CN108768563A - 一种协作频谱感知方法及相关装置 - Google Patents
一种协作频谱感知方法及相关装置 Download PDFInfo
- Publication number
- CN108768563A CN108768563A CN201810474358.6A CN201810474358A CN108768563A CN 108768563 A CN108768563 A CN 108768563A CN 201810474358 A CN201810474358 A CN 201810474358A CN 108768563 A CN108768563 A CN 108768563A
- Authority
- CN
- China
- Prior art keywords
- matrix
- principal component
- maximum
- covariance matrix
- covariance
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种协作频谱感知方法,主要包括对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据所述协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵,再对该最大主成分信号矩阵进行特征提取得到特征,对该特征进行分类模型的训练,最后得到分类模型,使用该分类模型进行频谱感知。通过主成分分析选择主成分最大的向量表示已知信号矩阵,可以降低已知信号矩阵的维数,进而降低噪声对已知信号的影响,对降低维数后的已知信号可以提取到更加精确的信号特征值,提高进行特征判断即频谱感知的精度。本申请还公开了一种协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及无线电技术领域,特别涉及一种协作频谱感知方法、协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质。
背景技术
随着无线电技术的进步和社会经济的发展,各行各业和消费者对无线电频率的需求越来越多,但是在实际环境中无线电频谱资源是有限的,使得频谱资源越来越匮乏。
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,授权频段占据者大部分频谱资源,如电视广播频段,但不少授权频段还处于空闲状态。另外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,在该频段上的用户很多,业务量也很大,无线电频段已经基本趋于饱和。但是据研究表明,在已分配的频谱利用率为15%~85%,可以发现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,造成大量空余频段未被利用浪费造成。
因此,现有技术对频谱进行频谱检测,也叫做频谱感知,检测出空闲时段的频谱,并加以利用。比较常用的方法是,通过能量检测算法对信号进行检测,在检测过程中不需要信号的先验信息,复杂度较低,并且也更容易实现。
但是,低信噪比环境下容易受到噪声的不确定性影响,产生误判而导致检测性能急剧下降。在能量检测的基础上,即使采用自适应的门限设置,检测器也无法做出正确的判断。
因此,如何在低信噪比环境下提高频谱感知的正确率是本领域技术人员所关注的重点问题。
发明内容
本申请的目的是提供一种协作频谱感知方法、协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质,通过主成分分析选择主成分最大的向量表示已知信号矩阵,可以降低已知信号矩阵的维数,进而降低噪声对已知信号的影响,对降低维数后的已知信号可以提取到更加精确的信号特征值,提高进行特征判断即频谱感知的精度。
为解决上述技术问题,本申请提供一种协作频谱感知方法,包括:
对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据所述协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵;
对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵,对所述最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征;
根据聚类算法对所述主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型;
当接收到未知信号时,根据所述分类模型对未知信号进行分类。
可选的,对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据所述协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵,包括:
对已知信号矩阵进行协方差矩阵计算得到所述已知信号矩阵的协方差矩阵;
根据所述已知信号矩阵的协方差矩阵进行主成分分析处理,得到多个主成分对应的特征向量;
采用主成分最大的特征向量对所述已知信号矩阵进行映射处理,得到所述最大主成分信号矩阵。
可选的,对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵,对所述最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征,包括:
