[发明专利]一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法

说明书

本发明公开了一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法，采用以下步骤完成：S1，采用Cholesky分解感知信号的协方差矩阵，构造统计量；S2，对所述统计量进行标记标签；S3，将所述统计量和对应的标签作为训练样本集，采用SVM算法训练所述样本，得到凸二次规划问题；S4，采用序列最优化算法求解所述凸二次规划问题，得到SVM分类器；S5，采用SVM分类器对主用户状态进行分类。本发明所述方法通过Cholesky分解感知信号采样协方差矩阵的预处理，可降低PU信号和噪声的相关性，减少样本集的数量，使PU信号与噪声间的距离增加，提高了检测概率，且降低了频谱感知复杂度。

技术领域

本发明属于数字通信领域，具体涉及一种基于乔姆斯基分解采样协方差矩阵的支持向量机高效频谱感知方法，实现认知无线电的频谱感知。

背景技术

传统无线频谱资源是按授权方式静态分配的，会限制无线通信的灵活性。而认知无线电(CR)是动态分配频谱资源，提高了频谱利用率。其中，频谱感知作为CR的前提，其主要目标是认知设备迅速和智能地识别频段中未被占用的可用频谱，使更多的用户机会性地使用该资源。实际的无线环境相当复杂，单纯的传统认知无线电频谱感知技术不能应对未来的更高要求：支持大量用户，准确认知，多节点认知，前瞻性感知，识别速度快。而机器学习的方法可以使CR的频谱感知系统更为“认知化”，对网络域、用户域和无线域的各种周边无线变化和用户设备状态进行采样和建立模型，然后再使用特定的算法进行数据分类，得到更为准确的认知信息，并且能对本身的系统进行自我完善与优化，认知系统得到性能的提升，更加适应无线环境的多变情况。

传统能量检测算法以接收信号能量作为判断依据。对输入信号采样量化，经过理想带通滤波器与模数转换器后，去除掉附带噪声与邻近无关信号，再对信号幅值平方得到能量，随后对能量求积分再求平均得到统计值，最后统计值与预设好的阈值对比，若统计值小于阈值，则判断为频谱空闲，否则判断为主用户占用频谱。该方法不需先验信息，算法相对简单。但是会受到噪声的峰值影响，不适合低信噪比的环境。

发明内容

为解决上述技术问题，本发明提出一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法，改善低信噪比下频谱检测概率低的问题，即提高频谱的利用率。

首先，对Cholesky分解法和SVM进行如下解释：

乔姆斯基(Cholesky)分解法

Cholesky分解法又叫平方根法，是求解对称正定线性方程组最常用的方法之一。对于一般矩阵，为了消除三角(LU)分解的局限性和误差的过分积累，采用了选主元的方法，但对于对称正定矩阵而言，选主元是不必要的。实对称矩阵必有三角分解A＝LU，且存在唯一的对角元素均为正的下三角矩阵G，使得A＝GG^T(此称为Cholesky分解)。矩阵G为Cholesky三角。

支持向量机(SVM)

SVM是基于最小风险结构原理模式分类器建立起来的，比一般基于别的指标的分类器有更好的泛化能力，适用于解决离散、高维度与非线性识别问题，可利用在低信噪比下的无线电环境去解决频谱感知问题。SVM算法是基于历史数据建立一个分类模型，把收到的新数据经该分类模型，快速做出分类。其原理是将低维无法用线性模型分类的空间，通过非线性转换，得到一个高维线性特征空间，在高维线性特征空间中构造一个线性间隔超平面，使样本点在空间内被划分区别开。最大间隔超平面，使不同标记样本以最大可能正确分开，并使各被区别的样本与间隔超平面的空间距离达到最大。

本发明采用以下技术方案：