[发明专利]一种基于HDP-NSHMM的频谱感知方法

权利要求书

1.一种基于HDP-NSHMM的频谱感知方法，其特征在于，包括以下步骤：

S1、收集所有历史时刻的频谱感知观察数据，做初始化处理，

S2、采用分层狄利克雷过程-非平稳隐马尔可夫模型对历史感知数据进行融合和聚类，在聚类循环中，当信道状态保持时间增长到大于设定时间时，减小自转移偏移参数，使得选择转移到不同的信道状态的可能性增大，

S3、采用伽马分布作为不同信道状态的频谱感知数据指数分布参数的共轭先验来构造贝叶斯模型，利用归为同一信道状态聚类的所有感知数据更新每一类的指数分布参数的伽马分布超参数，

S4、通过更新的伽马分布超参数估计每一类信道状态的功率值，将功率估计值与预设的门限值进行对比，得到频谱判决结果；

所述步骤S1的初始化处理具体包括：

给每个历史时刻分配初始信道状态类别，统计初始计数和到各历史时刻为止聚类结果保持为初始信道状态的时间序列的长度及保持的起始、结束时刻；

所述步骤S2中在每一次聚类循环中，对每个时刻t分别进行以下步骤：

S21、获取信道隐藏状态聚类结果及融合参数，对过渡分布β进行抽样，获取时刻t在本次聚类循环前的聚类结果的统计数据，

S22、采样得到t时刻新的信道状态聚类结果，如果选择了新的类别，则更新时刻t的信道状态聚类结果及其相关的统计数据，更新过渡分布，将时刻t对应的频谱感知数据加入相应类的信道状态融合数据中，

S23、将新的信道状态聚类结果与旧的聚类结果比较，若不相同，则更新t前后时刻的时间序列的状态，保持序列长度和起始时间序号，

S24、检查此时是否存在空类别，若存在空类，则移除空类，将总类别数目减一，且将β_k加入其中，β_k表示选择隐藏状态k的概率，为狄利克雷过程得到的断棍构造方法中的参数，服从β_k|α,H～beta(1,α)，表示选择新的隐藏状态的概率，

S25、对融合参数中的辅助变量进行抽样；

所述步骤S21具体包括：

S211、收集时刻t以外其余时刻的信道隐藏状态聚类结果以及每一类信道状态的融合参数，

S212、对过渡分布β按照狄利克雷分布进行抽样，

S213、将时刻t本次聚类循环前的聚类结果从相关的统计数据中去除，将t时刻的频谱感知数据从该聚类结果的融合数据中移除；

所述步骤S22具体包括：

S221、分别计算当时刻t选择已有类别或新类别时，到t时刻为止具有连续相同聚类结果的时间序列长度，

S222、对已有的信道状态聚类类别，通过时间序列聚类类别选择的先验分布和似然函数，结合频谱感知数据，计算转移到每个已有信道状态类别的概率和选择新的聚类类别的概率，

S223、采样得到时刻t新的信道状态聚类结果，如果选择了新的类别，则更新时刻t的信道状态聚类结果及其相关的统计数据，更新过渡分布，

S224、将时刻t最新的信道状态聚类结果加入相关的统计数据中，并且将时刻t对应的频谱感知数据加入相应类的信道状态融合数据中；

所述步骤S222中已有的信道状态聚类类别转移到每个已有信道状态类别的概率为：

其中，Y_t表示t时刻频谱感知观察数据集合，z_t表示每个时刻初始分配信道状态类别，τ_t表示到t时刻为止聚类结果保持为z_t的时间序列的长度，k表示第k个信道状态类别，K表示当前已有的信道类别总数目，κ表示自转移偏移参数，δ(k,z_t-1)和δ(k,z_t+1)表示冲激函数，和n_k·分别表示t-1、t+1以及所有时刻t＝1,2,...,T从状态类别k转移出的次数，α和β_k为狄利克雷过程得到的断棍构造方法中的参数，α为第二层狄利克雷的集中参数，β_k表示选择第k个信道状态类别的概率，β_k|α,H～beta(1,α)，p(Y_t；a_k,b_k)表示似然函数，a_k、b_k表示伽玛分布的两个超参数，

选择新的聚类类别K+1的概率：

其中，表示t+1时刻聚类结果序号为z_t+1的概率，表示选择新的隐藏状态类别的概率；

所述步骤S223中更新过渡分布具体包括：

对分布进行抽样，令选择新的聚类类别K′的概率为其中表示选择新的隐藏状态类别的概率，β_k表示选择第k个信道状态类别的概率，K表示原有的隐藏状态类别数目；

所述步骤S4具体包括：

通过更新的伽马分布超参数估计每一类信道状态的功率值，将功率估计值与预设的门限值进行对比，如果功率估计值小于门限值，则认为信道可用，如果功率估计值大于门限值，则认为信道被PU占用，不能被SU使用；若同时存在多个可用信道，选择接入功率估计值较小的信道。