对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵;
对所述最大主成分信号矩阵的协方差矩阵进行特征提取计算,得到最大特征值与平均特征值的差值和比值;
将所述最大特征值与所述平均特征值的差值和比值作为所述主成分矩阵特征。
可选的,根据聚类算法对所述主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型,包括:
根据K-medoids聚类算法对所述主成分矩阵特征进行分类,得到分类结果;
根据所述分类结果进行模型训练处理,得到分类模型。
本申请还提供一种协作频谱感知系统,包括:
主成分信号处理模块,用于对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据所述协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵;
主成分特征提取模块,用于对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵,对所述最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征;
分类模型训练模块,用于根据聚类算法对所述主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型;
频谱感知模块,用于当接收到未知信号时,根据所述分类模型对未知信号进行分类。
可选的,所述主成分信号处理模块包括:
协方差矩阵获取单元,用于对已知信号矩阵进行协方差矩阵计算得到所述已知信号矩阵的协方差矩阵;
特征向量获取单元,用于根据所述已知信号矩阵的协方差矩阵进行主成分分析处理,得到多个主成分对应的特征向量;
矩阵映射单元,用于采用主成分最大的特征向量对所述已知信号矩阵进行映射处理,得到所述最大主成分信号矩阵。
可选的,所述主成分特征提取模块包括:
协方差计算单元,用于对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵;
特征值计算单元,用于对所述最大主成分信号矩阵的协方差矩阵进行特征提取计算,得到最大特征值与平均特征值的差值和比值;
矩阵特征获取单元,用于将所述最大特征值与所述平均特征值的差值和比值作为所述主成分矩阵特征。
可选的,所述分类模型训练模块包括:
特征分类单元,用于根据K-medoids聚类算法对所述主成分矩阵特征进行分类,得到分类结果;
模型训练单元,用于根据所述分类结果进行模型训练处理,得到分类模型。
本申请还提供一种协作频谱感知装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上所述的协作频谱感知方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的协作频谱感知方法的步骤。
本申请所提供的一种协作频谱感知方法,包括:对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据所述协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵;对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵,对所述最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征;根据聚类算法对所述主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型;当接收到未知信号时,根据所述分类模型对未知信号进行分类。
通过主成分分析选择主成分最大的向量表示已知信号矩阵,可以降低已知信号矩阵的维数,进而降低噪声对已知信号的影响,对降低维数后的已知信号可以提取到更加精确的信号特征值,提高进行特征判断即频谱感知的精度。
本申请还提供一种协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质,具有上述有益效果,在此不做赘述。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种协作频谱感知方法的流程图;
图2为本申请实施例所提供的协作频谱感知方法的主成分分析的流程图;
图3为本申请实施例所提供的协作频谱感知方法的特征提取的流程图;
图4为本申请实施例所提供的协作频谱感知方法的实验结果图;
图5为本申请实施例所提供的一种协作频谱感知系统的结构示意图。
具体实施方式
本申请的核心是提供一种协作频谱感知方法、协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质,通过主成分分析选择主成分最大的向量表示已知信号矩阵,可以降低已知信号矩阵的维数,进而降低噪声对已知信号的影响,对降低维数后的已知信号可以提取到更加精确的信号特征值,提高进行特征判断即频谱感知的精度。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
频谱感知是无线技术领域中为了提高频谱利用率而出现的方法,主要作用是用来判断当前频谱中是否有用户使用。其中,协作频谱感知是协作用户去判断当前信号中是否存在主用户。因此,可以将协作频谱感知看作是对当前信号的二分类的方法。现有技术中,无论是经典的能量检测或基于随机矩阵的频谱感知,都通过门限值进行判决,进而对信号进行分类。而在实际环境中,尤其是在低信噪比环境中,通过门限值进行判断,容易受到噪声等不确定性的影响,从而产生误判,导致频谱感知的性能下降,也就是检测的准确率下降。
