CN112187383B - 一种基于粘性隐马尔可夫模型的多带频谱感知方法 - Google Patents
一种基于粘性隐马尔可夫模型的多带频谱感知方法 Download PDFInfo
- Publication number
- CN112187383B CN112187383B CN202010856385.7A CN202010856385A CN112187383B CN 112187383 B CN112187383 B CN 112187383B CN 202010856385 A CN202010856385 A CN 202010856385A CN 112187383 B CN112187383 B CN 112187383B
- Authority
- CN
- China
- Prior art keywords
- value
- iteration
- hidden
- denotes
- distribution
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于粘性隐马尔可夫模型的多带频谱感知方法,其将每个频带对应的接收信号功率作为隐马尔可夫模型中的观测数据;确定观测数据所对应的隐藏状态及属于各类隐藏状态的概率,确定状态转移概率矩阵;隐马尔可夫模型中引入粘性因子得到粘性隐马尔可夫模型;计算粘性隐马尔可夫模型中所有观测数据对应的隐藏状态在每次迭代下的聚类结果、状态转移概率矩阵在每次迭代下的值、均值和精度在每次迭代下的值;将均值在最后一次迭代下的每个元素的值作为对应一类隐藏状态的功率估计值,进而获得每个频带的功率估计值,再与门限值比较,确定频带是否被授权用户占用;优点是不管频带是否具有稀疏性,均能对多个频带同时进行频谱感知,且性能好。
Description
技术领域
本发明涉及一种认知无线电中的频谱感知技术,尤其是涉及一种基于粘性隐马尔可夫模型的多带频谱感知方法。
背景技术
与第四代移动通信技术相比,第五代移动通信(5G)技术可将数据速率提高到10Gbit/s、将延迟降低到1毫秒、连接设备数量增加100倍。实现这些需求依赖大量的频谱资源,但是可用的频谱资源是有限的,且基本上已经被分配完了。为了解决无线网络频谱资源短缺的问题,目前业界的常见思路是引入认知无线电技术来提高频谱资源的利用率。与传统的频带被单一用户授权占用的系统不同,无线网络通过认知无线电频谱感知技术可以从环境中智能地检测频带占用情况,从而使认知用户能智能接入空闲的授权频带。
在实际应用中,为了充分提高所有频带的频谱利用率,多频带频谱感知方案越来越多的得到了人们的关注。多频带频谱感知方案对多个频带进行频谱感知,当授权用户信号再次出现时,认知用户能快速切换到其它空闲频带。但是,现有的多频带频谱感知方案经常利用频带稀疏性来实现检测,当频带不具有稀疏性时具有较差的性能。
发明内容
本发明所要解决的技术问题是提供一种基于粘性隐马尔可夫模型的多带频谱感知方法,其不管频带是否具有稀疏性,均能够对多个频带同时进行频谱感知,且感知性能好。
本发明解决上述技术问题所采用的技术方案为:一种基于粘性隐马尔可夫模型的多带频谱感知方法,其特征在于具体包括以下步骤:
步骤一:在认知无线电系统中,对连续的L个频带内的信号进行采样,且对每个频带内的信号进行等时间间隔地采样,共采样得到N个样本,将对第j个频带内的信号进行采样得到的第n个样本记为rj(n);然后计算每个频带对应的接收信号功率,将第j个频带对应的接收信号功率记为xj,即为对第j个频带内的信号进行采样得到的所有样本的平均功率,其中,L、N、j和n均为正整数,L>1,100≤N≤1000,1≤j≤L,1≤n≤N,符号“| |”为求模符号,xj服从高斯分布,即 表示噪声功率,表示第j个频带内授权用户的信号功率,表示第j个频带未被授权用户占用,表示第j个频带已被授权用户占用,表示xj服从均值为方差为的高斯分布,表示xj服从均值为方差为的高斯分布;
步骤二:将每个频带对应的接收信号功率作为隐马尔可夫模型中的观测数据,即隐马尔可夫模型中的第j个观测数据为xj;然后确定隐马尔可夫模型中的每个观测数据所对应的一个隐藏状态,将xj对应的隐藏状态记为zj,zj的取值为区间[1,K]中的一个值,若zj的取值为1则认为xj属于第1类隐藏状态,若zj的取值为k则认为xj属于第k类隐藏状态,若zj的取值为K则认为xj属于第K类隐藏状态;接着计算隐马尔可夫模型中的每个观测数据属于各类隐藏状态的概率,将xj属于第k类隐藏状态的概率记为最后计算隐马尔可夫模型中的状态转移概率矩阵,记为Q,其中,K和k均为正整数,K表示隐马尔可夫模型中设定的隐藏状态的类别数,2≤K≤10,1≤k≤K,表示xj服从的高斯分布的概率密度函数,其变量为xj、均值为μk、方差为μk表示属于第k类隐藏状态的高斯分布的均值,τk表示属于第k类隐藏状态的高斯分布的精度即方差的倒数,Q1,1、Q1,2、Q1,k'、Q1,K对应表示Q中的第1行第1列的元素、第1行第2列的元素、第1行第k'列的元素、第1行第K列的元素,Q2,1、Q2,2、Q2,k'、Q2,K对应表示Q中的第2行第1列的元素、第2行第2列的元素、第2行第k'列的元素、第2行第K列的元素,Qk,1、Qk,2、Qk,k'、Qk,K对应表示Q中的第k行第1列的元素、第k行第2列的元素、第k行第k'列的元素、第k行第K列的元素,QK,1、QK,2、QK,k'、QK,K对应表示Q中的第K行第1列的元素、第K行第2列的元素、第K行第k'列的元素、第K行第K列的元素,1≤k'≤K,Qk,k'表示zj'-1=k的条件下zj'=k'的概率,2≤j'≤L,zj'-1表示隐马尔可夫模型中的第j'-1个观测数据xj'-1对应的隐藏状态,zj'表示隐马尔可夫模型中的第j'个观测数据xj'对应的隐藏状态;
