一种频谱感知方法、装置、设备、系统及存储介质与流程

本发明涉及无线电领域，特别涉及一种频谱感知方法、装置、设备、系统及一种可读存储介质。

背景技术：

科技的迅猛发展，信息时代的带来，使得无线通信系统渗透到了各个领域，在社会经济发展中有着越来越重要的作用。总的频谱资源是有限而宝贵的，目前我国的频谱资源由国家统一授权分配，授权用户及主用户可以合法使用频段。但随着无线通信业务需求的快速增长，越来越多的未授权用户即次用户也需要频段工作，但频谱资源不足以进行充分分配，社会的频谱稀缺的问题日益严峻。

认知无线电(cr)能与周围环境交互信息，以感知和利用在该空间的可用频谱，并限制和降低冲突的发生。解决了缓解了这个矛盾，成为了被广泛关注的研究热点。频谱感知是认知无线电技术的关键任务，主要是了解主用户对当前信道的占用情况，从而找到频谱空穴，提高频谱资源的使用率。

传统的频谱感知技术包括经典能量检测、循环平稳检测、匹配滤波。其中循环平稳检测精度高，可以区分信号调制方式，但要求主用户具有循环平稳特征，只适用于特定的场合。匹配滤波精度高，时间短，但计算复杂度高，而且只适用于cr节点知道先验信息的场合。经典能量检测不需要先验信息，需要预设判决门限，门限比较难确定；易受噪声的影响，在低信噪比环境和噪声不确定的环境下，易产生误判从而导致检测性能急剧下降，检测时间长。

因此，如何提升频谱检测性能，优化频谱感知效果，是本领域技术人员需要解决的技术问题。

技术实现要素：

本发明的目的是提供一种频谱感知方法，该方法可以提升频谱检测性能，优化频谱感知效果；本发明的另一目的是提供一种频谱感知装置、设备、系统及一种可读存储介质，具有上述有益效果。

本发明提供一种频谱感知方法，包括：

获取无线电采样信号；

对所述采样信号进行降噪处理，得到降噪信号；

根据dar拆分重组技术对所述降噪信号进行拆分重组，得到两个信号矩阵；

分别根据所述两个信号矩阵的特征值计算最大最小特征值的差值，得到二维特征向量；

对所述二维特征向量进行特征分类划分，得到所述无线电采样信号的分类结果。

优选地，所述根据dar拆分重组技术对所述降噪信号进行拆分重组包括：

对所述降噪信号进行顺序拆分重组，得到第一信号矩阵；

对所述降噪信号进行间隔采样拆分重组，得到第二信号矩阵。

优选地，所述对所述采样信号进行降噪处理包括：

通过emd经验模态分解方法对所述采样信号进行信号分解，并对分解后的信号进行本征模函数信号提取，得到降噪信号。

优选地，对所述二维特征向量进行特征分类划分包括：

对获取的若干特征向量构造矩阵，得到特征矩阵；

将所述特征矩阵输入至频谱分类模型，得到分类结果；其中，所述频谱分类模型为根据样本特征矩阵训练得到的fcm聚类模型。

优选地，所述频谱感知方法还包括：

对所述分类结果计算虚警概率以及检测概率；

根据计算得到的虚警概率以及检测概率进行感知性能分析。

本发明公开一种频谱感知装置，包括：

采样信号获取单元，用于获取无线电采样信号；

降噪处理单元，用于对所述采样信号进行降噪处理，得到降噪信号；

拆分重组单元，用于根据dar拆分重组技术对所述降噪信号进行拆分重组，得到两个信号矩阵；

特征向量计算单元，用于分别根据所述两个信号矩阵的特征值计算最大最小特征值的差值，得到二维特征向量；

类别划分单元，用于对所述二维特征向量进行特征分类划分，得到所述无线电采样信号的分类结果。

优选地，所述拆分重组单元包括：

顺序拆分子单元，用于对所述降噪信号进行顺序拆分重组，得到第一信号矩阵；

间隔拆分子单元对所述降噪信号进行间隔采样拆分重组，得到第二信号矩阵。

本发明公开一种频谱感知设备，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所述频谱感知方法的步骤。

本发明公开一种频谱感知系统，包括：

无线电采样设备，用于采集无线电信号，得到无线电采样信号，并将所述无线电采样信号发送至频谱感知设备；

所述频谱感知设备，用于获取无线电采样信号；对所述采样信号进行降噪处理，得到降噪信号；根据dar拆分重组技术对所述降噪信号进行拆分重组，得到两个信号矩阵；分别根据所述两个信号矩阵的特征值计算最大最小特征值的差值，得到二维特征向量；对所述二维特征向量进行特征分类划分，得到所述无线电采样信号的分类结果。

