CN113133001B - 基于230MHz电力专用频谱的智能频谱感知方法、装置和系统 - Google Patents

Abstract

本发明公开基于230MHz电力专用频谱的智能频谱感知方法、装置和系统，其中，该方法包括终端实时小区检测各频谱资源的信干噪比，并基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，从而形成频谱切换序列，终端当需要进行频谱搬移时，根据频谱切换序列向终端提出申请基站收到终端的切换申请后，依据终端发送的频谱切换序列与当前备选频点集分配为终端申请频谱资源。本发明在实施干扰规避的同时，终端用户能够根据现有的频谱信息预测未来时刻频谱空闲概率，在有效降低传输冲突的同时最大化频谱利用率，充分利用了230MHz特殊行业专用频道的频谱资源，避免了大量的频谱资源浪费。

Description

基于230MHz电力专用频谱的智能频谱感知方法、装置和系统

技术领域

本发明涉及无线传输技术领域，具体地，涉及基于230MHz电力专用频谱的智能频谱感知方法、装置和系统。

背景技术

电力行业拥有223MHz-235MHz频段范围内40个离散频点的授权，该频段共分配给7个行业用户使用，目前在230MHz频段的在其他行业的使用还不充分,大部分频点处于闲置状态。为此国家无委鼓励有频谱需求行业用户根据自身业务需求申请非授权的空闲频点使用。非授权频点不受政策保护，难免会有未知干扰存在。采用频谱感知技术可以感知非授权频点的干扰情况，灵活、合理而可靠地应用非授权频点资源。

基于认知无线电的频谱感知技术可以有效识别可用频谱与受干扰频谱，为最大限度利用频谱资源、规避干扰频段提供依据。频谱感知有发射机的检测、合作检测、基于干扰的检测等多种技术。现有的频谱感知技术容易受到噪声、信道不确定性和累积干扰不确定性影响，同时现有频谱感知技术的能量成本很高，受限于有限的能量资源、有限的存储与有限的处理能力。因此需要对现有的频谱感知技术进行优化，降低能量损耗，提高系统可靠性。

发明内容

本发明针对现有频谱感知技术容易受到噪声、信道不确定性和累积干扰不确定性影响且能量成本过高等不足，提供了基于230MHz电力专用频谱的智能频谱感知方法。

本发明为实现上述技术目的，采用以下技术方案。

一方面，本发明提供基于230MHz电力专用频谱的智能频谱感知方法，其特征在于，包括：

终端实时进行小区检测，获得各频谱资源的信干噪比，基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，获得频谱切换序列；

终端驻留于被阻塞的子带时，根据频谱切换序列向基站发起频点切换申请；

终端获得基站根据终端发送的频谱切换序列与当前备选频点集为其分配的频谱资源。

进一步地，终端获得频谱切换序列的具体方法包括：

C1：终端基于频谱感知推测基站侧的信道状态，所有可能的信道状态的集合由X＝{x₁,…x_N}表示,其中N为所有可能的状态数；用Y＝{y₁,…y_M}表示所有可能的观测状态的集合，其中M为所有可能的观测数。其中设q_n表示信道在时刻n所处的信道状态，o_n表示与之对应的观测值，O＝{o₁,o₂,…,o_N}为时刻1,…,N的观测序列。

隐马尔科夫模型是由初始状态概率序列π，状态转移矩阵A和观测概率矩阵B所决定的。初始状态概率序列π＝{π_i}，π_i＝P(q₁＝x_i)为初始状态分布，表示时刻t＝1处于状态x_i的概率。状态转移矩阵为A＝[a_ij]_2×2,a_ij＝P(q_n+1＝X_j|q_n＝X_i),X_i,X_j∈X，a_ij表示时刻n处于状态X_i的条件下n+1时刻处于状态X_j的概率，观测概率矩阵B为B＝[b_ik]_2×2,b_ik＝P(o_n+1＝Y_k|q_n＝X_i),X_i∈X,Y_k∈Y，其中b_ik表示时刻i处于状态X_i的条件下n+1时刻处于状态Y_k的概率,。

其中O＝{o₁,o₂,…,o_N}是可观测的，基于该序列使用式(1)估计模型参数：

Λ^*＝arg maxP(O|Λ) (1)

Λ为初始隐马尔科夫模型Λ＝(π,A,B),π为初始状态概率分布，A为状态转移概率矩阵，B为观测概率矩阵。Λ^*为由Baum-Welch算法迭代得到的局部最优模型。

