CN103220054B - 一种基于Gabor算法的认知无线电频谱感知方法和系统 - Google Patents

Abstract

本发明提出一种基于Gabor算法的认知无线电频谱感知方法及系统，所述方法包含：步骤101）感知用户对接收的被检测的连续信号采用Gabor算法进行过采样处理，得到离散时间信号；步骤102）对离散时间信号计算其Gabor系数，并取Gabor系数的模值作为被检测信号的能量；步骤103）如果得到的Gabor系数的模值大于预设判决门限，则被检测频段存在主用户；如果得到的Gabor系数的模值小于预设判决门限，则判断检测频段不存在主用户。当采用Shannon定理采样时需结合Gabor算法，采用了Gabor算法的采样需满足：TΩ≤2π或MN≤N₁，且T为时间采样周期和Ω为频率采样周期。本发明在传统的能量检测基础上，引入Gabor算法，用于提高主用户的检测准确度，特别是在低信噪比时采用本发明的方法对检测结果准确率的提升明显。

Description

一种基于Gabor算法的认知无线电频谱感知方法和系统

技术领域

本发明涉及一种认知无线电频谱感知方法，具体涉及一种快速的，准确的，基于Gabor算法的认知无线电频谱感知技术，即本发明提供了一种基于Gabor算法的认知无线电频谱感知方法和系统。

背景技术

在认知无线电系统中，频谱感知是重中之重，也是首要攻克的技术难题。只有进行了有效的频谱感知，才会基于频谱感知的结果进行频谱的动态分配和频谱管理的应用，也才会为认知无线电灵活和智能的工作提供基础。

目前的通信技术服务模式已向视频、音频和高清晰图片等宽带服务转移，而无线频谱资源的缺乏已成为高性能宽带数据服务推广的瓶颈之一。美国联邦通信委员会(FCC)在2002年的频谱策略任务工作报告中指出:当前大部分的授权频段未得到充分利用。而认知无线电技术的出现，能有效地解决频谱资源的紧缺和提高现有频段的利用率。认知无线电网络中，由于主用户(Primary user，PU)在某时某地并不是一直使用其授权频段，故感知用户(Secondary User，SU)可以灵活机动地使用主用户暂时未使用的频段进行通信;当主用户需要使用该频段进行工作时，感知用户则主动让出该授权频段。在认知无线电网络系统中，频谱感知主要包括:频谱检测算法和频谱检测机制两个方面的研究。频谱检测机制包含带外检测和带内检测两个部分，带外检测是指在未获得授权频段使用权时，感知用户感知各个授权频段以寻找空闲信道;带内检测是指感知用户监测其占用的授权频段，以便在检测到主用户出现时迅速让出。频谱检测机制的设计目的是提高频谱感知效率，在最小化对主用户干扰的同时，最大化感知用户的频谱利用率。

目前带外检测的研究主要集中于对授权频段上主用户信号的检测准确度上，即检测概率。在通信环境较为恶劣的情况下，即在接收信号的信噪比较低的情况下，对主用户的检测准确度不高，在这样的环境下，如何有效地提高对主用户的检测准确度，是认知无线电频谱感知技术的一个重要的设计目标。现有技术所采用的频谱检测算法包含：匹配滤波器检测法，能量检测法等，所述能量检测算法的流程图如图1所示，由于现有技术的能量检测算法实现简单，实现范围广，本发明基于能量检测算法，但是现有的能量检测算法存在如下缺陷：①在低信噪比的情况下不能提供稳定可靠的检测性能。例如，信噪比大于--20dB时还能保持一定的检测概率，但是，低于--20dB时，实际检测变得越来越困难，在—23dB时，不管感知时间多长，基本上无法检测出信号。这种情况源于实际系统中噪声的功率不能准确确定，并且噪声的功率随时间的变化而变化，如果预设门限设置太高，则信号基本检测不出来；如果预设门限设置太低，错误概率又会增加。②当噪声功率太大时，能量检测不能区分调制信号、噪声。当该噪声的能量值大于预设门限值时，该噪声也可能被当作一种信号。本发明的目的旨在克服采用现有技术的能量检测方法的上述不足。

