一种混合高斯噪声稀疏贝叶斯频谱感知方法技术
【技术实现步骤摘要】
一种混合高斯噪声稀疏贝叶斯频谱感知方法
本专利技术属于无线通信
，具体涉及一种混合高斯噪声稀疏贝叶斯频谱感知方法。
技术介绍
压缩感知可以破除宽带频谱感知中奈奎斯特采样速率的限制，通过低速采样获取少量观测数据进行宽带信号的谱估计，从而检测宽带频谱的空穴。在认知无线电系统中，由于主用户的频谱只占系统带宽的一小部分以及其地理位置相对于整个感知区域的有限性，合理利用主用户功率谱信号的稀疏性这一先验知识，不仅可以极大简化通信设备，而且可以更好地重构主用户功率谱信号。已有的关于认知无线电压缩频谱感知的重构算法都只研究了被加性高斯白噪声影响的系统模型。然而，现实生活中的许多干扰或噪声并不是单纯的加性高斯白噪声，比如人为脉冲噪声、各认知用户间的信道干扰和超宽带干扰等，这时如果仍然用高斯分布来拟合势必会造成较大的误差。而混合高斯噪声是由若干个高斯分布加权和得到，经常用来描述脉冲噪声、人为噪声以及超宽带干扰等；而且通过调节各分布的混合系数或方差，混合高斯模型几乎可以拟合任意的非高斯噪声模型。
技术实现思路
针对现有技术存在的技术问题，本专利技术提供了一种混合高斯噪声稀疏贝叶斯频谱...
【技术保护点】
一种混合高斯噪声稀疏贝叶斯频谱感知方法，其特征在于，包括以下步骤：1)构建被混合高斯噪声影响的压缩频谱感知系统模型；2)根据压缩频谱感知系统模型探索主用户功率谱信号的稀疏性；3)利用主用户功率谱信号的稀疏性重构主用户功率谱信号，进而判断信道是否被占用。
【技术特征摘要】
1.一种混合高斯噪声稀疏贝叶斯频谱感知方法，其特征在于，包括以下步骤：1)构建被混合高斯噪声影响的压缩频谱感知系统模型；2)根据压缩频谱感知系统模型探索主用户功率谱信号的稀疏性；3)利用主用户功率谱信号的稀疏性重构主用户功率谱信号，进而判断信道是否被占用。2.根据权利要求1所述的混合高斯噪声稀疏贝叶斯频谱感知方法，其特征在于，步骤1)中，为了便于次用户估计主用户的地理位置，引入虚拟参考网格点方案，将一个非凸优化问题转变为一个凸优化求解问题。3.根据权利要求2所述的混合高斯噪声稀疏贝叶斯频谱感知方法，其特征在于，步骤1)中，考虑有两个高斯分布的混合高斯噪声模型，即二元混合高斯噪声模型，用于拟合各种脉冲噪声和人为噪声，其概率密度函数为：其中，0＜εi＜1为混合系数且ε1+ε2＝1，vi为第i个高斯分布的方差，i的取值为1和2，噪声总方差为v＝ε1ν1+ε2v2＝ε1v1+τε2ν1，τ为两个分布的噪声方差比；通过调节混合系数或各分布的方差得到被混合高斯噪声影响的压缩频谱感知系统模型为：Φ＝Bθ+Zσ+e＝Bθ+ω(2)其中，Φ是NrN×1维的次用户接收功率谱信息，N为采样点数，B是NrN×NtNb的信道信息，且路径损耗模型为γtr＝min{1,(d/d0)-h}，其中d为主用户和次用户之间的距离，d0和h为与具体的传播环境有关的常数，θ是NtNb×1的主用户功率谱系数，为结构矩阵，是克罗内克积，σ是Nr×1的混合高斯噪声方差向量，e是均值为0方差为的NrN×1维的误差向量，ω是NrN×1的高斯变量，其均值为E(ω)＝Zσ，方差为C(ω)＝diag-1(Zλ)。4.根据权利要求3所述的混合高斯噪声稀疏贝叶斯频谱感知方法，其特征在于，步骤2)中，基于稀疏贝叶斯理论引入一个参数高斯先验分布来探索主用户功率谱信号的稀疏性，并通过最大后验估计求得稀疏表达，具体实现方法如下：在求解主用户功率谱信号θ的概率密度函数之前，引入先验变量γ诱导主用户功率谱信号θ的稀疏性，2层分层先验变分贝叶斯模型包括先验概率密度函数p(γ)和条件概率密度函数p(θ|γ)，通过先验变量γ能够控制主用户功率谱信号θ的稀疏性，即p(θ)＝∫p(θ|γ)p(γ)dγ(3)进一步，再增加一个先验变量η来控制变量γ，得到3层分层先验变分贝叶斯模型：p(θ)＝∫p(θ|γ)p(γ|η)p(η)dγdη(4)对于2层分层先验变分贝叶斯模型，系统模型的联合概率密度函数为：p(Φ,θ,γ,ε,ν,λ)＝p(Φ|θ,ε,v,λ)p(ε)p(v)p(λ)p(θ|γ)p(γ)(5)对于3层分层先验变分贝叶斯模型，系统模型的联合概率密度函数为：p(Φ,θ,γ,η,ε,v,λ)＝p(Φ|θ...
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。