CN103916969A - 联合授权用户感知与链路状态估计方法与装置 - Google Patents

Abstract

本发明针对认知无线电中的频谱感知问题，设计了一种联合频谱感知与链路状态估计方法装置。此法首次纳入了一种主用户-次要用户之间链路状态信息,将其作为频谱感知中的另一个隐藏状态，并由此建立了一种通用的动态状态空间模型；基于贝叶斯序贯估计框架与贝努利随机有限集理论，设计了一种贝努利滤波机制，在感知检测授权频段工作状态的同时，可获得主-次链路状态信息的联合盲估计(算法过程已附图)。该方法充分利用主-次链路状态信息，从而显著提升频谱感知性能；同时，获得的主-次链路状态信息还能用以后续的资源优化；此外，本发明所设计的联合用户感知与链路状态信息估计方法装置具有通用性，可拓展至其他主-次链路状态信息。

Description

联合授权用户感知与链路状态估计方法与装置

技术领域

本发明针对认知无线电（Cognitive Radios,CRs）中的授权频谱感知问题，设计提出一种新的联合授权频谱感知和链路状态估计方法，因而可将其称为深度感知（Deep sensing）。在检测授权用户的同时，还将未知授权用户-次要用户之间链路状态信息纳入考虑，建立起一种动态状态空间模型（Dynamic State-space Model,DSM）；将上述授权用户感知与联合链路状态估计问题建模为一个贝努利随机有限集（Bernoulli Random Finite State,BRFS），设计了一种贝努利滤波机制，在感知检测授权频段工作状态的同时，实现了对PS-LSI的联合盲估计。该方法与装置具备足够的可拓展性，可处理任意的PS-LSI（如时变信道增益）。属于通信领域。 

背景技术

认知无线电技术通过机会方式动态地接入至已分配的空闲频谱，有望显著提升授权频谱的时间/空间利用率，并在一定程度上缓解频谱资源枯竭与授权频带利用率低这一主要矛盾，从而为新兴的无线通信业务开辟了一条极具应用前景的发展道路。相对于经典的载波侦听多址接入（Carrier Sensing Multiple Access，CSMA）方式，CR还提供了一种更为灵活高效的无线频谱管理与干扰消除模式。这种基于感知-接入（Sensing-and-transmissions）的新模式能降低CSAM中的等待/碰撞现象，从而有效提升干扰消除与多址接入的效率。为此，CR已获得了包括LTE-A、IEEE802.11n和LTE-U在内的诸多其他无线新标准的青睐，成为了未来无线商用标准中的一项核心技术。 

频谱感知是CR智能属性的前提与基础，也是CR系统正常运行的关键所在。因此，高性能、高稳健性的频谱算法检测一直是CR相关研究的热点与难点。通过频谱感知过程，CR次要用户需尽快接入空闲授权频段执行机会式传输，并在授权用户重新激活时迅速退出授权频段，从而在不影响授权用户的前提下提升授权频谱利用率。这种“先感知-后操作”的体制已被IEEE802.22标准所采纳[33]。然而，进一步考虑未来CR场景（如LTE-A、LTE-U和802.11n）中可能涉及的随机移动与动态时变等复杂特性，现行的频谱感知框架（包括已有的频谱感知算法）或许已难以满足实际应用需求。在现有的频谱感知方案中，均将主用户-次用户无线链路状态信息（Primary-user to Second-user Link State Information，PS-LSI）作为一个与主用户工作状态独立的中间变量而不予估计。这主要是因为，最初所考虑的CR应用场景主要针对授权广播电视频段的再利用，相应的频谱感知系统模型（如二元假设检验模型）与感知算法设计也相对简单。然而在实际中，未知PS-LSI将增加接收信号不确定性，继而对频谱感知性能产生负面影响。尤其考虑实际的时变衰落信道，随时间变化的动态信道增益将极大增加检测难度，导致频谱感知性能欠佳。尽管已有文献考虑了信道衰落的统计概率分布函数（Probability Density Function,PDF），并通过边缘化思想在一定程度上降低了随机衰落的负面影响[29]；然而，统计概率分布仅能反映衰落的瞬时随机行为，未能刻画相关的时变迁移性质，因而也就无法对时变信道进行实时追踪，致使其检测性能仍然难以接受。 

