CN107360577B - 一种基于机器学习的频谱感知方法及装置 - Google Patents
一种基于机器学习的频谱感知方法及装置 Download PDFInfo
- Publication number
- CN107360577B CN107360577B CN201710706986.8A CN201710706986A CN107360577B CN 107360577 B CN107360577 B CN 107360577B CN 201710706986 A CN201710706986 A CN 201710706986A CN 107360577 B CN107360577 B CN 107360577B
- Authority
- CN
- China
- Prior art keywords
- medoid
- rmet
- sensing
- classifier
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于机器学习的频谱感知方法,提取训练信号的RMET特征;利用所述RMET特征确定特征向量,利用K‑medoids算法与所述特征向量确定分类器;在当前频道获取测试信号,提取所述测试信号的测试RMET特征;利用所述分类器对所述测试RMET特征进行分类,通过分类结果计算检测概率。可见,本发明实施例提供的一种基于机器学习的频谱感知方法,使用RMET作为特征,然后用K‑medoids算法进行分类,训练好分类器后再将测试信号的数据导入分类器进行分类得到分类结果。利用RMET与K‑medoids结合感知频道是否可用,提高了检测的准确性。
Description
技术领域
本发明涉及无线电技术领域,更具体地说,涉及一种基于机器学习的频谱感知方法及装置。
背景技术
随着无线电技术的进步和发展,各行各业对无线电频率的需求越来越多,频谱资源匮乏的问题日益严重。目前,频谱资源采用国家统一分配授权的管理模式,将频谱分为两种类型:授权频段和非授权频段。其中,授权频段占据着大部分频谱资源,如电视广播频段,但不少授权频段处于空闲状态;开放使用的非授权频段占整个频谱资源的很少一部分,如无线局域网、无线城域网等无线网络大多使用非授权频段在工作,该频段上的用户很多,业务量也很大,无线电频段已基本趋于饱和。所以说,频谱资源的匮乏并不是真正意义上的频谱资源不足,更多是由频谱利用率过低造成的。
想要提高频谱的利用率,首先要找到准确的频谱检测的方法。目前比较经典的频谱检测方法有能量检测算法,但是,在能量检测算法中由于判决门限比较难确定,在低信噪比环境下容易受到噪声不确定性影响产生误判从而导致检测性能急剧下降,即使是能够自适应的门限值,检测器也不能做出正确的判断,因此频谱的检测结果不够准确。
因此,如何得到准确的频谱检测结果,是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种基于机器学习的频谱感知方法及装置,以得到准确的频谱检测结果。
为实现上述目的,本发明实施例提供了如下技术方案:
一种基于机器学习的频谱感知方法,包括:
提取训练信号的RMET特征;
利用所述RMET特征确定特征向量,利用K-medoids算法与所述特征向量确定分类器;
在当前频道获取测试信号,提取所述测试信号的测试RMET特征;
利用所述分类器对所述测试RMET特征进行分类,通过分类结果计算检测概率。
其中,所述提取训练信号的RMET特征,包括:
在已知网络中确定训练信号;其中,所述已知网络包括有主用户使用的网络与无主用户使用的网络;
根据所述训练信号得到一个感知时间段内多个次用户的第一感知矩阵;
将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵;
计算得到每组第二感知矩阵的RMET特征。
其中,将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵之后,还包括:
将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵;
则所述计算得到每组第二感知矩阵的RMET特征,包括:
计算得到每组第三感知矩阵的RMET特征。
其中,利用所述RMET特征确定特征向量,利用K-medoids算法与所述特征向量确定分类器,包括:
S401,利用所述RMET特征确定特征向量;
S402,在所述特征向量中随机确定medoid与非medoid;
S403,将所述特征向量中的非medoid分配到与所述非medoid距离最近的medoid,形成簇内数据集合,其中所述medoid为簇心,所述非medoid为簇内的普通点;
S405,判断更新后的medoid是否与更新前的medoid一致;
S406,若是,则停止,确定分类器;
S407,若否,则将更新后的medoid作为medoid,返回S403。
其中,所述通过分类结果感知所述当前频道是否可用并计算检测概率之后,还包括:
利用所述分类结果计算虚警概率。
一种基于机器学习的频谱感知装置,包括:
RMET特征提取模块,用于提取训练信号的RMET特征;