步骤三:在隐马尔可夫模型中引入粘性因子,得到粘性隐马尔可夫模型;在粘性隐马尔可夫模型中,初始化属于每类隐藏状态的高斯分布的均值和精度,将μk的初始化值记为 将τk的初始化值记为 初始化状态转移概率矩阵Q,将Q的初始化值记为Q(0),Q(0)中的每行中的所有元素的共轭先验分布服从狄利克雷分布,Q(0)中的第k行中的所有元素的共轭先验分布服从的狄利克雷分布为:其中,表示Q(0)中的第k行中的所有元素,Dir()表示狄利克雷分布,γ表示狄利克雷分布的参数,κ表示粘性因子,δ(k,1)表示两个参数分别为k和1的克罗内克函数,δ(k,k')表示两个参数分别为k和k'的克罗内克函数,δ(k,K)表示两个参数分别为k和K的克罗内克函数,γ+κδ(k,1)表示共轭先验分布服从的狄利克雷分布的第1个元素,γ+κδ(k,k')表示共轭先验分布服从的狄利克雷分布的第k'个元素,γ+κδ(k,K)表示共轭先验分布服从的狄利克雷分布的第K个元素;
步骤四:令t表示迭代次数,t的初始值为1;令T表示设定的最大迭代次数,T≥3;
步骤五:计算粘性隐马尔可夫模型中的所有观测数据对应的隐藏状态在第t次迭代下的聚类结果,记为z(t),其中,表示求使得p(z|x,Q(t-1),μ(t-1),τ(t-1))取最大值时变量z的值,z为粘性隐马尔可夫模型中的所有观测数据对应的隐藏状态构成的向量,z=[z1,z2,…,zj,…,zL],z1表示第1个观测数据x1对应的隐藏状态,z2表示第2个观测数据x2对应的隐藏状态,zL表示第L个观测数据xL对应的隐藏状态,x表示粘性隐马尔可夫模型中的所有观测数据构成的向量,x=[x1,x2,…,xj,…,xL],t=1时Q(t-1)即为Q(0),t≠1时Q(t-1)表示粘性隐马尔可夫模型中的状态转移概率矩阵Q在第t-1次迭代下的值,t=1时μ(t-1)即为μ的初始值μ(0),μ=[μ1,…,μk…,μK],μ1表示属于第1类隐藏状态的高斯分布的均值,μK表示属于第K类隐藏状态的高斯分布的均值, 表示μ1的初始化值,表示μK的初始化值,t≠1时μ(t-1)表示μ在第t-1次迭代下的值, 表示μ1在第t-1次迭代下的值,表示μk在第t-1次迭代下的值,表示μK在第t-1次迭代下的值,t=1时τ(t-1)即为τ的初始值τ(0),τ=[τ1,…,τk,…,τK],τ1表示属于第1类隐藏状态的高斯分布的精度,τK表示属于第K类隐藏状态的高斯分布的精度, 表示τ1的初始化值,表示τK的初始化值,t≠1时τ(t-1)表示τ在第t-1次迭代下的值, 表示τ1在第t-1次迭代下的值,表示τk在第t-1次迭代下的值,表示τK在第t-1次迭代下的值,p(z|x,Q(t-1),μ(t-1),τ(t-1))表示z的后验概率,根据贝叶斯定理得到p(zj|x,Q(t-1),μ(t-1),τ(t-1))表示zj的后验概率,符号“∝”表示正比,xj+1表示第j+1个观测数据,xj+2表示第j+2个观测数据,p(zj,x1,x2,...,xj|Q(t-1),μ(t-1),τ(t-1))表示zj,x1,x2,...,xj的联合概率,p(xj+1,xj+2,...,xL|zj,Q(t-1),μ(t-1),τ(t-1))表示zj的条件下xj+1,xj+2,...,xL的联合概率,p(zj,x1,x2,...,xj|Q(t-1),μ(t-1),τ(t-1))和p(xj+1,xj+2,...,xL|zj,Q(t-1),μ(t-1),τ(t-1))通过前向后向算法计算得到, 表示z1在第t次迭代下的值,表示z2在第t次迭代下的值,为z(t)中的第j个元素,也即表示zj在第t次迭代下的值,表示zL在第t次迭代下的值;
步骤六:计算粘性隐马尔可夫模型中的状态转移概率矩阵Q在第t次迭代下的值,记为Q(t),Q(t)中的第k行中的所有元素的共轭先验分布服从的狄利克雷分布为:Q(t)中的第k行中的所有元素的后验分布服从的狄利克雷分布为:其中,表示Q(t)中的第k行中的所有元素,表示在第t次迭代下从第k类隐藏状态转移到第1类隐藏状态的观测数据的数量,表示在第t次迭代下从第k类隐藏状态转移到第k'类隐藏状态的观测数据的数量,表示在第t次迭代下从第k类隐藏状态转移到第K类隐藏状态的观测数据的数量,表示后验分布服从的狄利克雷分布的第1个元素,表示后验分布服从的狄利克雷分布的第k'个元素,表示后验分布服从的狄利克雷分布的第K个元素;