C2：对真实频谱状态进行估计，运用维特比算法解决优化问题Q＝arg max P(Q,O|Λ)，使得频谱感知结果序列O＝{o₁,o₂,…,o_N}的概率最大的频谱状态序列；

C3：对频谱状态预测，已知由C1得到的模型参数与由C2解码得到的真实频谱状态序列，终端用户根据式(2)进行未来时刻的频谱状态预测：

其中待测矩阵Q＝{q₁,q₂,…,q_M}代表前M个时刻的信道状态，表示预测的下一是时刻的信道状态，/>表示信道被占用，/>表示信道空闲。

C4：对C3得到的未来时刻频谱空闲状态概率进行排序，设计合理的频谱切换序列。

再进一步地，隐马尔科夫训练模型算法为Baum-Welch算法。

第二方方面，本发明提供基于230MHz电力专用频谱的智能频谱感知终端，其特征在于包括：频谱切换序列确定模块和频点切换申请模块；

所述频谱切换序列确定模块用于终端实时进行小区检测，获得各频谱资源的信干噪比，基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，获得频谱切换序列；

所述频点切换申请模块，用于终端驻留于被阻塞的子带时，根据频谱切换序列向基站发起频点切换申请；终端获得基站根据终端发送的频谱切换序列与当前备选频点集为其分配的频谱资源。

第三方面，本发明提供基于230MHz电力专用频谱的智能频谱感知方法，其特征在于，包括以下步骤：

230MHz电力专用频谱基站在设定周期内同步子帧对小区内的全部授权子带的所有频点的噪声进行测量；

如果发现存在连续M个子带中的N个子带的干扰信号过强，基站已经无法正确解调这些子带的信号，则在M个子带上所有授权子带进行小区信息更新，指出该子带已经被阻塞，阻塞信号仅发送一次，发送后，整个组停止全部信号的发送，其中M和N为预先设定参数；

终端驻留于被阻塞的子带后，向基站发起频点切换申请；终端实时小区检测各频谱资源的信干噪比，并基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，从而形成频谱切换序列，终端当需要进行频谱搬移时，根据频谱切换序列向终端提出申请。

终端实时进行小区检测，获得各频谱资源的信干噪比，基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，获得频谱切换序列；

终端驻留于被阻塞的子带时，根据频谱切换序列向基站发起频点切换申请；终端获得基站根据终端发送的频谱切换序列与当前备选频点集为其分配的频谱资源。

进一步地，所述终端获得频谱切换序列的具体方法包括：

C1：终端基于频谱感知推测基站侧的信道状态，所有可能的信道状态的集合由X＝{x₁,…x_N}表示,其中N为所有可能的状态数；用Y＝{y₁,…y_M}表示所有可能的观测状态的集合，其中M为所有可能的观测数。其中设q_n表示信道在时刻n所处的信道状态，o_n表示与之对应的观测值，O＝{o₁,o₂,…,o_N}为时刻1,…,N的观测序列。

隐马尔科夫模型是由初始状态概率序列π，状态转移矩阵A和观测概率矩阵B所决定的。初始状态概率序列π＝{π_i}，π_i＝P(q₁＝x_i)为初始状态分布，表示时刻t＝1处于状态x_i的概率。状态转移矩阵为A＝[a_ij]_2×2,a_ij＝P(q_n+1＝X_j|q_n＝X_i),X_i,X_j∈X，a_ij表示时刻n处于状态X_i的条件下n+1时刻处于状态X_j的概率，观测概率矩阵B为B＝[b_ik]_2×2,b_ik＝P(o_n+1＝Y_k|q_n＝X_i),X_i∈X,Y_k∈Y，其中b_ik表示时刻i处于状态X_i的条件下n+1时刻处于状态Y_k的概率,。

其中O＝{o₁,o₂,…,o_N}是可观测的，基于该序列使用式(1)估计模型参数：

Λ^*＝arg maxP(O|Λ) (1)

Λ为初始隐马尔科夫模型Λ＝(π,A,B),π为初始状态概率分布，A为状态转移概率矩阵，B为观测概率矩阵；Λ^*为由Baum-Welch算法迭代得到的局部最优模型。

C2：对真实频谱状态进行估计，运用维特比算法解决优化问题Q＝arg maxP(Q,O|Λ)，使得频谱感知结果序列O＝{o₁,o₂,…,o_N}的概率最大的频谱状态序列；

C3：对频谱状态预测，已知由C1得到的模型参数与由C2解码得到的真实频谱状态序列，终端用户根据式(2)进行未来时刻的频谱状态预测：

其中待测矩阵Q＝{q₁,q₂,…,q_M}代表前M个时刻的信道状态，表示预测的下一是时刻的信道状态，/>表示信道被占用，/>表示信道空闲。

C4：对C3得到的未来时刻频谱空闲状态概率进行排序，设计频谱切换序列。

第四方面，本发明提供基于230MHz电力专用频谱的智能频谱感知系统，其特征在于，包括：230MHz电力专用频谱基站和终端；

所述230MHz电力专用频谱基站，用于在设定周期内同步子帧对小区内的全部授权子带的所有频点的噪声进行测量；

如果发现存在连续M个子带中的N个子带的干扰信号过强，基站已经无法正确解调这些子带的信号，则在M个子带上所有授权子带进行小区信息更新，指出该子带已经被阻塞，阻塞信号仅发送一次，发送后，整个组停止全部信号的发送，其中M和N为预先设定参数；

所述终端驻留于被阻塞的子带后，向基站发起频点切换申请；终端实时小区检测各频谱资源的信干噪比，并基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，从而形成频谱切换序列，终端当需要进行频谱搬移时，根据频谱切换序列向终端提出申请。

终端实时进行小区检测，获得各频谱资源的信干噪比，基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，获得频谱切换序列；

终端驻留于被阻塞的子带时，根据频谱切换序列向基站发起频点切换申请；终端获得基站根据终端发送的频谱切换序列与当前备选频点集为其分配的频谱资源。

进一步地，包括所述基站还用于实行带内干扰检测规避算法提升系统性能。

有益技术效果：

本发明针对现有频谱感知技术容易受到噪声、信道不确定性和累积干扰不确定性影响且能量成本过高等不足，提供了一种面向230MHz电力专用频谱的智能频谱感知方法，基站侧在实施干扰规避的同时，基于隐马尔科夫链利用当前时刻的信道状态预测未来时刻的频谱空闲概率，在有效降低传输冲突的同时最大化频谱利用率，充分利用了230MHz特殊行业专用频道的频谱资源，避免了大量的频谱资源浪费。

附图说明

图1为本发明实施的智能频谱感知方法示意框图。

图2为本发明实施的阻塞单元划分示意图。

图3为本发明实施的基站干扰检测规避算法流程图。

图4为本发明实施的基于隐马尔科夫链构件频谱切换序列流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成的特征与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

实施一、基于230MHz电力专用频谱的智能频谱感知方法，其特征在于，包括：

终端实时进行小区检测，获得各频谱资源的信干噪比，基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，获得频谱切换序列；

终端驻留于被阻塞的子带时，根据频谱切换序列向基站发起频点切换申请；

终端获得基站根据终端发送的频谱切换序列与当前备选频点集为其分配的频谱资源。

本实施例中终端获得频谱切换序列的具体方法包括：

C1：终端基于频谱感知推测基站侧的信道状态，所有可能的信道状态的集合由X＝{x₁,…x_N}表示,其中N为所有可能的状态数；用Y＝{y₁,…y_M}表示所有可能的观测状态的集合，其中M为所有可能的观测数。其中设q_n表示信道在时刻n所处的信道状态，o_n表示与之对应的观测值，O＝{o₁,o₂,…,o_N}为时刻1,…,N的观测序列。

隐马尔科夫模型是由初始状态概率序列π，状态转移矩阵A和观测概率矩阵B所决定的。初始状态概率序列π＝{π_i}，π_i＝P(q₁＝x_i)为初始状态分布，表示时刻t＝1处于状态x_i的概率。状态转移矩阵为A＝[a_ij]_2×2,a_ij＝P(q_n+1＝X_j|q_n＝X_i),X_i,X_j∈X，a_ij表示时刻n处于状态X_i的条件下n+1时刻处于状态X_j的概率，观测概率矩阵B为B＝[b_ik]_2×2,b_ik＝P(o_n+1＝Y_k|q_n＝X_i),X_i∈X,Y_k∈Y，其中b_ik表示时刻i处于状态X_i的条件下n+1时刻处于状态Y_k的概率,。

其中O＝{o₁,o₂,…,o_N}是可观测的，基于该序列使用式(1)估计模型参数：

Λ^*＝arg maxP(O|Λ) (1)

Λ为初始隐马尔科夫模型Λ＝(π,A,B),π为初始状态概率分布，A为状态转移概率矩阵，B为观测概率矩阵。Λ^*为由Baum-Welch算法迭代得到的局部最优模型。

C2：对真实频谱状态进行估计，运用维特比算法解决优化问题Q＝arg maxP(Q,O|Λ)，使得频谱感知结果序列O＝{o₁,o₂,…,o_N}的概率最大的频谱状态序列；

C3：对频谱状态预测，已知由C1得到的模型参数与由C2解码得到的真实频谱状态序列，终端用户根据式(2)进行未来时刻的频谱状态预测：

其中待测矩阵Q＝{q₁,q₂,…,q_M}代表前M个时刻的信道状态，表示预测的下一是时刻的信道状态，/>表示信道被占用，/>表示信道空闲。

C4：对C3得到的未来时刻频谱空闲状态概率进行排序，设计合理的频谱切换序列。

优选地，隐马尔科夫训练模型算法为Baum-Welch算法。

实施例二、基于230MHz电力专用频谱的智能频谱感知终端，其特征在于包括：频谱切换序列确定模块和频点切换申请模块；

所述频谱切换序列确定模块用于终端实时进行小区检测，获得各频谱资源的信干噪比，基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，获得频谱切换序列；

所述频点切换申请模块，用于终端驻留于被阻塞的子带时，根据频谱切换序列向基站发起频点切换申请；终端获得基站根据终端发送的频谱切换序列与当前备选频点集为其分配的频谱资源。

本实施例中，各个模块实现功能的具体实现方法如实施例一种所属，此处不再说明。

实施例三、一种基于230MHz电力专用频谱的智能频谱感知方法，在现有频谱感知方法的基础上，针对230MHz电力专用频谱的特殊性，扩充现有的模型，定义干扰规避及频谱状态预测机制，并能构建终端的智能频谱切换序列。更进一步的，基站实施带内干扰规避算法，终端根据现有频谱感知序列基于隐马尔科夫链预测未来时刻的频谱空闲概率，并将概率从大到小排序设计频谱切换序列向基站发起申请。

参见图1，本发明实施的基于230MHz电力专用频谱的智能频谱感知方法具体步骤如下：

S1：周期性监测小区内的干扰噪声(40子带范围),基站每秒在同步子帧对小区内的全部授权子带(40个频点)的噪声进行测量。

S2：一旦发现某连续M个子带中的N个子带的干扰信号过强，基站已经无法正确解调这些子带的信号，则在M个子带上所有授权子带进行小区信息更新，指出该子带已经被阻塞，阻塞信号仅发送一次，发送后，整个组停止全部信号的发送。

S3：终端驻留于被阻塞的子带时，需要向基站发起频点切换申请。终端实时小区检测各频谱资源的信干噪比，并基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，从而形成频谱切换序列，终端当需要进行频谱搬移时，根据频谱切换序列向终端提出申请。

S4：当有终端需要发起切换的时候，基站根据终端的申请安排物理资源，并将得到的结果分配给用户使用。

参见图4，本发明所使用的基于隐马尔科夫链构件频谱切换序列，包括以下几个步骤：

S1：隐马尔科夫模型的基本要素主要有：隐状态的数目N、可能的观察值数目M、状态转移概率矩阵A、观测概率矩阵B、初始状态的概率分布π。230MHz频谱状态预测过程可通过一个隐马尔科夫模型(N,M,A,B,π)描述或简记为λ＝(π,A,B)。

在频谱感知过程中，基站侧信道的状态(占用或空闲)是不可直接观测的，只可根据终端侧的观测结果推测得到。终端基于频谱感知推测基站侧的信道状态，信道状态由X＝{x₁,x₂}表示，其中x₁＝0和x₂＝1分别表示当前信道为空闲或占用状态；用Y＝{y₁,y₂}表示所有可能的频谱感知结果，y₁＝0和y₂＝1分别表示频谱感知的结果为信道占用或空闲。设q_n表示信道在时刻n所处的信道状态，o_n表示与之对应的观测值，隐马尔科夫模型即可表示为：

λ＝(π,A,B)

其中初始状态概率序列π＝{π_i}，π_i＝P(q₁＝x_i)为初始状态分布，表示时刻t＝1处于状态x_i的概率。状态转移矩阵为A＝[a_ij]_2×2,a_ij＝P(q_n+1＝X_j|q_n＝X_i),X_i,X_j∈X，a_ij表示时刻n处于状态X_i的条件下n+1时刻处于状态X_j的概率，观测概率矩阵B为B＝[b_ik]_2×2,b_ik＝P(o_n+1＝Y_k|q_n＝X_i),X_i∈X,Y_k∈Y，其中b_ik表示时刻i处于状态X_i的条件下n+1时刻处于状态Y_k的概率,。

使用Baum-Welch算法训练隐马尔科夫模型，并使用式1估计模型参数：

Λ^*＝arg maxP(O|Λ) (1)

Λ为初始隐马尔科夫模型Λ＝(π,A,B),π为初始状态概率分布，A为状态转移概率矩阵，B为观测概率矩阵。Λ^*为由Baum-Welch算法迭代得到的局部最优模型。

S2：对真实频谱状态进行估计，运用维特比算法解决优化问题，使得频谱感知结果序列的概率最大的频谱状态序列Q＝arg maxP(Q,O|Λ)，实现对未知的真实频谱状态序列的解码。

S3：对频谱状态预测，已知由D1得到的模型参数与由D2解码得到的真实频谱状态序列，终端用户根据式(2)进行未来时刻的频谱状态预测：

其中待测矩阵Q＝{q₁,q₂,…,q_M}代表前M个时刻的信道状态，表示预测的下一是时刻的信道状态，/>表示信道被占用，/>表示信道空闲。

S4：对S3得到的未来时刻频谱空闲状态概率进行排序，设计合理的频谱切换序列,终端当需要进行频谱搬移时，根据频谱切换序列向终端提出申请。

在以上实施例的基础上，数传电台在检测到其他系统干扰时，无论该干扰来源于授权频段或非授权频段，为减少对其他系统干扰，都会实施避让。

基站感知上行信道是否有干扰，终端感知下行信道是否有干扰，让上行信道干扰很大时，即基站站已经无法正确解调子带的信号时，阻塞的最小单元为M个频点，即当M个频点内有N个频点检测到噪声比较大时，这M个频点阻塞。M和N的数字可以在网管设置。M频点的起始位置为电力频点每个簇的开始位置，然后周期循环，直到覆盖每个簇的电力频点。当基站检测到上行阻塞的时候，下行信道如果可以使用，基站则继续使用下行信道在阻塞的频点上广播小区阻塞信息，但是不启动任何业务。小阻塞信号仅发送一次，发送后则整个被阻塞的组不发送任何信号。阻塞单元的划分如图2所示。

参见图3，本发明所使用的基站干扰检测规避算法，包括以下几个步骤：

S1：计算各个频点的带宽功率值；

S2：计算带外干扰，选择满足带外阻塞条件的频点组成备选选频点集；

S3：计算备选频点的有效带内功率；

S4：备选频点的带外阻塞折算；

S5：备选频点的峰值干扰处理；

S6：备选频点集内选择干扰最小的频点，并置有效标记位。

实施例四、基于230MHz电力专用频谱的智能频谱感知系统，其特征在于，包括：230MHz电力专用频谱基站和终端；

所述230MHz电力专用频谱基站，用于在设定周期内同步子帧对小区内的全部授权子带的所有频点的噪声进行测量；

如果发现存在连续M个子带中的N个子带的干扰信号过强，基站已经无法正确解调这些子带的信号，则在M个子带上所有授权子带进行小区信息更新，指出该子带已经被阻塞，阻塞信号仅发送一次，发送后，整个组停止全部信号的发送，其中M和N为预先设定参数；

所述终端驻留于被阻塞的子带后，向基站发起频点切换申请；终端实时小区检测各频谱资源的信干噪比，并基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，从而形成频谱切换序列，终端当需要进行频谱搬移时，根据频谱切换序列向终端提出申请。

终端实时进行小区检测，获得各频谱资源的信干噪比，基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，获得频谱切换序列；

终端驻留于被阻塞的子带时，根据频谱切换序列向基站发起频点切换申请；终端获得基站根据终端发送的频谱切换序列与当前备选频点集为其分配的频谱资源。

该实施例中，230MHz电力专用频谱基站和终端中各个模块实现功能的具体方法如实施例三所述，这里不再次说明。

本发明针对现有频谱感知技术容易受到噪声、信道不确定性和累积干扰不确定性影响且能量成本过高等不足，提供了一种面向230MHz电力专用频谱的智能频谱感知方法，基站侧在实施干扰规避的同时，基于隐马尔科夫链利用当前时刻的信道状态预测未来时刻的频谱空闲概率，在有效降低传输冲突的同时最大化频谱利用率，充分利用了230MHz特殊行业专用频道的频谱资源，避免了大量的频谱资源浪费。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (1)

1.基于230MHz电力专用频谱的智能频谱感知方法，其特征在于，包括以下步骤：

230MHz电力专用频谱基站在设定周期内同步子帧对小区内的全部授权子带的所有频点的噪声进行测量；

如果发现存在连续M个子带中的N个子带的干扰信号过强，基站已经无法正确解调这些子带的信号，则在M个子带上所有授权子带进行小区信息更新，指出该子带已经被阻塞，阻塞信号仅发送一次，发送后，整个组停止全部信号的发送，其中M和N为预先设定参数；

终端驻留于被阻塞的子带后，向基站发起频点切换申请；终端实时检测小区各频谱资源的信干噪比，并基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，从而形成频谱切换序列，终端当需要进行频谱搬移时，根据频谱切换序列向终端提出申请；

终端实时进行小区检测，获得各频谱资源的信干噪比，基于隐马尔科夫预测频谱未来时刻的空闲概率，依据概率将频谱从高到低进行排序，获得频谱切换序列；

终端驻留于被阻塞的子带时，根据频谱切换序列向基站发起频点切换申请；终端获得基站根据终端发送的频谱切换序列与当前备选频点集为其分配的频谱资源；

所述终端获得频谱切换序列的具体方法包括：

C1：终端基于频谱感知推测基站侧的信道状态，所有可能的信道状态的集合由X＝{x₁,…x_N}表示,其中N为所有可能的状态数；用Y＝{y₁,…y_M}表示所有可能的观测状态的集合，其中M为所有可能的观测数；其中设q_n表示信道在时刻n所处的信道状态，o_n表示与之对应的观测值，O＝{o₁,o₂,…,o_N}为时刻1,…,N的观测序列；

隐马尔科夫模型是由初始状态概率序列π，状态转移矩阵A和观测概率矩阵B所决定的；初始状态概率序列π＝{π_i}，π_i＝P(q₁＝x_i)为初始状态分布，表示时刻t＝1处于状态x_i的概率；状态转移矩阵为A＝[a_ij]_2×2,a_ij＝P(q_n+1＝X_j|q_n＝X_i),X_i,X_j∈X，a_ij表示时刻n处于状态X_i的条件下n+1时刻处于状态X_j的概率，观测概率矩阵B为B＝[b_ik]_2×2,b_ik＝P(o_n+1＝Y_k|q_n＝X_i),X_i∈X,Y_k∈Y，其中b_ik表示时刻i处于状态X_i的条件下n+1时刻处于状态Y_k的概率；

其中O＝{o₁,o₂,…,o_N}是可观测的，基于该序列使用式1估计模型参数：

Λ^*＝arg max P(O|Λ) (1)

Λ为初始隐马尔科夫模型Λ＝(π,A,B),π为初始状态概率分布，A为状态转移概率矩阵，B为观测概率矩阵；Λ^*为由Baum-Welch算法迭代得到的局部最优模型；

C2：对真实频谱状态进行估计，运用维特比算法解决优化问题Q＝arg max P(Q,O|Λ)，使得频谱感知结果序列O＝{o₁,o₂,…,o_N}的概率最大的频谱状态序列；

C3：对频谱状态预测，已知由C1得到的模型参数与由C2解码得到的真实频谱状态序列，终端用户根据式(2)进行未来时刻的频谱状态预测：

其中待测矩阵Q＝{q₁,q₂,…,q_M}代表前M个时刻的信道状态，表示预测的下一是时刻的信道状态，/>表示信道被占用，/>表示信道空闲；

C4：对C3得到的未来时刻频谱空闲状态概率进行排序，设计频谱切换序列；

隐马尔科夫训练模型算法为Baum-Welch算法；

包括所述基站还用于实行带内干扰检测规避算法提升系统性能。