本实施例提供一种协作频谱感知方法,该方法通过主成分分析选择主成分最大的向量表示已知信号矩阵,可以降低已知信号矩阵的维数,进而降低噪声对已知信号的影响,对降低维数后的已知信号可以提取到更加精确的信号特征值,提高进行特征判断即频谱感知的精度。
具体的,请参考图1,图1为本申请实施例所提供的一种协作频谱感知方法的流程图。
本实施例可以包括:
S101,对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵;
本步骤旨在根据已知信号矩阵计算得到的协方差矩阵,选择最大的特征值也就是选择出最大主成分,并将原有的已知信号矩阵映射在该最大主成分对应的向量上,得到最大主成分信号矩阵。达到降低原有信号矩阵维数的效果。
而在现有技术中通常需要面对已知信号进行去除噪声的处理,得到的去噪后的信号,以降低噪声对特征提取的影响。而现有技术中提供的对已知信号进行去噪的方法,一般是直接对已知信号进行滤波处理,将噪声滤除得到滤波后的信号,但是一般的滤波处理对于实际情况中的信号处理效果不佳,滤波后的信号还会存在噪声,并且有可能滤除一定的有用信号,导致后续的频谱感知准确率和精度下降。
其主要原因是现有技术只对信号直接进行滤波处理,并没有关注到信号维数问题,而所处理的已知信号通常维数较高,在具有噪声的环境中,噪声被隐藏在高维信号中,不利于对已知信号进行处理分析。并且高维的特征数据也不利于特征的提取,会降低特征提取的精度,进一步降低频谱感知的准确率和精度。
因此,本步骤主要是通过主成分分析的方法降低已知信号的维数,得到维数降低后的最大主成分信号矩阵。因此,本实施例区别与现有技术的技术特征在于,本实施例通过主成分分析处理,对已知信号矩阵完成相应的去噪操作,降低已知信号中噪声对频谱感知的影响。
其中,本步骤中所介绍的已知信号的获取方法可以采用现有技术提供的任意一种的已知信号的获取方法,也可以采用以下所提供的一种已知信号的获取方法:
该方法是一种协作频谱感知方法。协作频谱感知系统通过融合中心能降低实际环境中多径衰落等不确定因素的影响,因此能提高整个系统的感知性能。假设在认知无线电网络中有N个次用户(SU),每个SU包含M(M>1)根天线,其中每根天线连接到独立的射频(RF)前端,并且天线间的距离小于正在接收的用户中心频率的波长的一半,这样可以保证在每根天线出接收相关信号。假设每根天线的采样点数为L。分别用H0和H1表示主用户不存在与存在。因此在这两种假设下接收信号的模型可以表示为:
其中si(l)表示PU信号,wi(l)表示均值为0,方差为σ2的高斯白噪声信号。假设S=1和S=0分别表示PU的状态。频道的可用性A可以定义为:
其中A=0表示频道不可用,A=1表示频道可用。
系统的虚警概率和检测概率可以定义为:
Pf=P[A=1|A=0]
Pd=P[A=0|A=0]
S102,对最大主成分信号矩阵进行协方差矩阵计算得到最大主成分信号矩阵的协方差矩阵,对最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征;
在步骤S101的基础上,本步骤旨在对最大主成分信号矩阵进行特征提取操作,具体的是通过计算协方差矩阵的方式提取特征值,得到主成分矩阵特征。
其中,所进行的特征提取处理包括最大特征值与平均特征值的比值和差值。
S103,根据聚类算法对主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型;
在步骤S102的基础上,本步骤旨在根据K-medoids聚类算法对主成分矩阵特征进行分类,得到分类结果;根据分类结果进行模型训练处理,得到分类模型。
本实施例所介绍的技术方案主要是通过获取已知信号,从已知信号中提取相应的特征进行训练,得到分类模型。当需要对未知信号进行判断时,直接采用该分类模型,对未知信号进行频谱感知的操作。避免了现有技术中通过设置相应的门限值对未知信号进行判断带来的技术问题,也就是避免了因门限设定不准而造成的频谱感知误差。因此,通过分类模型进行判断其主要是依靠相似的信号所提取的特征进行判断,而并非根据实时的信号状态设定频谱感知的阈值,即门限值进行判断。避免了实时信号波动对门限值判断造成的影响,同样也避免了噪声信号对门限值判断的影响,进而提高了频谱感知的准确度和精度。
具体的,本步骤中所使用的聚类算法可以采用现有技术提供的任意一种聚类算法进行分类,也可以采用本实施例提供的K-medoids聚类算法对主成分矩阵特征进行分类,得到分类结果。
具体的,可以如下方式进行处理:
根据K-medoids聚类算法对主成分矩阵特征进行分类,得到分类结果;
根据分类结果进行模型训练处理,得到分类模型。
本步骤中,选用K-medoids聚类算法,也叫做K中心点算法,可以解决一般的K聚类算法中对“噪声”敏感的问题,提高进行分类的准确度。
需要说明的是,本步骤中所使用的主成分矩阵特征的数量为预设数量个。其中,预设数量可以根据实际的聚类算法和分类的精度要求进行确定,也可以根据实施人员的经验进行确定,在此不做限定。
S104,当接收到未知信号时,根据分类模型对未知信号进行分类。
在步骤S103的基础上,本步骤旨在当接收到未知信号时,就可以根据上一步骤获取的分类模型对接收到的未知信号进行分类,也就是分为主用户存在和主用户不存在两种状态,实现对频谱的感知。
