[发明专利]基于支持向量机的高能效频谱感知方法

权利要求书

1.基于支持向量机的高能效频谱感知方法，其特征在于包括如下步骤：

步骤1、计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量；

步骤2、利用特征向量离线训练SVM分类模型，然后基于模拟退火优化高斯核参数；

步骤3、计算接收信号的特征表示，使用SVM分类模型进行分类，判断信号是否包含主用户，从而判断频谱状态；

所述的计算主用户信号和噪声的能量统计量，得到能量向量，进而得到主用户信号和噪声的残差向量的方法为：

计算主用户信号和噪声的能量统计量为

其中，y(n)是接收信号的采样，N_s表示采样周期T内采样点的个数；

在采样周期T内从N_s个点中随机抽取M_s个点，计算能量统计量作为能量向量中的一个元素，重复n次进而得到n维的能量向量v^e∈Rⁿ，计算中心向量v^c中一个维度上的元素λ^*为

其中，是没有主用户信号时的能量值的方差，为有主用户信号时的能量值的方差，μ₀是没有主用户信号时的能量值的均值，μ₁为有主用户信号时的能量值的均值，是噪声方差，γ是信噪比；

计算残差向量为v^r＝v^e-v^c，利用k-means聚类来对残差向量分组，得到两个聚类中心，将分组中距离聚类中心最远的向量为基向量，使用主用户信号聚类中的基向量对噪声的残差向量进行修正，噪声聚类的基向量对主用户信号的残差向量进行修正。

2.根据权利要求1所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的N_s＝T/f_s，f_s是采样频率。

3.根据权利要求2所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的主用户信号聚类中的基向量为离主用户训练数据最远的基向量。

4.根据权利要求3所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的使用主用户信号聚类中的基向量对噪声的残差向量进行修正，使得噪声的残差向量小于0，噪声聚类的基向量对主用户信号的残差向量进行修正，使得主用户信号的残差大于0。

5.根据权利要求4所述的基于支持向量机的高能效频谱感知方法，其特征在于：所述的利用特征向量离线训练SVM分类模型的方法为：

步骤B1、计算最优间隔分类器为

其中，向量x_i表示训练样本x_i(i＝1,...,m)，y_i表示样本i的类别y_i(i＝1,...,m)，ω和b是SVM分类器判决函数f(x)＝ω^Tx+b中控制分类边界的参数；

利用拉格朗日对偶将对偶问题改写为

s.t.α_i≥0,i＝1,...,m

进而得到目标函数为

其中，向量x表示测试样本，α＝{a_i}表示拉格朗日乘子，α_i是α的元素，m是样本数；

在离线训练时，产生主用户信号和噪声信号分别作为正负样本，利用SVM训练得到目标函数，然后根据目标函数来预测测试样本的类别。