发明内容

本发明的目的在于，为克服上述技术问题同时旨在提高现有认知无线电频谱感知技术的不足和缺失，提高认知无线电频谱感知的能力，本发明提供了一种基于Gabor算法的认知无线电频谱感知方法和系统。

为实现上述目的，本发明提供了一种基于Gabor算法的认知无线电频谱感知方法，所述方法包含：

步骤101）感知用户对接收的被检测的信号采用Gabor算法进行过采样处理，得到离散时间信号；

步骤102）对离散时间信号计算其Gabor系数，并取Gabor系数的模值作为被检测信号的能量；

步骤103）如果得到的Gabor系数的模值大于预设判决门限，则被检测频段存在主用户；如果得到的Gabor系数的模值小于预设判决门限，则判断检测频段不存在主用户。

上述被检测的信号为主用户在其工作频段上的信号。

上述步骤101）进一步包含：

步骤101-1）在高斯白噪声信道下，当感知用户接收的被检测的连续信号的模型为：

$\left\{\begin{array}{c}{H}_0:r\left(t\right)=n\left(t\right)\\ H_1:r\left(t\right)=x\left(t\right)+n\left(t\right)\end{array}\right.$

其中，噪声n(t)的双边功率谱密度为N₀，带宽为W，x(t)为未知的确定性信号；

步骤101-2）对连续信号r(t)根据Shannon定理进行过采样，变为如下的离散的信号序列：

$\left\{\begin{array}{c}{H}_0:r\left(n\right)=w\left(n\right)\\ H_1:r\left(n\right)=x\left(n\right)+w\left(n\right)\end{array}\right\}$

其中，当采用Shannon定理采样时需结合Gabor算法，采用了Gabor算法的过采样需满足如下条件：

在连续时间信号条件下时间采样周期T和频率采样周期Ω满足：TΩ≤2π；或

在离散信号条件下时间采样点数M和频率采样点数N需满足：N₁≥MN，M为时间采样点数，N频率采样点数，N₁为离散时间信号x(n)的周期。

上述步骤102）将离散非周期信号的Gabor系数的计算采用分段处理的方法，并把每一段看做一周期信号进行计算。

上述步骤102）采用如下公式计算r(n)序列的Gabor系数：

$\underset{k=0}{\overset{N_1}{\mathrm{\Σ}}}w\left(n\right){\mathrm{\χ}}_{m,n}^{\widetilde{*}}\left(k\right)$             和

$\underset{k=0}{\overset{N_1}{\mathrm{\Σ}}}\[w\left(n\right)+x\left(n\right)\]{\mathrm{\χ}}_{m,n}^{\widetilde{*}}\left(k\right)$

其中，表示离散对偶窗函数；k表示时间序列，取值范围为：0-（N₁-1）；N₁表示x(n)的周期且N₁取值范围为：N₁≥MN，M为时间采样点数，N频率采样点数；w(n)是高斯白噪声；m取值范围为：0≤m≤M-1。

上述步骤103）进一步包含：

步骤103-1）选定预设门限γ的取值，具体方法为：

首先，虚警概率P_f的计算公式如下：

$P_f=Q\left(\frac{\frac{\mathrm{\γ}}{{\mathrm{\σ}}^2}-N}{\sqrt{2N}}\right)$ 其中，N为采样频率，σ²为噪声功率， $Q\left(x\right)={\∫}_x^{+\∞}\frac{1}{\sqrt{2\mathrm{\π}}}{e}^{-\frac{t^2}{2}\mathrm{dt}};$

然后，为虚警概率P_f进行赋值，并计算Q(x)的反函数；

最后，依据赋值的P_f和Q(x)的反函数，并根据虚警概率P_f的计算公式确定判决门限γ的取值；

步骤103-2）将得到的Gabor系数的模值与上步骤得到的判决门限γ的取值进行比较，如果得到的Gabor系数的模值大于预设判决门限，则被检测频段存在主用户；如果得到的Gabor系数的模值小于预设判决门限，则判断检测频段不存在主用户。

