一种基于相关系数和K-均值聚类算法的频谱感知方法、系统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，更具体地，涉及一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质。

背景技术：

认知无线电的关键思想是对频谱的复用和共享，即认知用户在对授权用户(主用户)不造成干扰的前提下，可以利用授权用户的空闲频段。为此，认知用户需要持续对该频段内的主用户信号进行检测，一旦发现主用户信号就尽快避让以免对主用户造成干扰，否则就可以利用该频段进行通信。上述检测的过程就是“频谱感知”。不难看出，频谱感知是认知无线电的关键技术和实现基础。

目前，传统的频谱感知算法主要包括匹配滤波检测、能量检测、似然比检测(likelihoodratiotest,lrt)、循环平稳检测等。在平稳高斯噪声条件下，如果已知授权用户信息，匹配滤波检测可以使输出信噪比最大，但是该算法不仅需要主用户信号的特征先验信息，还需要主用户与认知用户的精确同步信息，在实际应用中这是很难达到的。能量检测是一种比较常用的频谱感知算法，认知用户通过将接收信号的能量与预设的判决阈值进行对比来判断主用户信号是否存在。能量检测算法的计算复杂度较低，容易实现，并且不需要主用户信号的先验信息，但是在低信噪比情况下其检测性能会受到很大影响，并且门限值需要根据噪声的功率信息来确定，噪声功率的不确定性会严重影响检测概率和虚警概率。似然比检测是由奈曼-皮尔逊准则得到的最优的检测方法，利用主用户信号和噪声的概率密度函数(probabilitydensityfunction，pdf)的差异进行检测，但是该算法需要上述pdf作为先验信息。循环平稳检测根据主用户信号固有的循环平稳特性，通过分析功率谱密度方程判断主用户信号是否存在，不同的调制信号循环平稳特性有显著差异，噪声和干扰不具有循环平稳特性。循环平稳检测算法能够克服衰落以及低信噪比下能量检测的不足，检测性能较好，但是需要较大的数据量，计算复杂度高。

并且相对于以上传统的频谱感知算法所需要的条件，在真实环境中，噪声会经常出现并不确知或不完全确知的情况，其相应的概率密度函数相对于高斯分布的pdf具有较长的拖尾。其中，脉冲噪声是最为典型的环境噪声之一，可由云层放电，冰层破裂，生物活动等原因产生。由于接收信号混入了脉冲噪声，其相应的一段时间内信噪比会迅速下降。在这一情况之下，传统的频谱感知算法的性能也会相应的快速下降，甚至失效。现有技术中，公开号为cn103856946a的发明专利公开了一种基于差分能量检测的双门限协作频谱感知方法，该方法解决了能量检测中能量门限易受噪声不确定性影响和传统双门限方法存在感知失败的问题。本发明首先对每个认知用户进行本地感知，在传统双门限能量检测的基础上，对处于双门限之间的能量值采用差分能量检测，对处于双门限之外的能量值采用传统能量检测；然后将每个认知用户的本地判决结果发送至系统融合中心，采用“or”融合准则得到系统总判决结果，该发明是属于传统方法中基于能量检测的频谱感知方法，没有解决脉冲噪声下弱信号的频谱感知问题。

技术实现要素：

本发明为克服上述现有技术所述中传统的频谱感知方法没有解决脉冲噪声下弱信号的频谱感知问题的缺陷，提供一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

本发明第一方面提供了一种基于相关系数和k-均值聚类算法的频谱感知方法，包括以下步骤：

s1：建立混合高斯模型，并将该模型作为噪声分布函数；

s2:建立第i个次用户接收到的第n个信号样本模型；

s3：接收每个次用户从已知环境或未知环境中获取的感知信号，得到感知信号矩阵；

s4：基于随机矩阵理论对感知信号矩阵进行序数分解和重组，得到两个新的信号矩阵；

s5：计算不同次用户接收到的感知信号之间的相关系数，并以此推导出二维特征向量；

s6：利用k-均值聚类算法对感知信号特征进行聚类和划分，确定有无主用户传输信号，实现频谱感知。

本方案中，所述混合高斯模型表示为：

其中，w为次用户接收到的噪声，ε1,μ1,是常规噪声的数学期望、均值与方差，ε2,μ2,是脉冲噪声的数学期望、均值与方差，其中，ε1+ε2＝1，0＜ε2＜＜1，σ2→∞。

本方案中，所述建立第i个次用户接收到的第n个信号样本模型，表示如下:

xi(n)＝his(n)+wi(n)

其中，i＝1,2,...,m；s(n)代表主用户传输信号；hi≥0是一个常数，是代表主用户信号强度的参量，当hi＝0表示主用户传输信号不存在，hi＞0表示主用户传输信号存在；wi(n)表示非高斯背景噪声的样本，

