[发明专利]一种基于HDP-NSHMM的频谱感知方法

说明书

本发明涉及一种基于HDP‑NSHMM的频谱感知方法，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，在当前状态的保持时间较短时，设置较大的自转移偏移参数，以保证其状态不会随时间快速变化，而随着当前状态保持时间的增长，减小自转移偏移参数，从而减小状态的自转移概率，使其更有可能选择转移到不同的状态。与现有技术相比，本发明通过与聚类类别保持时间相关的自转移偏移参数调整状态自转移概率，对于信道状态的变化能够更准确的判断，通过固定的状态类别可避免冗余状态的出现，提高了历史感知数据聚类准确性，从而具有更高的感知性能，提高了频谱判决准确性。

技术领域

本发明涉及认知无线电频谱感知技术，尤其是涉及一种基于HDP-NSHMM的频谱感知方法。

背景技术

频谱感知是认知无线电中的核心技术，需要实时监测周围的无线环境，为非授权用户给出可用频谱资源，同时保证及时发现授权用户对当前频段的占用，避免造成干扰。因此，频谱感知的准确性对于认知无线电网络起着非常关键的作用。针对频谱感知技术的大量研究工作提供了许多基于信号处理的检测方法，这些检测方法主要可以划分为非协作频谱感知与协作频谱感知两大类。

使用非协作频谱感知的认知无线电设备可以独立选择不同的检测方法，并各自处理本地的感知结果，作出频谱判决。这样的频谱感知方法无需不同用户之间的信息交互，因而更加简单、快捷、便于实现。常用的非协作检测方法主要有能量检测、匹配滤波器检测、循环平稳特征检测等。虽然非协作感知方法无需信息交互，易于实现，然而由于没有考虑空间分集信息，这些检测方法是有局限性的。因此，许多频谱感知算法选择将多个用户的频谱感知结果进行融合的协作检测方法。协作感知能够减少单独的认知无线电设备在频谱感知的检测过程中面对的噪声和信道衰落等带来的不确定性，从而提高频谱检测性能，得到更加准确的判决结果。

根据认知无线电用户数据融合策略的选择，协作感知主要可以分为集中式协作感知以及分布式协作感知两大类。在集中式协作感知中，每一个参与协作感知的认知无线电用户将各自的感知情况经过多跳通信发送到融合中心，由中心基站基于所有用户的感知结果作出统一的频谱判决。然而，由于每个用户都需要与融合中心进行感知数据的传送和判决决策的接收，这种融合方式会带来很大的通信开销，同时，对于数据融合中心的处理能力和处理速度也有较高的要求。为了减少开销以及对融合中心的要求，可以选择每个用户与相邻用户进行局部的信息交换，独立得到频谱判决结果，无需建立融合中心的方法，即分布式协作感知方法。这样的分布式网络成本较低，灵活性也更好。

非平稳隐马尔可夫模型(Nonstationary HMM，NSHMM)是一种具有非静态系统隐藏状态转移概率的特殊的隐马尔可夫模型，与传统的HMM不同，NSHMM 的隐藏状态转移概率是随状态保持时间的变化而改变的。所以分层狄利克雷过程- 非平稳隐马尔可夫模型(HDP-NSHMM)将更适用于系统隐藏状态转移概率随当前时刻系统状态保持时间变化的应用场景。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于 HDP-NSHMM的频谱感知方法。

本发明的目的可以通过以下技术方案来实现：

一种基于HDP-NSHMM的频谱感知方法，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。