为了上述方法，本发明提供了一种基于Gabor算法的认知无线电频谱感知系统，其特征在于，所述系统包含：

采样处理模块，用于感知用户对接收的被检测的连续信号进行过采样处理，得到离散时间信号；

能量获取处理模块，用于对离散时间信号计算其Gabor系数，并取Gabor系数的模值作为被检测信号的能量；和

判决输出模块，用于进行如下判决输出：如果得到的Gabor系数的模值大于预设判决门限，则判断检测频段存在主用户；如果得到的Gabor系数的模值小于预设判决门限，则判断检测频段不存在主用户。

上述采样处理模块进一步包含：

采样参数设定模块，用于根据Gabor算法设定时间采样周期T和时间采样频率Ω满足如下公式：TΩ≤2π；和

采用执行模块，依据采样参数设定模块设定的采样参数基于Shannon定理对感知用户对接收的被检测的连续信号进行过采样。

上述能量获取处理模块进一步包含：

第一处理模块，用于采用如下公式计算过采样处理后的接收信号的Gabor系数：

$\underset{k=0}{\overset{N_1}{\mathrm{\Σ}}}w\left(n\right){\mathrm{\χ}}_{m,n}^{\widetilde{*}}\left(k\right)$              和

$\underset{k=0}{\overset{N_1}{\mathrm{\Σ}}}\[w\left(n\right)+x\left(n\right)\]{\mathrm{\χ}}_{m,n}^{\widetilde{*}}\left(k\right)$

其中，表示离散对偶窗函数；k表示时间序列且k=0,1,2,3....，N₁-1，取值范围为：0-（N₁-1）；N₁表示x(n)的周期，取值范围为：N₁≥MN；w(n)是高斯白噪声；m取值范围为：0≤m≤M-1；和

第二处理模块，用于计算Gabor系数的模值，将计算得到的模值作为被检测信号的能量。

上述判决输出模块进一步包含：

门限设定模块，用于选定预设门限γ的取值，具体方法为：

首先，虚警概率P_f的计算公式如下：

$P_f=Q\left(\frac{\frac{\mathrm{\γ}}{{\mathrm{\σ}}^2}-N}{\sqrt{2N}}\right)$

其中，N为采样频率，σ²为噪声功率，

然后，为虚警概率P_f进行赋值，并计算Q(x)的反函数；

最后，依据赋值的P_f和Q(x)的反函数，并根据虚警概率P_f的计算公式确定判决门限γ的取值；

检测结果判决输出模块，用于将得到的Gabor系数的模值与门限设定模块设定的判决门限γ的取值进行比较，如果得到的Gabor系数的模值大于预设判决门限，则被检测频段存在主用户；如果得到的Gabor系数的模值小于预设判决门限，则判断检测频段不存在主用户。

总之，上述方法检测主用户的能力和准确度比现有的方案有一定提升。比较适合在通信环境相对恶劣，且待检测信号的波形和到达时间均未知的情况下，提升检测主用户的准确度。

与现有技术相比，本发明的技术优势在于：

在低信噪比的情况下，现有技术的能量频谱感知方法检测概率较低，本发明提供的方法在传统的能量检测基础上，引入Gabor算法，以此来提高对主用户检测准确度，本发明提供的检测方法检测准确度特别是在低信噪比的情况下对检测结果准确率的提升比较明显。

附图说明

图1是现有技术的能量检测方法的流程图；

图2是本发明提供的基于Gabor算法的检测流程图；

图3是采用本发明的技术方案以及未采用本发明的技术方案的检测效果对比仿真图。

具体实施方式

下面结合附图和实施例对本发明所述方法进行详细说明。

本发明的方案具体解释如下：

现有技术的能量检测利用一段时间内的信号能量作为检验统计量，将其与预设门限进行比较，则可判定该频段是否存在主用信号。由于现有技术的能量感知算法实现简单，适用范围广，本发明提供的方法是在现有的能量感知算法的基础上进行改进。下面对改进后的能量感知算法做详细的阐述。本发明提供的改进后的算法体现在:①Shannon采样频率上。②在信号经不同的采样处理后，信号能量的计算上，改进的方法更准确。改进后方法的具体过程为：

