CN109004997A - 一种频谱感知方法、装置和计算机可读存储介质 - Google Patents
一种频谱感知方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN109004997A CN109004997A CN201810902269.7A CN201810902269A CN109004997A CN 109004997 A CN109004997 A CN 109004997A CN 201810902269 A CN201810902269 A CN 201810902269A CN 109004997 A CN109004997 A CN 109004997A
- Authority
- CN
- China
- Prior art keywords
- matrix
- splitting
- history
- processing
- reorganizing
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
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
本发明实施例公开了一种频谱感知方法、装置和计算机可读存储介质,对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;依据目标矩阵和协方差矩阵,构建距离特征矩阵;距离特征矩阵中的各元素反映了目标矩阵和协方差矩阵相应元素之间的距离值。利用预先训练好的聚类模型,对距离特征矩阵进行处理,可以得到主用户信道是否可用的感知结果。在该技术方案中不仅省去了复杂的门限推导过程,而且通过对信号矩阵进行拆分重组处理,可以很好的获取信号的特征信息,相比传统方法在感知性能上有所提高。
Description
技术领域
本发明涉及无线电技术领域,特别是涉及一种频谱感知方法、装置和计算机可读存储介质。
背景技术
认知无线电(Cognitive Radio,CR)的主导思想是实现伺机的动态频谱接入,即非授权用户(也可以称为次用户)通过检测,机会性地接入已分配给授权用户(也可以称为主用户)但暂时很少使用甚至未被使用的空闲频段,一旦主用户重新接入该频段,次用户迅速腾出信道。这种技术需解决的首要问题就是如何快速准确地获取授权频谱的使用情况。
比较经典的检测授权频谱的使用情况的算法有能量检测算法,该算法通过计算采样信号协方差矩阵的特征,从而作为统计量,然后推导相应的门限来进行判决。但该算法会存在门限的估计不准确的问题,这也直接影响到频谱的感知性能。
可见,如何提升频谱的感知性能,是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种频谱感知方法、装置和计算机可读存储介质,可以提升频谱的感知性能。
为解决上述技术问题,本发明实施例提供一种频谱感知方法,包括:
对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;
对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;
依据所述目标矩阵和协方差矩阵,构建距离特征矩阵;
利用预先训练好的聚类模型,对所述距离特征矩阵进行处理,得到主用户信道是否可用的感知结果。
可选的,所述聚类模型的训练过程包括:
对获取的历史待感知信号矩阵进行拆分重组处理,得到历史目标矩阵;
对获取的历史噪声信号矩阵进行拆分重组处理,得到历史协方差矩阵;
依据所述历史目标矩阵和历史协方差矩阵,构建历史距离特征矩阵;
利用模糊C聚类算法对所述历史距离特征矩阵进行训练,确定出聚类模型的中心点矩阵,以实现对所述聚类模型的训练。
可选的,所述对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵包括:
获取各次用户的待感知信号;其中,所有所述待感知信号构成待感知信号矩阵;
对所述待感知信号矩阵进行顺序拆分重组处理,得到第一目标矩阵;
对所述待感知信号矩阵进行间隔拆分重组处理,得到第二目标矩阵。
可选的,所述对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵包括:
获取噪声信号;其中,所有所述噪声信号构成噪声信号矩阵;
对所述噪声信号矩阵进行顺序拆分重组处理,得到第一协方差矩阵;
对所述待感知信号矩阵进行间隔拆分重组处理,得到第二协方差矩阵。
可选的,所述依据所述目标矩阵和协方差矩阵,构建距离特征矩阵包括:
利用黎曼均值算法,计算所述协方差矩阵所对应的黎曼均值矩阵;
计算所述目标矩阵和所述黎曼均值矩阵的测地线距离,以构建距离特征矩阵。
