的最大最小特征值频谱感知的方法、装置、设备以及计算机可读存储介质，提高了频谱检测器的检测性能。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图

请参考图1，图1为本发明所提供的基于主成分分析的最大最小特征值频谱感知的方法的第一种具体实施例的流程图；具体操作步骤如下：

步骤s101：对次用户的接收端接收到的信号进行采样，获取预设个数的采样信号矩阵；

在本实施例中，可以选择获取两个采样信号矩阵，也可以选择获取多个的采样信号矩阵。

假设在认知无线电网络中有1个次用户(secondaryuser非授权用户或认知用户)和m个接收天线；对次用户的m个接收天线的观测值进行采样，获取采样信号矩阵其中xi＝[xi(1),xi(2),…,xi(n)]表示第i个接收天线观测值的1×n向量，n为接收样本的总数。

步骤s102：利用主成分分析算法，分别得到与预设个数的采样信号矩阵对应的样本协方差矩阵，以便分别计算预设个数的样本协方差矩阵的最大特征值；

通过m个天线观测的采样信号矩阵，可以应用主成分分析法(pca)来生成m个主成分(pcs)。当主用户(primaryuserpu授权用户)存在时，只有一个主成分分量pc包含具有增强信噪比(snr)的有噪声的pu信号，而其它主成分分量是噪声的线性组合。因此，su应该能够选择适当的主成分分量pc来执行频谱感知。

关于pu存在和不存在的问题公式可以由如下经典的贝叶斯检测问题表示：hη:xi＝ηhis+wi；其中η∈{0；1}，h0代表pu不存在，而h1表示pu存在。xi表示第i个su接收天线观测值的1×n向量，n是接收样本的总数；s是包含pu信号的1×n向量。1×n向量wi表示均值为0，方差为的高斯白噪声信号(awgn)。hi是pu和第i个su接收天线之间的信道增益。

采样信号矩阵为m×n矩阵，协方差矩阵c为m×m矩阵：

由于η²＝η，为了简单起见，将η²代入η；协方差矩阵c可以估计为：

步骤s103：分别计算与预设个数的最大特征值对应的特征向量，以便分别提取与预设个数的特征向量对应的主成分；

通过使用pu信号和噪声之间的独立性假设，矩阵c可以被写为m个天线上接收的pu信号的协方差矩阵cs和噪声分量的协方差矩阵cw的和c＝cs+cw；矩阵c的特征值为cs和cw的特征值的和λ(c)＝λ(cs)+λ(cw)；

cw的特征值等于cs的特征值为零，除一个等于cs的轨迹这是因为cs是一阶矩阵。因此，矩阵c的特征值为：

特征值对应的特征向量可以通过求解(c-λii2)vi＝0等式得到，其中是对应于第i个特征值的第i个特征向量，i2是单位矩阵。一旦找到特征向量，主成分分量pc可以通过获得。

将样本协方差的最大特征值λm代入(c-λii2)vi＝0，通过(c-λmi2)vm＝0计算矩阵c的最大特征值λm对应的特征向量vm，根据分别计算预设个数的最大特征向量λm对应的主成分pm。

在h1下，pca产生m个主成分(pcs),其中只有一个分量包含滤波的pu信号，这个分量pm对应于最大特征值其中代表pu的功率，表示存在于pm中的噪声分量信号的功率。其他m-1分量是在m个天线观察到的噪声的混合。

在h0下，矩阵c产生一个对角矩阵：c0＝cw；由于则c0的特征值为:由于c0是一个对角矩阵，所以m×m个单位矩阵im可以是收集特征向量的矩阵：

通过可知，h0下的pc只不过是噪声成分。然而，由于m个su接收天线的m个噪声分量是白高斯和独立的，所以该组特征向量的任何旋转不会影响pc在h0下的统计特性。因此，pi成为wi的线性组合，并且保持为高斯白噪声。

步骤s104：将预设个数的主成分组建为主成分矩阵，得到与所述主成分矩阵对应的主成分协方差矩阵；

将预设个数的主成分pm组建为主成分矩阵pval，通过计算得到与所述主成分矩阵对应的主成分协方差矩阵。

步骤s105：将所述主成分协方差矩阵的最大特征值与最小特征值的比值作为最大最小特征值算法(mme)的检验统计量，通过所述检验统计量与自适应阈值的比较结果，判断所述次用户的接收端信号中是否存在主用户。