步骤1，在高斯白噪声信道下对信号的检测情况为说明对象，模型为二元检测模型：

$\left\{\begin{array}{c}{H}_0:r\left(t\right)=n\left(t\right)\\ H_1:r\left(t\right)=x\left(t\right)+n\left(t\right)\end{array}\right.$    (1.1)

其中，n(t)的双边功率谱密度为N₀，带宽为W;x(t)为未知的确定性信号。

步骤2，由Shannon采样定理，噪声可以表示为：

$n\left(t\right)=\underset{i=\∞}{\overset{\∞}{\mathrm{\Σ}}}{a}_i\sin \left[c(2\mathrm{Wt}-i)\right]$         (1.3)

其中，

$a_i=n\left(\frac{i}{2W}\right)$    $\sin \left(\mathrm{cx}\right)=\frac{\sin \left(\mathrm{\πx}\right)}{\mathrm{\πx}}$

在(0，T)上，n(t)可以用2TW采样来近似表示，

$n\left(t\right)=\underset{i=t}{\overset{2\mathrm{TW}}{\mathrm{\&Sigma;}}}{a}_i\sin \left[c(2\mathrm{Wt}-i)\right],0<t<T$    (1.4)

因此，在(0，T)上的噪声能量可表示为：

$\underset{0}{\overset{T}{\&Integral;}}{n}^2\left(t\right)\mathrm{dt}=(1/2W)\underset{i=1}{\overset{2\mathrm{TW}}{\mathrm{\&Sigma;}}}{a}_i^2$    (1.5)

同理，对于信号x(t)有

$x\left(t\right)==\underset{i=1}{\overset{2\mathrm{TW}}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\sin \left[c(2\mathrm{Wt}-i)\right],0<t<T$    （1.6）

其中，

${\mathrm{\&alpha;}}_i=x\left(\frac{i}{2W}\right)$

因此，x(t)在(0，T)上的能量可表示为：

$\underset{0}{\overset{T}{\&Integral;}}{x}^2\left(t\right)\mathrm{dt}=(1/2W)\underset{i=1}{\overset{2\mathrm{TW}}{\mathrm{\&Sigma;}}}{a}_i^2$    (1.7)

令在假设H₀下，检验统计量V可以表示为：

$V=\frac{1}{N_0}\underset{0}{\overset{T}{\&Integral;}}{n}^2\left(t\right)\mathrm{dt}=\underset{i=1}{\overset{2\mathrm{WT}}{\mathrm{\&Sigma;}}}{b}_i^2~x_{2\mathrm{TW}}^2$    (1.8)

让在假设H₁下，检验统计量V可以表示为：

$V=\underset{i=1}{\overset{2\mathrm{TW}}{\mathrm{\&Sigma;}}}{(b_i+{\mathrm{\&beta;}}_i)}^2~x_{2\mathrm{TW}}^2\left(2\mathrm{\&lambda;}\right)$    (1.9)

其中 $\mathrm{\&lambda;}=\underset{i=1}{\overset{2\mathrm{TW}}{\mathrm{\&Sigma;}}}{{\mathrm{\&beta;}}_i}^2\&equiv;\frac{E_s}{N_0}$

步骤3，对于给定门限值γ，虚警概率p_f为：

$p_f=P\{V>\mathrm{\&gamma;}|H_0\}=P\{{\mathrm{\&chi;}}_{2\mathrm{TW}}^2>\mathrm{\&gamma;}\}$

                                       (1.10)

同理，检测概率p_d为：

$p_d=P\{V>\mathrm{\&gamma;}|H_1\}=p\{{\mathrm{\&chi;}}_{2\mathrm{TW}}^2\left(\mathrm{\&lambda;}\right)>\mathrm{\&gamma;}\}$

                                (1.11)

步骤4，基于上式的检验统计量模型分析，计算出了高斯白噪声信道下检测概率p_d及虚警概率p_f的表达式：

$P_d=Q_{\mathrm{TW}}(\sqrt{2\mathrm{\&lambda;}},\sqrt{\mathrm{\&gamma;}})$    (1.12)

其中，Q_u(a,b)是广义Marcum函数。

$P_f=\frac{\mathrm{\&Gamma;}(\mathrm{TW},\frac{\mathrm{\&gamma;}}{2})}{\mathrm{\&Gamma;}\left(\mathrm{TW}\right)}$    (1.13)

