The invention provides a method for real-time detecting multiple primary users in a cognitive radio network, which can detect the number of primary users in real time. The method includes: the main users of the received signal and a plurality of secondary users for feature extraction, two kinds of feature vectors; two kinds of feature vectors composed of the feature vector as the input data of training support vector machine, the eigenvectors corresponding to the number of primary user's signal output data as the training of support vector the type of support vector machine and set the type of kernel function, and the genetic algorithm, the kernel function width was the optimal penalty factor and kernel function width; the optimal penalty factor and optimal model parameters as the support vector machine, generating training model; multiple secondary users users the input signal to generate real-time received training model, through the real-time detection of the training model and estimate the number of main users. The invention relates to the field of wireless communication technology.
【技术实现步骤摘要】
一种认知无线电网络中实时检测多主用户数目的方法
本专利技术涉及无线通信
,特别是指一种认知无线电网络中实时检测多主用户数目的方法。
技术介绍
近年来,随着全球无线通信技术日新月异地发展,不同功能的新型无线电系统相继问世。加之目前无线通信系统采用的是静态(固定)频谱分配策略,频谱资源也越来越紧缺。认知无线电能够感知外界环境的变化,提高频谱利用率及系统容量,解决频谱短缺的问题。在认知无线电系统中,次用户在不对主用户产生影响的前提下,可以使用主用户的空闲频谱。为了避免对主用户产生影响,需要次用户及时的感知主用户频谱使用的状况。传统的频谱感知仅仅检测出主用户是否存在已经不能满足要求,还需要监测系统中正在工作的主用户的个数。目前常用的信号个数(主用户数目)检测方法有:基于信息论准则(Akaiceinformationcriterion,AIC)和最小描述长度(Minimumdescriptionlength,MDL)以及基于盖氏圆半径(GerschgorindisksEstimator,GDE)准则和基于典型关联分析技术(canonicalcorrelationtechnique,CCT)的检测方法;然而这些方法需在网络中专门设立阵列天线来检测主用户的数目,且能够检测的信号的个数在小范围内,在信号个数多的情况下,检测效果差。
技术实现思路
本专利技术要解决的技术问题是提供一种认知无线电网络中实时检测多主用户数目的方法,以解决现有技术所存在的需在网络中专门设立阵列天线来检测主用户的数目,且检测主用户信号个数有限的问题。为解决上述技术问题,本专利技术实施例提供一种认知 ...
【技术保护点】
一种认知无线电网络中实时检测多主用户数目的方法,其特征在于,包括:S1,通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量:估计协方差矩阵的所有元素之和与估计协方差矩阵的迹的比值、估计协方差矩阵盖氏圆半径的均值;其中,所述估计协方差矩阵是由接收到的主用户信号确定的;S2,将提取得到的两类特征向量组成新的特征向量作为支持向量机的训练输入数据,新的特征向量对应的主用户信号个数作为支持向量机的训练输出数据,设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度;S3,将得到的最优的惩罚因子和最优的核函数宽度作为支持向量机的模型参数,生成训练模型;S4,将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目。
【技术特征摘要】
1.一种认知无线电网络中实时检测多主用户数目的方法,其特征在于,包括:S1,通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量:估计协方差矩阵的所有元素之和与估计协方差矩阵的迹的比值、估计协方差矩阵盖氏圆半径的均值;其中,所述估计协方差矩阵是由接收到的主用户信号确定的;S2,将提取得到的两类特征向量组成新的特征向量作为支持向量机的训练输入数据,新的特征向量对应的主用户信号个数作为支持向量机的训练输出数据,设置支持向量机的类型以及核函数类型,并通过遗传算法,得到最优的惩罚因子和最优的核函数宽度;S3,将得到的最优的惩罚因子和最优的核函数宽度作为支持向量机的模型参数,生成训练模型;S4,将多个次用户实时接收到的主用户信号输入生成的所述训练模型,通过所述训练模型实时检测并估计出主用户的数目。2.根据权利要求1所述的认知无线电网络中实时检测多主用户数目的方法,其特征在于,所述通过多个次用户接收主用户信号,对接收到的主用户信号进行特征提取,得到两类特征向量包括:S11,通过多个次用户接收主用户信号,根据接收到的主用户信号构造接收信号矩阵Z;S12,对接收信号矩阵Z进行协方差矩阵分析,得到接收信号矩阵Z的估计协方差矩阵R;S13,计算估计协方差矩阵R的迹和估计协方差矩阵R的所有元素之和,将估计协方差矩阵R的所有元素之和与估计协方差矩阵R的迹的比值作为次用户接收到的主用户信号的第一类特征向量;S14,计算估计协方差矩阵R盖氏圆半径的均值并将其作为次用户接收到的主用户信号的第二类特征向量。3.根据权利要求2所述的认知无线电网络中实时检测多主用户数目的方法,其特征在于,所述接收信号矩阵Z表示为:其中,Z是p×(1+j)维的矩阵,p为次用户的个数,i为起始采样点,j为继续采样点的数目,i+j为停止采样点,1+j为每个次用户接收信号的样本总数,zp(n)表示第p个次用户的接收信号的第n个采样点;所述估计协方差矩阵R表示为:其中,H表示矩阵的共轭,ZH表示接收信号矩阵Z的共轭矩阵,j为继续采样点的数目。4.根据权利要求2所述的认知无线电网络中实时检测多主用户数目的方法,其特征在于,所述计算估计协方差矩阵R盖氏圆半径的均值包括:S141,对估计协方差矩阵R进行分块,得到子矩阵R1;S142,对子矩阵R1进行特征值分解,得到酉矩阵U1;S143,根据得到的酉矩阵U1,构造新的酉矩阵U,并根据构造得到的新的酉矩阵U,对估计协方差矩阵R进行酉变换得到矩阵S;S144,根据矩阵S,得到估计协方差矩阵R的盖氏圆半径,根据得到的估计协方差矩阵R的盖氏圆半径,计算估计协方差矩阵R盖氏圆半径的均值。5.根据权利要求4所述的认知无线电网络中实时检测多主用户数目的方法,其特征在于,所述对估计协方差矩阵R进行分块,得到子矩阵R1表示为:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。