CN109039503A - 一种频谱感知方法、装置、设备及计算机可读存储介质 - Google Patents
一种频谱感知方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109039503A CN109039503A CN201811045616.5A CN201811045616A CN109039503A CN 109039503 A CN109039503 A CN 109039503A CN 201811045616 A CN201811045616 A CN 201811045616A CN 109039503 A CN109039503 A CN 109039503A
- Authority
- CN
- China
- Prior art keywords
- sample
- frequency spectrum
- signal
- covariance matrix
- manifold
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种频谱感知方法、装置、设备及计算机可读存储介质。其中,方法包括将待感知信号的协方差矩阵参数化,得到相应的概率分布函数,建立协方差矩阵与统计流形的映射关系;提取统计流形的测试距离特征,并将其输入预先构建的分类模型中,分类模型为利用机器学习算法训练不同标签类别的样本信号的距离特征所得,标签类别为存在主用户和不存在主用户。根据分类模型输出的分类结果检测待感知信号中是否存在主用户。本申请基于信息几何方法提高了低信噪比下的检测性能,基于机器学习建立的分类模型感知频谱信号中的主用户,解决了现有频谱感知技术存在低信噪比低下感知性能差的问题,提高了低信噪比下频谱感知效率、准确度及稳定性。
Description
技术领域
本发明实施例涉及信号处理技术领域,特别是涉及一种频谱感知方法、装置、设备及计算机可读存储介质。
背景技术
随着无线通信技术的快速发展,无线频谱资源日益紧张,然而目前已分配的频谱的利用率普遍偏低,可见传统的频谱分配方法并没有将完全利用已有频带。因此,如何在有限的频谱资源中提高频谱资源的利用率对无线通信技术的发展至关重要。基于此,认知无线电应运而生,而频谱感知为认知无线电技术的核心。
在认知无线电技术中,经典频谱感知方法包括能量检测法、匹配滤波检测法、循环平稳特征检测法等。经典频谱感知方法大多数都是采取单节点检测,而实际环境中无线信道是有衰落的,认知用户难以通过简单的单节点检测进行准确的频谱检测。因此,需要对多个节点感知结果进行融合,以提高检测可靠性,即协作感知技术。协作感知可以在很大程度上消减衰减和遮蔽造成的影响,具有较高的探测准确度。协作频谱感知的研究是由多个认知用户共同执行频谱感知并对感知进行融合处理,提出的方法包括基于硬判决的“与”、“或”与“K/N”协作感知以及基于软判决的能量融合判决等。除此之外,还有利用接收信号协方差矩阵特征值进行频谱检测,其中最具有代表性的特征值感知方法是最大最小特征值之比检测法(Maximum Minimum Eigenvalue,MME)。但是上述所提到方法都存在着在低信噪比下感知性能不好的缺陷。
具体来说,能量检测算法容易受到噪声波动的影响,检测性能对噪声的不确定性十分敏感;循环平稳特征检测算法复杂度较高,同时会降低整个***的灵敏度;而匹配滤波检测算法需要授权用户信号的先验信息,通用性较差。
发明内容
本发明实施例的目的是提供一种频谱感知方法、装置、设备及计算机可读存储介质,解决了现有频谱感知技术存在低信噪比低下感知性能差的问题,提高了低信噪比下频谱感知效率及稳定性。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种频谱感知方法,包括:
对待感知信号进行统计特性处理,得到协方差矩阵;
将所述协方差矩阵参数化,得到相应的概率分布函数,以建立所述协方差矩阵与统计流形的映射关系;
提取所述统计流形的测试距离特征,并将其输入预先构建的分类模型中,以根据所述分类模型输出的分类结果检测所述待感知信号中是否存在主用户;
其中,所述分类模型为利用机器学习算法训练多个不同标签类别的样本信号的距离特征所得,所述标签类别为存在主用户和不存在主用户。
可选的,所述提取所述统计流形的测试距离特征包括:
计算所述统计流形上两点间的测地线距离,作为所述统计流形的测试距离特征。
可选的,所述计算所述统计流形上两点间的测地线距离包括:
以黎曼中值为参考值,计算所述统计流形上两点间的测地线距离。
