【技术实现步骤摘要】
基于融合特征的支持向量机盲频谱感知方法
[0001]本专利技术涉及无线通信技术中的认知无线电领域，具体而言，涉及一种基于融合特征的支持向量机盲频谱感知方法。
技术介绍
[0002]随着近年来无线通信技术的发展，无线通信用户数量激增，对频谱的需求也急剧增加，但频谱资源是有限的，所以如何提高频谱利用率成为了无线通信领域的一个热点问题。为缓解频谱资源供应和无线用户通信需求之间的矛盾，解决频谱利用率低的问题，认知无线电技术应运而生。认知无线电的主要思想是在主用户未占用授权频谱的情况下，认知用户机会性访问该授权频谱，从而有效地提高频谱资源的利用率。频谱感知作为认知无线电的主要任务，完成对空闲频谱的准确识别，是实现认知无线电应用的首要前提。
[0003]频谱感知方法可以分为基于模型驱动和基于数据驱动两类。前者又可分为非盲检测、半盲检测和全盲检测三类。非盲检测方法需要知道主用户信号的先验信息，常见的非盲检测方法包括匹配滤波检测和循环平稳检测。然而在实际通信中，由于信号的先验信息难以获得，以致非盲检测方法难以得到广泛应用。半盲检测方...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于融合特征的支持向量机盲频谱感知方法，其特征在于，该方法利用接收信号的取样协方差矩阵提取多种信号特征，生成融合特征向量，训练SVM分类模型，并由分类超平面的输出构造检验统计量；与此同时，将噪声样本输入训练好的分类模型中获得判决门限，从而实现频谱感知。2.根据权利要求1所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于，该方法首先对接收的训练信号进行采样获得接收信号样本矩阵，并计算其取样协方差矩阵；其次，从取样协方差矩阵中提取能量、相关性、极值特征值的3种不同的特征，生成融合特征向量；接着，对融合特征向量进行标注生成训练样本集，将训练样本集输入SVM分类器进行训练，得到训练好的分类模型，同时以SVM分类超平面的输出值作为检验统计量；然后，将训练样本集中的噪声样本输入训练好的分类模型，生成判决门限；最后，对接收信号进行感知判决，当检验统计量大于判决门限时，判定主用户信号存在；当检验统计量小于判决门限时，判定主用户信号不存在。3.根据权利要求2所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于，该方法的具体步骤为：步骤1.对接收的训练信号进行采样，得到接收信号样本矩阵，并计算接收信号的取样协方差矩阵；步骤2.从步骤1得到的取样协方差矩阵提取能量、相关性、极值特征值的3种不同的信号特征，生成融合特征向量；步骤3.对步骤2生成的融合特征向量进行标注，生成训练样本集并输入SVM分类器进行训练，得到训练好的分类模型，同时以SVM分类超平面的输出值构造检验统计量；步骤4.从训练样本集中提取噪声样本，输入在步骤3中训练好的分类模型产生判决门限；步骤5.对接收信号进行采样并计算取样协方差矩阵，由步骤2得到融合特征向量，输入由步骤3训练好的分类模型，得到相应的检验统计量，联合步骤4生成的判决门限进行感知判决；当检验统计量大于判决门限时，判定主用户信号存在；当检验统计量小于判决门限时，判定主用户信号不存在。4.根据权利要求3所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于，所述步骤1具体为：设认知用户配置的天线数目和信号采样次数分别为M和N，H0和H1分别表示主用户不存在和存在两种假设，对接收的训练信号进行采样，第m根天线第n次采样的接收信号为：其中，s
m
(n)表示第m根天线第n时刻采样得到的主用户接收信号，n＝1,2,
┄
,N,m＝1,2,
┄
,M,w
m
(n)表示第m根天线第n时刻采样得到的均值为零，方差为的加性高斯白噪声；由此得到接收信号样本矩阵为：
相应地，接收信号的取样协方差矩阵定义为：其中，上标“T”表示矩阵的转置运算。5.根据权利要求3所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于所述步骤2具体为：从取样协方差中提取能量、相关性、极值特征值的3种特征属性，分别定义为：(1)能量特征：其中，r
i,i
技术研发人员：杨喜，潘小萍，雷可君，张银行，张耿，汪旭明，
申请(专利权)人：吉首大学，
类型：发明
国别省市：
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。