可选的,所述利用预先训练好的聚类模型,对所述距离特征矩阵进行处理,得到主用户信道是否可用的感知结果包括:
将所述距离特征矩阵代入利用如下公式,
当时,则输出主用户信道不可用的感知结果;当时,则输出主用户信道可用的感知结果;
其中,C表示聚类数量,表示距离特征矩阵,ψ1表示中心点矩阵中第1个中心点向量,ψc表示中心点矩阵中第c个中心点向量,ξ表示检测参数值。
本发明实施例还提供了一种频谱感知装置,包括第一处理单元、第二处理单元、构建单元和得到单元;
所述第一处理单元,用于对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;
所述第二处理单元,用于对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;
所述构建单元,用于依据所述目标矩阵和协方差矩阵,构建距离特征矩阵;
所述得到单元,用于利用预先训练好的聚类模型,对所述距离特征矩阵进行处理,得到主用户信道是否可用的感知结果。
可选的,对于所述聚类模型的训练过程,所述装置还包括训练单元;
所述第一处理单元还用于对获取的历史待感知信号矩阵进行拆分重组处理,得到历史目标矩阵;
所述第二处理单元还用于对获取的历史噪声信号矩阵进行拆分重组处理,得到历史协方差矩阵;
所述构建单元还用于依据所述历史目标矩阵和历史协方差矩阵,构建历史距离特征矩阵;
所述训练单元,用于利用模糊C聚类算法对所述历史距离特征矩阵进行训练,确定出聚类模型的中心点矩阵,以实现对所述聚类模型的训练。
可选的,所述第一处理单元包括获取子单元、顺序拆分子单元和间隔拆分子单元;
所述获取子单元,用于获取各次用户的待感知信号;其中,所有所述待感知信号构成待感知信号矩阵;
所述顺序拆分子单元,用于对所述待感知信号矩阵进行顺序拆分重组处理,得到第一目标矩阵;
所述间隔拆分子单元,用于对所述待感知信号矩阵进行间隔拆分重组处理,得到第二目标矩阵。
可选的,所述第二处理单元包括获取子单元、顺序拆分子单元和间隔拆分子单元包括:
所述获取子单元,用于获取噪声信号;其中,所有所述噪声信号构成噪声信号矩阵;
所述顺序拆分子单元,用于对所述噪声信号矩阵进行顺序拆分重组处理,得到第一协方差矩阵;
所述间隔拆分子单元,用于对所述待感知信号矩阵进行间隔拆分重组处理,得到第二协方差矩阵。
可选的,所述构建单元包括均值计算子单元和距离计算子单元;
所述均值计算子单元,用于利用黎曼均值算法,计算所述协方差矩阵所对应的黎曼均值矩阵;
所述距离计算子单元,用于计算所述目标矩阵和所述黎曼均值矩阵的测地线距离,以构建距离特征矩阵。
可选的,所述得到单元具体用于将所述距离特征矩阵代入利用如下公式,
当时,则输出主用户信道不可用的感知结果;当时,则输出主用户信道可用的感知结果;
其中,C表示聚类数量,表示距离特征矩阵,ψ1表示中心点矩阵中第1个中心点向量,ψc表示中心点矩阵中第c个中心点向量,ξ表示检测参数值。
本发明实施例还提供了一种频谱感知装置,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以实现如上述频谱感知方法的步骤。
本发明实施例还提供了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述频谱感知方法的步骤。
由上述技术方案可以看出,对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;依据目标矩阵和协方差矩阵,构建距离特征矩阵;距离特征矩阵中的各元素反映了目标矩阵和协方差矩阵相应元素之间的距离值。利用预先训练好的聚类模型,对距离特征矩阵进行处理,可以得到主用户信道是否可用的感知结果。在该技术方案中不仅省去了复杂的门限推导过程,而且通过对信号矩阵进行拆分重组处理,可以很好的获取信号的特征信息,相比传统方法在感知性能上有所提高。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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为本发明实施例提供的一种频谱感知方法的流程图;
图2为本发明实施例提供的一种构建距离特征矩阵的流程示意图;
图3为本发明实施例提供的一种频谱感知装置的结构示意图;
图4为本发明实施例提供的一种频谱感知装置的硬件结构示意图。
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,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来,详细介绍本发明实施例所提供的一种频谱感知方法。图1为本发明实施例提供的一种频谱感知方法的流程图,该方法包括:
S101:对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵。
待感知信号矩阵为多个次用户采集到的信号所组成的矩阵,待感知信号用于表示未确定是否包含有主用户信号的信号。
假设认知无线电网络中存在着一个主用户以及M个次用户,每个次用户的采样点数为N。H0表示主用户信号不存在,H1表示主用户信号存在。因此在该种假设下,接收到的信号模型可由公式(1)表示,
其中,si(n)表示主用户信号;wi(n)表示均值为0,方差为σ2的高斯白噪声信号。
系统的虚警概率和检测概率可以按公式(2)定义,
Pf=P[H1|H0]
Pd=P[H1|H1] (2)
其中,Pf表示主用户不存在时错误的判断主用户存在的概率;Pd表示主用户存在时正确的判断主用户存在的概率。
在本发明实施例中,对待感知信号矩阵进行的拆分重组可以包括顺序拆分重组和间隔拆分重组两种形式。具体的,获取各次用户的待感知信号;其中,所有待感知信号可以构成待感知信号矩阵;对待感知信号矩阵进行顺序拆分重组处理,可以得到第一目标矩阵;对待感知信号矩阵进行间隔拆分重组处理,可以得到第二目标矩阵。
通过引入顺序拆分重组(Order-DAR,O-DAR)和间隔拆分重组(Interval-DAR,I-DAR),能够在逻辑上增加次用户数,提高频谱感知性能。
假设xi=[xi(1),xi(2),...,xi(N)]表示第i个次用户的待感知信号,则在一个感知周期内,由M个次用户的采样数据构成的待感知信号矩阵可以表示为如下形式,
在O-DAR中,对xi(i=1,2,3,...,M)按顺序拆分成q(q>0)段,s=N/q长的信号分量,具体过程如下,
若将每个次用户采样到的待感知信号按式(4)进行顺序拆分,然后将拆分后的信号分量进行重组,将得到一个(qM)×s维的矩阵YO-DAR,
在间隔拆分重组过程中,采用间隔采样拆分,即每隔q-1个单位在已采样数据中选取采样点,再重组信号矩阵。根据拆分方式,可以将已采样数据拆分成q(q>0)段s=N/q长的子信号向量,则xi(i=1,2,...,M)拆分后的结果如式(6)所示,
若将每个次用户采样到的信号按式(7)进行间隔拆分,然后将拆分后的信号分量进行重组,将得到一个(qM)×s维的矩阵YI-DAR,
根据矩阵X,可以算出相应的协方差矩阵如式所示因此根据该协方差矩阵公式,可以计算出YO-DAR对应的第一目标矩阵RO和YI-DAR对应的第二目标矩阵RI,如式(9)和(10)所示,
S102:对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵。
在特征提取过程中,首先需要对噪声环境进行估计,通过对噪声信号矩阵进行顺序和间隔拆分重组从而得到两个协方差矩阵。为了能够准确的对噪声环境进行估计,可以收集足够多的噪声信号矩阵,并进行顺序和间隔拆分重组。
在具体实现中,可以获取噪声信号;其中,所有所述噪声信号构成噪声信号矩阵。对噪声信号矩阵进行顺序拆分重组处理,得到第一协方差矩阵;对待感知信号矩阵进行间隔拆分重组处理,得到第二协方差矩阵。
以Y个环境噪声信号矩阵为例,可以对Y个环境噪声信号矩阵进行顺序拆分重组处理,得到第一协方差矩阵对N个环境噪声信号矩阵进行间隔拆分重组处理,得到第二协方差矩阵
S103:依据目标矩阵和协方差矩阵,构建距离特征矩阵。
在本发明实施例中,可以利用黎曼均值算法,计算协方差矩阵所对应的黎曼均值矩阵;然后计算目标矩阵和黎曼均值矩阵的测地线距离,以构建距离特征矩阵。
第一协方差矩阵和第二协方差矩阵的黎曼均值目标函数Φ分别如式(11)和式(12)所示,
为Φ(·)取得最小值时的矩阵,其中D(·,·)为下文所述的流形上两点的测地线距离。
假设,对于矩阵流形上存在两个点R1和R2的情况,位于连接流形上两个点R1和R2的测地线的中点。其表达式如式(15)所示,
对于采样点Y>2的情况,其黎曼均值难以计算,因此可以利用梯度下降算法迭代计算的方法,最终求得黎曼均值的计算式如式(16)所示,
其中,τ为迭代步长。因此,我们使用梯度下降算法求解黎曼矩阵,从而得到和
对一个几何结构进行研究,主要就是研究该结构上的一些距离、切线、曲率等性质。统计流形上两个概率分布间的距离可以采用多种方式度量。在本发明实施例中,可以采用测地线距离。接下来,将对计算测地线距离的具体过程展开介绍。
在信息几何理论中,考虑到一组概率密度函数p(x|θ),其中x是属于随机变量Ω的一个n维样本,θ是一个m维的特征向量参数,因此,概率分布空间可以用其参数集Θ来描述。概率分布函数族S如下式所示,
在一定的拓扑结构下S可以形成一个可微的流形,我们称之为统计流形,Θ为该统计流形的坐标。