在无线电信号技术应用中,就可以通过本步骤得到分类模型,实现对未知信号的判断,也就是对未知信号进行频谱感知,以提高在实际使用过程中的频谱利用率。
本实施例中的步骤S103与步骤S104具体可以按照如下提供的方式进行实施:
选择K-medoids聚类算法来对特征分类,在K-medoids算法中,将从当前簇中选取一个点,即该点到当前类内所有点的距离之和最小作为质心。根据频谱感知的实际情况,只需要将训练集分为两类,噪声类和信号加噪声类。
在该协作频谱感知方法中,首先收集N个SU节点经特征提取得到的信号特征值,然后构造成一个训练集:
T={T1,T2,...,Th}
其中Th表示为一个二维特征向量,h表示训练特征向量的个数。K-medoids聚类算法将训练集分为K个非重叠类。设Ck表示属于类k的训练特征向量集合,其中k=1,2,...,K,则:
类Ck对应的质心为ψk。
根据频谱感知系统的实际情况,可以设置K=2,即噪声类和信号加噪声类,从而实现分类。所有类K的质心可定义为:
其中,||·||2为2范数。该算法的损失函数定义为所有点与它们在所有聚类K上求和的相应质心相关的聚类间平方距离的总和,即:
通过最小化损失函数J知道优化目标可以表示为:
当训练完成后,得到相应的质心Ψ1和Ψ2,然后把未知信号的特征当做测试集放入分类模型中,通过以下判决公式来判断其类别,其中ε用来控制虚警概率和检测概率。
其中代表待分类的数据(也就是未知信号的特征)。如果满足以上判决公式则判定主用户存在(A=1),否则主用户不存在(A=0)。
基于以上说明,K-medoids聚类算法的具体步骤如下:
步骤1:收集足够数量的特征矩阵T作为训练集;
步骤2:初始化质心(Ψ1,Ψ2,...,ΨK);
步骤3:计算每个特征点到各质心的距离d,找到最小的d并重新分类;
步骤4:计算类中一点到当前类内所有点的距离之和的最小值当做质心;
步骤5:最小化损失函数直到收敛,否则返回步骤3;
步骤6:导入测试特征,通过判决公式判断主用户是否存在;
步骤7:根据虚警概率计算公式和检测概率计算公式分别计算其虚警概率和检测概率。
综上,本实施例通过主成分分析选择主成分最大的向量表示已知信号矩阵,可以降低已知信号矩阵的维数,进而降低噪声对已知信号的影响,对降低维数后的已知信号可以提取到更加精确的信号特征值,提高进行特征判断即频谱感知的精度。
请参考图2,图2为本申请实施例所提供的协作频谱感知方法的主成分分析的流程图。
基于上一实施例,本实施例主要针对上一实施例中如何进行已知信号的主成分分析做的一个具体说明,其他部分与上一实施例大体相同,相同部分可以参考上一实施例,在此不做赘述。
本实施例主要对已知信号进行主成分分析处理,以实现已知信号的降维处理,该实施例可以包括:
S201,对已知信号矩阵进行协方差矩阵计算得到已知信号矩阵的协方差矩阵;
S202,根据已知信号矩阵的协方差矩阵进行主成分分析处理,得到多个主成分对应的特征向量;
步骤S201至步骤S202中,通过已知信号矩阵对应的协方差矩阵可以计算出该已知信号矩阵的特征,对应与主成分分析方法中的主成分,其中每个主成分又对应了该主成分的特征向量。
S203,采用主成分最大的特征向量对已知信号矩阵进行映射处理,得到最大主成分信号矩阵。
在步骤S202的基础上,本步骤旨在选取主成分最大的特征向量,作为映射已知信号矩阵的新坐标系,并且该特征向量的坐标轴数量小于已知信号的坐标系的坐标轴数量,因此当已知信号矩阵映射至主成分最大的特征向量上时,就达到了降低已知信号矩阵维数的目的。并且在降维过程中就消除了在不同维度之间的所隐藏的噪声。
本实施例主要是获得采样矩阵(也就是已知信号矩阵)之后求解其协方差矩阵,根据协方差矩阵求得最大特征值对应的特征向量,得到原始信号(也就是已知信号)的最大主成分矩阵,然后通过随机矩阵理论提取相应特征。该方法不仅降低了噪声的影响,并且能够增大特征估计精度。
具体的,对应本实施例的所提供的技术方案步骤,可以例如以下方式进行实施:
假设M根天线接收到的信号矩阵为:
因为是有限数量的样本,需要定义样本的估计协方差矩阵而不是统计协方差矩阵,可表示为:
令λ1≥λ2≥λ3≥...≥λk是矩阵R的特征值:
|R-λI|γi=0
这里I是维数为协方差矩阵R的单位矩阵。γi是对应特征值的特征向量。然后选取第一主成分和第二主成分对应的特征向量得到第i个用户的主成分矩阵Yi。
其中,主成分矩阵Yi就是本实施例所说明的最大主成分信号矩阵。
请参考图3,图3为本申请实施例所提供的协作频谱感知方法的特征提取的流程图。
基于以上所有实施例,本实施例主要是针对以上实施例中如何提取主成分矩阵的特征做的一个具体说明,其他部分与以上实施例大体相同,相同部分可以参考上一实施例,在此不做赘述。
本实施例可以包括:
S301,对最大主成分信号矩阵进行协方差矩阵计算得到最大主成分信号矩阵的协方差矩阵;
S302,对最大主成分信号矩阵的协方差矩阵进行特征提取计算,得到最大特征值与平均特征值的差值和比值;
S303,将最大特征值与平均特征值的差值和比值作为主成分矩阵特征。
其中,最大特征值与平均特征值的差值又缩写做MSE,最大特征值与平均特征值的比值又缩写做MME。
对应与本实施例所提供的特征提取步骤,可以按照以下例子进行实施:
从而对N个用户预处理后得到的信号主成分矩阵分别计算其相应的协方差矩阵根据随机矩阵理论,得到协方差矩阵后,再分别计算MME、MSE作为新的特征。
基于以上所有实施例,可以对实施例中所提供的方法进行实验。
请参考图4,图4为本申请实施例所提供的协作频谱感知方法的实验结果图。