可选的,所述分类模型的训练过程包括:
对训练样本中的各个样本信号进行预处理,得到相应的样本协方差矩阵;
将各样本协方差矩阵参数化,得到各自相应的概率分布函数,以建立样本协方差矩阵与样本统计流形的映射关系;
提取各样本统计流形的样本距离特征,利用k均值聚类算法训练各样本距离特征,得到分类模型。
可选的,所述根据所述分类模型输出的分类结果检测所述待感知信号中是否存在主用户包括:
判断下述公式是否成立:
式中,d为所述测试距离特征,μ为质心,μ={μ1,μ2,…,μk},k为整数,ε为常数;
若是,则所述分类模型输出所述待感知信号中存在主用户的分类结果;若否,则所述分类模型输出所述待感知信号中不存在主用户分类结果。
本发明实施例另一方面提供了一种频谱感知装置,包括:
信号预处理模块,用于对待感知信号进行统计特性处理,得到协方差矩阵,得到协方差矩阵;
几何特性映射模块,用于将所述协方差矩阵参数化,得到相应的概率分布函数,以建立所述协方差矩阵与统计流形的映射关系;
信号感知模块,用于提取所述统计流形的测试距离特征,将其并输入预先构建的分类模型中,以根据所述分类模型输出的分类结果检测所述待感知信号中是否存在主用户;其中,所述分类模型为利用机器学习算法训练多个不同标签类别的样本信号的距离特征所得,所述标签类别为存在主用户和不存在主用户。
可选的,所述信号感知模块为以黎曼中值为参考值,计算所述统计流形上两点间的测地线距离的模块。
可选的,还包括模型训练模块,所述模型训练模块包括:
样本信号处理子模块,用于对训练样本中的各个样本信号进行预处理,得到相应的样本协方差矩阵;
几何特性建立子模块,用于将各样本协方差矩阵参数化,得到各自相应的概率分布函数,以建立样本协方差矩阵与样本统计流形的映射关系;
特征训练子模块,用于提取各样本统计流形的样本距离特征,利用k均值聚类算法训练各样本距离特征,得到分类模型。
本发明实施例还提供了一种频谱感知设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述频谱感知方法的步骤。
本发明实施例最后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频谱感知程序,所述频谱感知程序被处理器执行时实现如前任一项所述频谱感知方法的步骤。
本发明实施例提供了一种频谱感知方法,将待感知信号的协方差矩阵参数化,得到相应的概率分布函数,建立协方差矩阵与统计流形的映射关系;提取统计流形的测试距离特征,并将其输入预先构建的分类模型中,分类模型为利用机器学习算法训练多个不同标签类别的样本信号的距离特征所得,标签类别为存在主用户和不存在主用户。根据分类模型输出的分类结果检测待感知信号中是否存在主用户。
本申请提供的技术方案的优点在于,将待感知信号利用统计特性与流形上的几何特性建立映射关系,基于信息几何的方法提高了低信噪比下的检测性能,此外,基于机器学习算法训练的分类模型进行特征识别,避免对门限的获取,减小门限对检测性能的影响,且基于机器学习建立的分类模型识别待感知信号中是否存在主用户,可有效提高频谱信号感知的准确性和效率,解决了现有频谱感知技术存在低信噪比低下感知性能差的问题,提高了低信噪比下频谱感知效率及稳定性。
此外,本发明实施例还针对频谱感知方法提供了相应的实现装置、设备及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置、设备及计算机可读存储介质具有相应的优点。
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为本发明实施例提供的一种频谱感知方法的流程示意图;
图2为本发明实施例提供的一种统计流形示意图;
图3为本发明实施例提供的一种特征提取示意图;
图4为本发明实施例提供的黎曼中值示意图;
图5为本发明实施例提供的多种算法性能仿真示意图;
图6为本发明实施例提供的频谱感知装置的一种具体实施方式结构图。
具体实施方式
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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