在本实施例中，采样信号矩阵通过pca产生多达m个分量(相同数目的观察值)，检测器必须选择验证的分量来执行频谱感知。如上所述，在h0下的主成分分量是等效的，因为wi是具有相同方差的awgn。与h0不同，h1导致非等效pcs，仅仅是噪声的分量，而是pu信号和噪声的组合。因此，通过对应用测试统计量，su能够诊断通道状态。所以，su应该能够选择良好的pca输出，导致对pu状态的有效判定。

请参考图2，图2为本发明所提供的基于主成分分析的最大最小特征值频谱感知的方法的第一种具体实施例的流程图。

在上述实施例的基础上，本实施例对次用户的m个接收天线接收的信号进行两次采集，得到第一采样信号矩阵和第二采样信号矩阵；当然在本申请的其他实施例中，也可以对次用户的接收端进行多次采样，如三次，四次。本实施例的具体操作步骤如下：

步骤s201：对次用户的m个接收天线接收到的信号进行两次采样，得到第一采样信号矩阵和第二采样信号矩阵；

步骤s202：利用pca算法估算所述第一采样信号矩阵的样本协方差矩阵c1，利用pca算法估算所述第二采样信号矩阵的样本协方差矩阵c2；

步骤s203：利用计算c1的最大特征值计算c2的最大特征值

步骤s204：利用(c-λmi2)vm＝0计算对应的特征向量计算对应的特征向量

步骤s205：利用计算对应的主成分分量计算对应的主成分分量

步骤s206：将和组建为主成分矩阵pval，获得主成分协方差矩阵；计算所述主成分协方差矩阵的最大特征值λmax和最小特征值λmin，将作为最大最小特征值算法的检验统计量；

步骤s207：比较与自适应阈值的大小，判断次用户m个接收天线接收的信号中是否存在主用户信号。

一旦su选择适当的pc，则通过mme计算测试统计量t，并与自适应阈值ξ进行比较以对pu状态做出决定。因此，新通道假设可以表示为：

其中w对应于h0下获得的噪声分量，y和r分别表示在h1下存在于pval中的pu信号和噪声。

在本实施例中先对采集到的信号运用pca算法，提高采样信号的信噪比，在对经过处理提高信噪比后的采样信号进行mme分析，大大的提高了mme算法的检测性能。如图3所示，通过不同的频谱感知算法对同样的采样信号进行检测，求得检测概率pd＝p(η^*＝1|η＝1)；试验中频谱感知的算法包括ed、mme、ed与pca结合以及本实施例中pca与mme结合的算法，通过实验结果，可以看出本实施例所提供的基于主成分分析的最大最小特征值频谱感知的方法相对于用信号能量作为特征有较好的检测性能。

请参考图4，图4为本发明实施例提供的一种基于主成分分析的最大最小特征值频谱感知的装置的结构框图；具体装置可以包括：

采样模,100，用于对次用户的接收端接收到的信号进行采样，获取预设个数的采样信号矩阵；

计算模块200，用于利用主成分分析算法，分别得到与预设个数的采样信号矩阵对应的样本协方差矩阵，以便分别计算预设个数的样本协方差矩阵的最大特征值；

提取模块300，用于分别计算与预设个数的最大特征值对应的特征向量，以便分别提取与预设个数的特征向量对应的主成分；

组建模块400，用于将预设个数的主成分组建为主成分矩阵，得到与所述主成分矩阵对应的主成分协方差矩阵；

判断模块500，用于将所述主成分协方差矩阵的最大特征值与最小特征值的比值作为最大最小特征值算法的检验统计量，通过所述检验统计量与自适应阈值的比较结果，判断所述次用户的接收端信号中是否存在主用户。

本实施例的基于主成分分析的最大最小特征值频谱感知的装置用于实现前述的基于主成分分析的最大最小特征值频谱感知的方法，因此基于主成分分析的最大最小特征值频谱感知的装置中的具体实施方式可见前文中的基于主成分分析的最大最小特征值频谱感知的方法的实施例部分，例如，采样模块100，计算模块200，提取模块300，组建模块400，判断模块500，分别用于实现上述基于主成分分析的最大最小特征值频谱感知的方法中步骤s101，s102，s103，s104和s105，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明具体实施例还提供了一种基于主成分分析的最大最小特征值频谱感知的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种基于主成分分析的最大最小特征值频谱感知的方法的步骤。

本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于主成分分析的最大最小特征值频谱感知的方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的基于主成分分析的最大最小特征值频谱感知的方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。