步骤七:利用属于同一类隐藏状态的所有观测数据,根据贝叶斯定理,计算在x和z(t)确定后μ在第t次迭代下的值μ(t)和τ在第t次迭代下的值τ(t)的后验概率,记为p(μ(t),τ(t)|x,z(t)),其中,μ(t)表示μ在第t次迭代下的值, 表示μ1在第t次迭代下的值,表示μk在第t次迭代下的值,表示μK在第t次迭代下的值,τ(t)表示τ在第t次迭代下的值, 表示τ1在第t次迭代下的值,表示τk在第t次迭代下的值,表示τK在第t次迭代下的值,表示服从的高斯分布的概率密度函数,其变量为均值为方差为 表示服从的伽马分布的概率密度函数,其变量为形状参数为速率参数为 表示在第t次迭代下属于第k类隐藏状态的观测数据的数量,表示在第t次迭代下属于第k类隐藏状态的所有观测数据的平均值, 表示在第t次迭代下属于第k类隐藏状态的第个观测数据,η0、m0、a0、b0均为常数;
步骤八:判断t<T是否成立,如果成立,则令t=t+1,然后返回步骤五继续迭代;如果不成立,则执行步骤九;其中,t=t+1中的“=”为赋值符号;
步骤九:将μ(t)中的每个元素的值作为对应一类隐藏状态的功率估计值,即将μ(t)中的第k个元素的值作为第k类隐藏状态的功率估计值;然后根据每类隐藏状态的功率估计值和每个观测数据对应的隐藏状态在第t次迭代下的值,计算每个频带的功率估计值,将第j个频带的功率估计值记为βj,若则βj等于第k类隐藏状态的功率估计值;再对每个频带的功率估计值与门限值进行比较,对于βj,如果βj小于门限值,则认为第j个频带未被授权用户占用,并将第j个频带作为可用频带;如果βj大于或等于门限值,则认为第j个频带已被授权用户占用,不能被认知用户使用;其中,门限值是根据给定的虚警概率计算得到的。
与现有技术相比,本发明的优点在于:
1)本发明方法适用于对多个频带内的信号进行多频带频谱感知,在对多频带内的信号进行频谱感知中,本发明方法通过在相邻频带之间增加粘性因子建立粘性隐马尔可夫模型,来增加相邻频带的相关性,利用到多频带中相邻频带的相关性进行多频带频谱检测,因此在相同条件下本发明方法能够充分提高所有频带的频谱利用率。
2)本发明方法由于利用到多个频带中相邻频带的相关性,从而不管频带是否具有稀疏性,均能够对多个频带同时进行频谱感知,并具有良好的检测性能。
3)本发明方法由于利用到粘性隐马尔可夫模型特有的对观测数据的有效聚类能力,可以实现快速收敛,从而具有较低的复杂度。
附图说明
图1为本发明方法的总体实现框图;
图2为信噪比为-10dB,频带占用率为20%(频带具有稀疏性)时本发明方法和使用无粘性的隐马尔可夫模型的方法的平均功率估计误差随迭代次数的变化曲线;
图3为信噪比为-10dB,频带占用率为80%(频带不具有稀疏性)时本发明方法和使用无粘性的隐马尔可夫模型的方法的平均功率估计误差随迭代次数的变化曲线;
图4为本发明方法和使用无粘性的隐马尔可夫模型的方法在给定的虚警概率为0.1时的检测概率随信噪比的性能曲线对比图;
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于粘性隐马尔可夫模型的多带频谱感知方法,其总体实现框图如图1所示,其具体包括以下步骤:
步骤一:在认知无线电系统中,对连续的L个频带内的信号进行采样,且对每个频带内的信号进行等时间间隔地采样,共采样得到N个样本,将对第j个频带内的信号进行采样得到的第n个样本记为rj(n);然后计算每个频带对应的接收信号功率,将第j个频带对应的接收信号功率记为xj,即为对第j个频带内的信号进行采样得到的所有样本的平均功率,其中,L、N、j和n均为正整数,L>1,100≤N≤1000,1≤j≤L,1≤n≤N,符号“| |”为求模符号,N的取值太大(N>1000)时采样的样本数量太多,会导致运算速度下降,因此只需确保N的取值充分大即可,当N充分大时,根据中心极限定理,xj服从高斯分布,即 表示噪声功率,表示第j个频带内授权用户的信号功率,表示第j个频带未被授权用户占用,表示第j个频带已被授权用户占用,表示xj服从均值为方差为的高斯分布,表示xj服从均值为方差为的高斯分布。
步骤二:将每个频带对应的接收信号功率作为隐马尔可夫模型中的观测数据,即隐马尔可夫模型中的第j个观测数据为xj;然后确定隐马尔可夫模型中的每个观测数据所对应的一个隐藏状态,将xj对应的隐藏状态记为zj,zj的取值为区间[1,K]中的一个值,若zj的取值为1则认为xj属于第1类隐藏状态,若zj的取值为k则认为xj属于第k类隐藏状态,若zj的取值为K则认为xj属于第K类隐藏状态;接着计算隐马尔可夫模型中的每个观测数据属于各类隐藏状态的概率,将xj属于第k类隐藏状态(即zj=k)的概率记为最后计算隐马尔可夫模型中的状态转移概率矩阵,记为Q,其中,K和k均为正整数,K表示隐马尔可夫模型中设定的隐藏状态的类别数,2≤K≤10,在本实施例中取K=4,1≤k≤K,表示xj服从的高斯分布的概率密度函数,其变量为xj、均值为μk、方差为μk表示属于第k类隐藏状态的高斯分布的均值,τk表示属于第k类隐藏状态的高斯分布的精度即方差的倒数,