图中用IMSE和IMME分别表示通过主成分分析处理再进行特征提取后的MSE和MME,也就是以上实施例所提供的协作频谱感知方法。根据图中信噪比(SNR)为-13db时,改进的特征和未改进特征的ROC曲线。从中可以看出在相同SNR下,IMSE和IMME两种特征比未处理之前的检测性能要好。当SNR=-13db,Pf=0.1时,本文提出的方法比传统算法的检测性能提升了50%。这是因为PCA算法可以去除较多噪声信号,降低噪声等因素的影响,从而提高SNR,因此能够获得更好的检测效果。
本申请实施例提供了一种协作频谱感知方法,可以通过主成分分析选择主成分最大的向量表示已知信号矩阵,可以降低已知信号矩阵的维数,进而降低噪声对已知信号的影响,对降低维数后的已知信号可以提取到更加精确的信号特征值,提高进行特征判断即频谱感知的精度。
下面对本申请实施例提供的一种协作频谱感知系统进行介绍,下文描述的一种协作频谱感知系统与上文描述的一种协作频谱感知方法可相互对应参照。
请参考图5,图5为本申请实施例所提供的一种协作频谱感知系统的结构示意图。
本实施例提供一种协作频谱感知系统,该系统可以包括:
主成分信号处理模块100,用于对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵;
主成分特征提取模块200,用于对最大主成分信号矩阵进行协方差矩阵计算得到最大主成分信号矩阵的协方差矩阵,对最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征;
分类模型训练模块300,用于根据聚类算法对主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型;
频谱感知模块400,用于当接收到未知信号时,根据分类模型对未知信号进行分类。
其中,主成分信号处理模块100可以包括:
协方差矩阵获取单元,用于对已知信号矩阵进行协方差矩阵计算得到已知信号矩阵的协方差矩阵;
特征向量获取单元,用于根据已知信号矩阵的协方差矩阵进行主成分分析处理,得到多个主成分对应的特征向量;
矩阵映射单元,用于采用主成分最大的特征向量对已知信号矩阵进行映射处理,得到最大主成分信号矩阵。
其中,主成分特征提取模块200可以包括:
协方差计算单元,用于对最大主成分信号矩阵进行协方差矩阵计算得到最大主成分信号矩阵的协方差矩阵;
特征值计算单元,用于对最大主成分信号矩阵的协方差矩阵进行特征提取计算,得到最大特征值与平均特征值的差值和比值;
矩阵特征获取单元,用于将最大特征值与平均特征值的差值和比值作为主成分矩阵特征。
其中,分类模型训练模块300可以包括:
特征分类单元,用于根据K-medoids聚类算法对主成分矩阵特征进行分类,得到分类结果;
模型训练单元,用于根据分类结果进行模型训练处理,得到分类模型。
本申请实施例还提供一种协作频谱感知装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如以上实施例的协作频谱感知方法的步骤。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如以上实施例的协作频谱感知方法的步骤。
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。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种协作频谱感知方法、协作频谱感知系统、协作频谱感知装置以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种协作频谱感知方法,其特征在于,包括:
对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据所述协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵;
对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵,对所述最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征;
根据聚类算法对所述主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型;
当接收到未知信号时,根据所述分类模型对未知信号进行分类。
2.根据权利要求1所述的协作频谱感知方法,其特征在于,对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据所述协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵,包括:
对已知信号矩阵进行协方差矩阵计算得到所述已知信号矩阵的协方差矩阵;
根据所述已知信号矩阵的协方差矩阵进行主成分分析处理,得到多个主成分对应的特征向量;
采用主成分最大的特征向量对所述已知信号矩阵进行映射处理,得到所述最大主成分信号矩阵。
3.根据权利要求2所述的协作频谱感知方法,其特征在于,对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵,对所述最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征,包括:
对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵;
