基于支持向量机的高能效频谱感知方法技术

基于支持向量机(SVM，Support Vector Machine)的高能效频谱感知方法，首先计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量，然后利用特征向量离线训练SVM分类模型，基于模拟退火优化高斯核参数，最后计算接收信号的特征表示，使用SVM分类模型进行分类，判断信号是否包含主用户，从而判断频谱状态。

【技术实现步骤摘要】
基于支持向量机的高能效频谱感知方法
本专利技术涉及认知无线电领域的频谱感知技术，特别是基于支持向量机的高能效频谱感知方法。
技术介绍
通常，一段频谱只分配给主用户(PU)而感知用户无法接入这一频段。但是，主用户并不是一直占用这一频段，这样空闲的频段导致了较低的频谱利用率。频谱感知可以检测到未占用的频段，这样感知用户就可以在主用户未占用的时候利用这一频段，提高频谱利用率。基于能量检测的频谱感知算法是最常用的感知模型。这种方案不需要获得关于主用户信号的先验知识。先后有研究人员提出了单阈值和双阈值的频谱感知算法。为了进一步改进频谱感知的检测性能，研究人员开始基于主用户信号的统计信息检测频谱状态。Wang等人考虑频谱利用率提出了一种软判决的频谱感知算法。Nguyen等人通过对真实频谱数据的观测，提出了一种隐马尔科夫模型。这些算法利用了信号的先验信息，因而获得了更好的检测性能。传统能量检测方案的不足在于，难以选择合适的阈值，以准确检测频带的占用情况。当认知用户周围环境的噪声发生变化时，例如当信噪比发生变化时，需要动态调整阈值以适应不同的场景。因此，频谱感知的一个重要研究问题就是阈值的动态调整问本文档来自技高网...

【技术保护点】
1.基于支持向量机的高能效频谱感知方法，其特征在于包括如下步骤：步骤1、计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量；步骤2、利用特征向量离线训练SVM分类模型，然后基于模拟退火优化高斯核参数；步骤3、计算接收信号的特征表示，使用SVM分类模型进行分类，判断信号是否包含主用户，从而判断频谱状态。

【技术特征摘要】
1.基于支持向量机的高能效频谱感知方法，其特征在于包括如下步骤：步骤1、计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量；步骤2、利用特征向量离线训练SVM分类模型，然后基于模拟退火优化高斯核参数；步骤3、计算接收信号的特征表示，使用SVM分类模型进行分类，判断信号是否包含主用户，从而判断频谱状态。2.根据权利要求1所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量的方法为：计算主用户信号和噪声的能量统计量为其中，y(n)是接收信号的采样，Ns表示采样周期T内采样点的个数；在采样周期T内从Ns个点中随机抽取Ms个点，计算能量统计量作为能量向量中的一个元素，重复n次进而得到n维的能量向量ve∈Rn，计算中心向量vc中一个维度上的元素λ*为其中，是没有主用户信号时的能量值的方差，为有主用户信号时的能量值的方差，μ0是没有主用户信号时的能量值的均值，μ1为有主用户信号时的能量值的均值，是噪声方差，γ是信噪比；计算残差向量为vr＝ve-vc，利用k-means聚类来对残差向量分组，得到两个聚类中心，将分组中距离聚类中心最远的向量为基向量，使用主用户信号聚类中的基向量对噪声的残差向量进行修正，噪声聚类的基向量对主用户信号的残差向量进行修正。3.根据权利要求2所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的Ns＝T/fs，fs是采样频率。4.根据权利要求3所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的主用户信号聚类中的基向量为离主用户训练数据最远的基向量。5.根据权利要求4所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的使用主用户信号聚类中的基向量对噪声的残差向量进行修正，使得噪声的残差向量小于0，噪声聚...

【专利技术属性】
技术研发人员：李久超，刘枫，李亚秋，张千，陈明章，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：北京,11