[发明专利]一种主用户发射功率识别方法、系统、设备及终端

说明书

本发明属于无线通信技术领域，公开了一种主用户发射功率识别方法、系统、设备及终端，用于单输入多输出的主用户发射功率识别任务，其中，主用户配置发射天线数为1，认知无线电设备配置的感知天线数为K，且K＞1，所述主用户发射功率识别方法包括：数据采样；获取观测数据；设计卷积神经网络结构；网络训练；识别性能测试。本发明的主用户发射功率识别方法引入卷积神经网络来设计检验统计量，利用其对观测数据提取高维特征的强大能力，解决传统功率识别方法检验统计量的设计需要涉及大量人工过程、依赖过多的专业知识造成精确度较低的问题，实现功率识别的智能化，克服传统方法在低信噪比的非理想环境下识别性能恶化的难题。

技术领域

本发明属于无线通信技术领域，尤其涉及一种主用户发射功率识别方法、系统、设备及终端。

背景技术

目前，随着5G网络的大规模部署、物联网的快速涌现以及各种新兴技术对频谱使用需求的快速增长，无线频谱资源将变得越来越紧张。认知无线电已然成为一种十分有前途的技术，其主要思路是通过识别周围的无线电环境并动态复用未充分利用的频谱资源来解决频谱稀缺问题。为了进一步提高频谱利用的能力，一些研究为次用户引入了基于混合接入频谱策略，即如果检测到主用户存在，则次用户需切换到低于主用户可以容忍的干扰温度阈值的低发射功率进行信号传输。同时，根据许多标准(例如IEEE802.11系列)的规定，主用户会选择多个发射功率级别来满足不同的服务质量要求。所以，为了不对主用户的通信造成影响，次用户在接入频谱前不仅仅需要检测主用户对频带的占用状态，还需要识别主用户活跃时的发射功率电平值。因此，深度的频谱感知和功率识别方法已经引起了众多学者的兴趣。

传统主用户发射功率识别方法主要是基于统计模型设计检测统计量进行识别。这些模型驱动算法缺点是识别性能高度依赖于检测统计量模型的准确性，但在实际情况中先验模型很难与实际的信号-噪声模型完全相同，一旦统计模型存在不确定度或者不能获得，将导致这些方法在低信噪比(SNR)的通信场景中性能急剧下降甚至失效的现象。另外，传统方法需要大量的先验知识，包括噪声功率和主用户的发射功率模式(即每个功率电平的先验概率)，而这些假设在实践中不太可能可实现。因此，迫切需要设计一种不需要每个假设的先验概率的更好的信噪比稳健性发射功率识别方案。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统主用户发射功率识别方法的识别性能高度依赖于先验统计模型的准确性，但在实际情况中先验统计模型很难与实际的信号-噪声模型完全相同。

(2)传统方法需要大量的先验知识，包括噪声功率和主用户的发射功率模式(即每个功率电平的先验概率)，而这些假设在实践中不太可能可实现。

解决以上问题及缺陷的难度为：由于无线电环境的复杂高动态特性，导致在现实通信环境中极难获取准确且固定的先验模型来构建用于主用户发射功率识别的检验统计量。

由于在多数的频谱接入策略中，主用户与次用户之间属于非合作通信模式，这意味着次用户不能获得主用户发射功率的先验概率。

解决以上问题及缺陷的意义为：本发明的方法打破传统识别方法模型驱动思维，通过引入数据驱动思想设计观测数据适配型卷积神经网络，利用网络提取能量相关性特征的强大能力，针对识别任务需求构建基于观测数据的检验统计量，无需人工设计基于统计模型的检验统计量，有效克服了传统识别方法在低信噪比环境下性能恶化的缺陷。

发明内容

针对传统方法需要涉及大量人工过程、依赖过多的专业知识，从而造成在低信噪比情况下识别性能恶化的问题，本发明提供了一种主用户发射功率识别方法、系统、设备及终端，尤其涉及一种基于卷积神经网络的主用户发射功率识别方法、系统、设备及终端。

本发明是这样实现的，一种主用户发射功率识别方法，用于单输入多输出的功率识别任务，即主用户配置发射天线数为1，认知无线电设备配置的感知天线数为K，且K＞1，所述主用户发射功率识别方法包括以下步骤：