本发明首次考虑了未知授权用户-次要用户之间链路状态信息，基于动态状态空间模型和Bernoulli随机有限集理论(BRFS)，设计了一种联合估计未知授权用户工作状态和相关链路状态信息的方法装置；该方法基于一种贝努利滤波机制，通过前向预测和后向更新两个阶段，迭代地估计出了未知授权用户工作状态和相关链路状态信息的联合后验分布，从而基于最大后验概率准则，实现了对上述两个未知隐含状态的联合估计。为了降低算法设计与实现的复杂度，进一步引入了基于重要性采样的粒子滤波机制，以数值逼近方式估计相关的后验分布。 通过估计未知链路状态信息、并深入发掘其动态特性，该方案能显著提升频谱感知的性能；与此同时，估计获得的相关链路状态信息还可为后续的认知资源分配与调度提供必要的前提，进一步优化认知网络的传输容量。 

发明内容

本发明基于Bernoulli随机有限集（BRFS）与Bernoulli滤波算法，设计了一种两阶段（前向预测和后向更新）的联合频谱感知与相关链路状态信息估计方案。新方案基于一种序贯估计理论，通过迭代方式联合获得了两个未知状态的最大后验概率估计。在实现未知授权频段使用状态的同时，联合估计出了主次链路状态信息，极大提高了非理想场景下（如时变衰落信道）的频谱感知性能，同时估计获得的链路状态信息还可进一步优化后续认知资源分配与调度。综上所述，新方案将为下一代无线通信系统中频谱检测的解决提供一种极具应用潜力的方案。 

本发明采用以下技术方案。 

首先，将未知授权用户工作状态和相关链路状态信息作为两个未知隐含状态，建立起一个通用的动态状态空间系统模型。并将上述两个未知状态建模为一个Bernoulli随机有限集（BRFS）。 

其次，基于历史观测值，充分利用相关的动态概率转移特性，执行一步前向预测，获得未知授权用户工作状态和相关链路状态信息的预测概率分布。 

接着，基于采样处理得到的当前时刻观测值，充分利用相关的似然分布，执行后向更新预测，获得未知授权用户工作状态和相关链路状态信息的后验概率分布。 

最后，基于估计获得的未知授权用户工作状态和相关链路状态信息的后验概率分布，从而实现了最大后验概率准则下的联合频谱感知与链路状态信息盲估计。 

本发明的优点是： 

1)该发明充分利用时变信道及授权用户工作状态的先验信息，并采用粒子滤波技术有效克服观测信号（累积能量）呈现出的非平稳非高斯特性，极大地提升了时变衰落信道下的频谱感知性能。本发明技术方案适用于复杂应用场景下的频谱感知，区别于传统感知方案，新方案能有效应对非理想因素（如未知时变衰落信道）给频谱感知算法带来的负面影响，通过估计链路状态信息并深入发掘其动态特性，继而显著提升频谱感知性能。 

2)本发明设计的联合频谱感知与相关链路状态信息估计方案，无需在授权用户端强加额外的操作，即可实现对授权用户至次要用户链路状态信息的估计。该估计量可用以提升频谱感知性能，并有望进一步优化后续认知资源调度与分配。 

3)区别于已有的方案，本发明所设计的联合频谱感知与相关链路状态信息估计方法装置，主要基于Bernoulli随机有限集（BRFS），在此统一数学理论框架下，实现了对两个未知状态的联合最优估计。 

4)本发明设计的联合频谱感知与相关链路状态信息估计方法装置，主要采用了两阶段贝叶斯序贯估计框架，通过前向预测和后向更新，实现了对联合后验概率的估计。 

5)本发明设计的联合频谱感知与相关链路状态信息估计方法装置，采用最大后验概率准则估计相关未知量，相比于现有方法，新方案能更充分有效的利用相关的统计特性，因而也能获得更加优越的感知与估计性能。 

6)本发明设计的Bernoulli滤波方案，采用了粒子滤波来数值逼近相关的后验分布，在 降低实现复杂度的同时，也保证了估计量的渐进最优性。 

附图说明

图1联合频谱感知与链路状态信息估计方法与装置示意图 

图2联合频谱感知与链路状态信息估计算法原理图。 

图3未知时变信道增益的估计MSE性能曲线。 

图4未知时变衰落信道下的频谱感知性能曲线。 

具体实施方式

本发明建立起联合频谱感知与相关链路状态信息估计的动态状态空间模型，采用Bernoulli随机有限集理论，设计一种两阶段Bernoulli滤波算法，采用粒子滤波技术，实现了未知授权用户工作状态与相关链路状态信息的联合估计。下面分别阐述相关的方法与理论。 