其中，Γ(a,b)是非完全gamma函数。

步骤5，在第步骤2由Shannon采样之后，二元假设变为 $\left\{\begin{array}{c}{H}_0:r\left(n\right)=w\left(n\right)\\ H_1:r\left(n\right)=x\left(n\right)+w\left(n\right)\end{array}\right\},$ （w(n)是高斯白噪声），对r(n)计算Gabor系数，即①和②，由于这里采用了过采样的处理手段，使得大于传统的能量检测法的信噪比，即采用Gabor算法后的信噪比大于传统的能量检测法的信噪比，所以，该方法检测概率要高于传统的能量检测法，特别是在低信噪比的情况下，提升较为明显。

结合附图2对本发明的方案再解释：本发明提供的基于Gabor算法的检测流程图如图2所示，具体包含如下步骤：

步骤101）感知用户对接收的被检测的连续信号进行过采样处理，得到离散时间信号；

首先，对上述连续信号r(t)进行Shannon过采样，变为离散的信号序列

$\left\{\begin{array}{c}{H}_0:r\left(n\right)=w\left(n\right)\\ H_1:r\left(n\right)=x\left(n\right)+w\left(n\right)\end{array}\right\}.$

其中，为了满足过采样的要求，在采用Shannon采样时需结合Gabor算法，采用了Gabor算法的采样只需要满足时间取样周期T和频率取样周期Ω满足TΩ≤2π的条件。

步骤102）对离散时间信号计算其Gabor系数，并取Gabor系数的模值作为被检测信号的能量；

上述步骤102）对离散的信号序列r(n)进行Gabor系数的计算，即通过式 $\underset{k=0}{\overset{N_1}{\mathrm{\&Sigma;}}}w\left(n\right){\mathrm{\&chi;}}_{m,n}^{\widetilde{*}}\left(k\right)$ 和 $\underset{k=0}{\overset{N_1}{\mathrm{\&Sigma;}}}[w\left(n\right)+x\left(n\right)]{\mathrm{\&chi;}}_{m,n}^{\widetilde{*}}\left(k\right)$ 来进行计算，然后表达式就是经过Gabor算法后的信噪比。

上述Gabor变换是由一个时频聚集性良好的母函数的时移和频移所产生的函数集，其表达形式为：

$x\left(t\right)=\underset{m=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\underset{n=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{C}_{m,n}{\mathrm{\&psi;}}_{m,n}\left(t\right),$

其中，二维序列c_m,n称为Gabor系数，并且选择具有最佳时频聚集性（即按不确定性原理的高斯函（窗函数Ψ(t)须满足能量归一条件作为母函数(参数可用来调节x(t)的分辨率)，母函数也叫综合窗函数。如果时间取样周期T和频率取样周期Ω足够的密，满足TΩ≤2π的条件，许多解析函数都可以作为Gabor变换的母函数。如矩形窗函数等。因此：

对于连续时间信号x(t)的Gabor变换式为：

其中，Ψ(t-mT)e^jnΩt=Ψ_m,n(t)（m∈Z，n∈Z）并称之为Gabor基。连续时间信号的变换系数c_m,n为：其中χ(t)为分析窗函数。为Ψ_m,n(t)的对偶函数。(t)的统一的称呼。在离散情况下窗函数Ψ(k)满足如下归一条件： $\underset{k=-\&infin;}{\overset{+\&infin;}{\mathrm{\&Sigma;}}}{\left|\mathrm{\&Psi;}\left(k\right)\right|}^2=1.$

对于离散时间信号x(k)的Gabor变换式为：

$x\left(k\right)=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{C}_{m,n}{\mathrm{\&psi;}}_{m,n}^{~}\left(k\right)$

其中，为我们设定的窗函数，常用的有高斯窗函数和矩形窗函数，的表达形式为：

${\mathrm{\&psi;}}_{m,n}^{~}\left(k\right)=\mathrm{\&psi;}\left(\widetilde{k-\mathrm{mN}}\right)W_N^{\mathrm{nk}}$