分类器训练模块,用于利用所述RMET特征确定特征向量,利用K-medoids算法与所述特征向量确定分类器;
测试RMET特征提取模块,用于在当前频道获取测试信号,提取所述测试信号的测试RMET特征;
感知模块,用于利用所述分类器对所述测试RMET特征进行分类,通过分类结果计算检测概率。
其中,所述RMET特征提取模块,包括:
信号接收单元,用于在已知网络中确定训练信号;其中,所述已知网络包括有主用户使用的网络与无主用户使用的网络;
感知矩阵获取单元,用于根据所述训练信号得到一个感知时间段内多个次用户的第一感知矩阵;
分组单元,用于将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵;
RMET特征获取单元,用于计算得到每组第二感知矩阵的RMET特征。
其中,还包括:
分解单元,用于将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵之后,将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵;
则所述RMET特征获取单元具体用于:
计算得到每组第三感知矩阵的RMET特征。
其中,所述分类器训练模块,包括:
特征向量确定单元,用于利用所述RMET特征确定特征向量;
Medoid确定单元,用于在所述特征向量中随机确定medoid与非medoid;
分配单元,用于将所述特征向量中的非medoid分配到与所述非medoid距离最近的medoid,形成簇内数据集合,其中所述medoid为簇心,所述非medoid为簇内的普通点;
判断单元,利用判断更新后的medoid是否与更新前的medoid一致;若否,则将更新后的medoid作为medoid,继续调用所述更新单元;
分类器确定单元,用于当更新后的medoid与更新前的medoid一致时,确定分类器。
其中,还包括:
虚警概率计算模块,用于所述通过分类结果感知所述当前频道是否可用并计算检测概率之后,利用所述分类结果计算虚警概率。
通过以上方案可知,本发明一种基于机器学习的频谱感知方法,提取训练信号的RMET特征;利用所述RMET特征确定特征向量,利用K-medoids算法与所述特征向量确定分类器;在当前频道获取测试信号,提取所述测试信号的测试RMET特征;利用所述分类器对所述测试RMET特征进行分类,通过分类结果计算检测概率。
可见,本发明实施例提供的一种基于机器学习的频谱感知方法,使用RMET作为特征,然后用K-medoids算法进行分类,训练好分类器后再将测试信号的数据导入分类器进行分类得到分类结果。利用RMET与K-medoids结合感知频道是否可用,提高了检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于机器学习的频谱感知方法流程图;
图2为本发明实施例公开的一种提取训练信号的RMET特征的流程图;
图3为本发明实施例公开的一种具体的基于机器学习的频谱感知方法实验效果图;
图4为本发明实施例公开的一种确定分类器的流程图;
图5为本发明实施例公开的一种基于机器学习的频谱感知方法的模型图;
图6为本发明实施例公开的一种基于机器学习的频谱感知装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于机器学习的频谱感知方法及装置,以得到准确的频谱检测结果。
参见图1,本发明实施例提供的一种基于机器学习的频谱感知方法,具体包括:
S101,提取训练信号的RMET特征;
具体地,在训练时,首先在主用户(PU)存在时,利用次用户(SU)采集信号数据,然后在主用户不存在时,利用次用户采集信号数据,这两种信号数据构成了训练信号。
利用训练信号得到在一个感知时间段内多个次用户的感知矩阵,从而得到训练信号的协方差矩阵,利用协方差矩阵得到训练信号的RMET特征。
需要说明的是,感知矩阵需要根据实际情况分为预设组数的矩阵,从而得到预设组数个的RMET特征,从而得到特征向量,以便利用特征向量确定分类器。例如,有9个次用户,则将次用户分为3组,也就是将感知矩阵分为3组得到3组感知矩阵,从而得到3个RMET特征,那么特征就构成了一个三维的特征向量,可以利用这个三维的向量进行计算确定分类器。
S102,利用所述RMET特征确定特征向量,利用K-medoids算法对所述特征向量进行二分类,得到分类器;
具体地,利用RMET特征得到向量后需要利用K-medoids算法对特征向量进行训练分类将最终的结果作为分类器。
S103,在当前频道获取测试信号,提取所述测试信号的测试RMET特征;
S104,利用所述分类器对所述测试RMET特征进行分类,通过分类结果计算检测概率。
具体地,分类器训练完成后,接收需要检测的频道的信号作为测试信号。将测试信号利用分类器进行分类,最终确定频道是否可用。需要说明的是,利用分类结果计算检测概率,也就是计算检测性能指标。
同时,还可以进一步对分类结果计算,计算其虚警概率,以便知道主用户不存在时,系统错误的以为主用户存在的概率。