设定h0表示主用户信号不存在，h1表示主用户信号存在，定义频道占用率为：

本方案中，感知信号矩阵的构建具体为：

设定每个次用户的采样点数为n，次用户的个数为m，根据步骤s2第i个次用户接收到的第n个信号样本模型，得到感知矩阵x，表示为：

其中，x矩阵中的元素代表感知信号。

本方案中，对感知信号矩阵进行序数分解和重组，得到两个新的信号矩阵，具体为：

对感知信号矩阵x进行分解和重组分别得到两个信号矩阵，记为y1和y2，表示为：

其中，k＝n/q，分解一个m×n的感知信号矩阵，再重组得到了两个mq×k的矩阵y1和y2，将m个次用户数量扩展到了mq个，增加了次用户的数量。

本方案中，y1由序数分解和重组得到，y2由区间分解和重组得到。

本方案中，计算不同次用户接收到的感知信号之间的相关系数，并以此推导出二维特征向量，具体为：

分别对矩阵y1和y2提取信号特征，矩阵的每一行表示一个次用户接收到的样本信号，获取不同次用户之间信号样本的斯皮尔曼秩次相关系数；

构建斯皮尔曼秩次相关系数的计算公式过程如下：

分别将第i个次用户接收到的样本信号xi和第j个此用户接收到的样本信号xj重新排序得到新的序列xi(1)＜xi(2)＜...＜xi(k)和xj(1)＜xj(2)＜...＜xj(k)，假设xi(a)(a＝1,2,...,k)和xj(a)(a＝1,2,...,k)分别在新序列中第pi(a)个和pj(a)个，则斯皮尔曼秩次相关系数的计算如下：

根据斯皮尔曼秩次相关系数公式计算矩阵y1和y2不同行的斯皮尔曼秩次相关系数，每个矩阵均得到mq×(mq-1)/2个斯皮尔曼秩次相关系数；

将得到的斯皮尔曼秩次相关系数tsr(ij)按下式进行变换：

设定l＝mq×(mq-1)/2，将l个斯皮尔曼秩次相关系数变换得到l个αij，将l个αij取平均得到决策统计特征t：

分别计算得到矩阵y1和y2的决策统计特征，记为t1和t2，两个统计特征构成了一个二维决策统计特征向量t＝[t1,t2]^t。

本方案中，利用k-均值聚类算法对感知信号特征进行聚类和划分，确定有无主用户传输信号，实现频谱感知，具体为：

通过步骤s5得到若干二维决策统计特征向量，将得到的二维决策统计向量划分为训练集和测试集两部分，其中，训练集记为d，用于训练分类器模型，测试集记为其中训练集和测试集表示如下：

d＝{t¹,t²,...,t^b},

其中t^b(b＝1,2,...,b)表示步骤s5中得到的决策统计特征，ψk表示k类中所有特征向量的集合，ck表示k类别的中心集合，具体表示：

ψk＝{t^b|t^b∈k类}(k＝1,2,...,k)

其中n(ψk)表示ψk中特征向量的个数，k-均值的代价函数为：

训练过程中最小化目标函数为：

训练完成后，利用下式进行判断：

其中，c1表示主用户不存在的类别；ξ为大于零的度量参数，当测试集满足上式时，主用户信号存在s＝1，否则，主用户信号不存在s＝-1。

本发明第二方面提供了一种基于相关系数和k-均值聚类算法的频谱感知系统，该系统包括：存储器、处理器，所述存储器中包括基于相关系数和k-均值聚类算法的频谱感知方法程序，所述基于相关系数和k-均值聚类算法的频谱感知方法程序被所述处理器执行时实现如下步骤：

s1：建立混合高斯模型，并将该模型作为噪声分布函数；

s2:建立第i个次用户接收到的第n个信号样本模型；

s3：接收每个次用户从已知环境中获取的感知信号，得到感知信号矩阵；

s4：基于随机矩阵理论对感知信号矩阵进行序数分解和重组，得到两个新的信号矩阵；

s5：计算不同次用户接收到的感知信号之间的相关系数，并以此推导出二维特征向量；

s6：利用k-均值聚类算法对感知信号特征进行聚类和划分，确定有无主用户传输信号，实现频谱感知。

本发明第三方面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中包括基于相关系数和k-均值聚类算法的频谱感知方法程序，所述一种基于相关系数和k-均值聚类算法的频谱感知方法程序被处理器执行时，实现所述的一种基于相关系数和k-均值聚类算法的频谱感知方法的步骤。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过构建混合高斯噪声模型，同时利用基于采样信号矩阵相关系数和机器学习无监督聚类算法进行频谱感知，解决了脉冲噪声下弱信号的频谱感知问题，在脉冲噪声信噪比低和次用户数量较少的情况下具有较好的检测性能。

附图说明

图1为本发明方法流程图。

图2为本发明中协作频谱感知系统模型示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例1

如图1所示，本发明第一方面提供了一种基于相关系数和k-均值聚类算法的频谱感知方法，包括以下步骤：

s1：建立混合高斯模型，并将该模型作为噪声分布函数；

正态分布式热噪声的一个合适的模型，但在实际的环境中脉冲噪声是最为典型的环境噪声之一，可由云层放电、冰层破裂、生物活动等原因产生，频谱感知系统都受到具有脉冲特性的非高斯噪声的影响。相对于高斯分布的概率密度函数，混合高斯模型具有较长的拖尾，所述混合高斯模型表示为：

其中，w为次用户接收到的噪声，ε1,μ1,是常规噪声的数学期望、均值与方差，ε2,μ2,是脉冲噪声的数学期望、均值与方差，其中，ε1+ε2＝1，0＜ε2＜＜1，σ2→∞。

需要说明的是，在上述混合高斯模型表达式中是将非高斯背景看作是由大部分幅值较小的常规噪声与少部分幅值较大的冲激噪声(混响、杂波等随机脉冲)的叠加。该函数是按照某种准则寻找“最不利分布对”，然后按照一定方法处理找出最不利分布下的最佳检测，使得干扰对噪声统计特性的变化(如信号失真)并不敏感，从而保证了系统的稳健性。

需要说明的是，本发明基于步骤1建立的混合高斯模型展开，该模型是后续步骤中的信号特征，例如步骤2中的非高斯背景噪声的样本序列w。

s2:建立第i个次用户接收到的第n个信号样本模型；

表示如下:

xi(n)＝his(n)+wi(n)

其中，i＝1,2,...,m；s(n)代表主用户传输信号；hi≥0是一个常数，是代表主用户信号强度的参量，当hi＝0表示主用户传输信号不存在，hi＞0表示主用户传输信号存在；wi(n)表示非高斯背景噪声的样本，

设定h0表示主用户信号不存在，h1表示主用户信号存在，定义频道占用率为：

s3：接收每个次用户从已知环境或未知环境中获取的感知信号，得到感知信号矩阵；

根据次用户(secondaryusers，su)的数量，频谱感知技术可分为单节点感知(singlenodesensing，sns)和css两种类型。css(cooperativespectrumsensing)表示多个次用户检测到无线信道同时将接收到的信号发送到融合中心(fusioncenter，fc)，以统一处理决策。由于每个su的地理位置在实际的无线网络中是不同的，所以通信环境可能受到阴影、多径衰减和隐藏终端等因素的影响，导致不同sus的检测精度不同。与sns相比，css充分利用了su的感知环境多样性，避免了环境因素造成的误差，如多径衰落和阴影。css提高了检测的准确性，得到了广泛的应用。因此，为了保障频谱感知性能，本申请采用协作感知的方式进行频谱感知，如图2所示。具体而言，系统接收各次用户的各天线获取的感知信号，并进一步根据感知信号分别得到各次用户对应的感知信号矩阵，从而后续基于各次用户获取的感知信号进行特征向量的提取以及主用户存在与否的判断。

本方案中，感知信号矩阵的构建具体为：

设定每个次用户的采样点数为n，次用户的个数为m，根据步骤s2第i个次用户接收到的第n个信号样本模型，得到感知矩阵x，表示为：

其中，x矩阵中的元素代表感知信号。

s4：基于随机矩阵理论对感知信号矩阵进行序数分解和重组，得到两个新的信号矩阵；

当次用户的个数m较小时，采样矩阵维数较低时，检测性能不理想。引入信号矩阵的分解和重组(decomposeandrecombines，dar)对采样信号进行预处理，在逻辑上增加了sus的数量。根据分裂方法的不同，dar可分为序数分解和重组(ordinal-decomposeandtherecombines，o-dar)和区间分解和重组(interval-decomposeandrecombines，i-dar)。

