[发明专利]基于支持向量机的高能效频谱感知方法

说明书

基于支持向量机(SVM，Support Vector Machine)的高能效频谱感知方法，首先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，然后利用特征向量离线训练SVM分类模型，基于模拟退火优化高斯核参数，最后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。

技术领域

本发明涉及认知无线电领域的频谱感知技术，特别是基于支持向量机的高能效频谱感知方法。

背景技术

通常，一段频谱只分配给主用户(PU)而感知用户无法接入这一频段。但是，主用户并不是一直占用这一频段，这样空闲的频段导致了较低的频谱利用率。频谱感知可以检测到未占用的频段，这样感知用户就可以在主用户未占用的时候利用这一频段，提高频谱利用率。

基于能量检测的频谱感知算法是最常用的感知模型。这种方案不需要获得关于主用户信号的先验知识。先后有研究人员提出了单阈值和双阈值的频谱感知算法。为了进一步改进频谱感知的检测性能，研究人员开始基于主用户信号的统计信息检测频谱状态。Wang等人考虑频谱利用率提出了一种软判决的频谱感知算法。Nguyen等人通过对真实频谱数据的观测，提出了一种隐马尔科夫模型。这些算法利用了信号的先验信息，因而获得了更好的检测性能。传统能量检测方案的不足在于，难以选择合适的阈值，以准确检测频带的占用情况。当认知用户周围环境的噪声发生变化时，例如当信噪比发生变化时，需要动态调整阈值以适应不同的场景。因此，频谱感知的一个重要研究问题就是阈值的动态调整问题。如果将能量检测统计量判断是否存在主用户看作一个二分类问题，则可以基于SVM来解决这一分类问题。

有研究人员指出仅仅根据单个感知用户的观测结果来判断频谱状态是不可靠的。所以，需要引入协作频谱感知(cooperative spectrum sensing，CSS)。协作频谱感知综合了多个感知用户的感知结果来对当前频谱的状态进行决策。由于感知用户的空间多样性，协作频谱感知可以克服信噪比退化问题。但是，协作频谱感知需要处理来自大量感知用户的数据，增加了系统的能耗和计算负担。

从机器学习的角度来看，根据能量检测统计量判断是否存在主用户是一个二分类问题。传统的能量检测算法本质上是建立了一个线性分类器，然后对统计量进行阈值化，最终得到判决结果。但是，当信噪比很低，采样点数很小时，二分类问题逐渐变得线性不可分。所以，考虑基于SVM来解决这一分类问题。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了基于支持向量机的高能效频谱感知方法，利用分类模型来进行频谱检测，以提升频谱感知的性能，基本思想是通过构建特征向量对信号进行表示，然后学习得到SVM模型来判断频谱的占用情况。

本发明的技术解决方案是：基于支持向量机的高能效频谱感知方法，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；