1.动态空间状态模型（DSM） 

本发明所提出的DSM模型如下所示： 

s_n＝F(s_n-1)              (1) 

α_n＝H(α_n-1)           (2) 

y_n＝G(α_n,s_n,m,w_n,m)         (3) 

其中，式（1）和（2）为动态方程，s_n表示第n时刻授权用户状态，α_n表示n时刻未知PS-LSI；式（3）称为观测方程，其中y_n表示n时刻认知设备的观测量；w_n则表示独立同分布的叠加高斯白噪声，其方差记为σ_w ²。上述DSM中，F(·)和H(·)分别是两个隐含状态对应的状态转移函数；G(·)则表示系统观测函数，实际中与特定感知方案有关。下面将分别针对上述三个方程进行详细介绍。 

a)注意，上述DSM（以及后续的联合检测与估计方案）适用于实际应用中的一切PS-LSI，只要与观测量y_n相耦合，该PS-LSI即可纳入上述框架中去。为了分析方便起见，特以授权用户-次要用户之间的时变衰落信道为例，来进一步阐释上述DSM。本发明中采用离散状态马尔科夫链(discrete state Markov chain,DSMC)模型刻画实际的时变衰落信道。在每个离散时刻 （L表示信道稳态持续周期），DSMC信道状态可看作一个特定马尔科夫过程的输出 ^[38]，记为随着时间的不断推移，离散信道状态也会发生动态迁移，该过程由一个状态转移矩阵（TPM）Π_K×K={π_i→j,i,j∈0,1,...,K-1}加以描述，即： 

其中，每个元素π_i→j给出了从第(n’-1)时刻的状态i迁移转化至第n’时刻的状态j的发生概 率： 

${\mathrm{\π}}_{i\→j}\stackrel{\mathrm{\Δ}}{=}\mathrm{Pr}({\mathrm{\α}}_{n^{\′}}=A_j|{\mathrm{\α}}_{n^{\′}-1}=A_i)---\left(5\right)$

注意，DSFC信道模型相关研究相对成熟，有关上述（5）式中转移概率的计算与评估可参考相关文献，此处将不再赘述。 

b)注意，上述DSM也适用诸多不同的感知方案（如能量检测、匹配滤波检测等）。为了分析方便，本发明将采用周期性的能量检测机制。换言之，可对感知周期内的采样信号能量进行累计求和而获得，即有： 

$y_n\stackrel{\mathrm{\Δ}}{=}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{(s_n{\mathrm{\α}}_n{d}_{n,m}+w_{n,m})}^2=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{m=1}^M{w_{n,m}}^2& H_0\\ {\mathrm{\Σ}}_{m=1}^M{(a_n{d}_{n,m}+w_{n,m})}^2& H_1\end{array}\right.---\left(6\right)$

其中M表示感知周期T_s内的采样点数；H₁和H₀分别表示存在授权用户信号与不存在授权用户信号时的两个假设检验；d_n,m则表示当授权用户工作时的授权用户信号样值。容易得到，当授权用户处于空闲状态时（即s_n=0），y_n服从自由度为M的中心卡方分布（假设所考虑的信号均为实信号）；而当授权用户处于工作状态时（即s_n=1），y_n服从参数为η的非中心卡方分布： 

其中，非中心参数η=Σmα_n ²d_n,m ²于当前信道增益α_n以及授权用户的功率（或方差有关）。 

c)为了深入体现观测周期内是否出现授权用户（或授权频段是否被占用），可引入一个二值属性的随机变量ε_k∈{0,1}，该存在变量ε_k为1时，则表示授权频段被占用；而当存在变量ε_k为0时，则表示授权频段空闲。实际中，存在变量ε_k可建模为一个动态马尔科夫链过程，其状态转移概率矩阵（TPM）为： 

$\mathrm{\Π}=\left[\begin{array}{cc}(1-p_b)& p_b\\ (1-p_s)& p_s\end{array}\right]---\left(8\right)$

其中，p_b=Pr{ε_n+1=1|ε_n=0}表示出生概率（the probability of birth）;p_s=Pr{ε_n+1=1|ε_n=1}则为生存概率（the probability of survival）。若在检测周期T_k内出现检测目标，则出生分布（the birth density）可记为b_k|k-1(x)。 