通过以上方案可知,本发明实施例提供的一种基于机器学习的频谱感知方法,使用RMET作为特征,然后用K-medoids算法进行分类,训练好分类器后再将测试信号的数据导入分类器进行分类得到分类结果。利用RMET与K-medoids结合感知频道是否可用,提高了检测的准确性。
本发明实施例提供一种具体的基于机器学习的频谱感知方法,区别于上述实施例,本发明实施例对上述实施例中S101作了具体的限定,其他步骤内容与上述实施例大致相同,具体内容可以参考上述实施例,此处不再赘述,具体地,参见图2,S101包括:
S201,在已知网络中确定训练信号;其中,所述已知网络包括有主用户使用的网络与无主用户使用的网络;
具体地,在训练时,首先在主用户(PU)存在时,利用次用户(SU)采集信号数据,然后在主用户不存在时,利用次用户采集信号数据,这两种信号数据构成了训练信号。训练信号可以表示为其中si(n)表示主用户(PU)信号,wi(n)表示均值为0,方差为σ2高斯白噪声信号。H0表示为信号不存在,H1表示为信号存在;M为次用户的个数,每个次用户的采样点数为N。
S202,根据所述训练信号得到一个感知时间段内多个次用户的第一感知矩阵;
S203,将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵;
组一:
组二:
组三:
S204,计算得到每组第二感知矩阵的RMET特征。
具体地,每组都可以算协方差矩阵,求得RMET特征,然后构造一个三维的特征向量。从而利用这个特征向量得到分类器。
为了提高分类效果,从而进一步提高频谱感知的准确性,本发明实施例提供一种具体的基于机器学习的频谱感知方法,基于上述实施例,本发明实施例在S203后还包括:
将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵;
则所述计算得到每组第二感知矩阵的RMET特征,包括:
计算得到每组第三感知矩阵的RMET特征。
具体地,假设第i个SU用户的采样的信号向量为Xi=[xi(1)xi(2)...xi(N)]。将Xi分解成I和Q两部分,表达式如下:
其中fc是携带频率,fs是采样频率。所以上述实施例中分解后的组一的感知矩阵可以表示为:
组二、组三也进行同样分解,利用分解后的感知矩阵得到新的协方差矩阵,从而得到RMET特征。新的协方差矩阵中确保了接收信号存在的时间、空间或相位相关(I和Q分量)之间的信号相关性的最大利用,因此分解后得到的RMET特征值更能反映当前信号的具体信息,提高了分类效果,从而提高了检测的性能。
参考图3,为本实施例的实验效果图,其中Pd为检测概率,Pf为虚警概率。可以看出,在SNR=-12条件下,用RMET作为特征的检测效果比用能量作为特征的检测效果好。而且加上信号分解后,其检测性能有了进一步的提升。
本发明实施例提供一种具体的基于机器学习的频谱感知方法,区别与上述实施例,本发明实施例对上述实施例中的S102做了具体地限定于说明,其他步骤内容与上述实施例内容大致相同,具体可以参照上述实施例对应部分,此处不再赘述。参考图4,具体地,S102包括:
S401,利用所述RMET特征确定特征向量;
S402,在所述特征向量中随机确定medoid与非medoid;
具体地,随机选取K个特征向量作为初始的medoid,其余的特征向量为非medoid。
S403,将所述特征向量中的非medoid分配到与所述非medoid距离最近的medoid,形成簇内数据集合,其中所述medoid为簇心,所述非medoid为簇内的普通点;
具体地,将是非medoid的特征向量通过计算分配到距离其最近的medoid,形成簇内数据集合,其中所述medoid为簇心,所述非medoid为簇内的普通点。
S405,判断更新后的medoid是否与更新前的medoid一致;
S406,若是,则停止,确定分类器;
S407,若否,则将更新后的medoid作为medoid,返回S403。
具体地,如果更新后的medoid和更新前的medoid不同,在需要继续更新medoid,将本次更新后的medoid作为medoid,返回S403继续分配和更新。
本发明实施例提供一种具体的基于机器学习的频谱感知方法。
参考图5所示的分类模型,本发明实施例具体包括:
第1步,获取训练信号;
在训练时,首先在主用户(PU)存在时,利用次用户(SU)采集信号数据,然后在主用户不存在时,利用次用户采集信号数据,这两种信号数据构成了训练信号。
其中si(n)表示主用户(PU)信号,wi(n)表示均值为0,方差为σ2高斯白噪声信号。
第2步,确定第一感知矩阵;
第3步,将次用户分组,从而得到每组次用户的RMET特征。
需要说明的是,可以根据感知矩阵得到协方差矩阵,从而得到RMET特征。
上述感知矩阵的协方差矩阵可以表示为选取作为信号的RMET特征。其中λmax为协方差矩阵的最大特征值,Tr(R(N))为矩阵的迹。将次用户分组后,利用上述方法得到每组的MME特征T,具体用户组与T的对应关系如表1所示。
表1
需要说明的是,可以将上述的采样向量Xi=[xi(1)xi(2)....xi(N)]进行IQ分解,扩充维数,从而矩阵的维数得到扩充。具体地,对Xi=[xi(1)xi(2)....xi(N)]向量进行的IQ分解的表达式为
其中fc是携带频率,fs是采样频率。所以分解后的感知矩阵可以表示为:
与经典样本协方差矩阵R(N)相比,新的样本协方差矩阵RY(N)确保了接收信号中存在的时间,空间或相位相关(I和Q分量)之间的信号相关性的最大利用。
通过上述IQ分解的方法,将用户分组,得到多个感知矩阵后,可以将每个矩阵中的向量均进行IQ分解,从而利用IQ分解后感知矩阵得到新的协方差矩阵和新的RMET特征,具体用户组与T和新的T之间的对应关系如表2所示,其中GRMET表示进行IQ分解后得到的特征值。
表2
第4步,利用K-medoid算法确定分类器;
计算方法具体可以参考上述实施例中的S401至S407,此处不再赘述。
第5步,确定测试矩阵的特征值;
具体地,在未知网络中采集测试信号,确定测试信号的测试矩阵和特征值,从而得到特征向量,其中计算测试信号的特征值与计算训练信号的特征值的步骤大体相同,具体可以参考第1步至第3步,此处不再赘述。根据特征值,可以定义测试矩阵为其中,L表示训练特征的个数。
第6步计算检测结果;
下面对本发明实施例提供的一种基于机器学习的频谱感知装置进行介绍,参考图6,本发明实施例提供一种基于机器学习的频谱感知装置,具体包括:
RMET特征提取模块501,用于提取训练信号的RMET特征;
具体地,在训练时,首先在主用户(PU)存在时,利用次用户(SU)采集信号数据,然后在主用户不存在时,利用次用户采集信号数据,这两种信号数据构成了训练信号。
RMET特征提取模块501利用训练信号得到在一个感知时间段内多个次用户的感知矩阵,从而得到训练信号的协方差矩阵,利用协方差矩阵得到训练信号的RMET特征。
需要说明的是,感知矩阵需要根据实际情况分为预设组数的矩阵,从而得到预设组数个的RMET特征,从而得到特征向量,以便利用特征向量确定分类器。例如,有9个次用户,则将次用户分为3组,也就是将感知矩阵分为3组得到3组感知矩阵,从而得到3个RMET特征,那么特征就构成了一个三维的特征向量,可以利用这个三维的向量进行计算确定分类器。
分类器训练模块502,用于利用所述RMET特征确定特征向量,利用K-medoids算法与所述特征向量确定分类器;
具体地,分类器训练模块502利用RMET特征得到向量后需要利用K-medoids算法对特征向量进行训练分类将最终的结果作为分类器。
测试RMET特征提取模块503,用于在当前频道获取测试信号,提取所述测试信号的测试RMET特征;
感知模块504,用于利用所述分类器对所述测试RMET特征进行分类,通过分类结果计算检测概率。
具体地,分类器训练完成后,接收需要检测的频道的信号作为测试信号。测试RMET特征提取模块503提取测试信号的RMET特征,利用分类器进行分类,感知模块504最终确定频道是否可用。需要说明的是,利用分类结果计算检测概率,也就是计算检测性能指标。
同时,还可以进一步对分类结果计算,计算其虚警概率,以便知道主用户不存在时,系统错误的以为主用户存在的概率。
通过以上方案可知,本发明实施例提供的一种基于机器学习的频谱感知装置,RMET特征提取模块501提取训练信号的RMET作为特征,然后分类器训练模块502用K-medoids算法进行分类,训练好分类器后再将测试信号的数据导入分类器进行分类得到分类结果。感知模块504利用RMET与K-medoids结合感知频道是否可用,有效提高了检测的准确性。
本发明实施例提供一种具体的基于机器学习的频谱感知装置,区别于上述实施例,本发明实施例对上述实施例中RMET特征提取模块501作了具体的限定,其他模块内容与上述实施例大致相同,具体内容可以参考上述实施例,此处不再赘述,具体地,RMET特征提取模块501包括:
信号接收单元,用于在已知网络中确定训练信号;其中,所述已知网络包括有主用户使用的网络与无主用户使用的网络;
具体地,在训练时,信号接收单元首先在主用户(PU)存在时,利用次用户(SU)采集信号数据,然后在主用户不存在时,利用次用户采集信号数据,这两种信号数据构成了训练信号。训练信号可以表示为其中si(n)表示主用户(PU)信号,wi(n)表示均值为0,方差为σ2高斯白噪声信号。H0表示为信号不存在,H1表示为信号存在;M为次用户的个数,每个次用户的采样点数为N。
感知矩阵获取单元,用于根据所述训练信号得到一个感知时间段内多个次用户的第一感知矩阵;
分组单元,用于将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵;
具体地,分组单元将用户分组,得到分组后的感知矩阵。分组个数根据实际情况设定。假设有9个次用户协作感知,采样点为1000,预设分成3组;那么这9个次用户采集的数据就是一个9行1000列的矩阵X,分成三组:
组一:
组二:
组三:
RMET特征获取单元,用于计算得到每组第二感知矩阵的RMET特征。
具体地,每组都可以算协方差矩阵,从而利用RMET特征获取单元求得RMET特征,然后构造一个三维的特征向量。从而利用这个特征向量得到分类器。
为了提高分类效果,从而进一步提高频谱感知的准确性,本发明实施例提供一种具体的基于机器学习的频谱感知装置,基于上述实施例,本发明实施例还包括:
分解单元,用于将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵之后,将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵;
则所述RMET特征获取单元具体用于:
计算得到每组第三感知矩阵的RMET特征。
具体地,假设第i个SU用户的采样的信号向量为Xi=[xi(1)xi(2)...xi(N)]。将Xi分解成I和Q两部分,表达式如下:
其中fc是携带频率,fs是采样频率。所以上述实施例中分解后的组一的感知矩阵可以表示为:
组二、组三也进行同样分解,利用分解后的感知矩阵得到新的协方差矩阵,从而得到RMET特征。新的协方差矩阵中确保了接收信号存在的时间、空间或相位相关(I和Q分量)之间的信号相关性的最大利用,因此分解后得到的RMET特征值更能反映当前信号的具体信息,提高了分类效果,从而提高了检测的性能。
本发明实施例提供一种具体的基于机器学习的频谱感知装置,区别与上述实施例,本发明实施例对上述实施例中的RMET特征提取模块501做了具体地限定于说明,其他模块内容与上述实施例内容大致相同,具体可以参照上述实施例对应部分,此处不再赘述。具体地,RMET特征提取模块501包括:
特征向量确定单元,用于利用所述RMET特征确定特征向量;
Medoid确定单元,用于在所述特征向量中随机确定medoid与非medoid;
具体地,Medoid确定单元随机选取K个特征向量作为初始的medoid,其余的特征向量为非medoid。
分配单元,用于将所述特征向量中的非medoid分配到与所述非medoid距离最近的medoid,形成簇内数据集合,其中所述medoid为簇心,所述非medoid为簇内的普通点;
具体地,分配单元将是非medoid的特征向量通过计算分配到距离其最近的medoid,形成簇内数据集合,其中所述medoid为簇心,所述非medoid为簇内的普通点。
判断单元,利用判断更新后的medoid是否与更新前的medoid一致;若否,则将更新后的medoid作为medoid,继续调用所述更新单元;
具体地,更新单元利用公式更新当前的medoid,判断单元判断更新前后的medoid是否相同,也就是,medoid是否不再变化了,如果不再变化,则可以停止。如果更新后的medoid和更新前的medoid不同,在需要继续更新medoid,将本次更新后的medoid作为medoid,返回S403继续分配和更新。
分类器确定单元,用于当更新后的medoid与更新前的medoid一致时,确定分类器。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于机器学习的频谱感知方法,其特征在于,包括:
提取训练信号的RMET特征;
利用所述RMET特征确定特征向量,利用K-medoids算法与所述特征向量确定分类器;
在当前频道获取测试信号,提取所述测试信号的测试RMET特征;
利用所述分类器对所述测试RMET特征进行分类,通过分类结果计算检测概率;
所述提取训练信号的RMET特征,包括:
在已知网络中确定训练信号;其中,所述已知网络包括有主用户使用的网络与无主用户使用的网络;
将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵;
计算得到每组第二感知矩阵的RMET特征;
利用所述RMET特征确定特征向量,利用K-medoids算法与所述特征向量确定分类器,包括:
S401,利用所述RMET特征确定特征向量;
S402,在所述特征向量中随机确定medoid与非medoid;
S403,将所述特征向量中的非medoid分配到与所述非medoid距离最近的medoid,形成簇内数据集合,其中所述medoid为簇心,所述非medoid为簇内的普通点;
S405,判断更新后的medoid是否与更新前的medoid一致;
S406,若是,则停止,确定分类器;
S407,若否,则将更新后的medoid作为medoid,返回S403。
2.根据权利要求1所述的频谱感知方法,其特征在于,将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵之后,还包括:
将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵;
则所述计算得到每组第二感知矩阵的RMET特征,包括:
计算得到每组第三感知矩阵的RMET特征。
3.根据权利要求1或2所述的频谱感知方法,其特征在于,所述通过分类结果感知所述当前频道是否可用并计算检测概率之后,还包括:
利用所述分类结果计算虚警概率。
4.一种基于机器学习的频谱感知装置,其特征在于,包括:
RMET特征提取模块,用于提取训练信号的RMET特征;
分类器训练模块,用于利用所述RMET特征确定特征向量,利用K-medoids算法与所述特征向量确定分类器;
测试RMET特征提取模块,用于在当前频道获取测试信号,提取所述测试信号的测试RMET特征;
感知模块,用于利用所述分类器对所述测试RMET特征进行分类,通过分类结果计算检测概率;
所述RMET特征提取模块,包括:
信号接收单元,用于在已知网络中确定训练信号;其中,所述已知网络包括有主用户使用的网络与无主用户使用的网络;