本申请的发明人经过研究发现,信息几何为基于微分几何发展出来的一套理论体系。信息几何将概率论、信息论和统计学中的许多重要概念视为概率分布空间中的几何结构,采用微分几何方法来研究其上的性质,从而将概率论和信息论中的基本问题几何化,赋予其内在的几何本质。对于不同类型或不同参数化的概率分布函数族,都对应于一个具有一定几何结构的统计流形。由于概率分布函数的形式决定了其中每一个概率分布函数与其周围附近的概率分布函数之间的关系,而这种关系决定了其所构成的空间的结构。因此,统计流形的几何结构,反映了概率分布函数族内在的本质属性。信息几何就是在由概率分布函数族所构成的统计流形上,采用现代微分几何方法来研究统计学和信息论问题的理论体系。信息几何的优势在于其将概率分布函数族作为一个集合,并通过一套原理和方法,来研究概率分布所蕴含的内在结构信息。由于统计流形上的每一个点代表了一个概率分布函数,而概率分布函数又是信息论和统计学研究的基础,因此,信息几何可为信号检测提供了一个新的研究角度。
鉴于信息具有几何学的性质和内涵,采用几何学方法可以有效的描述一个信息过程,因此,信息几何非常适合于对模型选择问题的研究。而信号检测中信号数据作为信息,这些数据正好可以分为H0(仅含噪声)和H1(噪声+信号)两种模型。通常一个统计模型为一族概率分布的集合(记为M),全部概率分布的集合可形成一个统计流形时(记为S)。因此,这些信号数据对应着统计流形中的两个点,通过计算流形上点与点之间的距离,然后根据距离差判断属于哪一种模型,进而达到信号检测,也即频谱感知的目的。
信息几何是近年来新兴的理论体系。基于信息几何的信号检测方法较少,在雷达回波检测中有一些应用。而雷达信号处理为信号处理的一个重要的分支,有着广泛的应用背景。在这一领域有代表性的实现方案是Barbaresco等基于正定矩阵流形实现脉冲Doppler雷达矩阵CFAR检测的研究。该方案基于有限个脉冲采样的样本协方差矩阵,建立Toeplitz正定矩阵流行,流形中每一个点对应于一个参考单元的样本协方差矩阵,这些协方差矩阵构成一个具有负曲率的流形空间。在该流形中,首先计算各参考单元对应的协方差矩阵的Riemann均值(几何均值),用于估计杂波功率;而后利用协方差矩阵之间的几何距离,计算待检测单元RD和参考单元的Riemann均值之间的距离,与门限比较给出检测结果。这方法同样被用于频谱感知上,将其脉冲信号改成感知的频谱信号。
但是,当样本数据出现异常值(离群值)时,Riemann均值(几何均值)可能发生较大的改变,因此,检测性能不够稳定。除此之外,正定矩阵CFAR检测方案中通过门限进行判决,而采用门限的方法,往往存在偏差,会影响检测性能。
频谱感知可为一种二分类问题(主用户存在或者主用户不存在),而机器学习算法,众所周知,广泛应用于模式分类领域中。故,可利用任何一种机器学习算法训练分类模型对频谱信号进行感知,从而实现感知信号中是否存在主用户。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种频谱感知方法的流程示意图,本发明实施例可包括以下内容:
S101:对待感知信号进行统计特性处理,得到协方差矩阵。
S102:将协方差矩阵参数化,得到相应的概率分布函数,以建立协方差矩阵与统计流形的映射关系。
S103:提取统计流形的测试距离特征,并将其输入预先构建的分类模型中,以根据分类模型输出的分类结果检测待感知信号中是否存在主用户。
***中只存在一个次用户(Secondary user,SU)对主用户(Primary user,PU)进行检测时,频谱感知问题可以用以下二元假设表示:
其中,H0为主用户信号不存在,H1为主用户信号存在,a(n)为主用户信号,w(n)为独立同分布、均值为0、方差为的高斯白噪声信号。
在认知无线电***中有M个SU的协作频谱感知,构成一个感知矩阵并且每一个SU的采样点数为N,其中xi=[xi(1),xi(2),...,xi(N)]T表示为第i个SU的信号采样值。可以得到一个N×M的信号矩阵:
因此,接收到的待感知信号的协方差矩阵可以由R=E[XTX]表示。
根据信息几何理论,概率密度函数可由相应的协方差矩阵参数化得到。即对任何一个n维向量,当付出零均值高斯分布时,其分布表达式可为:
协方差均值R∈Cn×n参数化的概率分布族S={p(x|R)|R∈Cn×n},其中,Cn×n为n×n维向量空间中的开集,X为n维向量,R为协方差矩阵。在一定的拓扑结构下S形成一个可微的流形,称为统计流形。图2为统计流形的示意图,从该图中得知坐标R、样本x以及统计流形S三者之间的对应关系。图中R是流形S的坐标,x为样本空间Ω的一个实例,其概率密度函数为p(x|θ)。因此,在n维向量空间中,对于每一个由θ参数化的概率分布函数p(x|θ),都可以对应为统计流形上S的一个点S(θ)。