2.贝努利随机有限集（BRFS） 

由于授权用户在给定时刻n是否出现是随机的，因而可将其建模成一个动态变化的Bernoulli随机有限集（BRFS），记为需要注意，与传统的随机变量不同，Bernoulli随机有限集本质上是一个其元素个数变化的随机集合。具体来讲，对于Bernoulli随机有限集 而言，其元素个数也将是一个动态变化的随机变量；也即，当授权用户不存在时，该Bernoulli随机有限集为空集即不包含任何元素；而当授权用户存在时，则该Bernoulli随机有限集包含单个元素，即有

对于深度感知场景而言，Bernoulli随机有限集的元素个数只能取值为0或1。进一步假设在感知周期内，授权用户将依照先验性马尔科夫过程进行迁移，因此上述贝努利-马尔科夫随机有限集可由以下转移分布函数所描述： 

其中，π_n|n(α_n|α_n-1)表示时变信道的转移概率，可由（5）式所确定。 

3.Bernoulli滤波估计算法 

对于上述建模为Bernoulli随机有限集的深度感知过程而言，相应的估计算法需要以贝叶斯序贯估计理论框架为依托，充分利用动态方程、观测方程以及历史观测值，联合检测授权频段是否被占用、并估计出相应时变衰落信道增益。值得注意的是，对于Bernoulli随机有限集而言，相关的后验特性可完全由两个随机分布确定，即目标存在后验分布 以及时的状态空间后验分布f_k|k(α_n)。 

作为一种可实现序贯贝叶斯估计的方案，贝努利滤波（Bernoulli filtering）可通过预测-更新两阶段迭代，以一种高效的迭代方法联合估计出目标存在后验分布以及状态空间后验分布f_k|k(α_n)。 

1)预测阶段在给定n-1时刻后验概率分布的情况下，贝努利滤波预测过程可写成： 

（1）考虑的情况，则(11)式可进一步简化为(12)式。表明预测获得的待检目标由两部分构成，即出生新目标与幸存旧目标；前者由目标不存在概率与出生概率确定，后者则由目标存在概率以及幸存概率构成。 

（2）考虑的情况，则(11)式可简化为(13)式： 

注意，(12)式中左边等价于(1-q_n|n-1)。对上式进行简单变换处理，可获得存在概率预测方程如(14)式所示。 

$\begin{array}{c}{q}_{n|n-1}=1-[(1-p_b)(1-q_{n-|n-1})+(1-p_s)q_{n-1|n-1}]\\ =p_b(1-q_{n-1|n-1})+p_s{q}_{n-1|n-1}\end{array}---\left(14\right)$

同理，(12)式中左边可等效表示为q_n|n-1×f_n|n-1(α_n)，稍加处理后便可获得关于空间分布概率函数的预测方程如（15）式所示。可以发现，预测空间分布亦由两部分所构成。第一部分可称为出生分量，其由出生分布、出生概率和目标不存在概率构成，第二部分称则为幸存分量，它与标准Chapman-Kolmogorov预测量、目标存在概率和幸存概率构成。 

$f_{n|n-1}\left({\mathrm{\α}}_k\right)=\frac{p_b(1-q_{n-1|n-1})b_{n|n-1}\left({\mathrm{\α}}_n\right)}{q_{n|n-1}}+\frac{p_s{q}_{n-1|n-1}\∫{\mathrm{\π}}_{n-1|n-1}\left({\mathrm{\α}}_n\right|{\mathrm{\α}}_{n-1})s_{n-1|n-1}\left({\mathrm{\α}}_{n-1}\right){\mathrm{d\α}}_{n-1}}{q_{n|n-1}}---\left(15\right)$

在上述两个预测分布的基础上，结合n时刻观测向量与相应似然函数，即可最终获得关于目标存在后验分布和状态空间后验分布f_n|n(α_n)的序贯估计。 

2)更新阶段与预测阶段相类似，更新阶段将分别考虑两种特殊情况。首先来考虑此时的更新方程可进一步表示为： 

基于集合积分操作，则上述预测项中的分母项可表示为： 

通过对p_n|n-1的替换，可进一步得到 

基于上式，并进一步考虑恒等关系可最终得到关于存在后验分布qn|n的迭代估计方程，如下所示： 

为了方便分析起见，可定义两种假设检验下的似然比r_n(y_n|{α_n})： 

则q_n|n可进一步简化为： 

$q_{n|n}=\frac{q_{n|n-1}\∫r_n\left(y_n\right|{\mathrm{\α}}_n)s_{n|n-1}\left({\mathrm{\α}}_n\right){\mathrm{d\α}}_n}{(1-q_{n|n-1})+q_{n|n-1}\∫r_n\left(y_n\right|{\mathrm{\α}}_n)f_{n|n-1}\left({\mathrm{\α}}_n\right){\mathrm{d\α}}_n}---\left(19\right)$

