【技术实现步骤摘要】
一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法
本专利技术属于数字通信领域，具体涉及一种基于乔姆斯基分解采样协方差矩阵的支持向量机高效频谱感知方法，实现认知无线电的频谱感知。
技术介绍
传统无线频谱资源是按授权方式静态分配的，会限制无线通信的灵活性。而认知无线电(CR)是动态分配频谱资源，提高了频谱利用率。其中，频谱感知作为CR的前提，其主要目标是认知设备迅速和智能地识别频段中未被占用的可用频谱，使更多的用户机会性地使用该资源。实际的无线环境相当复杂，单纯的传统认知无线电频谱感知技术不能应对未来的更高要求：支持大量用户，准确认知，多节点认知，前瞻性感知，识别速度快。而机器学习的方法可以使CR的频谱感知系统更为“认知化”，对网络域、用户域和无线域的各种周边无线变化和用户设备状态进行采样和建立模型，然后再使用特定的算法进行数据分类，得到更为准确的认知信息，并且能对本身的系统进行自我完善与优化，认知系统得到性能的提升，更加适应无线环境的多变情况。传统能量检测算法以接收信号能量作为判断依据。对输入信号采样量化，经过理想带通滤波器与模数转换器后，去除掉附...
【技术保护点】
1.一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法，其特征在于：S1，采用Cholesky分解感知信号的采样协方差矩阵，构造统计量；S2，对所述统计量进行标记标签；S3，将所述统计量和对应的标签作为训练样本集，采用SVM算法训练所述样本，得到凸二次规划问题；S4，采用序列最优化算法求解所述凸二次规划问题，得到SVM分类器；S5，采用SVM分类器对主用户状态进行分类。
【技术特征摘要】
1.一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法，其特征在于：S1，采用Cholesky分解感知信号的采样协方差矩阵，构造统计量；S2，对所述统计量进行标记标签；S3，将所述统计量和对应的标签作为训练样本集，采用SVM算法训练所述样本，得到凸二次规划问题；S4，采用序列最优化算法求解所述凸二次规划问题，得到SVM分类器；S5，采用SVM分类器对主用户状态进行分类。2.权利要求1所述的方法，其特征在于：步骤S1采用以下步骤完成：S1.1：将认知无线电划分为PU和SU，PU为主用户，SU为次用户，PU的频谱优先级高于SU，其中，SU具有M根天线，且M为自然数；认知设备接收信号二进制假设检验表示为：其中，H0和H1分别表示主用户存在与否；k为自然数，k＝1,2,…N，且N为自然数，表示在一个时隙中感知的样本维数；s(k)为实数，代表第k个接收的PU信号序列；n(k)为实数，代表第k个接收信号附加的加性高斯白噪声；x(k)和h(k)均为实数，分别是第k个SU接收的感知信号和信道增益；S1.2：在SU的M根天线上收集信号，感知信号矩阵表示为式(2)：其中，矩阵X1中的元素xi(k)为第i个天线，第k个接收信号的取值，且i，k和M均为自然数；S1.3：感知信号的采样协方差矩阵表示成：维度为M×M的矩阵R其中，(·)T代表转置；S1.4：Cholesky分解感知信号的采样协方差矩阵，并构造统计量：Cholesky分解矩阵R，R＝UUT；其中，U是一个下三角矩阵表达式如下：其中，uij≥0(j≥i)，且i,j为自然数；其计算如下其中，Rij是式(3)所表示的协方差矩阵R的第i行，第j列元素；统计量构造为下式：其中，L为训练样本的维数，L为自然数；且统计量Xk是接近1的实数；分子为下三角矩阵U的元素之和，分母为下三角矩阵U的主对角线元素。3.权利要求1所述的方法，其特征在于：步骤S2采用以下步骤完成：在能量检测中，检测统计量的构造及检测规则如下：其中，D1和D0分别代表SU感知到PU存在或不存在的状态，并采用标签“+1”和“-1”表示，E为感知信号的平均能量，λ为实数，表示检测门限；检测门限是λ利用预设的虚警概率Pf，通过下式得到：其中，n为实数且计算为：n＝2TW；T为实数，代表观测时间，W代表带通滤波器的带宽。4.权利要求1所述的方法，其特征在于：步骤S3采用以下步骤完成：S3.1：初始化...
【专利技术属性】
技术研发人员：包建荣，聂建园，王天枢，刘超，姜斌，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33
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。