在建立协方差矩阵与统计流形的映射关系之后,也即将协方差矩阵和统计流形上的点相对应之后,判断待感知信号所属的标签类别(有主用户和没有主用户),即对其进行分类时,通过衡量未知信号与已知标签信号之间的距离大小来判断,二者的距离越小,属于同一类标签的概率也就越大。故可计算统计流形上点之间的距离作为距离特征,用于后续输入分类模型的识别特征。
分类模型可为利用机器学习算法训练多个不同标签类别的样本信号的距离特征所得,标签类别为存在主用户和不存在主用户。
在本发明实施例提供的技术方案中,将待感知信号利用统计特性与流形上的几何特性建立映射关系,基于信息几何的方法提高了低信噪比下的检测性能,此外,基于机器学习算法训练的分类模型进行特征识别,避免对门限的获取,减小门限对检测性能的影响,且基于机器学习建立的分类模型识别待感知信号中是否存在主用户,可有效提高频谱信号感知的准确性和效率,解决了现有频谱感知技术存在低信噪比低下感知性能差的问题,提高了低信噪比下频谱感知效率及稳定性。
聚类是一种无监督的学习,可将相似的对象归到同一簇中。簇识别给出了聚类结果的含义。聚类与分类的最大不同在于,分类的目标事先已知,而聚类不一样。因为其产生的结果与分类相同,而只是类别没有预先定义,聚类有时也被称为无监督分类。
K-均值聚类算法为给定k个簇的数据集,每一个簇可以通过其质心来描述,而质心为当前簇中所有数据点的平均值。由于频谱感知只需要分为频道可用和频道不可用两类,所以K-均值聚类算法中给定2个簇就满足条件了,也即k=2。
基于k均值聚类算法对样本距离特征进行训练得到分类模型的过程可包括:
对训练样本中的各个样本信号进行预处理,得到相应的样本协方差矩阵;
将各样本协方差矩阵参数化,得到各自相应的概率分布函数,以建立样本协方差矩阵与样本统计流形的映射关系;
提取各样本统计流形的样本距离特征,利用k均值聚类算法训练各样本距离特征,得到分类模型。
在判断待感知信号的所属标签类别时,将测试距离特征输入至分类模型中,通过下式来判断所属的类别:
式中,d为测试距离特征,μ为质心,μ={μ1,μ2,…,μk},k为整数,ε为常数,用于在实验中计算与统计检测概率时,控制虚警概率以及漏检概率。
如果测试距离特征满足上式,则判定PU存在,否则判定PU不存在。
表1基于信息几何和k均值聚类算法的伪代码
由上可知,利用k均值聚类算法训练分类模型,避免对门限的获取,减小门限对检测性能的影响,可有效提高频谱信号感知的准确性和效率。
参数化的概率密度函数可由其协方差矩阵表示,也即统计流形上的点对应着相应的协方差矩阵。计算概率分布间的距离即为计算概率分布所对应的协方差矩阵间的距离。统计流形中度量两个概率分布间的距离的方式有很多,由于测地线距离考虑连接两点的最短路径,即流形的结构,可选的,在提取距离特征时,可计算统计流形上两点间的测地线距离,作为统计流形的测试距离特征。
对于具有相同均值但协方差矩阵不同的多元高斯分布族,考虑其中协方差矩阵分别为R1和R2的两个成员,两者之间的测地线距离可根据下式计算得到:
det(R2-λjR1)=0;
式中,λj为矩阵(R1 -1/2*R2*R1 -1/2)的特征值,j=1,2,…,为特征值的个数。
可进行两次测地线距离计算,得到d1和d2两个结果,令d=[d1,d2]表示待感知信号的距离特征向量。
考虑到传播环境中受到多径衰落和阴影等不确定因素的影响导致,每次采样的协方差矩阵有一定的偏差,因此,用T个协方差矩阵Rl(1,2,...,T)计算得出一个协方差矩阵平均值例如T=16。经过计算协方差矩阵平均值可以减少环境因素对检测性能的影响,为了提高频谱感知信号的准确度,在计算统计流形上两点间的测地线距离,可采用黎曼中值表示协方差矩阵平均值作为参考值,也即提取待感知信号的距离特征可如图3所示,将协方差矩阵与统计流形上的点相对应之后,通过测地线度量方式计算流形上两个点的距离,得到测试距离特征。
表1计算黎曼中值的伪代码
根据黎曼中值进行仿真,得到图4,从仿真图可以知道,需要迭代60次,黎曼中值才趋于稳定。
由上可知,本发明实施例采用黎曼中值估计协方差矩阵的平均,由于黎曼中值对于数据的离群值更具有鲁棒性,故可进一步提高低信噪比下的检测性能。
为了验证本申请提供的技术方案相比现有技术,在低信噪比下有更好的检测性能,本申请以协作用户数M=5,采样点数N=500环境下,对不同频谱感知方法的检测性能与信噪比的关系进行了仿真,请参阅图5所示。
由图可知,在低虚警概率下,本申请技术方案的检测性能远远比现有频谱感知方法性能好;此外,随着信噪比的增大,本申请技术方案的检测性能也随之提高。
本发明实施例还针对频谱感知方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的频谱感知装置进行介绍,下文描述的频谱感知装置与上文描述的频谱感知方法可相互对应参照。
参见图6,图6为本发明实施例提供的频谱感知装置在一种具体实施方式下的结构图,该装置可包括:
信号预处理模块601,用于对待感知信号进行统计特性处理,得到协方差矩阵,得到协方差矩阵。
几何特性映射模块602,用于将所述协方差矩阵参数化,得到相应的概率分布函数,以建立所述协方差矩阵与统计流形的映射关系。
信号感知模块603,用于提取所述统计流形的测试距离特征,将其并输入预先构建的分类模型中,以根据所述分类模型输出的分类结果检测所述待感知信号中是否存在主用户;其中,所述分类模型为利用机器学习算法训练多个不同标签类别的样本信号的距离特征所得,所述标签类别为存在主用户和不存在主用户。
可选的,在本实施例的一些实施方式中,所述信号感知模块603可为以黎曼中值为参考值,计算统计流形上两点间的测地线距离的模块。
在本实施例的另一些实施方式中,所述装置例如还可以包括模型训练模块,所述模型训练模块包括:
样本信号处理子模块,用于对训练样本中的各个样本信号进行预处理,得到相应的样本协方差矩阵;
几何特性建立子模块,用于将各样本协方差矩阵参数化,得到各自相应的概率分布函数,以建立样本协方差矩阵与样本统计流形的映射关系;
特征训练子模块,用于提取各样本统计流形的样本距离特征,利用k均值聚类算法训练各样本距离特征,得到分类模型。
具体的,所述信号感知模块603可为判断下述公式是否成立,若成立,则分类模型输出待感知信号中存在主用户的分类结果;否则,则分类模型输出待感知信号中不存在主用户分类结果的模块:
式中,d为测试距离特征,μ为质心,μ={μ1,μ2,…,μk},k为整数,ε为常数。
本发明实施例所述频谱感知装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例将待感知信号利用统计特性与流形上的几何特性建立映射关系,基于信息几何的方法提高了低信噪比下的检测性能,此外,基于机器学习算法训练的分类模型进行特征识别,避免对门限的获取,减小门限对检测性能的影响,且基于机器学习建立的分类模型识别待感知信号中是否存在主用户,可有效提高频谱信号感知的准确性和效率,解决了现有频谱感知技术存在低信噪比低下感知性能差的问题,提高了低信噪比下频谱感知效率及稳定性。
本发明实施例还提供了一种频谱感知设备,具体可包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如上任意一实施例所述频谱感知方法的步骤。
本发明实施例所述频谱感知设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例解决了现有频谱感知技术存在低信噪比低下感知性能差的问题,提高了低信噪比下频谱感知效率及稳定性。
本发明实施例还提供了一种计算机可读存储介质,存储有频谱感知程序,所述频谱感知程序被处理器执行时如上任意一实施例所述频谱感知方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例解决了现有频谱感知技术存在低信噪比低下感知性能差的问题,提高了低信噪比下频谱感知效率及稳定性。
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一种频谱感知方法、装置、设备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)
1.一种频谱感知方法,其特征在于,包括:
对待感知信号进行统计特性处理,得到协方差矩阵;
将所述协方差矩阵参数化,得到相应的概率分布函数,以建立所述协方差矩阵与统计流形的映射关系;
提取所述统计流形的测试距离特征,并将其输入预先构建的分类模型中,以根据所述分类模型输出的分类结果检测所述待感知信号中是否存在主用户;
其中,所述分类模型为利用机器学习算法训练多个不同标签类别的样本信号的距离特征所得,所述标签类别为存在主用户和不存在主用户。
2.根据权利要求1所述的频谱感知方法,其特征在于,所述提取所述统计流形的测试距离特征包括:
计算所述统计流形上两点间的测地线距离,作为所述统计流形的测试距离特征。
3.根据权利要求2所述的频谱感知方法,其特征在于,所述计算所述统计流形上两点间的测地线距离包括:
以黎曼中值为参考值,计算所述统计流形上两点间的测地线距离。
4.根据权利要求1至3任意一项所述的频谱感知方法,其特征在于,所述分类模型的训练过程包括:
对训练样本中的各个样本信号进行预处理,得到相应的样本协方差矩阵;
将各样本协方差矩阵参数化,得到各自相应的概率分布函数,以建立样本协方差矩阵与样本统计流形的映射关系;
提取各样本统计流形的样本距离特征,利用k均值聚类算法训练各样本距离特征,得到分类模型。
5.根据权利要求4所述的频谱感知方法,其特征在于,所述根据所述分类模型输出的分类结果检测所述待感知信号中是否存在主用户包括:
判断下述公式是否成立:
式中,d为所述测试距离特征,μ为质心,μ={μ1,μ2,…,μk},k为整数,ε为常数;
若是,则所述分类模型输出所述待感知信号中存在主用户的分类结果;若否,则所述分类模型输出所述待感知信号中不存在主用户分类结果。
6.一种频谱感知装置,其特征在于,包括:
信号预处理模块,用于对待感知信号进行统计特性处理,得到协方差矩阵,得到协方差矩阵;
几何特性映射模块,用于将所述协方差矩阵参数化,得到相应的概率分布函数,以建立所述协方差矩阵与统计流形的映射关系;
信号感知模块,用于提取所述统计流形的测试距离特征,将其并输入预先构建的分类模型中,以根据所述分类模型输出的分类结果检测所述待感知信号中是否存在主用户;其中,所述分类模型为利用机器学习算法训练多个不同标签类别的样本信号的距离特征所得,所述标签类别为存在主用户和不存在主用户。
7.根据权利要求6所述的频谱感知装置,其特征在于,所述信号感知模块为以黎曼中值为参考值,计算所述统计流形上两点间的测地线距离的模块。
8.根据权利要求6或7所述的频谱感知装置,其特征在于,还包括模型训练模块,所述模型训练模块包括:
样本信号处理子模块,用于对训练样本中的各个样本信号进行预处理,得到相应的样本协方差矩阵;
几何特性建立子模块,用于将各样本协方差矩阵参数化,得到各自相应的概率分布函数,以建立样本协方差矩阵与样本统计流形的映射关系;
特征训练子模块,用于提取各样本统计流形的样本距离特征,利用k均值聚类算法训练各样本距离特征,得到分类模型。
9.一种频谱感知设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述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频谱感知程序,所述频谱感知程序被处理器执行时实现如权利要求1至5任一项所述频谱感知方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811045616.5A CN109039503A (zh) | 2018-09-07 | 2018-09-07 | 一种频谱感知方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811045616.5A CN109039503A (zh) | 2018-09-07 | 2018-09-07 | 一种频谱感知方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109039503A true CN109039503A (zh) | 2018-12-18 |
Family
ID=64624185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811045616.5A Pending CN109039503A (zh) | 2018-09-07 | 2018-09-07 | 一种频谱感知方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109039503A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365434A (zh) * | 2019-06-27 | 2019-10-22 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
CN111614421A (zh) * | 2020-05-19 | 2020-09-01 | 重庆邮电大学 | 一种基于非监督式机器学习分类算法的频谱感知方法 |
CN112350790A (zh) * | 2020-09-25 | 2021-02-09 | 深圳大学 | 一种基于深度学习的频谱感知检测方法、装置及设备 |