之后再考虑另一种情况通过使用恒等约束关系p_n|n({α_n}|y_1:n)=q_n|n×f_n|n(α_n)，并经过化简即可得到关于空间概率密度函数的估计方程，如下式所示： 

$f_{n|n}\left({\mathrm{\α}}_k\right)=\frac{1}{q_{n|n}}\×\frac{q_{n|n-1}{r}_n\left(y_n\right|{\mathrm{\α}}_n)f_{n|n-1}\left({\mathrm{\α}}_n\right)}{(1-q_{n|n-1})+q_{n|n-1}\∫\left(y_n\right|{\mathrm{\α}}_n)f_{n|n-1}\left({\mathrm{\α}}_n\right){\mathrm{d\α}}_n}---\left(20\right)$

代入更新后存在分布的表达式，可最终得到贝叶斯序贯检测框架下的空间概率密度函数，即为： 

这样，便能得出有关贝努利随机有限集中的两个关键性后验分布（即存在性后验分布q_n|n和空间概率密度函数f_n|n(α_n)的序贯更新方程；进一步结合上述两个后验分布的预测方程，即可通过预测-更新的两步估计理论，获得贝努利随机有限集的贝叶斯估计量。从而在实现对未知授权用户状态检测的同时，以一种全盲方式估计出PS-LSI（即时变信道增益）。 

为了进一步降低上述Bernoulli滤波算法的计算复杂度，可进一步采用粒子滤波（Particle Filtering,PF）机制，通过蒙特卡罗随机采样和数值逼近的方式计算其中的估计量，继而将复杂的边缘化积分转化为简单的求和操作。具体而言，基于粒子滤波的Bernoulli滤波算法（亦称为Bernoulli粒子滤波算法）主要包括以下四个步骤：(1)根据待估计的后验或预测分布，设计相应的重要性函数，并据此模拟随机产生粒子；(2)根据相关的似然分布，更新粒子对应的概率权重；(3)将权重归一化，为避免粒子退化进行重采样；（4）利用模拟得到的离散粒子，计算相关的后验或预测分布。 

在得到Bernoulli随机有限集的贝叶斯序贯估计量之后，可分别依据估计得到的空间概率分布函数和后验存在性分布函数，进一步得出有关时变衰落信道增益和未知授权用户状态的联合估计。 

若利用Bernoulli粒子滤波机制、并通过数值逼近得到的空间概率分布函数为则第n时刻时变衰落信道增益的最优估计值为： 

同时，通过设置一个判决门限γ，并将其与估计得到的后验存在性分布函数q_n|n相比较，即可获得关于未知授权用户状态的估计，即有： 

${\hat{s}}_n=\left\{\begin{array}{cc}1,& \mathrm{if}{q}_{n|n}>\mathrm{\γ}\\ 0,& \mathrm{if}{q}_{n|n}\≤\mathrm{\γ}\end{array}\right.$

由于本发明所设计的深度感知方法与装置主要基于贝叶斯准则，即最大化未知授权用户工作状态与未知时变衰落信道的联合后验概率密度函数，因此区别于传统的基于纽曼-皮尔逊准则的频谱感知方案，实验仿真中将正确检测概率（而非单纯的检测概率）作为衡量频谱感知性能的标准，同时将时变衰落信道MSE作为衡量信道估计性能的指标。 

仿真中，授权用户动态概率设置为(p_b,p_s)=(0.30.8)，采样点数设置为M=50，且信道噪声方差已准确获知。由于实际中多普勒频移较小，对于此类常见慢时变信道而言，实验中主要考虑了三种信道稳态周期L，即L=10、20和50。需要注意，对于传统的频谱检测算法而言，上述功能则很难实现，原因在于当授权用户处于非工作状态时，观测信号中不包含任何关于未知信道的信息。由图3所示仿真结果发现，本发明所设计的联合授权用户检测与PS-LSI估计算法，则能很准确地估计出未知时变衰落信道增益。当时变衰落信道稳态周期L为20个感知周期、信噪比为4dB时，时变信道的盲估计MSE约为0.015。 

