CN116318479A - 基于融合特征的支持向量机盲频谱感知方法 - Google Patents

Abstract

本发明是一种基于融合特征的支持向量机盲频谱感知方法，首先，对接收的训练信号进行采样获得接收信号样本矩阵，并计算其取样协方差矩阵；其次，从取样协方差矩阵中提取能量、相关性、极值特征值3种不同的特征，生成融合特征向量；接着，对融合特征向量进行标注生成训练样本集，将训练样本集输入支持向量机SVM分类器进行训练，得到训练好的分类模型，同时以SVM分类超平面的输出构建检验统计量；然后，将训练样本集中的噪声样本输入训练好的分类模型中产生判决门限；最后，对接收信号进行处理获得其融合特征向量，并输入已训练好的分类模型，得到检验统计量，当检验统计量大于判决门限时，判定存在主用户信号，否则判定不存在主用户信号。

Description

基于融合特征的支持向量机盲频谱感知方法

技术领域

本发明涉及无线通信技术中的认知无线电领域，具体而言，涉及一种基于融合特征的支持向量机盲频谱感知方法。

背景技术

随着近年来无线通信技术的发展，无线通信用户数量激增，对频谱的需求也急剧增加，但频谱资源是有限的，所以如何提高频谱利用率成为了无线通信领域的一个热点问题。为缓解频谱资源供应和无线用户通信需求之间的矛盾，解决频谱利用率低的问题，认知无线电技术应运而生。认知无线电的主要思想是在主用户未占用授权频谱的情况下，认知用户机会性访问该授权频谱，从而有效地提高频谱资源的利用率。频谱感知作为认知无线电的主要任务，完成对空闲频谱的准确识别，是实现认知无线电应用的首要前提。

频谱感知方法可以分为基于模型驱动和基于数据驱动两类。前者又可分为非盲检测、半盲检测和全盲检测三类。非盲检测方法需要知道主用户信号的先验信息，常见的非盲检测方法包括匹配滤波检测和循环平稳检测。然而在实际通信中，由于信号的先验信息难以获得，以致非盲检测方法难以得到广泛应用。半盲检测方法在已知噪声功率的情况下有很好的检测效果，常见的半盲检测方法包括能量检测和最大特征值检测。半盲检测方法的性能在很大程度上依赖于对噪声功率的准确获取，但由于噪声功率不确定性的影响，半盲方法的检测性能在实际检测过程中将严重下降。由于不需要信号的先验信息且性能不受噪声不确定性的影响，全盲检测方法被广泛关注。常见的全盲检测方法包括最大最小值特征值检测以及算数-几何均值检测等方法。以上基于模型驱动的频谱感知方法对信号特征提取单一，限制了频谱感知性能的进一步提升。

相比于基于模型驱动的检测方法，基于数据驱动的检测方法利用样本数据提出信号特征，通过自主学习和归纳，从而实现频谱感知。其中，基于深度学习的频谱感知方法尽管能取得很好的检测性能，但其需要大量的样本数据进行训练，且计算复杂度高，对感知节点的计算能力和存储资源有较高的要求。相比之下，基于支持向量机SVM的频谱感知方法具有计算复杂度低、训练速度快等优点，且对于小样本数据也能够取得不错的效果，因而对于计算能力和资源受限的感知场景更具优势。然而，现有的该类方法往往利用信号的单方面属性，限制了检测性能的提升；且现有方法不能灵活根据目标虚警概率设置判决门限，不利于实际应用。

发明内容

技术问题：本发明的目的是提出了一种基于融合特征的支持向量机盲频谱感知方法，其利用了更多的信号特征，有效提高了频谱感知的检测性能；同时提出了一种门限设置方法，可以根据目标虚警概率方便地设置判决门限，进一步拓展了该类算法的适应场景。