分组单元,用于将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵;
RMET特征获取单元,用于计算得到每组第二感知矩阵的RMET特征;
所述分类器训练模块,包括:
特征向量确定单元,用于利用所述RMET特征确定特征向量;
Medoid确定单元,用于在所述特征向量中随机确定medoid与非medoid;
分配单元,用于将所述特征向量中的非medoid分配到与所述非medoid距离最近的medoid,形成簇内数据集合,其中所述medoid为簇心,所述非medoid为簇内的普通点;
判断单元,利用判断更新后的medoid是否与更新前的medoid一致;若否,则将更新后的medoid作为medoid,继续调用所述更新单元;
分类器确定单元,用于当更新后的medoid与更新前的medoid一致时,确定分类器。
5.根据权利要求4所述的频谱感知装置,其特征在于,还包括:
分解单元,用于将所述第一感知矩阵按预设组数进行分组得到所述预设组数个的第二感知矩阵之后,将每组第二感知矩阵进行IQ分解得到每组第三感知矩阵;
则所述RMET特征获取单元具体用于:
计算得到每组第三感知矩阵的RMET特征。
6.根据权利要求4或5所述的频谱感知装置,其特征在于,还包括:
虚警概率计算模块,用于所述通过分类结果感知所述当前频道是否可用并计算检测概率之后,利用所述分类结果计算虚警概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710706986.8A CN107360577B (zh) | 2017-08-17 | 2017-08-17 | 一种基于机器学习的频谱感知方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710706986.8A CN107360577B (zh) | 2017-08-17 | 2017-08-17 | 一种基于机器学习的频谱感知方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107360577A CN107360577A (zh) | 2017-11-17 |
CN107360577B true CN107360577B (zh) | 2021-01-26 |
Family
ID=60286617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710706986.8A Active CN107360577B (zh) | 2017-08-17 | 2017-08-17 | 一种基于机器学习的频谱感知方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107360577B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108462544B (zh) * | 2018-03-27 | 2021-09-17 | 广东工业大学 | 一种频谱感知方法及装置 |
CN108768564A (zh) * | 2018-05-17 | 2018-11-06 | 广东工业大学 | 一种协作频谱感知方法及相关装置 |
CN109309538A (zh) * | 2018-08-28 | 2019-02-05 | 广东工业大学 | 一种频谱感知方法、装置、设备、系统及存储介质 |
CN109962745B (zh) * | 2019-04-04 | 2021-11-26 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
CN117119465B (zh) * | 2023-10-20 | 2023-12-22 | 电子科技大学 | 一种基于Adaboost的宽带信号并行频谱感知方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763706A (zh) * | 2013-12-30 | 2014-04-30 | 河海大学 | 基于分簇的协作频谱感知模糊融合方法 |
CN103987051A (zh) * | 2014-04-28 | 2014-08-13 | 南京邮电大学 | 基于无线传感器网络可靠感知的频谱共享方法 |
CN106230530A (zh) * | 2016-09-23 | 2016-12-14 | 宁波大学 | 多频段协作认知频谱感知方法 |
-
2017
- 2017-08-17 CN CN201710706986.8A patent/CN107360577B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763706A (zh) * | 2013-12-30 | 2014-04-30 | 河海大学 | 基于分簇的协作频谱感知模糊融合方法 |
CN103987051A (zh) * | 2014-04-28 | 2014-08-13 | 南京邮电大学 | 基于无线传感器网络可靠感知的频谱共享方法 |