本发明所设计新方案的频谱检测性能如图所示。需要注意，正确检测P_D定义为1-P(H₁)×P(H₀|H₁)-P(H₀)×P(H₁|H₀)。仿真中，信道稳态周期L为20个感知-传输周期，授权用户动态概率设置为(p_b,p_s)=(0.30.8)，信道噪声方差已知。对于现有的协方差检测方案，采用了特征值绝对值之比作为判决量，为了获取协方差估计，其中的平滑长度设置为12。同时为了深入地对比不同检测方案，实验中还考虑了另一种现有的基于粒子滤波的频谱检测方案，该方案亦可实现对未知时变信道的联合估计。从仿真结果来看，由于协方差检测方案未能将时变信道增益考虑其中，其检测性能不如其他两种方案。另外，本发明设计的新深度感知方案相比于另一种现有的联合估计方案，则能进一步提升检测性能；具体而言，当P_D>0.9时，新方案能获得2dB增益。这主要是因为，现有的粒子滤波频谱检测方案将未知授权用户状态与时变信道增益当作两个未知量进行独立估计，新方案则在统一的Bernoulli随机有限集下实现了上述两个未知量的最佳联合估计。此外，本发明设计的联合授权用户感知与链路状态信息估计方法装置具有良好的通用性，可拓展至任意PS-LSI（譬如授权用户信号调制方式、动态发射功率等），基于粒子滤波的联合检测方案则难以拓展至诸多实际场景中。 

Claims (7)

1.一种联合频谱感知与信道状态估计方法装置，能在检测授权频段使用状态的同时，联合估计出相关的主-次链路状态信息。其特征在于：将主-次链路状态信息动态纳入考虑，利用一种新设计的动态状态空间模型，实现了对于未知授权用户状态和相关链路状态信息联合估计。 

2.根据权利要求1所述的联合频谱感知与信道状态估计的实现方法，其特征在于：一种全新的通用频谱感知系统模型，将未知授权用户和相关链路状态信息作为隐藏状态，并借助于Bernoulli随机有限集来有效描述深度感知过程中涉及的相关耦合量。 

3.根据权利要求2所述的全新的频谱感知系统模型，其特征在于：新建立的频谱感知系统模型具备良好的通用性，该模型可扩展至任意的主-次链路状态信息，其中包括时变衰落信道响应、未知授权用户调制方式、未知授权用户发射动态功率等。 

4.根据权利要求1所述的联合频谱感知与信道状态估计的实现方法，其特征在于：基于认知用户观测信号，实现了对授权用户工作状态和相关链路状态信息（如时变衰落信道增益）的联合估计。 

5.根据权利要求1所述的联合频谱感知与信道状态估计的实现方法：所设计的联合估计与检测方法主要基于最大后验概率思想实现对上述两个未知状态的贝叶斯最优估计。 

6.根据权利要求5所述的联合估计与检测实现方法：新设计的贝叶斯滤波算法基于随机有限集统计推理框架，集成了两阶段递推估计方法，通过前向预测（predict）和后向更新（update）两个步骤，实现了对未知授权用户状态与相关链路状态信息联合后验概率的迭代估计。 

7.根据权利要求6所述的叶斯滤波算法与随机有限集统计实现方法，其特征在于：利用粒子滤波对相关后验分布进行数值方式逼近，降低了所设计方案的实现复杂度。 

本发明公开了联合授权频谱感知和链路状态估计方法与装置，基于Bernoulli随机有限集（BRFS）理论与动态状态空间模型，设计一种针对未知授权用户工作状态下的主次链路状态信息联合估计方法与装置。该系统中包括信号采集、前向预测、后向更新、重要性采样与权重更新、MAP估计未知状态等五个模块。通过本发明所设计提出的联合频谱感知与链路状态信息估计实现方法，可以以一种全盲方式联合估计出相关主次链路状态信息（譬如时变衰落信道增益），显著提升了复杂场景下的频谱检测性能，在下一代非授权无线通信系统中具有极其广泛的应用。同时，该方案具备良好可拓展性，亦可用来联合估计未知授权信号模式、授权用户发射功率等。该发明不限于认知无线电系统，对于其他具有非授权工作特性的通信系统装置，该方法也同样适用，因而在其他无线通信领域也具有极其重要的理论研究与实际应用价值。