若满足如下双正交条件：

$\underset{k=0}{\overset{N_1-1}{\mathrm{\&Sigma;}}}{\mathrm{\&psi;}}_{-m,-n}^{~}\left(k\right)\widetilde{{\mathrm{\&chi;}}^{*}}\left(k\right)=\mathrm{\&delta;}\left(m\right)\mathrm{\&delta;}\left(n\right)$

其中，0≤m≤M-1,0≤n≤N-1，M，N分别为时间采样点数和频率采样点数。则，Gabor变换系数c_m,n可以由下式确立：

$C_{m,n}=\underset{k=0}{\overset{N_1-1}{\mathrm{\&Sigma;}}}x\left(k\right){\mathrm{\&chi;}}_{m,n}^{\widetilde{*}}\left(k\right)$

在临界取样条件下，它们应满足：N₁＝MN，这样，c_m,n的点数正好与x(k)在一个周期内的长度相同。

在对接收信号进行过采样处理后(采样频率远远大于奈奎斯特采样频率)，信号的密集度会在采样后大大的增强，而Gabor系数能准确地反映出这样的变化，这样的增强。因此，这样处理后的接收信号的信噪比会比原来增大许多，这是Gabor变换非常重要的性质。

步骤103）如果得到的Gabor系数的模值大于预设判决门限，则判断检测频段存在主用户；如果得到的Gabor系数的模值小于预设判决门限，则判断检测频段不存在主用户。

在原来的预设判决门限γ和检测概率上计算新的检测概率。从图3中可知：新算法的检测概率要比传统的方法有较大提高，这是因为原来低信噪的信号比经过Gabor算法后信噪比提高了，所以检测概率能提高。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于Gabor算法的认知无线电频谱感知方法，所述方法包含：

步骤101)感知用户对接收的被检测的信号采用Gabor算法进行过采样处理，得到离散时间信号；

步骤102)对离散时间信号计算其Gabor系数，并取Gabor系数的模值作为被检测信号的能量；

步骤103)如果得到的Gabor系数的模值大于预设判决门限，则被检测频段存在主用户；如果得到的Gabor系数的模值小于预设判决门限，则判断检测频段不存在主用户；

所述步骤101)进一步包含：

步骤101-1)在高斯白噪声信道下，当感知用户接收的被检测的连续信号的模型为：

$\left\{\begin{array}{c}{H}_0:r\left(t\right)=n\left(t\right)\\ H_1:r\left(t\right)=x\left(t\right)+n\left(t\right)\end{array}\right.$

其中，噪声n(t)的双边功率谱密度为N₀，带宽为W，x(t)为未知的确定性信号；

步骤101-2)对连续信号r(t)根据Shannon定理进行过采样，变为如下的离散的信号序列：

$\left\{\begin{array}{c}{H}_0:r\left(t\right)=w\left(t\right)\\ H_1:r\left(t\right)=x\left(t\right)+w\left(t\right)\end{array}\right.$

其中，当采用Shannon定理采样时需结合Gabor算法，采用了Gabor算法的过采样需满足如下条件：

在连续时间信号条件下时间采样周期T和频率采样周期Ω满足：TΩ≤2π；或

在离散信号条件下时间采样点数M和频率采样点数N需满足：MN≤N₁，N₁为离散时间信号x(n)的周期；

所述步骤102)将离散非周期信号的Gabor系数的计算采用分段处理的方法，并把每一段作为一周期信号进行计算。

2.根据权利要求1所述的基于Gabor算法的认知无线电频谱感知方法，其特征在于，所述步骤102)采用如下公式计算r(n)序列的Gabor系数：

$\underset{k=0}{\overset{N_1}{\mathrm{\&Sigma;}}}w\left(n\right){\mathrm{\&chi;}}_{m,n}^{\widetilde{*}}\left(k\right)$ 和

$\underset{k=0}{\overset{N_1}{\mathrm{\&Sigma;}}}[w\left(n\right)+x\left(n\right)]{\mathrm{\&chi;}}_{m,n}^{\widetilde{*}}\left(k\right)$

其中，表示离散对偶窗函数；k表示时间序列，取值范围为：0-N₁-1；N₁表示x(n)的周期且N₁取值范围为：N₁≥MN，M为时间采样点数，N为频率采样点数；w(n)是高斯白噪声；m取值范围为：0≤m≤M-1。

3.根据权利要求1所述的基于Gabor算法的认知无线电频谱感知方法，其特征在于，所述步骤103)进一步包含：

步骤103-1)选定预设门限γ的取值，具体方法为：

首先，虚警概率P_f的计算公式如下：

$P_f=Q\left(\frac{\frac{\mathrm{\&gamma;}}{{\mathrm{\&sigma;}}^2}-N_2}{\sqrt{{2N}_2}}\right)$

其中，N₂为采样频率，σ²为噪声功率，

然后，为虚警概率P_f进行赋值，并计算Q(x)的反函数；

最后，依据赋值的P_f和Q(x)的反函数，并根据虚警概率P_f的计算公式确定判预设门限γ的取值；

步骤103-2)将得到的Gabor系数的模值与上步骤得到的预设门限的取值进行比较，如果得到的Gabor系数的模值大于预设门限，则被检测频段存在主用户；如果得到的Gabor系数的模值小于预设门限，则判断检测频段不存在主用户。

4.一种基于Gabor算法的认知无线电频谱感知系统，其特征在于，所述系统包含：

采样处理模块，用于感知用户对接收的被检测的连续信号进行过采样处理，得到离散时间信号；

能量获取处理模块，用于对离散时间信号计算其Gabor系数，并取Gabor系数的模值作为被检测信号的能量；和

判决输出模块，用于进行如下判决输出：如果得到的Gabor系数的模值大于预设判决门限，则判断检测频段存在主用户；如果得到的Gabor系数的模值小于预设判决门限，则判断检测频段不存在主用户；

所述采样处理模块进一步包含：

采样参数设定模块，用于根据Gabor算法设定时间采样周期T和频率采样周期Ω满足如下公式：TΩ≤2π；和

采用执行模块，依据采样参数设定模块设定的采样参数基于香农定理对感知用户对接收的被检测的连续信号进行过采样。

5.根据权利要求4所述的基于Gabor算法的认知无线电频谱感知系统，其特征在于，所述能量获取处理模块进一步包含：

第一处理模块，用于采用如下公式计算过采样处理后的接收信号的Gabor系数：

$\underset{k=0}{\overset{N_1}{\mathrm{\&Sigma;}}}w\left(n\right){\mathrm{\&chi;}}_{m,n}^{\widetilde{*}}\left(k\right)$ 和

$\underset{k=0}{\overset{N_1}{\mathrm{\&Sigma;}}}[w\left(n\right)+x\left(n\right)]{\mathrm{\&chi;}}_{m,n}^{\widetilde{*}}\left(k\right)$

其中，表示离散对偶窗函数；k表示时间序列且k＝0,1,2,3….，N₁-1，；N₁表示x(n)的周期，取值范围为：N₁≥MN其中M为采样点数和N为频率采样点数；w(n)是高斯白噪声；m取值范围为：0≤m≤M-1；和

第二处理模块，用于计算Gabor系数的模值，将计算得到的模值作为被检测信号的能量。

6.根据权利要求4所述的基于Gabor算法的认知无线电频谱感知系统，其特征在于，所述判决输出模块进一步包含：

门限设定模块，用于选定预设门限γ的取值，具体方法为：

首先，虚警概率P_f的计算公式如下：

$P_f=Q\left(\frac{\frac{\mathrm{\&gamma;}}{{\mathrm{\&sigma;}}^2}-N_2}{\sqrt{{2N}_2}}\right)$

其中，N为采样频率，σ²为噪声功率，

然后，为虚警概率P_f进行赋值，并计算Q(x)的反函数；

最后，依据赋值的P_f和Q(x)的反函数，并根据虚警概率P_f的计算公式确定预设门限γ的取值；

检测结果判决输出模块，用于将得到的Gabor系数的模值与门限设定模块设定的预设门限γ的取值进行比较，如果得到的Gabor系数的模值大于预设门限，则被检测频段存在主用户；如果得到的Gabor系数的模值小于预设门限，则判断检测频段不存在主用户。