本方案中，对感知信号矩阵进行序数分解和重组，得到两个新的信号矩阵，具体为：

对感知信号矩阵x进行分解和重组分别得到两个信号矩阵，记为y1和y2，表示为：

其中，k＝n/q，分解一个m×n的感知信号矩阵，再重组得到了两个mq×k的矩阵y1和y2，将m个次用户数量扩展到了mq个，增加了次用户的数量。y1由序数分解和重组得到，y2由区间分解和重组得到。

s5：计算不同次用户接收到的感知信号之间的相关系数，并以此推导出二维特征向量；

在本发明中，当样本中存在脉冲干扰时，斯皮尔曼秩次相关系数或肯德尔秩次相关系数是最合适的选择，因为它们的均值和方差只受脉冲分量分数的大小的轻微影响，斯皮尔曼秩次相关系数或肯德尔秩次相关系数对脉冲噪声具有很强的鲁棒性。当信号弱，信号样本数量不是很大时，在相对效率方面，斯皮尔曼秩次相关系数优于肯德尔秩次相关系数，所以在本方案中选择斯皮尔曼秩次相关系数进行信号特征的提取。

本方案中，计算不同次用户接收到的感知信号之间的相关系数，并以此推导出二维特征向量，具体为：

分别对矩阵y1和y2提取信号特征，矩阵的每一行表示一个次用户接收到的样本信号，获取不同次用户之间信号样本的斯皮尔曼秩次相关系数；

构建斯皮尔曼秩次相关系数的计算公式过程如下：

分别将第i个次用户接收到的样本信号xi和第j个此用户接收到的样本信号xj重新排序得到新的序列xi(1)＜xi(2)＜...＜xi(k)和xj(1)＜xj(2)＜...＜xj(k)，假设xi(a)(a＝1,2,...,k)和xj(a)(a＝1,2,...,k)分别在新序列中第pi(a)个和pj(a)个，则斯皮尔曼秩次相关系数的计算如下：

根据斯皮尔曼秩次相关系数公式计算矩阵y1和y2不同行的斯皮尔曼秩次相关系数，每个矩阵均得到mq×(mq-1)/2个斯皮尔曼秩次相关系数；

将得到的斯皮尔曼秩次相关系数tsr(ij)按下式进行变换：

设定l＝mq×(mq-1)/2，将l个斯皮尔曼秩次相关系数变换得到l个αij，将l个αij取平均得到决策统计特征t：

分别计算得到矩阵y1和y2的决策统计特征，记为t1和t2，两个统计特征构成了一个二维决策统计特征向量t＝[t1,t2]^t。

s6：利用k-均值聚类算法对感知信号特征进行聚类和划分，确定有无主用户传输信号，实现频谱感知。

需要说明的是，在传统方法中，阈值推导的计算是很复杂的。当样本数有限时，阈值估计误差增大，影响整体性能。在本方案中采用机器学习与频谱感知相结合，解决了计算阈值误差问题。本发明采用k-means算法对信号进行分类。

本方案中，利用k-均值聚类算法对感知信号特征进行聚类和划分，确定有无主用户传输信号，实现频谱感知，具体为：

通过步骤s5得到若干二维决策统计特征向量，将得到的二维决策统计向量划分为训练集和测试集两部分，其中，训练集记为d，用于训练分类器模型，测试集记为d，其中训练集和测试集表示如下：

d＝{t¹,t²,...,t^b},

其中t^b(b＝1,2,...,b)表示步骤s5中得到的决策统计特征，ψk表示k类中所有特征向量的集合，ck表示k类别的中心集合，具体表示：

ψk＝{t^b|t^b∈k类}(k＝1,2,...,k)

其中n(ψk)表示ψk中特征向量的个数，k-均值的代价函数为：

训练过程中最小化目标函数为：

训练完成后，利用下式进行判断：

其中，c1表示主用户不存在的类别；ξ为大于零的度量参数，当测试集满足上式时，主用户信号存在即s＝1，否则，主用户信号不存在即s＝-1。

本发明第二方面提供了一种基于相关系数和k-均值聚类算法的频谱感知系统，该系统包括：存储器、处理器，所述存储器中包括基于相关系数和k-均值聚类算法的频谱感知方法程序，所述基于相关系数和k-均值聚类算法的频谱感知方法程序被所述处理器执行时实现如下步骤：

s1：建立混合高斯模型，并将该模型作为噪声分布函数；

s2:建立第i个次用户接收到的第n个信号样本模型；

s3：接收每个次用户从已知环境中获取的感知信号，得到感知信号矩阵；

s4：基于随机矩阵理论对感知信号矩阵进行序数分解和重组，得到两个新的信号矩阵；

s5：计算不同次用户接收到的感知信号之间的相关系数，并以此推导出二维特征向量；

s6：利用k-均值聚类算法对感知信号特征进行聚类和划分，确定有无主用户传输信号，实现频谱感知。

本发明第三方面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中包括基于相关系数和k-均值聚类算法的频谱感知方法程序，所述一种基于相关系数和k-均值聚类算法的频谱感知方法程序被处理器执行时，实现所述的一种基于相关系数和k-均值聚类算法的频谱感知方法的步骤。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。