一种基于HDP‑NSHMM的频谱感知方法技术

本发明专利技术涉及一种基于HDP‑NSHMM的频谱感知方法，采用分层狄利克雷过程‑非平稳隐马尔可夫模型对历史感知数据进行融合和聚类，在聚类循环中，在当前状态的保持时间较短时，设置较大的自转移偏移参数，以保证其状态不会随时间快速变化，而随着当前状态保持时间的增长，减小自转移偏移参数，从而减小状态的自转移概率，使其更有可能选择转移到不同的状态。与现有技术相比，本发明专利技术通过与聚类类别保持时间相关的自转移偏移参数调整状态自转移概率，对于信道状态的变化能够更准确的判断，通过固定的状态类别可避免冗余状态的出现，提高了历史感知数据聚类准确性，从而具有更高的感知性能，提高了频谱判决准确性。

A spectrum sensing method based on NSHMM HDP

The invention relates to a spectrum sensing method based on NSHMM HDP, using hierarchical Dirichlet process non-stationary hidden Markov model for fusion and clustering of historical perception data in the cluster cycle, in the current state of the hold time is short, setting higher rotation shift parameters, to ensure the state will not be fast change of time, and with the current state of keeping growth time, reduce the self transfer offset parameter, since the transfer probability so as to reduce the state, make it more likely to choose to transfer to a different state. Compared with the prior art, the invention by keeping the self transfer offset parameter adjustment state transition probability and time dependent self clustering, the change of channel state can more accurately determine, through state fixed categories can avoid redundant state, improve the historical perception data clustering accuracy, so it has better sensing performance. To improve the accuracy of spectrum decision.

【技术实现步骤摘要】
一种基于HDP-NSHMM的频谱感知方法
本专利技术涉及认知无线电频谱感知技术，尤其是涉及一种基于HDP-NSHMM的频谱感知方法。
技术介绍
频谱感知是认知无线电中的核心技术，需要实时监测周围的无线环境，为非授权用户给出可用频谱资源，同时保证及时发现授权用户对当前频段的占用，避免造成干扰。因此，频谱感知的准确性对于认知无线电网络起着非常关键的作用。针对频谱感知技术的大量研究工作提供了许多基于信号处理的检测方法，这些检测方法主要可以划分为非协作频谱感知与协作频谱感知两大类。使用非协作频谱感知的认知无线电设备可以独立选择不同的检测方法，并各自处理本地的感知结果，作出频谱判决。这样的频谱感知方法无需不同用户之间的信息交互，因而更加简单、快捷、便于实现。常用的非协作检测方法主要有能量检测、匹配滤波器检测、循环平稳特征检测等。虽然非协作感知方法无需信息交互，易于实现，然而由于没有考虑空间分集信息，这些检测方法是有局限性的。因此，许多频谱感知算法选择将多个用户的频谱感知结果进行融合的协作检测方法。协作感知能够减少单独的认知无线电设备在频谱感知的检测过程中面对的噪声和信道衰落等带来的不确定性，从本文档来自技高网...

【技术保护点】
一种基于HDP‑NSHMM的频谱感知方法，其特征在于，包括以下步骤：S1、收集所有历史时刻的频谱感知观察数据，做初始化处理；S2、采用分层狄利克雷过程‑非平稳隐马尔可夫模型对历史感知数据进行融合和聚类，在聚类循环中，当信道状态保持时间增长到大于设定时间时，减小自转移偏移参数，使得选择转移到不同的信道状态的可能性增大；S3、采用伽马分布作为不同信道状态的频谱感知数据指数分布参数的共轭先验来构造贝叶斯模型，利用归为同一信道状态聚类的所有感知数据更新每一类的指数分布参数的伽马分布超参数；S4、通过更新的伽马分布超参数估计每一类信道状态的功率值，将功率估计值与预设的门限值进行对比，得到频谱判决结果。

【技术特征摘要】
1.一种基于HDP-NSHMM的频谱感知方法，其特征在于，包括以下步骤：S1、收集所有历史时刻的频谱感知观察数据，做初始化处理；S2、采用分层狄利克雷过程-非平稳隐马尔可夫模型对历史感知数据进行融合和聚类，在聚类循环中，当信道状态保持时间增长到大于设定时间时，减小自转移偏移参数，使得选择转移到不同的信道状态的可能性增大；S3、采用伽马分布作为不同信道状态的频谱感知数据指数分布参数的共轭先验来构造贝叶斯模型，利用归为同一信道状态聚类的所有感知数据更新每一类的指数分布参数的伽马分布超参数；S4、通过更新的伽马分布超参数估计每一类信道状态的功率值，将功率估计值与预设的门限值进行对比，得到频谱判决结果。2.根据权利要求1所述的一种基于HDP-NSHMM的频谱感知方法，其特征在于，所述步骤S1的初始化处理具体包括：给每个历史时刻分配初始信道状态类别，统计初始计数和到各历史时刻为止聚类结果保持为初始信道状态的时间序列的长度及保持的起始、结束时刻。3.根据权利要求1所述的一种基于HDP-NSHMM的频谱感知方法，其特征在于，所述步骤S2中在每一次聚类循环中，对每个时刻t分别进行以下步骤：S21、获取信道隐藏状态聚类结果及融合参数，对过渡分布β进行抽样，获取时刻t在本次聚类循环前的聚类结果的统计数据；S22、采样得到t时刻新的信道状态聚类结果，如果选择了新的类别，则更新时刻t的信道状态聚类结果及其相关的统计数据，更新过渡分布，将时刻t对应的频谱感知数据加入相应类的信道状态融合数据中；S23、将新的信道状态聚类结果与旧的聚类结果比较，若不相同，则更新t前后时刻的时间序列的状态，保持序列长度和起始时间序号；S24、检查此时是否存在空类别，若存在空类，则移除空类，将总类别数目减一，且将βk加入其中，βk表示选择隐藏状态k的概率，为狄利克雷过程得到的断棍构造方法中的参数，服从βk|α,H～beta(1,α)，表示选择新的隐藏状态的概率；S25、对融合参数中的辅助变量进行抽样。4.根据权利要求3所述的一种基于HDP-NSHMM的频谱感知方法，其特征在于，所述步骤S21具体包括：S211、收集时刻t以外其余时刻的信道隐藏状态聚类结果以及每一类信道状态的融合参数；S212、对过渡分布β按照狄利克雷分布进行抽样；S213、将时刻t本次聚类循环前的聚类结果从相关的统计数据中去除，将t时刻的频谱感知数据从该聚类结果的融合数据中移除。5.根据权利要求3所述的一种基于HDP-NSHMM的频谱感知方法，其特征在于，所述步骤S22具体包括：S221、分别计算当时刻t选择已有类别或新类别时，到t时刻为止具有连续相同聚类结果的时间序列长度；S222、对已有的信道状态聚类类别，通过时间序列聚类类别选择的先验分布和似然函数，结合频谱感知数据，计算转移到每个已有信道状态类别的概率和选择新的聚类类别的概率；S223、采样得到时刻t新的信道状态聚类结果，如果选择了新的类别，则更新时刻t的信道状态聚...

【专利技术属性】
技术研发人员：黄新林，唐小伟，翟瑜博，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31