Q1,1、Q1,2、Q1,k'、Q1,K对应表示Q中的第1行第1列的元素、第1行第2列的元素、第1行第k'列的元素、第1行第K列的元素,Q2,1、Q2,2、Q2,k'、Q2,K对应表示Q中的第2行第1列的元素、第2行第2列的元素、第2行第k'列的元素、第2行第K列的元素,Qk,1、Qk,2、Qk,k'、Qk,K对应表示Q中的第k行第1列的元素、第k行第2列的元素、第k行第k'列的元素、第k行第K列的元素,QK,1、QK,2、QK,k'、QK,K对应表示Q中的第K行第1列的元素、第K行第2列的元素、第K行第k'列的元素、第K行第K列的元素,1≤k'≤K,Qk,k'表示zj'-1=k的条件下zj'=k'的概率,2≤j'≤L,zj'-1表示隐马尔可夫模型中的第j'-1个观测数据xj'-1对应的隐藏状态,zj'表示隐马尔可夫模型中的第j'个观测数据xj'对应的隐藏状态。
步骤三:在隐马尔可夫模型中引入粘性因子,得到粘性隐马尔可夫模型;在粘性隐马尔可夫模型中,初始化属于每类隐藏状态的高斯分布的均值和精度,将μk的初始化值记为 将τk的初始化值记为 初始化状态转移概率矩阵Q,将Q的初始化值记为Q(0),Q(0)中的每行中的所有元素的共轭先验分布服从狄利克雷分布,Q(0)中的第k行中的所有元素的共轭先验分布服从的狄利克雷分布为:其中,表示Q(0)中的第k行中的所有元素,Dir()表示狄利克雷分布,γ表示狄利克雷分布的参数,在本实施例中取γ=1,κ表示粘性因子,在本实施例中取κ=50,δ(k,1)表示两个参数分别为k和1的克罗内克函数,δ(k,k')表示两个参数分别为k和k'的克罗内克函数,δ(k,K)表示两个参数分别为k和K的克罗内克函数,γ+κδ(k,1)表示共轭先验分布服从的狄利克雷分布的第1个元素,γ+κδ(k,k')表示共轭先验分布服从的狄利克雷分布的第k'个元素,γ+κδ(k,K)表示共轭先验分布服从的狄利克雷分布的第K个元素。
步骤四:令t表示迭代次数,t的初始值为1;令T表示设定的最大迭代次数,T≥3,在本实施例中取T=100。
步骤五:计算粘性隐马尔可夫模型中的所有观测数据对应的隐藏状态在第t次迭代下的聚类结果,记为z(t),其中,表示求使得p(z|x,Q(t-1),μ(t-1),τ(t-1))取最大值时变量z的值,z为粘性隐马尔可夫模型中的所有观测数据对应的隐藏状态构成的向量,z=[z1,z2,…,zj,…,zL],z1表示第1个观测数据x1对应的隐藏状态,z2表示第2个观测数据x2对应的隐藏状态,zL表示第L个观测数据xL对应的隐藏状态,x表示粘性隐马尔可夫模型中的所有观测数据构成的向量,x=[x1,x2,…,xj,…,xL],t=1时Q(t-1)即为Q(0),t≠1时Q(t-1)表示粘性隐马尔可夫模型中的状态转移概率矩阵Q在第t-1次迭代下的值,t=1时μ(t-1)即为μ的初始值μ(0),μ=[μ1,…,μk…,μK],μ1表示属于第1类隐藏状态的高斯分布的均值,μK表示属于第K类隐藏状态的高斯分布的均值, 表示μ1的初始化值,表示μK的初始化值,t≠1时μ(t-1)表示μ在第t-1次迭代下的值, 表示μ1在第t-1次迭代下的值,表示μk在第t-1次迭代下的值,表示μK在第t-1次迭代下的值,t=1时τ(t-1)即为τ的初始值τ(0),τ=[τ1,…,τk,…,τK],τ1表示属于第1类隐藏状态的高斯分布的精度,τK表示属于第K类隐藏状态的高斯分布的精度, 表示τ1的初始化值,表示τK的初始化值,t≠1时τ(t-1)表示τ在第t-1次迭代下的值, 表示τ1在第t-1次迭代下的值,表示τk在第t-1次迭代下的值,表示τK在第t-1次迭代下的值,p(z|x,Q(t-1),μ(t-1),τ(t-1))表示z的后验概率,根据贝叶斯定理得到p(zj|x,Q(t-1),μ(t-1),τ(t-1))表示zj的后验概率,符号“∝”表示正比,xj+1表示第j+1个观测数据,xj+2表示第j+2个观测数据,p(zj,x1,x2,...,xj|Q(t-1),μ(t-1),τ(t-1))表示zj,x1,x2,...,xj的联合概率,p(xj+1,xj+2,...,xL|zj,Q(t-1),μ(t-1),τ(t-1))表示zj的条件下xj+1,xj+2,...,xL的联合概率,p(zj,x1,x2,...,xj|Q(t-1),μ(t-1),τ(t-1))和p(xj+1,xj+2,...,xL|zj,Q(t-1),μ(t-1),τ(t-1))通过现有的前向后向算法计算得到, 表示z1在第t次迭代下的值,表示z2在第t次迭代下的值,为z(t)中的第j个元素,也即表示zj在第t次迭代下的值,表示zL在第t次迭代下的值。
步骤六:计算粘性隐马尔可夫模型中的状态转移概率矩阵Q在第t次迭代下的值,记为Q(t),Q(t)中的第k行中的所有元素的共轭先验分布服从的狄利克雷分布为:Q(t)中的第k行中的所有元素的后验分布服从的狄利克雷分布为:其中,表示Q(t)中的第k行中的所有元素,表示在第t次迭代下从第k类隐藏状态转移到第1类隐藏状态的观测数据的数量,表示在第t次迭代下从第k类隐藏状态转移到第k'类隐藏状态的观测数据的数量,表示在第t次迭代下从第k类隐藏状态转移到第K类隐藏状态的观测数据的数量,表示后验分布服从的狄利克雷分布的第1个元素,表示后验分布服从的狄利克雷分布的第k'个元素,表示后验分布服从的狄利克雷分布的第K个元素。
步骤七:利用属于同一类隐藏状态的所有观测数据,根据贝叶斯定理,计算在x和z(t)确定后μ在第t次迭代下的值μ(t)和τ在第t次迭代下的值τ(t)的后验概率,记为p(μ(t),τ(t)|x,z(t)),其中,μ(t)表示μ在第t次迭代下的值, 表示μ1在第t次迭代下的值,表示μk在第t次迭代下的值,表示μK在第t次迭代下的值,τ(t)表示τ在第t次迭代下的值, 表示τ1在第t次迭代下的值,表示τk在第t次迭代下的值,表示τK在第t次迭代下的值,表示服从的高斯分布的概率密度函数,其变量为均值为方差为 表示服从的伽马分布的概率密度函数,其变量为形状参数为速率参数为 表示在第t次迭代下属于第k类隐藏状态的观测数据的数量,表示在第t次迭代下属于第k类隐藏状态的所有观测数据的平均值,表示在第t次迭代下属于第k类隐藏状态的第个观测数据,η0、m0、a0、b0均为常数,在本实施例中取m0=1、η0=1、a0=1、b0=1。
步骤八:判断t<T是否成立,如果成立,则令t=t+1,然后返回步骤五继续迭代;如果不成立,则执行步骤九;其中,t=t+1中的“=”为赋值符号。
步骤九:将μ(t)中的每个元素的值作为对应一类隐藏状态的功率估计值,即将μ(t)中的第k个元素的值作为第k类隐藏状态的功率估计值;然后根据每类隐藏状态的功率估计值和每个观测数据对应的隐藏状态在第t次迭代下的值,计算每个频带的功率估计值,将第j个频带的功率估计值记为βj,若则βj等于第k类隐藏状态的功率估计值;再对每个频带的功率估计值与门限值进行比较,对于βj,如果βj小于门限值,则认为第j个频带未被授权用户占用,并将第j个频带作为可用频带;如果βj大于或等于门限值,则认为第j个频带已被授权用户占用,不能被认知用户使用;其中,门限值是根据给定的虚警概率计算得到的,在本实施例中给定的虚警概率为0.1。在具体实施时也可直接将门限值设定为4.0548,该值是通过大量实验获得的。
通过以下仿真来进一步说明本发明方法的可行性和有效性。
图2给出了信噪比为-10dB,频带占用率为20%(频带具有稀疏性)时本发明方法和使用无粘性的隐马尔可夫模型的方法的平均功率估计误差随迭代次数的变化曲线;图3给出了信噪比为-10dB,频带占用率为80%(频带不具有稀疏性)时本发明方法和使用无粘性的隐马尔可夫模型的方法的平均功率估计误差随迭代次数的变化曲线。平均功率估计误差的计算公式为:其中,βj表示第j个频带的功率估计值,表示第j个频带内授权用户的信号功率,表示噪声功率,符号表示求2-范数的平方符号。从图2和图3中可以看出,本发明方法的收敛速度快,平均功率估计误差低,且不管频带是否具有稀疏性,均能够对多个频带同时进行频谱感知,并且与使用无粘性的隐马尔可夫模型的方法相比,具有更低的平均功率估计误差。
图4给出了本发明方法和使用无粘性的隐马尔可夫模型的方法在给定的虚警概率为0.1时的检测概率随信噪比的性能曲线对比图。从图4中可以看出,在两种方法中,检测概率都随着信噪比的增大而增大,不过本发明方法的性能明显要优于使用无粘性的隐马尔可夫模型的方法,因此本发明方法能够很好地提高多频带频谱感知的检测概率。
Claims (1)
1.一种基于粘性隐马尔可夫模型的多带频谱感知方法,其特征在于具体包括以下步骤:
步骤一:在认知无线电系统中,对连续的L个频带内的信号进行采样,且对每个频带内的信号进行等时间间隔地采样,共采样得到N个样本,将对第j个频带内的信号进行采样得到的第n个样本记为rj(n);然后计算每个频带对应的接收信号功率,将第j个频带对应的接收信号功率记为xj,即为对第j个频带内的信号进行采样得到的所有样本的平均功率,其中,L、N、j和n均为正整数,L>1,100≤N≤1000,1≤j≤L,1≤n≤N,符号“||”为求模符号,xj服从高斯分布,即 表示噪声功率,表示第j个频带内授权用户的信号功率,表示第j个频带未被授权用户占用,表示第j个频带已被授权用户占用,表示xj服从均值为方差为的高斯分布,表示xj服从均值为方差为的高斯分布;
步骤二:将每个频带对应的接收信号功率作为隐马尔可夫模型中的观测数据,即隐马尔可夫模型中的第j个观测数据为xj;然后确定隐马尔可夫模型中的每个观测数据所对应的一个隐藏状态,将xj对应的隐藏状态记为zj,zj的取值为区间[1,K]中的一个值,若zj的取值为1则认为xj属于第1类隐藏状态,若zj的取值为k则认为xj属于第k类隐藏状态,若zj的取值为K则认为xj属于第K类隐藏状态;接着计算隐马尔可夫模型中的每个观测数据属于各类隐藏状态的概率,将xj属于第k类隐藏状态的概率记为最后计算隐马尔可夫模型中的状态转移概率矩阵,记为Q,其中,K和k均为正整数,K表示隐马尔可夫模型中设定的隐藏状态的类别数,K=4,1≤k≤K,表示xj服从的高斯分布的概率密度函数,其变量为xj、均值为μk、方差为μk表示属于第k类隐藏状态的高斯分布的均值,τk表示属于第k类隐藏状态的高斯分布的精度即方差的倒数,Q1,1、Q1,2、Q1,k'、Q1,K对应表示Q中的第1行第1列的元素、第1行第2列的元素、第1行第k'列的元素、第1行第K列的元素,Q2,1、Q2,2、Q2,k'、Q2,K对应表示Q中的第2行第1列的元素、第2行第2列的元素、第2行第k'列的元素、第2行第K列的元素,Qk,1、Qk,2、Qk,k'、Qk,K对应表示Q中的第k行第1列的元素、第k行第2列的元素、第k行第k'列的元素、第k行第K列的元素,QK,1、QK,2、QK,k'、QK,K对应表示Q中的第K行第1列的元素、第K行第2列的元素、第K行第k'列的元素、第K行第K列的元素,1≤k'≤K,Qk,k'表示zj'-1=k的条件下zj'=k'的概率,2≤j'≤L,zj'-1表示隐马尔可夫模型中的第j'-1个观测数据xj'-1对应的隐藏状态,zj'表示隐马尔可夫模型中的第j'个观测数据xj'对应的隐藏状态;
步骤三:在隐马尔可夫模型中引入粘性因子,得到粘性隐马尔可夫模型;在粘性隐马尔可夫模型中,初始化属于每类隐藏状态的高斯分布的均值和精度,将μk的初始化值记为将τk的初始化值记为初始化状态转移概率矩阵Q,将Q的初始化值记为Q(0),Q(0)中的每行中的所有元素的共轭先验分布服从狄利克雷分布,Q(0)中的第k行中的所有元素的共轭先验分布服从的狄利克雷分布为:其中,表示Q(0)中的第k行中的所有元素,Dir()表示狄利克雷分布,γ表示狄利克雷分布的参数,κ表示粘性因子,δ(k,1)表示两个参数分别为k和1的克罗内克函数,δ(k,k')表示两个参数分别为k和k'的克罗内克函数,δ(k,K)表示两个参数分别为k和K的克罗内克函数,γ+κδ(k,1)表示共轭先验分布服从的狄利克雷分布的第1个元素,γ+κδ(k,k')表示共轭先验分布服从的狄利克雷分布的第k'个元素,γ+κδ(k,K)表示共轭先验分布服从的狄利克雷分布的第K个元素;
步骤四:令t表示迭代次数,t的初始值为1;令T表示设定的最大迭代次数,T≥3;
步骤五:计算粘性隐马尔可夫模型中的所有观测数据对应的隐藏状态在第t次迭代下的聚类结果,记为z(t),其中,表示求使得p(z|x,Q(t-1),μ(t-1),τ(t-1))取最大值时变量z的值,z为粘性隐马尔可夫模型中的所有观测数据对应的隐藏状态构成的向量,z=[z1,z2,…,zj,…,zL],z1表示第1个观测数据x1对应的隐藏状态,z2表示第2个观测数据x2对应的隐藏状态,zL表示第L个观测数据xL对应的隐藏状态,x表示粘性隐马尔可夫模型中的所有观测数据构成的向量,x=[x1,x2,…,xj,…,xL],t=1时Q(t-1)即为Q(0),t≠1时Q(t-1)表示粘性隐马尔可夫模型中的状态转移概率矩阵Q在第t-1次迭代下的值,t=1时μ(t-1)即为μ的初始值μ(0),μ=[μ1,…,μk…,μK],μ1表示属于第1类隐藏状态的高斯分布的均值,μK表示属于第K类隐藏状态的高斯分布的均值, 表示μ1的初始化值,表示μK的初始化值,t≠1时μ(t-1)表示μ在第t-1次迭代下的值, 表示μ1在第t-1次迭代下的值,表示μk在第t-1次迭代下的值,表示μK在第t-1次迭代下的值,t=1时τ(t-1)即为τ的初始值τ(0),τ=[τ1,…,τk,…,τK],τ1表示属于第1类隐藏状态的高斯分布的精度,τK表示属于第K类隐藏状态的高斯分布的精度, 表示τ1的初始化值,表示τK的初始化值,t≠1时τ(t-1)表示τ在第t-1次迭代下的值, 表示τ1在第t-1次迭代下的值,表示τk在第t-1次迭代下的值,表示τK在第t-1次迭代下的值,p(z|x,Q(t-1),μ(t-1),τ(t-1))表示z的后验概率,根据贝叶斯定理得到
p(zj|x,Q(t-1),μ(t-1),τ(t-1))表示zj的后验概率,符号“∝”表示正比,xj+1表示第j+1个观测数据,xj+2表示第j+2个观测数据,p(zj,x1,x2,...,xj|Q(t-1),μ(t-1),τ(t-1))表示zj,x1,x2,...,xj的联合概率,p(xj+1,xj+2,...,xL|zj,Q(t-1),μ(t-1),τ(t-1))表示zj的条件下xj+1,xj+2,...,xL的联合概率,p(zj,x1,x2,...,xj|Q(t-1),μ(t-1),τ(t-1))和p(xj+1,xj+2,...,xL|zj,Q(t-1),μ(t-1),τ(t-1))通过前向后向算法计算得到, 表示z1在第t次迭代下的值,表示z2在第t次迭代下的值,为z(t)中的第j个元素,也即表示zj在第t次迭代下的值,表示zL在第t次迭代下的值;
步骤六:计算粘性隐马尔可夫模型中的状态转移概率矩阵Q在第t次迭代下的值,记为Q(t),Q(t)中的第k行中的所有元素的共轭先验分布服从的狄利克雷分布为:Q(t)中的第k行中的所有元素的后验分布服从的狄利克雷分布为:其中,表示Q(t)中的第k行中的所有元素,表示在第t次迭代下从第k类隐藏状态转移到第1类隐藏状态的观测数据的数量,表示在第t次迭代下从第k类隐藏状态转移到第k'类隐藏状态的观测数据的数量,表示在第t次迭代下从第k类隐藏状态转移到第K类隐藏状态的观测数据的数量,表示后验分布服从的狄利克雷分布的第1个元素,表示后验分布服从的狄利克雷分布的第k'个元素,表示后验分布服从的狄利克雷分布的第K个元素;
步骤七:利用属于同一类隐藏状态的所有观测数据,根据贝叶斯定理,计算在x和z(t)确定后μ在第t次迭代下的值μ(t)和τ在第t次迭代下的值τ(t)的后验概率,记为p(μ(t),τ(t)|x,z(t)),其中,μ(t)表示μ在第t次迭代下的值, 表示μ1在第t次迭代下的值,表示μk在第t次迭代下的值,表示μK在第t次迭代下的值,τ(t)表示τ在第t次迭代下的值, 表示τ1在第t次迭代下的值,表示τk在第t次迭代下的值,表示τK在第t次迭代下的值,表示服从的高斯分布的概率密度函数,其变量为均值为方差为表示服从的伽马分布的概率密度函数,其变量为形状参数为速率参数为 表示在第t次迭代下属于第k类隐藏状态的观测数据的数量,表示在第t次迭代下属于第k类隐藏状态的所有观测数据的平均值,表示在第t次迭代下属于第k类隐藏状态的第个观测数据,η0、m0、a0、b0均为常数;
步骤八:判断t<T是否成立,如果成立,则令t=t+1,然后返回步骤五继续迭代;如果不成立,则执行步骤九;其中,t=t+1中的“=”为赋值符号;
步骤九:将μ(t)中的每个元素的值作为对应一类隐藏状态的功率估计值,即将μ(t)中的第k个元素的值作为第k类隐藏状态的功率估计值;然后根据每类隐藏状态的功率估计值和每个观测数据对应的隐藏状态在第t次迭代下的值,计算每个频带的功率估计值,将第j个频带的功率估计值记为βj,若则βj等于第k类隐藏状态的功率估计值;
再对每个频带的功率估计值与门限值进行比较,对于βj,如果βj小于门限值,则认为第j个频带未被授权用户占用,并将第j个频带作为可用频带;如果βj大于或等于门限值,则认为第j个频带已被授权用户占用,不能被认知用户使用;其中,门限值是根据给定的虚警概率计算得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856385.7A CN112187383B (zh) | 2020-08-24 | 2020-08-24 | 一种基于粘性隐马尔可夫模型的多带频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856385.7A CN112187383B (zh) | 2020-08-24 | 2020-08-24 | 一种基于粘性隐马尔可夫模型的多带频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112187383A CN112187383A (zh) | 2021-01-05 |
CN112187383B true CN112187383B (zh) | 2022-05-20 |
Family
ID=73924304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010856385.7A Active CN112187383B (zh) | 2020-08-24 | 2020-08-24 | 一种基于粘性隐马尔可夫模型的多带频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112187383B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114222305A (zh) * | 2021-12-24 | 2022-03-22 | 宁波大学 | 一种基于粘性隐马尔可夫模型的协同频谱感知方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106972899A (zh) * | 2017-05-11 | 2017-07-21 | 同济大学 | 一种基于多用户历史感知数据挖掘的协作频谱感知方法 |
CN107070569A (zh) * | 2017-03-06 | 2017-08-18 | 广西大学 | 基于hmm模型的多点协作频谱感知方法 |
CN110868723A (zh) * | 2019-09-27 | 2020-03-06 | 宁波大学 | 一种基于功率方差比较的多频带迭代频谱感知方法 |
-
2020
- 2020-08-24 CN CN202010856385.7A patent/CN112187383B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107070569A (zh) * | 2017-03-06 | 2017-08-18 | 广西大学 | 基于hmm模型的多点协作频谱感知方法 |
CN106972899A (zh) * | 2017-05-11 | 2017-07-21 | 同济大学 | 一种基于多用户历史感知数据挖掘的协作频谱感知方法 |
CN110868723A (zh) * | 2019-09-27 | 2020-03-06 | 宁波大学 | 一种基于功率方差比较的多频带迭代频谱感知方法 |
Non-Patent Citations (4)
Title |
---|
Dual sticky hierarchical Dirichlet process hidden Markov model and its application to natural language description of motions;Weiming Hu等;《IEEE Transactions on Pattern Analysis & Machine Intelligence》;20170926;全文 * |
Mobile Collaborative Spectrum Sensing for Heterogeneous Networks: A Bayesian Machine Learning Approach;Yizhen Xu;《IEEE Transactions on Signal Processing》;20180914;全文 * |
Spectrum Sensing Using Weighted Covariance Matrix in Rayleigh Fading Channels;Jin Ming;《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》;20151130;全文 * |
不完备先验信息下的稳健频谱感知方法研究;金明;《宁波大学科技成果》;20180910;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112187383A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107743103B (zh) | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 | |
CN109039534B (zh) | 一种基于深度神经网络的稀疏码分多址信号检测方法 | |
CN112187382B (zh) | 一种基于粘性隐马尔可夫模型的噪声功率估计方法 | |
CN113194548B (zh) | 一种智能超表面辅助的大规模无源随机接入方法 | |
CN112187383B (zh) | 一种基于粘性隐马尔可夫模型的多带频谱感知方法 | |
CN113572708B (zh) | 一种dft信道估计改进方法 | |
CN111126562A (zh) | 基于神经网络的目标算法拟合方法、终端以及应用 | |
CN110460354B (zh) | 一种伪码序列盲估计系统 | |
CN111693993B (zh) | 自适应1比特数据雷达成像方法 | |
CN112087275B (zh) | 基于生灭过程和粘性隐马尔可夫模型的合作频谱感知方法 | |
Li et al. | Blind source separation of signals with known alphabets using/spl epsi/-approximation algorithms | |
CN112202513B (zh) | 基于生灭过程和粘性隐马尔可夫模型的多带频谱感知方法 | |
CN103346984A (zh) | 基于bsl0的局部聚类稀疏信道估计方法 | |
CN110474798B (zh) | 一种利用回声状态网络预测无线通信未来信号的方法 | |
CN111490807A (zh) | 基于mldc和逐位判决的直扩信号扩频码估计方法 | |
CN104994042A (zh) | 基于自相关函数的自同步扰码生成多项式的盲识别方法 | |
CN112929128A (zh) | 一种基于置信度传播的mimo检测方法、装置 | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
CN101686066B (zh) | 信道估计方法和装置 | |
CN114070353B (zh) | 一种同步长码ds-cdma信号盲解扩方法 | |
CN116827873A (zh) | 一种基于局部-全局特征注意力的加密应用流量分类方法及系统 | |
Saoudi et al. | A fast soft bit error rate estimation method | |
CN114337883A (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
CN110311743B (zh) | 一种变分推断估计主用户占空比的方法 | |
CN110784887B (zh) | 网格化无线电信号监测系统中异常信号源数量的检测方法 |
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 |