从信息几何的角度来看,概率密度函数可以由相应的协方差矩阵进行参数化,在频谱感知所做的两种假设H0和H1下,可以将感知信号对应为流形上的两个点Rw和Rs,Rw和Rs分别为是指用噪声矩阵以及信号矩阵计算而来的协方差矩阵。特别地,Rw和Rs都为正定矩阵。因此,可以将由协方差矩阵构成的复对称正定(symmetric positive definite,,SPD)矩阵空间,定义为SPD流形。最后,通过计算流形上点与点的距离并作为统计特征用于频谱感知。
在具体实现中,假设θ为流形上的点,统计流形上的度量可以通过下式的G(θ)来定义,称之为Fisher信息矩阵
由于流形弯曲的特性,我们通过定义连接流形上两点之间曲线的长度来确定两点之间的距离。考虑任意流形上两点θ1和θ2之间的任意曲线θ(t)(t1≤t≤t2),θ(t1)=θ1,θ(t2)=θ2。则沿曲线θ(t)可以求出θ1和θ2之间的距离,
可以看出θ1和θ2之间的距离取决于曲线θ(t)的选取,我们把使得式(18)取得最小距离的曲线称为测地线,相应的距离称为测地线距离。
D(θ1,θ2)=D(θ2,θ1) (19)
D(θ1,θ2)+D(θ2,θ3)>D(θ1,θ3) (20)
根据公式(19)和(20)可知,测地线距离不仅满足对称性,同时也满足三角不等式。计算任意概率分布的测地线距离是较为复杂的,这也对于它的应用产生了一些不利影响。然而,一些学者推导出了常用概率分布流形上的测地线距离表达式。对于具有相同均值但协方差矩阵不同的多元高斯分布族,考虑其协方差矩阵中为R1和R2的两个成员,它们之间的测地线距离如下式(21)所示,
其中,ηi为矩阵的n个特征值。
根据特征提取流程以及上述分析,首先我们将待感知的信号矩阵进行顺序和间隔拆分重组,并进行协方差矩阵转化,从而得到RO和RI。然后使用如下公式求解对应的测地线距离,
通过待感知信号矩阵和噪声信号矩阵,构建距离特征矩阵的过程可以参见图2所示的流程示意图,对待感知信号矩阵进行顺序拆分重组和间隔拆分重组后,可以得到第一目标矩阵和第二目标矩阵;对噪声信号矩阵进行顺序拆分重组和间隔拆分重组后,可以得到第一协方差矩阵和第二协方差矩阵,通过对这两个协方差矩阵分别进行黎曼均值处理,可以得到第一黎曼均值矩阵和第二黎曼均值矩阵。通过计算第一目标矩阵和第一黎曼均值矩阵的测地线距离,可以得到测地线距离d1;计算第二目标矩阵和第二黎曼均值矩阵的测地线距离,可以得到测地线距离d2。
根据得到测地线d1和d2,使用一个二维的距离特征矩阵表示次用户感知到的信号,最后使用距离特征矩阵进行频谱感知。
S104:利用预先训练好的聚类模型,对距离特征矩阵进行处理,得到主用户信道是否可用的感知结果。
在本发明实施例中,需要利用训练集对聚类模型进行训练,在具体实现中,可以采用模糊C聚类算法(Fuzzy C-Means,FCM)对训练集中的特征进行分类,以完成对聚类模型的训练。接下来,将对聚类模型的训练过程展开介绍。
首先,训练集的得到过程包括对获取的历史待感知信号矩阵进行拆分重组处理,得到历史目标矩阵;对获取的历史噪声信号矩阵进行拆分重组处理,得到历史协方差矩阵;依据历史目标矩阵和历史协方差矩阵,构建历史距离特征矩阵。
其中,历史待感知信号矩阵是信号类型已知的信号,即信号矩阵中各信号中是否包含有主用户信号是已知信息。
训练集的获取过程和上述S101-S103的步骤类似,在此不再赘述。
得到历史距离特征矩阵后,可以将历史距离特征矩阵作为训练集,利用模糊C聚类算法对历史距离特征矩阵进行训练,确定出聚类模型的中心点矩阵,以实现对聚类模型的训练。
在利用Fuzzy c-means聚类算法来对特征进行分类时,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。
在本发明实施例中,准备的训练集
其中,Dj为提取出的特征向量,J表示特征向量的个数。每个特征向量的提取过程和上述S101-S103的过程类似,在此不再赘述。
模糊C聚类算法将未标记的训练特征向量分为C个非重叠聚类。设表示属于类c的训练特征向量集合,其中c=1,2,...,C,则:
同样地,类具有与他相对应的类中心ψc,每个样本Dj属于ψc的隶属度为ucj,且0<ucj<1。
据此,Fuzzy c-means聚类算法的目标函数Θ如下式(26)所示,其约束条件如下式(27),
其中,||Dj-ψc 2||是误差度量,m为隶属度ucj的加权幂指数,也可称为平滑指数或模糊加权指数,且m>1。
采用拉格朗日对目标函数和约束条件进行整理,得到如下式(28)所示的目标函数。
然后,分别对隶属度ucj和聚类中心ψc求导,并将约束条件(27)代入,从而得到ucj和ψc的计算公式,如下式(29)和(30)所示。
Fuzzy c-means具体算法的步骤如下
输入:训练数据集聚类数量C;平滑指数m;初始化隶属度ucj;设定容错因子ε。
步骤1:通过式(30)计算类中心ψc。
步骤2:计算误差若ν<ε,则进入步骤4;否则进入步骤3。