技术方案：本发明的一种支持向量机利用接收信号的取样协方差矩阵提取多种信号特征，生成融合特征向量，训练SVM分类模型，并由分类超平面的输出构造检验统计量；与此同时，将噪声样本输入训练好的分类模型中获得判决门限，从而实现频谱感知。

该方法首先对接收的训练信号进行采样获得接收信号样本矩阵，并计算其取样协方差矩阵；其次，从取样协方差矩阵中提取能量、相关性、极值特征值的3种不同的特征，生成融合特征向量；接着，对融合特征向量进行标注生成训练样本集，将训练样本集输入SVM分类器进行训练，得到训练好的分类模型，同时以SVM分类超平面的输出值作为检验统计量；然后，将训练样本集中的噪声样本输入训练好的分类模型，生成判决门限；最后，对接收信号进行感知判决，当检验统计量大于判决门限时，判定主用户信号存在；当检验统计量小于判决门限时，判定主用户信号不存在。

该方法的具体步骤为：

步骤1.对接收的训练信号进行采样，得到接收信号样本矩阵，并计算接收信号的取样协方差矩阵；

步骤2.从步骤1得到的取样协方差矩阵提取能量、相关性、极值特征值的3种不同的信号特征，生成融合特征向量；

步骤3.对步骤2生成的融合特征向量进行标注，生成训练样本集并输入SVM分类器进行训练，得到训练好的分类模型，同时以SVM分类超平面的输出值构造检验统计量；

步骤4.从训练样本集中提取噪声样本，输入在步骤3中训练好的分类模型产生判决门限；

步骤5.对接收信号进行采样并计算取样协方差矩阵，由步骤2得到融合特征向量，输入由步骤3训练好的分类模型，得到相应的检验统计量，联合步骤4生成的判决门限进行感知判决；当检验统计量大于判决门限时，判定主用户信号存在；当检验统计量小于判决门限时，判定主用户信号不存在。

其中：

所述步骤1具体为：

设认知用户配置的天线数目和信号采样次数分别为M和N，H₀和H₁分别表示主用户不存在和存在两种假设，对接收的训练信号进行采样，第m根天线第n次采样的接收信号为：

其中，s_m(n)表示第m根天线第n时刻采样得到的主用户接收信号，n＝1,2,┄,N,m＝1,2,┄,M,w_m(n)表示第m根天线第n时刻采样得到的均值为零，方差为

的加性高斯白噪声；由此得到接收信号样本矩阵为：

相应地，接收信号的取样协方差矩阵定义为：

其中，上标“T”表示矩阵的转置运算。

所述步骤2具体为：

从取样协方差中提取能量、相关性、极值特征值的3种特征属性，分别定义为：

(4)能量特征：

其中，r_i,i表示取样协方差矩阵的第(i,i)个元素.

(5)相关性特征：

其中，r_i,j表示取样协方差矩阵的第(i,j)个元素

(6)极值特征值特征：

其中，λ₁、λ_M分表示取样协方差矩阵的最大与最小特征值；

将T_EN、T_COR、T_EE信号特征进行拼接，生成融合特征向量，相应的融合特征向量为：

T＝[T_EN,T_COR,T_EE]。

所述步骤3具体为：

对融合特征向量进行标注，存在主用户信号时，相应标签为1；不存在主用户信号时，相应标签为-1；由h个融合特征向量和相应的标签组合形成训练样本集D:

D＝{(T₁,Y₁),(T₂,Y₂),…,(T_h,Y_h)}

其中，T_i表示第i个融合特征向量，i＝1,2,┄k；Y_i∈{1,-1}，Y_i＝1和Y_i＝-1分别对应于H₁、H₀的类别标签，h表示训练样本的个数；

将训练样本集D输入SVM分类器中进行训练以获得分类超平面，在此基础上，以SVM分类超平面的输出构造检验统计量G(T)，其表示为：

其中，σ为高斯核的带宽，对偶变量α_i和截距b由SVM训练得到。

所述步骤4具体为：

步骤4.1.将步骤3生成的训练样本集中的噪声样本取出形成噪声样本集Z＝{T_i|H₀}，其中，k为噪声样本的个数,i＝1,2,┄k；

步骤4.2.将噪声样本集Z＝{T_i|H₀}输入步骤3训练好的分类模型中产生检验统计量G(T_i|H₀)，并将它们进行降序排列形成新的集合

步骤4.3.计算判决门限

其中，P_fa为目标虚警概率，k为噪声样本的个数，/>

表示向下取整。

所述步骤5具体为：

步骤5.1.对接收信号进行采样得到接收信号样本矩阵，并计算其取样协方差矩阵；

步骤5.2.从取样协方差矩阵提取能量、相关性、极值特征值的3种不同的信号特征，得到融合特征向量

步骤5.3.将

输入步骤3训练好的分类模型中，产生检验统计量/>

步骤5.4.联合

和判决门限γ进行感知判决：当/>

则判定有主用户信号存在；当/>

则判定无主用户信号存在。

本发明从接收信号的取样协方差矩阵中提取能量、相关性、极值特征值3种信号特征，生成融合特征向量，并以此作为SVM分类器的输入，进而判断主用户信号是否存在。采用融合特征作为特征向量实现了多特征的优势互补，更全面地利用了接收信号的信息，同时能根据目标虚警概率设置相应的判决门限，因而更加适应于真实感知场景中主用户信号的检测。

有益效果：本发明与现有技术相比，具有如下优点与有益效果：

(1)本发明所提方法基于融合特征，它包含能量、相关性、极值特征值3种信号特征，利用了更多接收信号信息，提高了算法检测性能。

(2)本发明所提方法采用基于数据驱动方式，通过自主学习实现主用户信号有无的判断，不依赖于判决门限的计算，更适应于真实无线环境的频谱感知。

(3)本发明所提方法属于一种全盲检测方案，检验统计量和判决门限的设计无需知道主用户信号、信道及噪声的相关信息，具有广泛的适用性。

附图说明

图1为本发明所提一种基于融合特征的SVM盲频谱感知算法流程图。

图2当M＝10，N＝300，P_fa＝0.1时不同算法的检测效果对比图。

图3当M＝10，N＝300，SNR＝-14dB时不同算法的ROC曲线对比图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本实施例所提供的频谱感知工作流程，包括：

(1)对训练信号进行采样：对接收的训练信号进行采样获得接收信号样本矩阵并计算其取样协方差矩阵。

(2)生成融合特征向量：对取样协方差矩阵提取能量、相关性、极值特征值等3种信号特征，生成融合特征向量。

(3)训练SVM分类模型并生成检验统计量：对融合特征向量进行标注，形成训练样本集输入SVM分类器中训练，得到训练好的分类模型，同时以SVM分类超平面的输出值构造检验统计量。

(4)产生判决门限：将训练样本集中的噪声样本输入训练好的分类模型，得到判决门限。

(5)测试检测：对接收信号进行采样计算其取样协方差矩阵，通过步骤(2)获得融合特征向量，输入训练好的分类模型中产生检验统计量，通过对比检验统计量和判决门限判断主用户信号是否存在。

下面为本实施例的具体流程，包括以下步骤：

1.设认知用户配置的天线数目和信号采样次数分别为10和300，单次采样的数据为10维列向量x(n)＝[x₁(n),x₂(n),…,x₁₀(n)]^T。由此得到的接收信号样本矩阵为：

相应地，接收信号的取样协方差矩阵定义为：

2.从步骤1产生的取样协方差中提取能量、相关性、极值特征值3种信号特征：

其中，r_i,i表示取样协方差矩阵的第(i,i)个元素，r_i,j表示取样协方差矩阵的第(i,j)个元素，λ₁、λ_M表示取样协方差矩阵的极值特征值。

将T_EN、T_COR、T_EE信号特征进行拼接，生成融合特征向量。融合特征向量为：

T＝[T_EN,T_COR,T_EE]