CN112787736A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
CN112968741A (zh) * | 2021-02-01 | 2021-06-15 | 中国民航大学 | 基于最小二乘向量机的自适应宽带压缩频谱感知算法 |
CN114254265A (zh) * | 2021-12-20 | 2022-03-29 | 军事科学院***工程研究院网络信息研究所 | 基于统计流形距离的卫星通信干扰几何分析方法 |
CN115577253A (zh) * | 2022-11-23 | 2023-01-06 | 四川轻化工大学 | 一种基于几何功率的监督频谱感知方法 |
WO2023213081A1 (zh) * | 2022-05-05 | 2023-11-09 | 中兴通讯股份有限公司 | 频谱感知方法、电子设备和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
US20170093603A1 (en) * | 2015-04-02 | 2017-03-30 | The Board Of Trustees Of The University Of Alabama | Systems and methods for detecting unused communication spectrum |
CN107979431A (zh) * | 2017-11-28 | 2018-05-01 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
CN108462544A (zh) * | 2018-03-27 | 2018-08-28 | 广东工业大学 | 一种频谱感知方法及装置 |
-
2018
- 2018-09-07 CN CN201811045616.5A patent/CN109039503A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
US20170093603A1 (en) * | 2015-04-02 | 2017-03-30 | The Board Of Trustees Of The University Of Alabama | Systems and methods for detecting unused communication spectrum |
CN107979431A (zh) * | 2017-11-28 | 2018-05-01 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
CN108462544A (zh) * | 2018-03-27 | 2018-08-28 | 广东工业大学 | 一种频谱感知方法及装置 |
Non-Patent Citations (2)
Title |
---|
VAIBHAV KUMAR等: "K-mean Clustering based Cooperative Spectrum Sensing in Generalized k-μ Fading Channels", 《2016 TWENTY SECOND NATIONAL CONFERENCE ON COMMUNICATION (NCC)》 * |
孙有铭等: "噪声功率不确定模型下基于CFAR 准则的能量检测门限优化算法", 《四川大学学报(工程科学版)》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110365434B (zh) * | 2019-06-27 | 2021-08-24 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
CN110365434A (zh) * | 2019-06-27 | 2019-10-22 | 广东工业大学 | 基于信息几何和差分进化聚类算法的多天线协作频谱感知方法 |
CN111614421A (zh) * | 2020-05-19 | 2020-09-01 | 重庆邮电大学 | 一种基于非监督式机器学习分类算法的频谱感知方法 |
CN112350790A (zh) * | 2020-09-25 | 2021-02-09 | 深圳大学 | 一种基于深度学习的频谱感知检测方法、装置及设备 |
