[发明专利]基于HMM模型的多点协作频谱感知方法

权利要求书

1.一种基于HMM模型的多点协作频谱感知方法，其特征在于，包括以下步骤：

步骤一、认知无线电网络中包含多个主用户和多个次用户，对主用户的频谱进行隐马尔可夫模型建模，根据频谱感知得到的各次用户各时隙的观测值，对隐马尔可夫模型的参数进行训练，递归计算各次用户下一时隙的频谱状态为“忙”或“闲”的预测概率，概率高的频谱状态为下一时隙频谱状态预测结果；

步骤二、统计所有次用户下一时隙的感知频谱状态为“忙”或“闲”的次数，如果“忙”的比例大于预设阈值，则判定下一时隙的频谱状态为“忙”，否则为“闲”，输出频谱状态结果，并将结果返回至频谱感知数据融合中心。

2.如权利要求1所述的基于HMM模型的多点协作频谱感知方法，其特征在于，步骤二中预设阈值为2/3或1/2。

3.如权利要求1所述的基于HMM模型的多点协作频谱感知方法，其特征在于，步骤一具体包括：

S1.对主用户的频谱进行隐马尔可夫模型建模，得到λ＝{Π,A,B}，其中，Π为频谱状态为“忙”或“闲”的初始状态概率，A为状态转移概率矩阵，B为发射概率矩阵；

S2.采用能量检测算法进行频谱感知，得到每一个次用户T时隙的观测值序列O_i＝{o_it∈V|t＝1,2,…,T}，观测值序列的状态空间V＝{0,1}，0表示次用户判决该时隙频谱状态为“闲”，1表示次用户判决该时隙频谱状态为“忙”；

S3.将观测值序列作为训练序列，运行Baum-Welch算法进行参数Π、A、B的训练，得到估计的参数

S4.根据历史感知结果序列O＝{o₁,o₂,…,o_t,…,o_T}和估计的参数递归计算下一时隙频谱状态为“忙”或“闲”的预测概率

S5.如果成立，则该次用户判断户下一时隙的频谱状态为“忙”，否则为“闲”。

4.如权利要求3所述的基于HMM模型的多点协作频谱感知方法，其特征在于，S1中，状态转移概率矩阵A为A＝{a_ij}_(k+1)×(k+1)，a_ij＝P{q_t+1＝S_j|q_t＝S_i}表示当前时刻t时频谱状态为S_i于下一时刻t+1时转移到S_j的转移概率，其中k为编码块大小；隐马尔可夫模型λ＝{Π,A,B}的隐藏状态空间为S＝{0,1,…,k}，其中0表示主用户信道处于“闲”状态，1～k均为“忙”状态；得到状态转移概率矩阵A和发射概率矩阵B分别为：

B={bij}(k+1)×2=1-pfpfpm1-pm......pm1-pm]]>

其中，α为状态0转换为状态1的概率，β为状态k转换为状态0的概率，k为正整数，虚警概率p_f和漏检概率p_m的计算如下：

Pm=Pr[1nΣi=1nYi2≤τ|H1]=γ(n2,nτ2(σ2+P))Γ(n/2)]]>

Pf=Pr[1nΣi=1nYi2≥τ|H0]=Γ(n2,nτ2σ2)Γ(n/2)]]>

其中，n为一个时隙内的采样样本数，检测阈值为τ，为伽马函数，和分别为下不完全伽马函数和上不完全伽马函数。