一种基于几何功率的监督频谱感知方法

1.本发明涉及频谱感知领域，具体涉及一种基于几何功率的监督频谱感知方法。


背景技术：

2.随着无线通信技术的快速发展，越来越多的智能设备开始成为物联网和无线通信的一部分，这些设备对频谱的需求非常大，而频谱资源是有限的，所以如何提高频谱利用率是现在研究的重点，认知无线电（cognitive radio, cr）是解决该问题的方法之一。由于主用户（primary user, pu），即拥有许可频谱的用户，他们不是每时每刻都在使用频谱，所以当pu未使用授权频谱时，cr就利用机会主义使用空闲频谱，因此cr也称为次用户（secondary user, su），而su只能在pu处于不活动时使用频谱，一旦pu使用频谱时，su必须立刻退出使用，并且要确保不会对pu造成干扰，所以及时并准确检测频谱是否被pu使用十分关键，cr中的频谱感知（ss）可以解决这个问题，但是又因为无线通信环境十分复杂，ss过程会受到噪声、阴影和多径效应等问题的影响，从而导致检测性能变差，所以有很多针对如何提高ss检测性能的研究，特别是在低信噪比的情况下。


技术实现要素：

3.针对现有技术中的上述不足，本发明提供的一种基于几何功率的监督频谱感知方法解决了现有频谱感知方法在低信噪比下检测准确度低的问题。
4.为了达到上述发明目的，本发明采用的技术方案为：提供一种基于几何功率的监督频谱感知方法，其包括以下步骤：s1、构建具有广义高斯分布的噪声模型，在噪声模型产生的噪声环境中仿真并接收信号；s2、对接收到的信号进行几何功率求解，将得到的几何功率作为特征向量；s3、构建监督学习模型，通过特征向量对监督学习模型进行训练，得到训练后的监督学习模型；s4、获取并将实际环境中的信号的几何功率输入训练后的监督学习模型，进行频谱感知。
5.进一步地，步骤s1中噪声的形状参数大于0小于等于2，噪声的尺度参数大于0。
6.进一步地，步骤s2的具体方法包括以下子步骤：s2-1、对接收到的信号进行n次采样，每次采样的采样点数为m，得到n个样本集；s2-2、根据公式：通过第i个样本集中样本的平均值代替期望值，并得到与第i个样本集相应的几何功率；其中表示第i个样本集中第j个样本；
s2-3、根据公式：构建特征向量。
7.进一步地，步骤s3的具体方法包括以下子步骤：s3-1、根据公式：构建监督学习模型的超平面方程，获取线性核；其中是权重向量；为偏差向量；表示矩阵的转置；和均为监督学习模型的待训练参数；x为监督学习模型的输入；s3-2、初始化和；s3-3、将特征向量作为监督学习模型的输入，获取特征向量对应的线性核的值；s3-4、当特征向量对应的线性核的值大于等于1时，监督学习模型输出主用户使用频谱的标签；当特征向量对应的线性核的值小于等于-1时，监督学习模型输出主用户未使用频谱的标签；s3-5、判断当前的监督学习模型的分类成功率是否达到预期，若是则将当前的监督学习模型作为训练后的监督学习模型；否则进入步骤s3-6；s3-6、构建损失函数，通过特征向量的真实标签和监督学习模型输出标签计算损失值，反向传播更新和，返回步骤s3-3。
8.进一步地，步骤s4中获取实际环境中的信号的几何功率的具体方法为：采用与步骤s2相同的方法获取实际环境中的信号的几何功率。
9.进一步地，步骤s3中的监督学习模型包括svm模型和knn模型。
10.本发明的有益效果为：本方法通过获取接收信号的几何功率来作为感知频谱是否使用的依据，相比使用能量检测和差分熵来进行频谱感知的方式具有更好的感知准确率。
附图说明
11.图1为本方法的流程示意图；图2为基于gp、ed和de的svm频谱感知方法的性能比较示意图；图3为基于gp、ed和de的knn 频谱感知方法的性能比较示意图。
具体实施方式
12.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
13.如图1所示，该基于几何功率的监督频谱感知方法包括以下步骤：s1、构建具有广义高斯分布的噪声模型，在噪声模型产生的噪声环境中仿真并接收信号；
s2、对接收到的信号进行几何功率求解，将得到的几何功率作为特征向量；s3、构建监督学习模型，通过特征向量对监督学习模型进行训练，得到训练后的监督学习模型；s4、获取并将实际环境中的信号的几何功率输入训练后的监督学习模型，进行频谱感知。
14.步骤s1中噪声的形状参数大于0小于等于2，噪声的尺度参数大于0。噪声模型的概率密度函数为：其中为伽马函数；表示以自然常数e为底的指数函数；x为噪声；表示实数集。
15.步骤s2的具体方法包括以下子步骤：s2-1、对接收到的信号进行n次采样，每次采样的采样点数为m，得到n个样本集；s2-2、根据公式：通过第i个样本集中样本的平均值代替期望值，并得到与第i个样本集相应的几何功率；其中表示第i个样本集中第j个样本；s2-3、根据公式：构建特征向量。
16.步骤s3的具体方法包括以下子步骤：s3-1、根据公式：构建监督学习模型的超平面方程，获取线性核；其中是权重向量；为偏差向量；表示矩阵的转置；和均为监督学习模型的待训练参数；x为监督学习模型的输入；s3-2、初始化和；s3-3、将特征向量作为监督学习模型的输入，获取特征向量对应的线性核的值；s3-4、当特征向量对应的线性核的值大于等于1时，监督学习模型输出主用户使用频谱的标签；当特征向量对应的线性核的值小于等于-1时，监督学习模型输出主用户未使用频谱的标签；s3-5、判断当前的监督学习模型的分类成功率是否达到预期，若是则将当前的监
督学习模型作为训练后的监督学习模型；否则进入步骤s3-6；s3-6、构建损失函数，通过特征向量的真实标签和监督学习模型输出标签计算损失值，反向传播更新和，返回步骤s3-3。
17.步骤s4中获取实际环境中的信号的几何功率的具体方法为：采用与步骤s2相同的方法获取实际环境中的信号的几何功率。
18.步骤s3中的监督学习模型包括svm模型和knn模型，并优先采用svm模型。
19.在本发明的一个实施例中，分别采用svm和knn作为监督学习模型，如图2和图3所示（横坐标为信噪比，纵坐标为检测准确率），本方法对使用几何功率（gp）作为特征向量的方法与使用能量统计（es）和差分熵（de）作为特征向量的方法在性能上具有较大差异，具体来说，当信噪比低于-25db时，本方法的检测准确率远高于采用能量统计（es）和差分熵（de）的方法，且本方法在信噪比为-30db开始，就能做到接近100%的检测准确率，本方法的检测效果比其他两种方式更好。