本发明公开一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述频谱感知方法的步骤。

为解决上述技术问题，本发明提供一种频谱感知方法，通过根据dar拆分重组技术对降噪处理后的无线电采样信号进行拆分重组，将一个降噪信号拆分为两个信号矩阵，通过不同的拆分重组方式可以根据不同的需要进行配置，可以实现对信号将数据分析的需要作为数据拆分的依据，将频谱信号分解为两个信号矩阵进行特征分析，在增加认知用户的数目的前提下有效解决频谱分析中精确率问题；根据得到的两个信号矩阵的特征值计算最大最小特征值的差值(dmm)，得到特征向量，通过dmm进行信号矩阵特征的提取，可以实现对信号幅度跨度特征的精准分析，本发明通过对信号进行dar拆分重组后通过dmm进行信号特征信息的提取，可以在认知用户数较少以及信噪比较低的情况下更好地提高频谱的检测性能，提升频谱检测性能，优化频谱感知效果，实现对采样信号的精确分类。

本发明还公开了一种频谱感知装置、设备、系统及一种可读存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的频谱感知方法的流程图；

图2为本发明实施例提供的emd+dar、iq+dmm以及dar+dmm三种信号处理效果示意图；

图3为本发明实施例提供的频谱感知装置的结构框图；

图4为本发明实施例提供的频谱感知设备的结构框图；

图5为本发明实施例提供的频谱感知设备的结构示意图；

图6为本发明实施例提供的频谱感知系统的结构框图。

具体实施方式

本发明的核心是提供一种频谱感知方法，该方法通过对信号进行dar拆分重组后通过dmm进行信号特征信息的提取，可以在认知用户数较少以及信噪比较低的情况下更好地提高频谱的检测性能，提升频谱检测性能，优化频谱感知效果，实现对采样信号的精确分类；本发明的另一核心是提供一种频谱感知装置、系统及一种可读存储介质，具有上述有益效果。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例提供的频谱感知方法的流程图；该方法可以包括：

步骤s110、获取无线电采样信号。

一个认知无线电系统，可以有一个主用户pu和m个次用户su，每个su的采样点数为n，根据采样数据判决主用户是否存在。当用h0表示为主用户信号不存在，h1表示为主用户信号存在时，在这两种状态下，次用户接收的信号xi(n)可表示为公式(1)的模型:

其中，wi(n)代表均值为0，方差为δ²的高斯白噪声，si(n)代表主用户的发射信号。

假设第i个su的采样信号向量可表示为：xi(n)＝[xi(1)，xi(2)，…，xi(n)]。采样信号矩阵x可以表示为如下(公式2)所示的m×n维的矩阵x：

通过对采样信号进行矩阵分析以获知采样信号中的矩阵特征信息。

步骤s120、对采样信号进行降噪处理，得到降噪信号。

获取的采样信号中一般会包括大量噪声信号，为避免噪声信号对频谱感知效果的影响，在进行频谱分析前进行降噪处理。在此对降噪处理的方法不做限定，比如傅里叶变换，小波变换等。

目前在频谱感知中获取的采样信号通常是非线性，不稳定的信号。而传统的傅里叶变换，小波变换等其他信号处理的方法，一般只能处理线性的，稳定的信号，优选地，可以采用经验模型分解算法对信号进行处理，通常是噪声更多的包含在高频带中，低频带中噪声较弱。emd算法通过去除高频带的噪声，重构低频带的信号实现对整体采样信号的降噪处理。

