一种基于FCM聚类算法的合作频谱感知方法技术

本发明专利技术属于认知无线电频谱感知技术领域，具体地涉及一种基于FCM聚类算法的合作频谱感知方法，包括以下步骤：采集信号x

A cooperative spectrum sensing method based on FCM clustering algorithm

【技术实现步骤摘要】
一种基于FCM聚类算法的合作频谱感知方法
本专利技术涉及一种认知无线电频谱感知技术，更具体地设计一种基于FCM聚类算法的合作频谱感知方法。
技术介绍
随着各种无线业务的不断增长以及无线传输内容的不断丰富，越来越多的无线通信有着大数据量的需求。但是现有的静态频谱分配策略难以在不增加频谱资源的前提下提高数据传输速率，并且越来越多的实验数据说明现有无线电频谱资源分配并不合理，即在某些地区某些时候，一些频段的频谱资源使用非常紧张而另一些频段则非常空闲。这些频谱资源使用不均衡的情况导致了认知无线电技术(CognitiveRadios,CR)的出现。认知无线电基本出发点是在不影响授权频段的正常通信的基础上，具有认知功能的无线设备可以按照某种“机会方式”接入授权的频段内，并动态的利用频谱。CR具有两个主要特点：认知能力和重配置能力，认知的核心是频谱感知。随着CR技术的逐步完善，频谱感知技术也得到了不断的发展。频谱感知的目的是检测频谱空穴，提升频谱的有效利用率。传统的频谱感知方法主要包括能量检测，匹配滤波器检测，循环平稳特征检测和基于随机矩阵的频谱感知法。能量检测法是一种经典的频谱感知算法。利用信号加噪声的能量大于噪声能量这一特点来判断主用户是否存在。现有技术的计算复杂度低，不需要信号的先验信息，得到广泛应用。但在低信噪比时，能量检测算法的检测性能不高。经典能量检测(EnergyDetection,ED)判决门限比较难确定，在低信噪比环境下容易受到噪声不确定性影响产生误判从而导致检测性能急剧下降，即使是能够自适应的门限值，检测器也不能做出正确的判断。
技术实现思路
本专利技术克服了在低信噪比环境下，能量检测法频谱感知技术的感知性能不高和门限估计精确度不高的问题，提供了一种基于FCM聚类算法的合作频谱感知方法。为解决上述技术问题，本专利技术的技术方案如下：一种基于FCM聚类算法的合作频谱感知方法，实施步骤如下：S1：采集信号xi(n)，形成采样信号矩阵X；S2：对于采集到的采样信号矩阵X，采用零空间追踪算法NSP将采样信号xi(n)分解成两个精细分量：剩余分量U(n)和被提取分量V(n),得到第i个次用户SU的采样信号为S3：对采样信号进行信号拆分重组DAR，根据协方差矩阵分别计算相关的特征值，并计算最大特征值与平均特征值之差MSE；S4：使用FCM聚类算法判断主用户是否存在。步骤S1的采样信号矩阵X，假设一个认知无线电系统，有一个主用户PU和M个次用户SU，每个SU的采样点数为N，H0表示主用户不存在，H1表示主用户信号存在，采样信号xi(n)的模型可表示为：其中，wi(n)表示均值为0，方差为δ2的高斯白噪声，si(n)表示PU的信号；假设第i个SU的采样信号向量表示为xi(n)＝[xi(1)，xi(2)，…，xi(N)]；所有SU采样信号组成M×N维的矩阵X，表示为零空间追踪算法NSP算法步骤包括以下：S2.1：输入信号xi(n)，拉格朗日系数λ2，停止门限值ε，和初始的拉格朗日系数初始泄露参数γ0；S2.2：令j＝0,γj＝γ0S2.3：根据令计算出S2.4：更新的值；S2.5:根据令计算出S2.6:更新γj的值；S2.7：当则令j＝j+1，继续返回S2.3循环；S2.8：输出最优的残余信号参数泄露系数其中，Dα是一个以α为对角元素的对角矩阵，λ1、λ2表示拉格朗日系数，γ为泄露系数。DAR技术，对信号进行顺序拆分重组和间隔拆分重组，根据协方差矩阵计算相关的特征值λu＝1，2，...，2Mq，计算最大特征值与平均特征值之差得到特征向量T1和T2，构成特征向量T＝[T1，T2]T代表特征。根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，所述FCM算法包括以下步骤：S4.1:构造特征矩阵给定类别数目C、FCM算法平滑指数m以及容许误差ε，初始化隶属度ujc；S4.2:利用计算出类中心Ψc；S4.3:计算误差若v＜ε,结束算法，否则继续S4.4；S4.4:利用公式迭代，计算新的隶属度ujc；S4.5:返回S4.1继续循环，直到达到设定的迭代次数；S4.6:输出隶属度ujc和类中心Ψc；S4.7:输入测试样本集S4.8:当时，输出H1，否则输出H0；其中，H1表示主用户信号不存在，H0表示主用户信号存在。基于NSP的FCM聚类算法的合作频谱感知方法，使用最大特征值与平均能量之差算法得到特征，在信噪比比较低的情况下能更好的提高频谱的检测性能，对接收到的信号进行拆分重组DAR处理，在逻辑上增加了认知用户数量，进一步的提高了系统的检测性能。与现有技术相比，本专利技术的有益效果是：本专利技术克服了能量检测法在低信噪比下检测性能不高的问题，提供了一种基于FCM聚类算法的合作频谱感知方法。附图说明图1为本专利技术的方法流程图；图2为本专利技术与传统的MSE算法比较图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。实施例1：一种基于FCM聚类算法的合作频谱感知方法，实施步骤如下：S1：采集信号xi(n)，形成采样信号矩阵X；S2：对于采集到的采样信号矩阵X，采用零空间追踪算法NSP将采样信号xi(n)分解成两个精细分量：剩余分量U(n)和被提取分量V(n),得到第i个次用户SU的采样信号为S3：对采样信号进行信号拆分重组DAR，根据协方差矩阵分别计算相关的特征值，并计算最大特征值与平均特征值之差MSE；S4：使用FCM聚类算法判断主用户是否存在。步骤S1的采样信号矩阵X，假设一个认知无线电系统，主用户PU和次用户SU，每个SU的采样点数为N，H0表示主用户不存在，H1表示主用户信号存在，采样信号xi(n)的模型可表示为：假设第i个SU的采样信号向量表示为xi(n)＝[xi(1)，xi(2)，…，xi(N)]；采样信号xi(n)矩阵X表示为其中，wi(n)表示均值为0，方差为δ2的高斯白噪声，si(n)表示PU的信号。零空间追踪算法NSP算法步骤包括以下：S2.1：输入信号xi(n)，拉格朗日系数λ2，停止门限值ε，和初始的拉格朗日系数初始泄露参数γ0；S2.2：令j＝0,γj＝γ0S2.3：根据令计算出S2.4：更新的值；S2.5:根据令计算出S2.6:更新γj的值；S2.7：当则令j＝j+1，继续返回S2.3循环；S2.8：输出最本文档来自技高网...

【技术保护点】
1.一种基于FCM聚类算法的合作频谱感知方法，其特征在于，所述方法包括以下步骤：/nS1：采集信号x

【技术特征摘要】
1.一种基于FCM聚类算法的合作频谱感知方法，其特征在于，所述方法包括以下步骤：
S1：采集信号xi(n)，形成采样信号矩阵X；
S2：对于采集到的采样信号矩阵X，采用零空间追踪算法NSP将采样信号xi(n)分解成两个精细分量：剩余分量U(n)和被提取分量V(n),得到第i个次用户SU的采样信号为
S3：对采样信号进行信号拆分重组DAR，根据协方差矩阵分别计算相关的特征值，并计算最大特征值与平均特征值之差MSE；
S4：使用FCM聚类算法判断主用户是否存在。


2.根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，所述步骤S1的采样信号矩阵X，假设一个认知无线电系统，一个主用户PU和M个次用户SU，每个SU的采样点数为N，H0表示主用户不存在，H1表示主用户信号存在，采样信号xi(n)的模型可表示为：其中，wi(n)表示均值为0，方差为δ2的高斯白噪声，si(n)表示PU的信号；
假设第i个SU的采样信号向量表示为xi(n)＝[xi(1)，xi(2)，…，xi(N)]；所有SU的采样信号组成一个M×N维的矩阵X，表示为


3.根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，所述零空间追踪算法NSP算法步骤包括以下：
S2.1：输入信号xi(n)，拉格朗日系数λ2，停止门限值ε，和初始的拉格朗日系数初始泄露参数γ0；
S2.2：令
...

【专利技术属性】
技术研发人员：李懿，王永华，万频，张顺超，杜艺期，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44