对所述最大主成分信号矩阵的协方差矩阵进行特征提取计算,得到最大特征值与平均特征值的差值和比值;
将所述最大特征值与所述平均特征值的差值和比值作为所述主成分矩阵特征。
4.根据权利要求3所述的协作频谱感知方法,其特征在于,根据聚类算法对所述主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型,包括:
根据K-medoids聚类算法对所述主成分矩阵特征进行分类,得到分类结果;
根据所述分类结果进行模型训练处理,得到分类模型。
5.一种协作频谱感知系统,其特征在于,包括:
主成分信号处理模块,用于对已知信号矩阵进行协方差矩阵计算得到对应的协方差矩阵,根据所述协方差矩阵进行主成分分析处理,得到最大主成分信号矩阵;
主成分特征提取模块,用于对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵,对所述最大主成分信号矩阵的协方差矩阵进行特征提取处理,得到主成分矩阵特征;
分类模型训练模块,用于根据聚类算法对所述主成分矩阵特征进行分类,根据分类结果进行模型训练,得到分类模型;
频谱感知模块,用于当接收到未知信号时,根据所述分类模型对未知信号进行分类。
6.根据权利要求5所述的协作频谱感知系统,其特征在于,所述主成分信号处理模块包括:
协方差矩阵获取单元,用于对已知信号矩阵进行协方差矩阵计算得到所述已知信号矩阵的协方差矩阵;
特征向量获取单元,用于根据所述已知信号矩阵的协方差矩阵进行主成分分析处理,得到多个主成分对应的特征向量;
矩阵映射单元,用于采用主成分最大的特征向量对所述已知信号矩阵进行映射处理,得到所述最大主成分信号矩阵。
7.根据权利要求6所述的协作频谱感知系统,其特征在于,所述主成分特征提取模块包括:
协方差计算单元,用于对所述最大主成分信号矩阵进行协方差矩阵计算得到所述最大主成分信号矩阵的协方差矩阵;
特征值计算单元,用于对所述最大主成分信号矩阵的协方差矩阵进行特征提取计算,得到最大特征值与平均特征值的差值和比值;
矩阵特征获取单元,用于将所述最大特征值与所述平均特征值的差值和比值作为所述主成分矩阵特征。
8.根据权利要求7所述的协作频谱感知系统,其特征在于,所述分类模型训练模块包括:
特征分类单元,用于根据K-medoids聚类算法对所述主成分矩阵特征进行分类,得到分类结果;
模型训练单元,用于根据所述分类结果进行模型训练处理,得到分类模型。
9.一种协作频谱感知装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述的协作频谱感知方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的协作频谱感知方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474358.6A CN108768563A (zh) | 2018-05-17 | 2018-05-17 | 一种协作频谱感知方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474358.6A CN108768563A (zh) | 2018-05-17 | 2018-05-17 | 一种协作频谱感知方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108768563A true CN108768563A (zh) | 2018-11-06 |
Family
ID=64008361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810474358.6A Pending CN108768563A (zh) | 2018-05-17 | 2018-05-17 | 一种协作频谱感知方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108768563A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365434A (zh) * | 2019-06-27 | 2019-10-22 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
CN112054861A (zh) * | 2020-09-01 | 2020-12-08 | 西北工业大学 | 一种协同频谱感知网络次级用户选择方法、介质及设备 |
CN112422213A (zh) * | 2020-11-11 | 2021-02-26 | 杭州电子科技大学 | 一种基于支持向量机的高效频谱感知方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
US9077567B2 (en) * | 2013-06-26 | 2015-07-07 | Research & Business Foundation Sungkyunkwan University | Cooperative spectrum sensing apparatus and cooperative spectrum sensing method |
CN107395301A (zh) * | 2017-08-17 | 2017-11-24 | 广东工业大学 | 一种基于k均值算法的频谱感知方法 |
CN107733541A (zh) * | 2017-11-29 | 2018-02-23 | 广东工业大学 | 频谱感知的方法、装置、设备以及计算机可读存储介质 |