则对采样信号进行降噪处理的过程具体可以为：通过emd经验模态分解方法对采样信号进行信号分解，并对分解后的信号进行本征模函数信号提取，得到降噪信号。

步骤s130、根据dar拆分重组技术对降噪信号进行拆分重组，得到两个信号矩阵。

协作用户的数目较少，会影响整个系统的传感性能，为了在cu用户不多也能达到较好的检测性能，采用拆分重组(dar)技术对降噪信号进行处理。通过对信号矩阵拆分再重组，实现了逻辑上增加了合作用户的个数的目的。

拆分重组包括多种拆分方式，比如顺序拆分重组(o-dar)以及间隔拆分重组(i-dar)等，其中，顺序拆分重组(o-dar)将长度为n的降噪信号按顺序拆分q段成段长为k＝n/q的子信号，再进行重组，得到新的信号，可以增加数据维度，逻辑上增加合作用户数目。间隔拆分重组(i-dar)过程采用间隔采样拆分，即每隔q-1个单位在已采样数据中选取采样点，再重组信号矩阵，得到新的信号，不仅可以增加数据维度，而且可以降低矩阵相邻数据的相关性，避免相邻数据分析带来精确度的误差。

选用两次拆分重组得到两个信号矩阵，在此对具体的拆分重组方式不做限定，优选地，根据dar拆分重组技术对降噪信号进行拆分重组的过程具体可以为：对降噪信号进行顺序拆分重组，得到第一信号矩阵；对降噪信号进行间隔采样拆分重组，得到第二信号矩阵。

具体地，对第i个su的采样信号进行顺序拆分重组(o-dar)，得到了以下q个信号向量：

间隔拆分重组(i-dar)每隔q-1个单位在已采样数据中选取采样点，再重组信号矩阵，得到如下所示的采样信号:

经过emd算法降噪和dar算法重组处理后，将m×n采样信号矩阵x，处理得到如下两个mq×k维矩阵y1和y2：

步骤s140、分别根据两个信号矩阵的特征值计算最大最小特征值的差值，得到二维特征向量。

本实施例中用信号能量作为特征，利用协方差矩阵中的最大特征值与最小特征值之差(differencebetweenmaximumandminimumeigenvalue，dmm)作为统计量，然后计算相应的阈值进行决策，dmm算法可以在一定程度上减少噪声对频谱传感系统的影响，可以在认知用户数较少和信噪比较低的情况下能更好的提高频谱的检测性能。

y1以及y2的协方差矩阵分别为：

对协方差矩阵和分别计算相关的特征值λu＝1，2，…，mq，利用最大最小特征值之差构造判决统计量：

t＝λmax-λmin

根据以上方法，得到特征向量t1和t2，构成了二维的特征向量t＝[t1，t2]^t。

步骤s150、对特征向量进行特征分类划分，得到无线电采样信号的分类结果。

传统的频谱感知技术往往是预设一个判决门限，当判决统计量低于门限值时，判主用户不存在，反之，当判决统计量高于门限值时则判定主用户存在。判决门限的精确程度影响着系统感知性能，但判决门限难以准确计算。本实施例引入了无监督的聚类算法。频谱感知问题即检验主用户存在性，可以看成一个二分类问题，对特征向量进行特征分类划分，得到无线电采样信号的分类结果。

根据特征向量进行特征分类划分的方法不做限定，比如可以通过聚类算法进行分类，也可以采用高斯混合模型(gmm)聚类等。其中，fcm算法会计算每个样本对所有类的隶属度，可以提供一个参考该样本分类结果可靠性的计算方法，若某样本对某类的隶属度在所有类的隶属度中具有绝对优势，则该样本分到这个类是一个十分保险的做法，反之若该样本在所有类的隶属度相对平均，则我们需要其他辅助手段来进行分类。通过fcm算法进行聚类分析提高检测性能。优选地，对特征向量进行特征分类划分具体可以为：对获取的若干特征向量构造矩阵，得到特征矩阵；将特征矩阵输入至频谱分类模型，得到分类结果；其中，频谱分类模型为根据样本特征矩阵训练得到的fcm聚类模型。

在此仅以通过fcm聚类方法对特征向量进行特征的分类划分为例进行介绍，其他分类方法在此不再赘述。

基于上述技术方案，本实施例所提供的频谱感知方法，通过根据dar拆分重组技术对降噪处理后的无线电采样信号进行拆分重组，将一个降噪信号拆分为两个信号矩阵，通过不同的拆分重组方式可以根据不同的需要进行配置，可以实现对信号将数据分析的需要作为数据拆分的依据，将频谱信号分解为两个信号矩阵进行特征分析，在增加认知用户的数目的前提下有效解决频谱分析中精确率问题；根据得到的两个信号矩阵的特征值计算最大最小特征值的差值(dmm)，得到特征向量，通过dmm进行信号矩阵特征的提取，可以实现对信号幅度跨度特征的精准分析，本发明通过对信号进行dar拆分重组后通过dmm进行信号特征信息的提取，可以在认知用户数较少以及信噪比较低的情况下更好地提高频谱的检测性能，提升频谱检测性能，优化频谱感知效果，实现对采样信号的精确分类。

上述实施例中对采样信号进行降噪处理的方法不做限定，为了减少噪声对认知无线电系统的影响，保证系统在信噪比较低的环境下也能获得理想的感知效果，可以通过emd经验模态分解方法对采样信号进行信号分解，并对分解后的信号进行本征模函数信号提取，得到降噪信号。具体地，本实施例对基于景点模型分解方法对降噪处理过程进行介绍。

经验模态分解方法(empiricalmodedecomposition，emd)是以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点，emd方法在理论上可以应用于任何类型的信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势,适合于分析非线性、非平稳信号序列。

emd算法将复杂信号分解为有限个从高频到低频的本征模函数(imf)，所分解出来的各imf分量包含了原信号的不同时间尺度的局部特征信号。采样信号xi(n)经emd算法处理后，分解为如下形式，

其中，imf表示本征模函数部分，r(n)表示残差部分。根据如下所示的连续均方差准则，找到高频带与低频带的临界点m。

采样信号经emd算法处理后，得到了如下的降噪后的信号：

另外，为了对频谱的感知结果进行适应性评价，以便对感知结果进行直观的了解，优选地，可以在进行频谱感知后对分类结果计算虚警概率以及检测概率；根据计算得到的虚警概率以及检测概率进行感知性能分析。

具体地，对系统的虚警概率pf和检测概率pd定义如下：

pf＝p[h1|h0]；

pd＝p[h0|h1]。

图2所示为emd+dar、iq+dmm以及dar+dmm三种信号处理效果示意图，从roc曲线图可以看出，信噪比为-14时，虚警概率为0.1时，emd+dar的检测概率，相比iq+dmm的检测概率提高了42.86％，相比dar+dmm的检测概率提高了11.1％。可以看出，基于上述实施例，dmm算法进行特征提取的频谱感知方法，比iq+dmm以及dar+dmm的频谱感知方法，在低信噪比的环境下，明显具有更好的检测性能。

上述实施例中对特征向量进行聚类特征分析的过程不做限定，可以选用fcm聚类算法，为加深对fcm聚类算法进行特征分类划分的理解，本实施例基于系统的虚警概率pf和检测概率pd对其原理以及具体流程进行介绍。

fcm聚类算法是基于模糊隶属度把一个训练样本分到某一类，其主函数是误差的平方和函数。首先准备一个特征样本集其中p为样本中特征向量的个数。将分为训练样本集和测试样本集使用训练出分类器，最后使用测试样本集测试分类器的感知效果。

假设第j个训练样本属于第c类的隶属度为ujc,则主函数可以表示为：

限制条件可以表示为：

式中，p表示训练样本的数目，m表示fcm算法的平滑指数，ψc表示类中心，将训练特征向量分为c类，在频谱感知系统里，取c＝2。

根据限制条件公式，可以推导出隶属度ujc和聚类中心ψc的迭代式分别如下：

用下面的判决公式来判断主用户是否存在：

式中，ζ表示系统的虚警概率和检测概率。

fcm算法具体流程如下：

获取足够多的信号特征，构造特征矩阵给定类别数目c、fcm算法平滑指数m以及容许误差ε，初始化隶属度ujc。具体地，判决分类过程参见下述步骤：

第一步：利用聚类中心的迭代公式，计算出类中心ψc。

第二步：计算误差若v＜ε,结束算法，否则继续下一步。

第三步：利用隶属度公式迭代，计算新的隶属度ujc。

第四步：返回第一步继续循环，直到达到设定的迭代次数。

第五步：输出隶属度ujc和类中心ψc，分类器训练完毕，进行测试。

第六步：输入测试样本集

第七步：当时，输出h1，否则输出h0

基于上述介绍。利用fcm聚类算法直接进二分类，避免了传统的能量检测方法中预设判决门限难以确定的问题，提高了频谱检测的准确性。

下面对本发明提供的频谱感知装置进行介绍，请参考图3，图3为本发明实施例提供的频谱感知装置的结构框图；该装置可以包括：采样信号获取单元310、降噪处理单元320、拆分重组单元330、特征向量计算单元340以类别划分单元350。

其中，采样信号获取单元310主要用于获取无线电采样信号；

降噪处理单元320主要用于对采样信号进行降噪处理，得到降噪信号；

拆分重组单元330主要用于根据dar拆分重组技术对降噪信号进行拆分重组，得到两个信号矩阵；

特征向量计算单元340主要用于分别根据两个信号矩阵的特征值计算最大最小特征值的差值，得到二维特征向量；

类别划分单元350主要用于对二维特征向量进行特征分类划分，得到无线电采样信号的分类结果。

优选地，降噪处理单元具体可以为emd降噪处理单元，用于通过emd经验模态分解方法对采样信号进行信号分解，并对分解后的信号进行本征模函数信号提取，得到降噪信号。

优选地，拆分重组单元具体可以包括：

顺序拆分子单元，用于对降噪信号进行顺序拆分重组，得到第一信号矩阵；

间隔拆分子单元，用于对降噪信号进行间隔采样拆分重组，得到第二信号矩阵。

优选地，类别划分单元具体可以包括：

矩阵构造子单元，用于对获取的若干特征向量构造矩阵，得到特征矩阵；

fcm聚类分析子单元，用于将特征矩阵输入至频谱分类模型，得到分类结果；其中，频谱分类模型为根据样本特征矩阵训练得到的fcm聚类模型。

优选地，频谱感知装置可以还包括：性能分析单元，用于对分类结果计算虚警概率以及检测概率；根据计算得到的虚警概率以及检测概率进行感知性能分析。

需要说明的是，本发明具体实施方式中的频谱感知装置中的各个单元，其工作过程请参考频谱感知方法对应的具体实施方式，在此不再赘述。

下面对本发明提供的频谱感知设备进行介绍，具体对频谱感知设备的介绍可参照上述频谱感知方法的步骤，图4为本发明实施例提供的频谱感知设备的结构框图；该设备可以包括：

存储器400，用于存储计算机程序；

处理器401，用于执行计算机程序时实现频谱感知方法的步骤。

请参考图5，本发明实施例提供的频谱感知设备的结构示意图，该频谱感知设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在频谱感知设备301上执行存储介质330中的一系列指令操作。

频谱感知设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。

上面图1所描述的频谱感知方法中的步骤可以由频谱感知设备的结构实现。

下面对本发明实施例提供的频谱感知系统进行介绍，下文描述的频谱感知系统与上文描述的频谱感知设备可相互对应参照。

图6为本发明实施例提供的频谱感知系统的结构框图；该系统可以包括：无线电采样设备600以及频谱感知设备601。

无线电采样设备600主要用于采集无线电信号，得到无线电采样信号，并将无线电采样信号发送至频谱感知设备；

频谱感知设备601主要用于获取无线电采样信号；对采样信号进行降噪处理，得到降噪信号；根据dar拆分重组技术对降噪信号进行拆分重组，得到两个信号矩阵；分别根据两个信号矩阵的特征值计算最大最小特征值的差值，得到二维特征向量；对二维特征向量进行特征分类划分，得到无线电采样信号的分类结果。

下面对本发明实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的频谱感知方法可相互对应参照。

本发明公开的一种可读存储介质，其上存储有程序，程序被处理器执行时实现频谱感知方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备，存储介质和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置，系统，存储介质和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个移动终端中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是手机，或者平板电脑等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

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他实施例的不同之处，各个实施例之间相同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、终端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频谱感知方法、装置、设备、系统及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。