步骤3:根据式(29)重新计算隶属度ucj,并返回步骤1。
步骤4:输出类内成员以及类中心点ψc。
在本发明实施例中,可以将距离特征矩阵输入到训练好的聚类模型中,从而得到主用户信道是否可用的感知结果。
在具体实现中,可以将距离特征矩阵代入利用如下公式,
当时,则输出主用户信道不可用的感知结果;当时,则输出主用户信道可用的感知结果;
其中,C表示聚类数量,表示距离特征矩阵,ψ1表示中心点矩阵中第1个中心点向量,ψc表示中心点矩阵中第c个中心点向量,ξ表示检测参数值。
由上述技术方案可以看出,对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;依据目标矩阵和协方差矩阵,构建距离特征矩阵;距离特征矩阵中的各元素反映了目标矩阵和协方差矩阵相应元素之间的距离值。利用预先训练好的聚类模型,对距离特征矩阵进行处理,可以得到主用户信道是否可用的感知结果。在该技术方案中不仅省去了复杂的门限推导过程,而且通过对信号矩阵进行拆分重组处理,可以很好的获取信号的特征信息,相比传统方法在感知性能上有所提高。
图3为本发明实施例提供的一种频谱感知装置的结构示意图,装置包括第一处理单元31、第二处理单元32、构建单元33和得到单元34;
第一处理单元31,用于对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;
第二处理单元32,用于对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;
构建单元33,用于依据目标矩阵和协方差矩阵,构建距离特征矩阵;
得到单元34,用于利用预先训练好的聚类模型,对距离特征矩阵进行处理,得到主用户信道是否可用的感知结果。
可选的,对于聚类模型的训练过程,装置还包括训练单元;
第一处理单元还用于对获取的历史待感知信号矩阵进行拆分重组处理,得到历史目标矩阵;
第二处理单元还用于对获取的历史噪声信号矩阵进行拆分重组处理,得到历史协方差矩阵;
构建单元还用于依据历史目标矩阵和历史协方差矩阵,构建历史距离特征矩阵;
训练单元,用于利用模糊C聚类算法对历史距离特征矩阵进行训练,确定出聚类模型的中心点矩阵,以实现对聚类模型的训练。
可选的,第一处理单元包括获取子单元、顺序拆分子单元和间隔拆分子单元;
获取子单元,用于获取各次用户的待感知信号;其中,所有待感知信号构成待感知信号矩阵;
顺序拆分子单元,用于对待感知信号矩阵进行顺序拆分重组处理,得到第一目标矩阵;
间隔拆分子单元,用于对待感知信号矩阵进行间隔拆分重组处理,得到第二目标矩阵。
可选的,第二处理单元包括获取子单元、顺序拆分子单元和间隔拆分子单元包括:
获取子单元,用于获取噪声信号;其中,所有所述噪声信号构成噪声信号矩阵;
顺序拆分子单元,用于对噪声信号矩阵进行顺序拆分重组处理,得到第一协方差矩阵;
间隔拆分子单元,用于对待感知信号矩阵进行间隔拆分重组处理,得到第二协方差矩阵。
可选的,构建单元包括均值计算子单元和距离计算子单元;
均值计算子单元,用于利用黎曼均值算法,计算协方差矩阵所对应的黎曼均值矩阵;
距离计算子单元,用于计算目标矩阵和黎曼均值矩阵的测地线距离,以构建距离特征矩阵。
可选的,得到单元具体用于将距离特征矩阵代入利用如下公式,
当时,则输出主用户信道不可用的感知结果;当时,则输出主用户信道可用的感知结果;
其中,C表示聚类数量,表示距离特征矩阵,ψ1表示中心点矩阵中第1个中心点向量,ψc表示中心点矩阵中第c个中心点向量,ξ表示检测参数值。
图3所对应实施例中特征的说明可以参见图1所对应实施例的相关说明,这里不再一一赘述。
由上述技术方案可以看出,对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;依据目标矩阵和协方差矩阵,构建距离特征矩阵;距离特征矩阵中的各元素反映了目标矩阵和协方差矩阵相应元素之间的距离值。利用预先训练好的聚类模型,对距离特征矩阵进行处理,可以得到主用户信道是否可用的感知结果。在该技术方案中不仅省去了复杂的门限推导过程,而且通过对信号矩阵进行拆分重组处理,可以很好的获取信号的特征信息,相比传统方法在感知性能上有所提高。
图4为本发明实施例提供的一种频谱感知装置40的硬件结构示意图,所述频谱感知装置40包括:
存储器41,用于存储计算机程序;
处理器42,用于执行计算机程序以实现如上述频谱感知方法的步骤。
本发明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上述频谱感知方法的步骤。
以上对本发明实施例所提供的一种频谱感知方法、装置和计算机可读存储介质进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
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发明的范围。
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。
Claims (10)
1.一种频谱感知方法,其特征在于,包括:
对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;
对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;
依据所述目标矩阵和协方差矩阵,构建距离特征矩阵;
利用预先训练好的聚类模型,对所述距离特征矩阵进行处理,得到主用户信道是否可用的感知结果。
2.根据权利要求1所述的方法,其特征在于,所述聚类模型的训练过程包括:
对获取的历史待感知信号矩阵进行拆分重组处理,得到历史目标矩阵;
对获取的历史噪声信号矩阵进行拆分重组处理,得到历史协方差矩阵;
依据所述历史目标矩阵和历史协方差矩阵,构建历史距离特征矩阵;
利用模糊C聚类算法对所述历史距离特征矩阵进行训练,确定出聚类模型的中心点矩阵,以实现对所述聚类模型的训练。
3.根据权利要求1所述的方法,其特征在于,所述对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵包括:
获取各次用户的待感知信号;其中,所有所述待感知信号构成待感知信号矩阵;
对所述待感知信号矩阵进行顺序拆分重组处理,得到第一目标矩阵;
对所述待感知信号矩阵进行间隔拆分重组处理,得到第二目标矩阵。
4.根据权利要求3所述的方法,其特征在于,所述对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵包括:
获取噪声信号;其中,所有所述噪声信号构成噪声信号矩阵;
对所述噪声信号矩阵进行顺序拆分重组处理,得到第一协方差矩阵;
对所述待感知信号矩阵进行间隔拆分重组处理,得到第二协方差矩阵。
5.根据权利要求1所述的方法,其特征在于,所述依据所述目标矩阵和协方差矩阵,构建距离特征矩阵包括:
利用黎曼均值算法,计算所述协方差矩阵所对应的黎曼均值矩阵;
计算所述目标矩阵和所述黎曼均值矩阵的测地线距离,以构建距离特征矩阵。
6.根据权利要求1-5任意一项所述的方法,其特征在于,所述利用预先训练好的聚类模型,对所述距离特征矩阵进行处理,得到主用户信道是否可用的感知结果包括:
将所述距离特征矩阵代入利用如下公式,
当时,则输出主用户信道不可用的感知结果;当时,则输出主用户信道可用的感知结果;
其中,C表示聚类数量,表示距离特征矩阵,ψ1表示中心点矩阵中第1个中心点向量,ψc表示中心点矩阵中第c个中心点向量,ξ表示检测参数值。
7.一种频谱感知装置,其特征在于,包括第一处理单元、第二处理单元、构建单元和得到单元;
所述第一处理单元,用于对获取的待感知信号矩阵进行拆分重组处理,得到目标矩阵;
所述第二处理单元,用于对获取的噪声信号矩阵进行拆分重组处理,得到协方差矩阵;
所述构建单元,用于依据所述目标矩阵和协方差矩阵,构建距离特征矩阵;
所述得到单元,用于利用预先训练好的聚类模型,对所述距离特征矩阵进行处理,得到主用户信道是否可用的感知结果。
8.根据权利要求7所述的装置,其特征在于,对于所述聚类模型的训练过程,所述装置还包括训练单元;
所述第一处理单元还用于对获取的历史待感知信号矩阵进行拆分重组处理,得到历史目标矩阵;
所述第二处理单元还用于对获取的历史噪声信号矩阵进行拆分重组处理,得到历史协方差矩阵;
所述构建单元还用于依据所述历史目标矩阵和历史协方差矩阵,构建历史距离特征矩阵;
所述训练单元,用于利用模糊C聚类算法对所述历史距离特征矩阵进行训练,确定出聚类模型的中心点矩阵,以实现对所述聚类模型的训练。
9.一种频谱感知装置,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以实现如权利要求1至6任意一项所述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6任一项所述频谱感知方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902269.7A CN109004997A (zh) | 2018-08-09 | 2018-08-09 | 一种频谱感知方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902269.7A CN109004997A (zh) | 2018-08-09 | 2018-08-09 | 一种频谱感知方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109004997A true CN109004997A (zh) | 2018-12-14 |
Family
ID=64596507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810902269.7A Pending CN109004997A (zh) | 2018-08-09 | 2018-08-09 | 一种频谱感知方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109004997A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743121A (zh) * | 2019-03-01 | 2019-05-10 | 广东工业大学 | 一种信道占用状态检测方法、装置、电子设备及存储介质 |
CN109962745A (zh) * | 2019-04-04 | 2019-07-02 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
CN109981200A (zh) * | 2019-04-12 | 2019-07-05 | 广东工业大学 | 基于相关系数的频谱感知方法、装置、设备及存储介质 |
CN110071773A (zh) * | 2019-04-28 | 2019-07-30 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
CN110288025A (zh) * | 2019-06-25 | 2019-09-27 | 广东工业大学 | 基于信息几何与谱聚类的频谱感知方法、装置及设备 |
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 |
CN111934797A (zh) * | 2020-07-09 | 2020-11-13 | 广东工业大学 | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494464B1 (en) * | 2010-09-08 | 2013-07-23 | Rockwell Collins, Inc. | Cognitive networked electronic warfare |
US9057772B1 (en) * | 2010-09-27 | 2015-06-16 | Rockwell Collins, Inc. | Referenced-based radio frequency feature estimation |
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 |
CN107979431A (zh) * | 2017-11-28 | 2018-05-01 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
-
2018
- 2018-08-09 CN CN201810902269.7A patent/CN109004997A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494464B1 (en) * | 2010-09-08 | 2013-07-23 | Rockwell Collins, Inc. | Cognitive networked electronic warfare |
US9057772B1 (en) * | 2010-09-27 | 2015-06-16 | Rockwell Collins, Inc. | Referenced-based radio frequency feature estimation |
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 |
CN107979431A (zh) * | 2017-11-28 | 2018-05-01 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
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 (2)
Title |
---|
胡伟康: "认知无线电频谱感知技术的研究", 《中国优秀硕士学位论文全文数据库》 * |
赵知劲: "改进的最大最小特征值之差的频谱感知算法", 《电子技术应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743121A (zh) * | 2019-03-01 | 2019-05-10 | 广东工业大学 | 一种信道占用状态检测方法、装置、电子设备及存储介质 |
CN109962745A (zh) * | 2019-04-04 | 2019-07-02 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
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 |
CN109981200A (zh) * | 2019-04-12 | 2019-07-05 | 广东工业大学 | 基于相关系数的频谱感知方法、装置、设备及存储介质 |
CN110071773A (zh) * | 2019-04-28 | 2019-07-30 | 广东工业大学 | 一种频谱感知方法、系统及装置 |
CN110288025A (zh) * | 2019-06-25 | 2019-09-27 | 广东工业大学 | 基于信息几何与谱聚类的频谱感知方法、装置及设备 |
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 |
CN111934797A (zh) * | 2020-07-09 | 2020-11-13 | 广东工业大学 | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 |
CN111934797B (zh) * | 2020-07-09 | 2022-06-24 | 广东工业大学 | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109004997A (zh) | 一种频谱感知方法、装置和计算机可读存储介质 | |
CN105163326B (zh) | 一种基于无线网络话务特征的小区聚类方法和系统 | |
CN106022509B (zh) | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN108520357A (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN109949176A (zh) | 一种基于图嵌入的社交网络中异常用户检测方法 | |
CN103699678B (zh) | 一种基于多阶段分层采样的层次聚类方法和系统 | |
CN109803295A (zh) | 一种通信小区整改优先级的评价方法和装置 | |
CN102694800A (zh) | 网络安全态势预测的高斯过程回归方法 | |
CN105843829B (zh) | 一种基于分层模型的大数据可信性度量方法 | |
CN106570080A (zh) | 一种云制造资源服务多层次语义匹配方法 | |
CN104812027B (zh) | 基于直觉模糊集多属性决策的网络选择方法 | |
Liu et al. | A spatial panel statistical analysis on cultivated land conversion and Chinese economic growth | |
CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
CN107395301A (zh) | 一种基于k均值算法的频谱感知方法 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN107093013A (zh) | 一种考虑水文指标分布规律的水文情势评价方法 | |
CN110336838A (zh) | 账号异常检测方法、装置、终端及存储介质 | |
Balakrishnan et al. | Diverse client selection for federated learning: Submodularity and convergence analysis | |
CN107071788A (zh) | 一种认知无线网络中的频谱感知方法及装置 | |
CN107316503B (zh) | 一种基于多级物元熵权的拥堵热点空域扇区识别方法 | |
CN112954623A (zh) | 一种基于手机信令大数据的居民入住率估算方法 | |
CN110288025A (zh) | 基于信息几何与谱聚类的频谱感知方法、装置及设备 | |
CN108400826A (zh) | 一种基于循环矩阵特征值的频谱感知方法 | |
CN106487570B (zh) | 一种评估网络性能指标变化趋势的方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |