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

由于无线网络和无线设备的迅猛发展，原先的固定的频谱分配政策表现出了明显的的劣势。而认知无线电(cognitiveradio,cr)技术，能在不影响授权用户(primaryuser，pu)的前提下，充分利用空闲的频段，缓解了频谱资源短缺的问题，成为了解决频谱资源短缺而导致的分配政策问题的有前景的技术。

认知无线电技术的关键问题就是频谱感知。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；

对所述降噪信号进行iq分解，得到同相矩阵以及正交矩阵；

根据所述同相矩阵以及所述正交矩阵的协方差矩阵的特征值计算最大特征值与平均能量值的差值，得到特征向量；

对所述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高斯混合聚类模型。

优选地，所述频谱分类模型的参数优化方法包括：

根据极大似然估计以及期望最大化em算法对模型参数进行迭代优化。

优选地，所述频谱感知方法，其特征在于，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；

iq分解单元，用于对所述降噪信号进行iq分解，得到同相矩阵以及正交矩阵；

特征向量计算单元，用于根据所述同相矩阵以及所述正交矩阵的协方差矩阵的特征值计算最大特征值与平均能量值的差值，得到特征向量；

特征分类单元，用于对所述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，所述降噪处理单元具体为：emd降噪处理单元，所述emd降噪处理单元用于通过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。

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；对所述降噪信号进行iq分解，得到同相矩阵以及正交矩阵；根据所述同相矩阵以及所述正交矩阵的协方差矩阵的特征值计算最大特征值与平均能量值的差值，得到特征向量；对所述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，通过对降噪处理后的无线电采样信号进行iq分解，通过对信号进行同相以及正交方向的分析，实现对信号同向以及正交两方向特征的充分挖掘利用，在逻辑上增加了认知用户的数目，根据同相矩阵以及正交矩阵的协方差矩阵的特征值计算最大特征值与平均能量值的差值(mse)，根据差值得到特征向量，通过mse对矩阵中数据波动情况的精确稳定性分析，可以精确提取矩阵的特征信息，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+iq和iq两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，该方法可以提升频谱检测性能，优化频谱感知效果；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、对降噪信号进行iq分解，得到同相矩阵以及正交矩阵。

为了最大程度的利用接收到信号的时间、空间、相位之间的相关性信息，增加逻辑信号的数量，将每个次用户(cu)的接收信号(i＝1，2，...，m)进行iq分解。

假设由i个次用户(cu)采集到的包含n个采样点的信号是一个1×n维的向量被分解为i(同相)和q(正交)两部分，分别表示为如下形式：

iq分解之后，对应得到了两个新的m×n维的信号矩阵，其中，y1为同相矩阵，y2为正交矩阵，如下所示：

采用iq分解处理采样信号矩阵，可以避免接收混频后基带幅值受接收信号以及本振信号相位差的影响，充分利用信号的特征，逻辑上增加了认知用户的数目，提高频谱检测的准确性。

步骤s140、根据同相矩阵以及正交矩阵的协方差矩阵的特征值计算最大特征值与平均能量值的差值，得到特征向量。

本实施例中用信号能量作为特征，使用最大特征值与平均能量之差(maximumeigenvaluesubstractaverageenergy，mse)算法得到矩阵特征，通过mse算法可以在考虑平均能量以及最大特征值差异下简单进行精确特征提取，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。

同相矩阵以及正交矩阵的协方差矩阵分别为:

根据协方差矩阵，分别计算相关的特征值λu(u＝1，2，...，m)，随后计算最大特征值与平均能量值之差(mse)：

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

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。

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，gmm聚类可以得到每种情况的概率值，即得到h0以及h1的概率值。通过gmm模型进行分类在精度高的同时简单易用，可以得到很好的分类效果。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高斯混合聚类模型。

具体地，高斯混合聚类(gaussianmixturemodel，gmm)采用概率模型来表达聚类原型，高斯混合分布可以表示为：

该分布共由k个混合成分组成，每个混合成分对应一个高斯分布，式中，αi代表第i个高斯分布对应的混合系数，且αi>0。p(x|μi，∑i)表示均值为μi，协方差为∑i的高斯分布，其概率密度函数可以表示为:

频谱感知问题可以看成一个二分类问题，在频谱感知的情况下，gmm是两个高斯分布的叠加。p(x|μ1，∑1)是估算特征属于第一类的概率密度，代表主用户不存在，信道可用。p(x|μ2，∑2)则表示特征属于第二类的概率密度，代表主用户存在，信道不可用。

在此仅以通过高斯混合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，通过对降噪处理后的无线电采样信号进行iq分解，通过对信号进行同相以及正交方向的分析，实现对信号同向以及正交两方向特征的充分挖掘利用，在逻辑上增加了认知用户的数目，根据同相矩阵以及正交矩阵的协方差矩阵的特征值计算最大特征值与平均能量值的差值(mse)，根据差值得到特征向量，通过mse对矩阵中数据波动情况的精确稳定性分析，可以精确提取矩阵的特征信息，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：

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gmm聚类算法，为加深对gmm聚类算法进行特征分类划分的理解，本实施例对其具体过程进行介绍，主要步骤如下：

获取足够多的信号特征，构造特征矩阵给定高斯混合成分个数k。

初始化高斯混合分布的模型参数{(αi，μi，∑i)|1≤i≤k}。

根据贝叶斯公式，计算所有样本信号tj由各混合成分生成的后验概率，即：γji＝pm(zj＝i|tj)(1≤i≤k)，确定每个样本tj的簇标记λj：λj＝argmaxγji。

计算新的均值向量：

计算新的协方差矩阵：

计算新的混合系数：

将模型参数{(αi，，μi，∑i)|1≤i≤k}更新为{(αi′，μi′，∑i′)|1≤i≤k}。

根据样本信号tj的簇标记λj，将tj划分至相对应的簇。

输出簇划分c＝{c1，c2，...，ck}。

基于高斯混合聚类训练得到的频谱分类模型的训练过程可参照当前的模型训练方法，通过样本特征矩阵进行训练，对模型参数进行迭代优化，直至训练结果达到预设的输出要求即可得到训练完成的分类模型，如果在实际测试过程中分类效果没有达到预期效果时，可以重新进行模型的优化调整，在此不做限定。

其中，对频谱分类模型的参数优化方法不做限定，优选地，可以根据极大似然估计以及期望最大化em算法对模型参数进行迭代优化。

模型参数{(αi，μi，∑i)|1≤i≤k}采用极大似然估计，即最大化对数似然：

采用期望最大化(expectationmaximization，em)算法对ll(d)进行迭代优化求解模型参数{(αi，μi，∑i)|1≤i≤k}。

通过上述参数优化方法可以在减少迭代次数的同时提高参数精确性。

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+iq和iq两种信号处理效果示意图，两种方法采用mse作为统计量，用gmm聚类算法分类。通过roc曲线可以看出，在信噪比为-14dbb环境下，预警概率时，emd+iq方法的检测概率显然高于iq方法。

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、iq分解单元330、特征向量计算单元340以特征分类单元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；

iq分解单元330主要用于对降噪信号进行iq分解，得到同相矩阵以及正交矩阵；

特征向量计算单元340主要用于；根据同相矩阵以及正交矩阵的协方差矩阵的特征值计算最大特征值与平均能量值的差值，得到特征向量；

特征分类单元350主要用于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。

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。

特征分类单元具体可以包括：

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；

高斯分类子单元，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高斯混合聚类模型。

其中，上述高斯分类子单元通过高斯参数优化子单元对高斯混合聚类模型进行参数优化，具体地，高斯参数优化子单元用于根据极大似然估计以及期望最大化em算法对模型参数进行迭代优化。

优选地，频谱感知装置可以还包括结果分析单元，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；对降噪信号进行iq分解，得到同相矩阵以及正交矩阵；；根据同相矩阵以及正交矩阵的协方差矩阵的特征值计算最大特征值与平均能量值的差值，得到特征向量；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。

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。