-
2018
- 2018-05-17 CN CN201810474358.6A patent/CN108768563A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9077567B2 (en) * | 2013-06-26 | 2015-07-07 | Research & Business Foundation Sungkyunkwan University | Cooperative spectrum sensing apparatus and cooperative spectrum sensing method |
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
CN107395301A (zh) * | 2017-08-17 | 2017-11-24 | 广东工业大学 | 一种基于k均值算法的频谱感知方法 |
CN107733541A (zh) * | 2017-11-29 | 2018-02-23 | 广东工业大学 | 频谱感知的方法、装置、设备以及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
杨智等: "基于随机矩阵特征值比的频谱感知改进算法", 《电波科学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365434A (zh) * | 2019-06-27 | 2019-10-22 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
CN110365434B (zh) * | 2019-06-27 | 2021-08-24 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
CN112054861A (zh) * | 2020-09-01 | 2020-12-08 | 西北工业大学 | 一种协同频谱感知网络次级用户选择方法、介质及设备 |
CN112422213A (zh) * | 2020-11-11 | 2021-02-26 | 杭州电子科技大学 | 一种基于支持向量机的高效频谱感知方法 |
CN112422213B (zh) * | 2020-11-11 | 2022-06-14 | 杭州电子科技大学 | 一种基于支持向量机的高效频谱感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927706B (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional neural network | |
CN106789788B (zh) | 一种无线数字信号调制方式识别方法及装置 | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
CN104994045B (zh) | 一种基于usrp平台的数字调制方式自动识别平台及方法 | |
CN104683984B (zh) | 无线通信信号实时监测处理方法和系统 | |
CN105119862B (zh) | 一种信号调制类型识别方法和系统 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN106709800A (zh) | 一种基于特征匹配网络的社团划分方法和装置 | |
CN108768563A (zh) | 一种协作频谱感知方法及相关装置 | |
CN107733541A (zh) | 频谱感知的方法、装置、设备以及计算机可读存储介质 | |
CN107395301A (zh) | 一种基于k均值算法的频谱感知方法 | |
CN104660356B (zh) | 一种具有可靠虚警性能的半盲协作式频谱感知方法 | |
CN108462544A (zh) | 一种频谱感知方法及装置 | |
CN103310227A (zh) | 基于神经网络的自动窗宽窗位提取方法 | |
CN107360577A (zh) | 一种基于机器学习的频谱感知方法及装置 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN111832462A (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN108197581A (zh) | 一种基于改进AC-WGANs的无人机信号识别检测算法 | |
CN103310235A (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN108712222A (zh) | 一种协作频谱感知方法及相关装置 | |
CN109246728B (zh) | 一种覆盖异常小区识别方法和装置 | |
CN102081799B (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN104052703B (zh) | 一种微量采样数据数字调制识别方法 | |
CN112637834B (zh) | 一种无线通信设备的指纹融合识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |