一种基于图学习的联合空时机会检测方法技术

本发明专利技术公开了一种基于图学习的联合空时机会检测方法，其将在多个历史感知时隙内每个次级用户对通过各个信道接收到的接收信号进行等间隔采样得到的所有样本的平均功率构成平均功率数据矩阵；将平均功率数据矩阵作为输入，构建鲁棒性图学习的目标优化问题，并在添加辅助变量后转换为增广拉格朗日函数；对增广拉格朗日函数中的每个变量进行优化，进而计算每个次级用户与其各个邻居之间的归一化权重值及自身的归一化权重值，从而计算得到在当前感知时隙内每个次级用户检测各个信道的检验统计量，比较检验统计量与预设门限，确定在当前感知时隙内该次级用户能否接入该信道；优点是其能准确地在真实复杂场景中同时检测出时间和空间上的频谱空洞。间和空间上的频谱空洞。间和空间上的频谱空洞。

【技术实现步骤摘要】
一种基于图学习的联合空时机会检测方法


[0001]本专利技术涉及一种认知无线电技术，尤其是涉及一种基于图学习的联合空时机会检测方法，其先通过图学习捕捉次级用户之间的相关性，再利用局部次级用户上数据的加权融合判断次级用户是否存在空间或者时间上的接入机会。

技术介绍

[0002]随着5G用户数量的激增导致业务量的爆炸式增长，有限的频谱资源将会制约5G通信的应用和普及。目前，我国采用固定的频谱分配管理机制，每个授权用户(即主用户)被分配固定的信道，而不允许非授权用户使用原先分配给授权用户的信道，固定的频谱分配策略会导致频谱资源利用率较低。认知无线电技术被公认为是一种很有前途的提高频谱资源利用率的技术，它允许非授权用户在不干扰授权用户通信的前提下，机会性地使用原先分配给授权用户的信道。频谱感知作为认知无线电技术中的一个关键功能模块，目的是为了高效准确地检测多个维度上的频谱空洞(包括空间上的频谱空洞、时间上的频谱空洞等)，进而做到在提高频谱资源利用率的同时避免非授权用户对授权用户造成不可接受的干扰。
[0003]现有的许多频谱感知方法往往只单独考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图学习的联合空时机会检测方法，其特征在于包括以下步骤：步骤1：在认知无线电系统中设定存在一个主用户和N个次级用户；并设定在每个感知时隙内每个次级用户对通过K个信道接收到的接收信号进行等间隔采样，每个次级用户对通过一个信道接收到的接收信号进行等间隔采样共得到G个样本，将第i个次级用户对通过第k个信道接收到的接收信号进行等间隔采样得到的第g个样本记为r
k,i
(g)；其中，N、K、G、i、k、g均为正整数，N＞1，K≥1，G＞1，i、k、g的初始值均为1，1≤i≤N，1≤k≤K，1≤g≤G；步骤2：针对T
num
个感知时隙，将T
num
个感知时隙作为历史感知时隙，计算在每个历史感知时隙内每个次级用户对通过各个信道接收到的接收信号进行等间隔采样得到的所有样本的平均功率，将在第t个历史感知时隙内第i个次级用户对通过第k个信道接收到的接收信号进行等间隔采样得到的所有样本的平均功率记为信号进行等间隔采样得到的所有样本的平均功率记为其中，T
num
、t均为正整数，T
num
≥50，1≤t≤T
num
，符号“| |”为求复数的模值运算符号；步骤3：将步骤2计算得到的所有平均功率构成一个平均功率数据矩阵，记为其中，的维度为(K
×
T
num
)
×
N；步骤4：将作为输入，构建一个鲁棒性图学习的目标优化问题，描述为：其中，P表示低秩数据，P的维度为(K
×
T
num
)
×
N，E表示随机噪声数据，E的维度为(K
×
T
num
)
×
N，S表示邻居概率矩阵，S的维度为N
×
N，S中第i行第j列的元素为s
i,j
，s
i,j
表示第j个次级用户被挑选作为第i个次级用户的邻居的概率，0≤s
i,j
≤1，L表示图拉普拉斯矩阵，S1的维度为N
×
1，Ⅱ表示一个全1列向量，1≤j≤N，min()表示取最小值函数，Tr()表示迹函数，上标“T”表示向量或矩阵的转置，“s.t.”表示“受约束于
……”
，符号“|| ||
*”为核范数符号，符号“|| ||
F”为Frobenius范数，α、β、γ均为超参数，α＞0，β＞0，γ＞0；步骤5：在鲁棒性图学习的目标优化问题的描述中添加辅助变量Z，并令Z＝P，得到含辅助变量的鲁棒性图学习的目标优化问题，描述为：步骤6：将含辅助变量的鲁棒性图学习的目标优化问题的描述转换为增广拉格朗日函数，描述为：
其中，表示增广拉格朗日函数表示形式，Y1、Y2均为拉格朗日乘子，Y1、Y2的维度均为(K
×
T
num
)
×
N，符号“<>”为内积计算符号，ρ1、ρ2均为常数参数，ρ1＞0，ρ2＞0；步骤7：采用交替方向乘子法对增广拉格朗日函数中的每个变量进行优化，得到每个变量的优化值，将P,E,S,Z,Y1,Y2各自的优化值对应记为P
best
、E
best
、S
best
、Z
best
、Y
1,best
、Y
2,best
；然后计算L的优化值，记为L
best
，步骤8：令L
best
＝D
‑
W；然后求解L
best
＝D
‑
W得到W的值，记为其中，D表示度矩阵，D为维度为N
×
N的对角矩阵，D中的第i行第i列的元素为d
i,i
，W表示权重矩阵，W的维度为N
×
N，w
i,j
表示W中的第i行第j列的元素；步骤9：根据中的所有元素确定每个次级用户的所有邻居，确定第i个次级用户的所有邻居的过程为：在中的第i行第j列的元素代表第i个次级用户与第j个次级用户之间的权重，若不等于0则认为第i个次级用户与第j次级用户互为邻居；然后计算每个次级用户与其各个邻居之间的归一化权重值，将第i个次级用户与其第n个邻居之间的归一化权重值记为φ
i,column(n)
，并计算每个次级用户自身的归一化权重值，将第i个次级用户自身的归一化权重值记为φ
i,i
，其中，1≤n≤Num
i
，Num
i
表示第i个次级用户的邻居个数，Num
i
≥1，column(n)表示取第i个次级用户的第n个邻居在中的列号，表示中的第i行第column(n)列的元素，中的第i行第column(n)列的元素，表示第i个次级用户与其所有邻居融合时自身数据的权重，步骤10：根据每个次级用户与其所有邻居之间的归一化权重值及每个次级用户自身的归一化权重值，计算在当前感知时隙内每个次级用户检测各个信道的检验统计量，将在当前感知时隙内第i个次级用户检测第k个信道的检验统计量记为ζ
k,i
，然后通过比较在当前感知时隙内每个次级用户检测各个信道的检验统计量与检测该信道的预设门限，确定在当前感知时隙内该次级用户能否接入该信道，针对在当前感知时隙内第i个次级用户检测第k个信道时，当ζ
k,i
大于检测第k个信道的预设门限λ
k
时，认为在当前感知时隙内第i个次级用户能够接入第k个信道；当ζ
k,i
小于或等于检测第k个信道的预设门限λ
k
时，认为在当前感知时隙内第i个次级用户不能接入第k个信道；其中，x
k,i
表示在当前感知时隙内第i个次级用户对通过第k个信道接收到的接收
信号进行等间隔采样得到的所有样本的平均功率，x
k,column(n)
表示在当前感知时隙内第column(n)个次级用户对通过第k个信道接收到的接收信号进行等间隔采样得到的所有样本的平均功率，λ
k
的值根据虚警概率确定，虚警概率大于0且小于或等于0.1。2.根据权利要求1所述的一种基于图学习的联合空时机会检测方法，其特征在于所述的步骤3中，的获取过程为：步骤3_1：令X
i
表示第i个次级用户对应的所有平均功率构成的矩阵，其中，X
i
的维度为K
×
T
num
，符号“[]”为向量或矩阵表示符号，的维度均为K
×
1，表示由在第t个历史感知时隙内第i个次级用户对通过各个信道接收到的接收信号进行等间隔采样得到的所有样本的平均功率构成的列向量，的列向量，表示在第t个历史感知时隙内第i个次级用户对通过第1个信道接收到的接收信号进行等间隔采样得到的所有样本的平均功率，表示在第t个历史感知时隙内第i个次级用户对通过第2个信道接收到的接收信号进行等间隔采样得到的所有样...

【专利技术属性】
技术研发人员：蒋韬，金明，
申请(专利权)人：宁波大学，
类型：发明
国别省市：