CN106230530A (zh) * | 2016-09-23 | 2016-12-14 | 宁波大学 | 多频段协作认知频谱感知方法 |
Non-Patent Citations (2)
Title |
---|
Mitigating SSDF Attack using K-Medoids Clustering in Cognitive Radio Networks;Shikhamoni Nath等;《IEEE》;20151207;第275-282页 * |
Principle Component Analysis Based Cooperative Spectrum Sensing in Cognitive Radio;Xin Chen等;《IEEE》;20161224;第602-605页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107360577A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107395301B (zh) | 一种基于k均值算法的频谱感知方法与装置 | |
CN107360577B (zh) | 一种基于机器学习的频谱感知方法及装置 | |
CN108462544B (zh) | 一种频谱感知方法及装置 | |
CN107733541B (zh) | 频谱感知的方法、装置、设备以及计算机可读存储介质 | |
CN102291186B (zh) | 一种基于信号到达方向估计的频谱感知方法 | |
CN111935721B (zh) | 一种实现异构网络共存的方法和系统 | |
CN107071788B (zh) | 一种认知无线网络中的频谱感知方法及装置 | |
CN105978644B (zh) | 基于布谷鸟搜索算法的星地认知系统频谱接入方法 | |
CN110224771B (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
CN110460401B (zh) | 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法 | |
CN107426736B (zh) | 一种认知无线电的频谱感知方法及系统 | |
CN113449682B (zh) | 一种基于动态融合模型识别民航领域射频指纹的方法 | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
CN109246728B (zh) | 一种覆盖异常小区识别方法和装置 | |
CN112994813B (zh) | 自适应采样的频谱感知方法及相关装置 | |
Geng et al. | Spectrum sensing for cognitive radio based on feature extraction and deep learning | |
CN106936527B (zh) | 一种基于双门限的多用户合作频谱感知方法 | |
CN107171752B (zh) | 一种认知无线电的频谱感知方法及系统 | |
CN105187142A (zh) | 一种空闲频谱探测的方法和装置 | |
CN105429913A (zh) | 基于特征值的多电平检测与识别方法 | |
CN103117821A (zh) | 一种基于瑞利商的加权协作频谱感知方法 | |
CN108134703B (zh) | 网络小区隐患故障预测分析方法及装置 | |
CN109672484B (zh) | 一种机会资源智能探索方法 | |
CN109347583A (zh) | 噪声不确定情况下基于核空间优化的合作频谱感知方法 | |
CN108566254A (zh) | 一种频谱感知方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220607 Address after: 528225 Nanhai software technology park, Shishan town, Nanhai District, Foshan City, Guangdong Province (1 / F, block B, Fogao technology think tank center) Patentee after: Foshan National Defense Science and Technology Industrial Technology Achievement Industrialization Application and Promotion Center Address before: 510062 courtyard 729, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong Patentee before: GUANGDONG University OF TECHNOLOGY |