CN112350790B (zh) * | 2020-09-25 | 2021-12-28 | 深圳大学 | 一种基于深度学习的频谱感知检测方法、装置及设备 |
CN112787736A (zh) * | 2020-12-30 | 2021-05-11 | 杭州电子科技大学 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
CN112787736B (zh) * | 2020-12-30 | 2022-05-31 | 杭州电子科技大学 | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 |
CN112968741A (zh) * | 2021-02-01 | 2021-06-15 | 中国民航大学 | 基于最小二乘向量机的自适应宽带压缩频谱感知算法 |
CN112968741B (zh) * | 2021-02-01 | 2022-05-24 | 中国民航大学 | 基于最小二乘向量机的自适应宽带压缩频谱感知算法 |
CN114254265A (zh) * | 2021-12-20 | 2022-03-29 | 军事科学院***工程研究院网络信息研究所 | 基于统计流形距离的卫星通信干扰几何分析方法 |
CN114254265B (zh) * | 2021-12-20 | 2022-06-07 | 军事科学院***工程研究院网络信息研究所 | 基于统计流形距离的卫星通信干扰几何分析方法 |
WO2023213081A1 (zh) * | 2022-05-05 | 2023-11-09 | 中兴通讯股份有限公司 | 频谱感知方法、电子设备和计算机可读存储介质 |
CN115577253A (zh) * | 2022-11-23 | 2023-01-06 | 四川轻化工大学 | 一种基于几何功率的监督频谱感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
CN107633227B (zh) | 一种基于csi的细粒度手势识别方法和*** | |
US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
CN106789788B (zh) | 一种无线数字信号调制方式识别方法及装置 | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN105844283A (zh) | 用于识别图像类目归属的方法、图像搜索方法及装置 | |
CN111541511B (zh) | 复杂电磁环境下基于目标检测的通信干扰信号识别方法 | |
CN106886995A (zh) | 多线性示例回归器聚合的图像显著对象分割方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN111163472A (zh) | 一种基于生成式对抗网络的信号识别攻击的防御方法 | |
CN109508733A (zh) | 一种基于分布概率相似度度量的异常检测方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN110224771B (zh) | 基于bp神经网络与信息几何的频谱感知方法及装置 | |
CN107582061B (zh) | 一种识别人体运动状态的方法及智能移动设备 | |
CN110493221A (zh) | 一种基于聚簇轮廓的网络异常检测方法 | |
CN109493333A (zh) | 基于卷积神经网络的超声甲状腺结节钙化点提取算法 | |
CN112364851A (zh) | 一种自动调制识别方法、装置、电子设备及存储介质 | |
CN109218240A (zh) | 一种环境反向散射通信***中的信号发送与检测方法 | |
CN109559321A (zh) | 一种声呐图像分割方法和设备 | |
CN108768563A (zh) | 一种协作频谱感知方法及相关装置 | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、***及存储介质 | |
CN117095254A (zh) | 基于分层自编码器的开放集射频指纹识别方法 | |
CN104463896A (zh) | 基于核相似区分布特性的图像角点检测方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |