【技术实现步骤摘要】
认知网络中的基于降维和聚类协作频谱感知方法、装置
本专利技术涉及通信
，具体涉及一种认知网络中的基于降维和聚类的协作频谱感知方法、一种认知网络中的基于降维和聚类的协作频谱感知装置、一种非临时性计算机可读存储介质和一种计算机设备。
技术介绍
随着移动互联网、物联网、云计算等各类通信及处理技术的迅猛发展，海量智能化终端的不断涌现与接入，随之产生的数据流量呈现爆炸式增长，导致了对电磁频谱与带宽需求与日俱增。5G和超5G网络呈现的超密集、大连接、高异构、低时延、智能化的新特征，可供分配的频谱资源少之又少，海量频谱信息快速准确获取难度大，感知成本巨大。相关技术中，一般采用单纯提高频谱复用率的频谱感知算法，包括硬融合算法和软融合算法。然而该方法不能很好适应未来高动态复杂无线电磁场景，无法处理海量的频谱感知数据和提供相匹配的算力，且不能自适应地学习周围的网络拓扑环境，每次感知时需要周围环境的先验知识，而且不能对下一次的感知结果做出预测，感知准确度和感知器的训练时间有进一步提升的空间。专利技术内...
【技术保护点】
1.一种认知网络中的基于降维和聚类的协作频谱感知方法，其特征在于，所述认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：/n步骤S1，所述认知用户检测频谱的能量并组成能量向量，根据所述能量向量获取多维特征矩阵；/n步骤S2，利用PCA算法将所述多维特征矩阵转换为低维特征矩阵；/n步骤S3，根据K-means++算法，并将所述低维特征矩阵作为分类器的输入训练所述分类器，以对所述频谱进行感知。/n
【技术特征摘要】
1.一种认知网络中的基于降维和聚类的协作频谱感知方法，其特征在于，所述认知网络包括：一个授权用户和至少一个认知用户，所述方法包括以下步骤：
步骤S1，所述认知用户检测频谱的能量并组成能量向量，根据所述能量向量获取多维特征矩阵；
步骤S2，利用PCA算法将所述多维特征矩阵转换为低维特征矩阵；
步骤S3，根据K-means++算法，并将所述低维特征矩阵作为分类器的输入训练所述分类器，以对所述频谱进行感知。
2.根据权利要求1所述的认知网络中的基于降维和聚类的协作频谱感知方法，其特征在于，认知用户检测频谱的能量并组成能量向量，包括：
步骤S101，所述认知用户感知选定信道的信号Yj(n)；
步骤S102，获取通过噪声功率谱密度归一化的能级Yj；
步骤S103，每个所述认知用户将所述能级Yj传输给融合中心，所述融合中心将所述能级Yj组成所述能量向量。
3.根据权利要求1所述的认知网络中的基于降维和聚类的协作频谱感知方法，其特征在于，利用PCA算法将所述多维特征矩阵转换为低维特征矩阵，包括：
步骤S201，将所述多维特征矩阵零均值化，以获取零均值化矩阵；
步骤S202，根据所述零均值化矩阵获取所述多维特征矩阵的协方差矩阵；
步骤S203，计算所述协方差矩阵的特征值和对应的特征向量；
步骤S204，将所述特征向量按对应的特征值大小从上到下按行排成矩阵，取前预设行组成能量矩阵；
步骤S205，将所述多维特征矩阵投影到所述能量矩阵中，以获取所述低维特征矩阵。
4.根据权利要求1所述的认知网络中的基于降维和聚类的协作频谱感知方法，其特征在于，根据K-means++算法，并将所述低维特征矩阵作为分类器的输入训练所述分类器，包括：
步骤301，从所述低维特征矩阵中随机选择一个样本点作为第一个聚类中心；
步骤302，计算所述低维特征矩阵中剩余的样本点与所述第一个聚类中心的欧式距离；
步骤303，根据所述距离选取第二个聚类中心，其中，所述样本点与所述第一个聚类中心的欧式距离越大，所述样本点被选中的概率越高；
步骤304，分别计算每个样本点到所述第一个聚类中心和所述第二个聚类中心的欧式距离；
步骤305，根据所述欧式距离将每个所述样本点分配到最近的类中心点；
步骤306，计算出每个簇的样本均值；
步骤307，将所述样本均值作为新的聚类中心点；
步骤308，重复步骤S304-S307，直到所述聚类中心不再变化。
5.一种认知网络中的基于降...
【专利技术属性】
技术研发人员：崔翠梅，杨德智，杨倪子，殷昌永，
申请(专利权)人：常州工学院，
类型：发明
国别省市：江苏;32
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。