技术特征：
1.一种基于几何功率的监督频谱感知方法，其特征在于，包括以下步骤：s1、构建具有广义高斯分布的噪声模型，在噪声模型产生的噪声环境中仿真并接收信号；s2、对接收到的信号进行几何功率求解，将得到的几何功率作为特征向量；s3、构建监督学习模型，通过特征向量对监督学习模型进行训练，得到训练后的监督学习模型；s4、获取并将实际环境中的信号的几何功率输入训练后的监督学习模型，进行频谱感知。2.根据权利要求1所述的基于几何功率的监督频谱感知方法，其特征在于，步骤s1中噪声的形状参数大于0小于等于2，噪声的尺度参数大于0。3.根据权利要求1所述的基于几何功率的监督频谱感知方法，其特征在于，步骤s2的具体方法包括以下子步骤：s2-1、对接收到的信号进行n次采样，每次采样的采样点数为m，得到n个样本集；s2-2、根据公式：通过第i个样本集中样本的平均值代替期望值，并得到与第i个样本集相应的几何功率；其中表示第i个样本集中第j个样本；s2-3、根据公式：构建特征向量。4.根据权利要求3所述的基于几何功率的监督频谱感知方法，其特征在于，步骤s3的具体方法包括以下子步骤：s3-1、根据公式：构建监督学习模型的超平面方程，获取线性核；其中是权重向量；为偏差向量；表示矩阵的转置；和均为监督学习模型的待训练参数；x为监督学习模型的输入；s3-2、初始化和；s3-3、将特征向量作为监督学习模型的输入，获取特征向量对应的线性核的值；s3-4、当特征向量对应的线性核的值大于等于1时，监督学习模型输出主用户使用频谱的标签；当特征向量对应的线性核的值小于等于-1时，监督学习模型输出主用户未使用频谱的标签；s3-5、判断当前的监督学习模型的分类成功率是否达到预期，若是则将当前的监督学习模型作为训练后的监督学习模型；否则进入步骤s3-6；
s3-6、构建损失函数，通过特征向量的真实标签和监督学习模型输出标签计算损失值，反向传播更新和，返回步骤s3-3。5.根据权利要求3所述的基于几何功率的监督频谱感知方法，其特征在于，步骤s4中获取实际环境中的信号的几何功率的具体方法为：采用与步骤s2相同的方法获取实际环境中的信号的几何功率。6.根据权利要求4所述的基于几何功率的监督频谱感知方法，其特征在于，步骤s3中的监督学习模型包括svm模型和knn模型。

技术总结
本发明公开了一种基于几何功率的监督频谱感知方法，涉及频谱感知领域，包括以下步骤：构建具有广义高斯分布的噪声模型，在噪声模型产生的噪声环境中仿真并接收信号；对接收到的信号进行几何功率求解，将得到的几何功率作为特征向量；构建监督学习模型，通过特征向量对监督学习模型进行训练，得到训练后的监督学习模型；获取并将实际环境中的信号的几何功率输入训练后的监督学习模型，进行频谱感知。本方法通过获取接收信号的几何功率来作为感知频谱是否使用的依据，相比使用能量统计和差分熵来进行频谱感知的方式具有更好的感知准确率，特别是在低信噪比的情况下。特别是在低信噪比的情况下。特别是在低信噪比的情况下。


技术研发人员：骆忠强 胡倩
受保护的技术使用者：四川轻化工大学
技术研发日：2022.11.23
技术公布日：2023/1/5