CN109981200A - 基于相关系数的频谱感知方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于相关系数的频谱感知方法、装置、设备及计算机可读存储介质，包括：对待感知无线信号中M个次用户进行信号采集，获取M个原始采样信号向量，组建采样信号矩阵；分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵；利用所述第一矩阵的第一判决统计特征和所述第二矩阵的第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征；将所述二维判决统计特征输入预先完成训练的分类器中，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号。本发明所提供的方法、装置、设备及计算机可读存储介质，降低了噪声不确定性对频谱感知性能的影响。

Description

基于相关系数的频谱感知方法、装置、设备及存储介质

技术领域

本发明涉及信号处理技术领域，特别是涉及一种基于相关系数的频谱感知方法、装置、设备以及计算机可读存储介质。

背景技术

认知无线电是一项在不影响授权频段的正常通信的基础上，具有认知功能的无线设备可以按照某种“机会方式”接入授权的频段内，并动态的利用频谱的技术。认知无线电技术的提出，缓解了频谱资源紧张。认知无线电具有两个主要特点：认知能力和重配置能力，认知的核心是频谱感知。

频谱感知的目的是检测频谱空穴，提升频谱的有效利用率。随着认知无线电技术的逐步完善，频谱感知技术也得到了不断的发展。经典的频谱感知方法包括能量检测(Energy Detection，ED)法，匹配滤波器检测法以及循环平稳特征检测法。循环平稳特征检测虽然受噪声不确定度影响小，但必须预先知道主用户的先验信息，并且计算复杂，不适合信号的实时检测处理。匹配滤波器检测是一种相干检测，检测精度高，但是对不同的发射信号需要配备专门的接收机，成本代价高。

ED算法是根据信号的平均能量值，推导判决门限，并将平均能量值与判决门限对比，从而得出感知信号的分类结果。ED算法不需要信号的先验信息，算法复杂度低，被广泛应用，但ED算法受噪声不确定度影响大，随着信噪比降低，ED算法的检测概率显著下降；另外，判决门限的估算带来的误差，也会导致系统感知性能的下降。

综上所述可以看出，如何提高低信噪比环境下频谱感知检测的准确率和效率是目前有待解决的问题。

发明内容

本发明的目的是提供一种基于相关系数的频谱感知方法、装置、设备以及计算机可读存储介质，以解决现有技术所提供的ED算法受噪声不确定性影响大，低信噪环境下系统检测概率降低导致系统感知性能下降的问题。

为解决上述技术问题，本发明提供一种基于相关系数的频谱感知方法，包括：对待感知无线信号中M个次用户进行信号采集，获取M个采样点数为N的原始采样信号向量，以便利用所述原始采样信号向量组建M×N维的采样信号矩阵；分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵；根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征；根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征；利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征；将所述二维判决统计特征输入预先完成训练的分类器算法模型内进行计算，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号。

优选地，所述对待感知无线信号中M个次用户进行信号采集，获取M个采样点数为N的原始采样信号向量，以便利用所述原始采样信号向量组建M×N维的采样信号矩阵包括：

对待感知无线信号中M个次用户SU进行信号采集，得到M个采集点数为N的原始采样信号向量x_i(n)＝[x_i(1),x_i(2),…,x_i(N)],i＝1...N；

利用所述原始采样信号向量x_i(n)＝[x_i(1),x_i(2),…,x_i(N)]组建M×N维的采样信号矩阵：

优选地，所述分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵包括：

将所述原始采样信号向量x_i(n)＝[x_i(1),x_i(2),…,x_i(N)]拆分为q个段长为k＝N/q的子信号向量，得到顺序拆分重组后的重组采样信号向量：

对所述采样信号矩阵X进行顺序拆分重组后，得到所述第一矩阵：

对于所述原始采样信号向量x_i(n)＝[x_i(1),x_i(2),…,x_i(N)]每间隔q个单位抽取一个采样点，得到间隔拆分重组后的重组采样信号向量：

对所述采样信号矩阵X进行间隔拆分重组后，得到所述第二矩阵：

优选地，所述根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征包括：

利用对所述第一矩阵Y₁中每两个重组采样信号向量的相关系数ρ_ab进行变换，将所述相关系数ρ_ab的变化形式定义为β_ab；

求解所述第一矩阵Y₁中每两个重组采样信号向量间的β_ab值的平均值，得到所述第一矩阵Y₁的第一判决统计特征其中，为所述β_ab值的数量。

优选地，所述根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征包括：

利用对所述第二矩阵Y₂中每两个重组采样信号间的相关系数ρ_ef进行变换，将所述相关系数ρ_ef变化形式定义为β_ef；

求解所述第二矩阵Y₂中每两个重组采样信号向量间的β_ef值的平均值，得到所述第二矩阵Y₂的第二判决统计特征其中，为所述β_ef值的数量。

优选地，所述利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征包括：

利用所述第一判决统计特征T₁和所述第二判决统计特征T₂，构建所述采样信号矩阵的二维判决统计特征T＝[T₁,T₂]^T。

优选地，所述将所述二维判决统计特征输入预先完成训练的分类器算法模型内进行计算，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号包括：

将所述二维判决统计特征输入至预先完成训练的K-means算法中进行计算，输出所述二维判断统计特征对应的类别结果；

当所述类别结果为1时，所述待感知无线信号中存在频谱信号；

当所述类别结果为0时，所述待感知无线信号中不存在频谱信号。

本发明还提供了一种基于相关系数的频谱感知装置，包括：

采集模块，对待感知无线信号中M个次用户进行信号采集，获取M个采样点数为N的原始采样信号向量，以便利用所述原始采样信号向量组建M×N维的采样信号矩阵；

拆分重组模块，用于分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵；

第一计算模块，用于根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征；

第二计算模块，用于根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征；

构建模块，用于利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征；

判断模块，用于将所述二维判决统计特征输入预先完成训练的分类器算法模型内进行计算，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号。

本发明还提供了一种基于相关系数的频谱感知设备，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上述一种基于相关系数的频谱感知方法的步骤。

本发明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上述一种基于相关系数的频谱感知方法的步骤。

本发明所提供的一种基于相关系数的频谱感知方法，对待感知无线信号中M个次用户进行信号采样，获取到M个原始采样信号向量，构建采样信号矩阵。本发明利用拆分重组技术，分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，在逻辑上增加了次用户的数目，提高了无线信号的检测概率。对所述采样信号矩阵进行顺序拆分重组后得到第一矩阵；对所述采样信号矩阵间隔拆分重组后对所述采样信号矩阵拆分后得到第二矩阵。根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征。根据所述第二矩阵中重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征。根据所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征。本发明提供的方法，结合了随机矩阵理论，根据不同待感知无线信号中次用户之间的相关系数，构建所述二维判决统计特征对所述待感知无线信号进行检测，克服了噪声不确定性对感知性能的影响，具有更好的鲁棒性，提高了频谱检测性能。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，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为本发明所提供的基于相关系数的频谱感知方法的第一种具体实施例的流程图；

图2为本发明所提供的基于相关系数的频谱感知方法的第二种具体实施例的流程图；

图3为本发明所提供的基于相关系数的频谱感知方法、ED算法、DMM算法以及MME算法的性能对比的ROC曲线图；

图4为本发明实施例提供的一种基于相关系数的频谱感知装置的结构框图。

具体实施方式

本发明的核心是提供一种基于相关系数的频谱感知方法、装置、设备以及计算机可读存储介质，有效降低了噪声环境对频谱感知性能的影响，具有良好的鲁棒性。

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。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，都属于本发明保护的范围。

请参考图1，图1为本发明所提供的基于相关系数的频谱感知方法的第一种具体实施例的流程图；具体操作步骤如下：

步骤S101：对待感知无线信号中M个次用户进行信号采集，获取M个采样点数为N的原始采样信号向量，以便利用所述原始采样信号向量组建M×N维的采样信号矩阵；

假设所述待感知无线系统中，包含一个主用户PU和M个次用户SU。对所述M个次用户进行信号采样，且每个次用户的采样点数为N，得到M个原始采样信号向量。采用H₀表示所述主用户PU信号不存在，采用H₁表示所述主用户PU信号存在，则所述次用户SU的采样信号模型为：

其中，w_i(n)表示均值为0、方差δ²为高斯白噪声；s_i(n)表示所述主用户信号。

将第i个次用户的原始采样信号向量定义为：x_i(n)＝[x_i(1),x_i(2),…,x_i(N)],i＝1...N。利用所述M个原始采样信号向量，利用所述M个原始采样信号向量，构建M×N维的采样信号矩阵：

步骤S102：分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵；

对感知系统进行检测时，如果系统内次用户数量较少，会导致采样矩阵维数不够高，从而降低了频谱信号的检测概率。因此，为了解决所述待感知无线信号内次用户数量较少的问题，本发明实施例引入了拆分重组技术(DAR)对所述采样信号矩阵进行拆分重组，从而提高了所述采样信号矩阵的维数；并且在逻辑时增加了次用户的数量，在一定程度上提高了检测概率。

所述拆分重组技术包括：顺序拆分重组(O-DAR)和间隔拆分重组(I-DAR)。

所述顺序拆分重组是将所述原始采样信号向量x_i(n)拆分为q个段长为k＝N/q的子信号向量，得到顺序拆分重组后的重组采样信号向量：

对所述采样信号矩阵X进行顺序拆分重组后，得到所述第一矩阵：

所述间隔拆分重组是对所述原始采样信号向量x_i(n)每间隔q个单位抽取一个采样点，得到间隔拆分重组后的重组采样信号向量：

对所述采样信号矩阵X进行间隔拆分重组后，得到所述第二矩阵：

步骤S103：根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征；

利用确认所述第一矩阵Y₁中每两个采样信号间的相关系数；

其中，为所述第一矩阵Y₁中第a个采样信号的平均值，为所述第一矩阵中Y₁第b个采样信号的平均值；k表示每个采样信号的采样点数。

利用对所述相关系数ρ_ab进行变换，将所述相关系数ρ_ab变化形式定义为β_ab。对所述相关系数ρ_ab变形得到β_ab，服从自由度为N-2的t分布。所述相关系数ρ_ab与所述β_ab的数目一致。

根据等益合并原理，求解所述第一矩阵Y₁中每两个采样信号间的β_ab值的平均值，作为所述第一矩阵Y₁的第一判决统计特征其中，为所述β_ab值的数量。

步骤S104：根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征；

利用确认所述第二矩阵Y₂中每两个采样信号间的相关系数；

其中，为所述第二矩阵Y₂中第e个采样信号的平均值，为所述第二矩阵Y₂中第f个采样信号的平均值；

利用对所述相关系数ρ_ef进行变换，将所述相关系数ρ_ef变化形式定义为β_ef；

求解所述第二矩阵Y₂中每两个采样信号间的β_ef值的平均值，得到所述第二矩阵Y₂的第二判决统计特征其中，为所述β_ef值的数量；L_I＝L₂。

步骤S105：利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征；

利用所述第一判决统计特征T₁和所述第二判决统计特征T₂，构建所述采样信号矩阵的二维判决统计特征T＝[T₁,T₂]^T。

步骤S106：将所述二维判决统计特征输入预先完成训练的分类器算法模型内进行计算，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号。

本实施例所提供的频谱感知的方法，利用拆分重组技术对所述采样信号矩阵进行两种拆分，逻辑上增加了次用户的数量，提高了所述采样信号矩阵的维度，从而提高了感知系统的检测性能。且本实施例中通过所述第一矩阵和所述第二矩阵内不同次用户之间的相关性，确定所述采样信号矩阵的二维判决统计特征，降低了噪声不确定性对感知性能的影响，解决了能量检测算法极易受噪声不确定性的影响，在低信噪比环境下检测性能急剧下降的问题。

基于上述实施例，在本实施例中，为了解决能量检测法中判决门限估算的误差，也会导致感知系统性能下降的问题；将所述采样信号矩阵的二维判决统计特征输入至预先训练完成的聚类算法模型中，避免了门限估算带来的系统精度损失，进一步提高了感知系统的检测性能。频谱感知问题可以看成一个二分类问题，因此，在本实施例中可以选用K-means算法作为感知系统的聚类算法模型。

请参考图2，图2为本发明所提供的基于相关系数的频谱感知方法的第二种具体实施例的流程图；具体操作步骤如下：

步骤S201：对待感知无线信号中M个次用户进行采集，获取M个采样点数为N的原始采样信号向量；

步骤S202：利用所述原始采样信号向量组建M×N维的采样信号矩阵；

步骤S203：对所述采样信号矩阵进行顺序拆分重组，得到第一矩阵；

步骤S204：根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征；

步骤S205：对所述采样信号矩阵进行间隔拆分重组，得到第二矩阵；

步骤S206：根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征；

步骤S207：利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征；

步骤S208：将所述二维判决统计特征输入至预先完成训练的目标K-means算法中进行计算，输出所述二维判断统计特征对应的类别结果；

对所述目标K-means算法训练的过程如下：

将已知类别的二维判决统计特征训练集测试集类别数K和度量参数ξ输入至初始K-means算法内；

利用C₁＝E[T^b|H₀计算得到C₁，随机初始类化中心{C₂,…,C_K}；

重复执行根据将每个点划分到距离最近的簇，根据计算簇内所有点的平均值的操作，直至收敛，得到训练完成的目标K-means算法；

其中，Ψ_k(k＝1,2,...,K)为第k类的特征向量；Θ(·)为所述目标K-means算法的损失函数；n(·)为某个类别里元素的总数目；

将所述测试集导入至所述目标K-means算法内，

利用对所述测试集中二维判决统计特征进行分类判别，输出所述测试集中二维判决统计特征的分类结果；

根据所述测试集中二维判决统计特征的分类结果和实际类别标签，对所述目标K-means模型的测试准确度进行判断。当所述测试准确度大于等于预设准确度阈值，则利用所述目标K-means算法对所述采样信号矩阵的二维判决统计特征进行分类。若所述测试准确度小于所述阈值准确度阈值，则利用上述步骤重新对所述初始K-means算法进行训练，直至所述测试准确度大于等于预设准确度阈值。

步骤S209：根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号。

当所述类别结果为1时，所述待感知无线信号中存在频谱信号，即存在主用户信号；当所述类别结果为0时，所述待感知无线信号中不存在频谱信号。

为了验证本实施例所提供的基于相关系数的频谱感知方法的感知性能，在信噪比为-14dB，次用户数量为2，采样点数为1000的条件下进行对混合信号进行分类检测的仿真实验。本实施例所提供的方法与ED算法、DMM算法以及MME算法的性能对比的ROC曲线图，如图3所示；其中，图3中横轴表示虚警概率P_fa，纵轴表示检测概率P_d；当所述虚警概率固定为一个较小值，检测概率越高，则代表算法性能越好。从四种算法的ROC曲线图可以得出，设定P_fa＝1时，本实施例所提供的方法的P_d＝0.82；比其他三种算法中表现最好的DMM算法的检测概率增长了127.8％。由此得证，本发明实施例所提供的基于相关系数的频谱感知方法确实能在低信噪比环境下，保持很好的检测性能。

在本实施例所提供的频谱感知方法，利用拆分重组技术结合K-means无监督聚类算法不仅可以克服噪声环境的干扰，还可以避免判决门限推导误差问题，从而提高了频谱感知系统的检测性能，并具有更好的鲁棒性。

请参考图4，图4为本发明实施例提供的一种基于相关系数的频谱感知装置的结构框图；具体装置可以包括：

采集模块100，对待感知无线信号中M个次用户进行信号采集，获取M个采样点数为N的原始采样信号向量，以便利用所述原始采样信号向量组建M×N维的采样信号矩阵；

拆分重组模块200，用于分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵；

第一计算模块300，用于根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征；

第二计算模块400，用于根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征；

构建模块500，用于利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征；

判断模块600，用于将所述二维判决统计特征输入预先完成训练的分类器算法模型内进行计算，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号。

本实施例的基于相关系数的频谱感知装置用于实现前述的基于相关系数的频谱感知方法，因此基于相关系数的频谱感知装置中的具体实施方式可见前文中的基于相关系数的频谱感知方法的实施例部分，例如，采集模块100，拆分重组模块200，第一计算模块300，第二计算模块400，构建模块500和判断模块600，分别用于实现上述基于相关系数的频谱感知方法中步骤S101，S102，S103，S104，S105和S106；所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明具体实施例还提供了一种基于相关系数的频谱感知设备，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上述一种基于相关系数的频谱感知方法的步骤。

本发明具体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上述一种基于相关系数的频谱感知方法的步骤。

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它实施例的不同之处，各个实施例之间相同或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。

以上对本发明所提供的基于相关系数的频谱感知方法、装置、设备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发明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发明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。

Claims (10)

1.一种基于相关系数的频谱感知方法，其特征在于，包括：

对待感知无线信号中M个次用户进行信号采集，获取M个采样点数为N的原始采样信号向量，以便利用所述原始采样信号向量组建M×N维的采样信号矩阵；

分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵；

根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征；

根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征；

利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征；

将所述二维判决统计特征输入预先完成训练的分类器算法模型内进行计算，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号。

2.如权利要求1所述的频谱感知方法，其特征在于，所述对待感知无线信号中M个次用户进行信号采集，获取M个采样点数为N的原始采样信号向量，以便利用所述原始采样信号向量组建M×N维的采样信号矩阵包括：

对待感知无线信号中M个次用户SU进行信号采集，得到M个采集点数为N的原始采样信号向量x_i(n)＝[x_i(1),x_i(2),…,x_i(N)],i＝1...N；

利用所述原始采样信号向量x_i(n)＝[x_i(1),x_i(2),…,x_i(N)]组建M×N维的采样信号矩阵：

3.如权利要求2所述的频谱感知方法，其特征在于，所述分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵包括：

将所述原始采样信号向量x_i(n)＝[x_i(1),x_i(2),…,x_i(N)]拆分为q个段长为k＝N/q的子信号向量，得到顺序拆分重组后的重组采样信号向量：

对所述采样信号矩阵X进行顺序拆分重组后，得到所述第一矩阵：

对于所述原始采样信号向量x_i(n)＝[x_i(1),x_i(2),…,x_i(N)]每间隔q个单位抽取一个采样点，得到间隔拆分重组后的重组采样信号向量：

对所述采样信号矩阵X进行间隔拆分重组后，得到所述第二矩阵：

4.如权利要求3所述的频谱感知方法，其特征在于，所述根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征包括：

利用对所述第一矩阵Y₁中每两个重组采样信号向量的相关系数ρ_ab进行变换，将所述相关系数ρ_ab的变化形式定义为β_ab；

求解所述第一矩阵Y₁中每两个重组采样信号向量间的β_ab值的平均值，得到所述第一矩阵Y₁的第一判决统计特征其中，为所述β_ab值的数量。

5.如权利要求3所述的频谱感知方法，其特征在于，所述根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征包括：

利用对所述第二矩阵Y₂中每两个重组采样信号间的相关系数ρ_ef进行变换，将所述相关系数ρ_ef变化形式定义为β_ef；

求解所述第二矩阵Y₂中每两个重组采样信号向量间的β_ef值的平均值，得到所述第二矩阵Y₂的第二判决统计特征其中，为所述β_ef值的数量。

6.如权利要求5所述的频谱感知方法，其特征在于，所述利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征包括：

利用所述第一判决统计特征T₁和所述第二判决统计特征T₂，构建所述采样信号矩阵的二维判决统计特征T＝T₁,T₂]^T。

7.如权利要求1-6任一项所述的频谱感知方法，其特征在于，所述将所述二维判决统计特征输入预先完成训练的分类器算法模型内进行计算，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号包括：

将所述二维判决统计特征输入至预先完成训练的K-means算法中进行计算，输出所述二维判断统计特征对应的类别结果；

当所述类别结果为1时，所述待感知无线信号中存在频谱信号；

当所述类别结果为0时，所述待感知无线信号中不存在频谱信号。

8.一种基于相关系数的频谱感知装置，其特征在于，包括：

采集模块，对待感知无线信号中M个次用户进行信号采集，获取M个采样点数为N的原始采样信号向量，以便利用所述原始采样信号向量组建M×N维的采样信号矩阵；

拆分重组模块，用于分别对所述采样信号矩阵进行顺序拆分重组和间隔拆分重组，得到第一矩阵和第二矩阵；

第一计算模块，用于根据所述第一矩阵中每两个重组采样信号向量间的相关系数，确定所述第一矩阵的第一判决统计特征；

第二计算模块，用于根据所述第二矩阵中每两个重组采样信号向量间的相关系数，确定所述第二矩阵的第二判决统计特征；

构建模块，用于利用所述第一判决统计特征和所述第二判决统计特征，构建所述采样信号矩阵的二维判决统计特征；

判断模块，用于将所述二维判决统计特征输入预先完成训练的分类器算法模型内进行计算，输出所述二维判决统计特征对应的类别结果，根据所述类别结果，判断所述待感知无线信号中是否存在频谱信号。

9.一种基于相关系数的频谱感知设备，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7任一项所述一种基于相关系数的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7任一项所述一种基于相关系数的频谱感知方法的步骤。