3.对融合特征向量进行标注，存在主用户信号时，相应标签为1；不存在主用户信号时，相应标签为-1。由1000个融合特征向量和相应的标签组合形成训练样本集D:

D＝{(T₁,Y₁),(T₂,Y₂),...,(T₁₀₀₀,Y₁₀₀₀)}

其中，T_i表示第i个融合特征向量，Y_i∈{1,-1}，Y_i＝1和Y_i＝-1分别对应于H₁、H₀的类别标签。本实施例中，训练集里主用户信号和噪声样本各500个。将训练样本集D输入SVM分类器中进行训练，得到训练好的分类模型。在此基础上，用SVM分类超平面的输出构造检验统计量G(T)，其表示为：

其中，对偶变量α_i和截距b由SVM训练得到，高斯核的带宽σ为1/3。

4.将训练样本集D中的噪声样本取出形成噪声样本集Z＝{T_i|H₀}(i＝1,2,...,k)输入已经训练好的分类模型，产生检验统计量G(T_i|H₀)，并将它们进行降序排列形成新的集合

同时根据目标虚警率P_fa计算得到判决门限/>

其中，P_fa＝0.1，k＝500。

5.在检测过程中，通过对接收信号进行采样得到接收信号样本矩阵

计算其对应的取样协方差矩阵/>

从取样协方差矩阵中提取能量、相关性、极值特征值等3种信号特征，得到融合特征向量/>

将/>

输入到训练好的分类模型得到检验统计量/>

联合/>

和γ进行判决：如果/>

则判定信道存在主用户信号；如果/>

则认为信道不存在主用户信号。

图2给出了当M＝10，N＝300，P_fa＝0.1时所提方法与经典基于模型驱动的能量检测(ED)、最大最小特征值检测(MME)和协方差绝对值检测(CAV)三种方法的性能对比曲线。其结果表明，所提方法具有比ED、MME、CAV等经典基于模型驱动的方法更优的检测性能。另一方面，图3给出了当M＝10，N＝300，SNR＝-14dB时所提方法与基于能量、相关性、极值特征值等单属性的SVM频谱感知方法的ROC对比曲线。其结果表明，通过特征融合显著提升了传统基于单属性的SVM频谱感知方法的检测性能。

Claims (8)

1.一种基于融合特征的支持向量机盲频谱感知方法，其特征在于，该方法利用接收信号的取样协方差矩阵提取多种信号特征，生成融合特征向量，训练SVM分类模型，并由分类超平面的输出构造检验统计量；与此同时，将噪声样本输入训练好的分类模型中获得判决门限，从而实现频谱感知。

2.根据权利要求1所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于，该方法首先对接收的训练信号进行采样获得接收信号样本矩阵，并计算其取样协方差矩阵；其次，从取样协方差矩阵中提取能量、相关性、极值特征值的3种不同的特征，生成融合特征向量；接着，对融合特征向量进行标注生成训练样本集，将训练样本集输入SVM分类器进行训练，得到训练好的分类模型，同时以SVM分类超平面的输出值作为检验统计量；然后，将训练样本集中的噪声样本输入训练好的分类模型，生成判决门限；最后，对接收信号进行感知判决，当检验统计量大于判决门限时，判定主用户信号存在；当检验统计量小于判决门限时，判定主用户信号不存在。

3.根据权利要求2所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于，该方法的具体步骤为：

步骤1.对接收的训练信号进行采样，得到接收信号样本矩阵，并计算接收信号的取样协方差矩阵；

步骤2.从步骤1得到的取样协方差矩阵提取能量、相关性、极值特征值的3种不同的信号特征，生成融合特征向量；

步骤3.对步骤2生成的融合特征向量进行标注，生成训练样本集并输入SVM分类器进行训练，得到训练好的分类模型，同时以SVM分类超平面的输出值构造检验统计量；

步骤4.从训练样本集中提取噪声样本，输入在步骤3中训练好的分类模型产生判决门限；

步骤5.对接收信号进行采样并计算取样协方差矩阵，由步骤2得到融合特征向量，输入由步骤3训练好的分类模型，得到相应的检验统计量，联合步骤4生成的判决门限进行感知判决；当检验统计量大于判决门限时，判定主用户信号存在；当检验统计量小于判决门限时，判定主用户信号不存在。

4.根据权利要求3所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于，所述步骤1具体为：

设认知用户配置的天线数目和信号采样次数分别为M和N，H₀和H₁分别表示主用户不存在和存在两种假设，对接收的训练信号进行采样，第m根天线第n次采样的接收信号为：

其中，s_m(n)表示第m根天线第n时刻采样得到的主用户接收信号，n＝1,2,┄,N,m＝1,2,┄,M,w_m(n)表示第m根天线第n时刻采样得到的均值为零，方差为

的加性高斯白噪声；由此得到接收信号样本矩阵为：

相应地，接收信号的取样协方差矩阵定义为：

其中，上标“T”表示矩阵的转置运算。

5.根据权利要求3所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于所述步骤2具体为：

从取样协方差中提取能量、相关性、极值特征值的3种特征属性，分别定义为：

(1)能量特征：

其中，r_i,i表示取样协方差矩阵的第(i,i)个元素.

(2)相关性特征：

其中，r_i,j表示取样协方差矩阵的第(i,j)个元素

(3)极值特征值特征：

其中，λ₁、λ_M分表示取样协方差矩阵的最大与最小特征值；

将T_EN、T_COR、T_EE信号特征进行拼接，生成融合特征向量，相应的融合特征向量为：

T＝[T_EN,T_COR,T_EE]。

6.根据权利要求3所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于所述步骤3具体为：

对融合特征向量进行标注，存在主用户信号时，相应标签为1；不存在主用户信号时，相应标签为-1；由h个融合特征向量和相应的标签组合形成训练样本集D:

D＝{(T₁,Y₁),(T₂,Y₂),...,(T_h,Y_h)}

其中，T_i表示第i个融合特征向量，i＝1,2,┄k；Y_i∈{1,-1}，Y_i＝1和Y_i＝-1分别对应于H₁、H₀的类别标签，h表示训练样本的个数；

将训练样本集D输入SVM分类器中进行训练以获得分类超平面，在此基础上，以SVM分类超平面的输出构造检验统计量G(T)，其表示为：

其中，σ为高斯核的带宽，对偶变量α_i和截距b由SVM训练得到。

7.根据权利要求3所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于所述步骤4具体为：

步骤4.1.将步骤3生成的训练样本集中的噪声样本取出形成噪声样本集Z＝{T_i|H₀}，其中，k为噪声样本的个数,i＝1,2,┄k；

步骤4.2.将噪声样本集Z＝{T_i|H₀}输入步骤3训练好的分类模型中产生检验统计量G(T_i|H₀)，并将它们进行降序排列形成新的集合

步骤4.3.计算判决门限

其中，P_fa为目标虚警概率，k为噪声样本的个数，/>

表示向下取整。

8.根据权利要求3所述的基于融合特征的支持向量机盲频谱感知方法，其特征在于所述步骤5具体为：

步骤5.1.对接收信号进行采样得到接收信号样本矩阵，并计算其取样协方差矩阵；

步骤5.2.从取样协方差矩阵提取能量、相关性、极值特征值的3种不同的信号特征，得到融合特征向量

步骤5.3.将

输入步骤3训练好的分类模型中，产生检验统计量/>

步骤5.4.联合

和判决门限γ进行感知判决：当/>

则判定有主用户信号存在；当/>

则判定无主用户信号存在。

Images