一种协作频谱感知方法及系统

1.本发明涉及频谱感知的技术领域，尤其涉及一种协作频谱感知方法及系统。


背景技术：

2.随着5g网络和智能电子设备的迅速普及，频谱作为无线通信中一种不可再生且稀缺的资源，用户对其需求不断增加。然而，频谱资源由国家相关部门统一分配和授权，静态的频谱管理方式使频谱资源存在供求不平衡和低利用率的问题。认知无线电技术的出现缓解了日益增长的频谱需求与频谱资源低利用率之间的矛盾，使更多非授权用户可以合理使用频谱资源，提高了频谱利用率。joseph mitola博士在1999年发表了一篇关于认知无线电的论文，提出了认知无线电的概念，并解释其优势和应用。认知无线电技术通过频谱共享、频谱管理和频谱感知等功能来提高无线电频谱资源的利用率，并且频谱感知在其中扮演着重要角色。频谱感知技术可以实时监测和分析无线电频谱资源的使用情况，其能够有效识别出频谱空穴，从而使认知无线电系统进一步实现频谱的共享和管理。
3.协作频谱感知作为一种可靠的频谱感知技术，旨在通过多个无线设备之间的协作，实现对频谱资源的高效感知和利用，从而提高频谱资源的利用率。
4.一方面，由于能量检测、循环平稳特征检测和匹配滤波器检测等传统单用户频谱感知方法在实际应用中存在信道衰落以及阴影效应的弊端。另一方面，这些方法需要信号先验信息和设定固定阈值，这使它们在变化的环境中不具有自适应性和在低信噪比环境下频谱感知性能较差。现有技术公开了一些基于随机矩阵理论和协方差矩阵特征值的频谱感知算法，这些方法利用协方差矩阵特征值或元素作为信号信息媒介，根据随机矩阵理论设置阈值参数，不用事先获取信道类型以及待检测信号模型的先验信息，提高了频谱感知性能。但是，基于协方差特征值的频谱算法需要根据随机矩阵理论人为设置一个固定的判决阈值，容易受噪声不确定性的影响，且在变化复杂的无线通信环境中，设置固定的阈值会大大降低所提算法的频谱感知性能。
5.随着科学技术以及人工智能的快速发展，出现了许多利用机器学习来实现频谱感知的技术，来解决需要设置固定判决阈值会大大降低所提算法的频谱感知性能的问题。一些研究者提出了结合信息几何理论以及无监督学习的聚类算法的协作频谱感知算法，这些方法将次用户观测到的数据组成样本矩阵并转换成对应的协方差矩阵，结合信息几何知识把协方差矩阵映射到流形空间上，通过不同方式将黎曼距离作为信号的几何特征，最后，在欧氏空间上使用不同聚类算法来对这些几何特征进行离线训练。
6.然而上述算法都是通过信息几何来提取对应的黎曼距离作为信号特征向量，需要评估噪声环境以构建参考点，并且在信号从流形空间转换到欧几里得空间的过程中，可能丢失一些重要的特征信息，这将导致频谱感知的整体性能下降。


技术实现要素：

7.本发明针对现有协作频谱感知方法对样本标签数量要求高，频谱感知性能差的问
题，提出一种协作频谱感知方法，通过此方法无需花费大量的时间和精力去手动标注数据标签，更具实用性，且提升低信噪比环境下的频谱检测精度，进而提升频谱感知的整体性能。
8.为了实现本发明的目的，本发明采用如下技术方案：
9.一种协作频谱感知方法，包括以下步骤：
10.s1：构建协作频谱感知模型，所述协作频谱感知模型至少包括：一个主用户、一个融合中心和m个协作次用户；
11.s2：利用协作次用户进行信号观测，对观测的信号进行重构；
12.s3：利用融合中心将重构后的信号组合为信号矩阵，并计算其对应的协方差矩阵；
13.s4：将所述协方差矩阵划分为训练集和测试集；
14.s5：对训练集进行聚类训练，基于聚类训练结果，得到频谱感知分类器；
15.s6：利用所述频谱感知分类器对测试集进行分类，根据分类结果，判断主用户是否存在。
16.根据上述技术方案，通过构建协作频谱感知模型，并由协作频谱感知模型中的协作次用户对信号进行观测和重构，进而由融合中心将重构的信号组合为信号矩阵，并计算其对应的协方差矩阵，进一步将协方差矩阵划分为训练集和测试集，然后对训练集进行聚类训练，进而获取大量的样本标签，并基于聚类训练结果获取对应的频谱感知分类器，最后根据频谱感知分类器对测试集中的样本标签进行分类，依据分类结果判断主用户是否存在于协作次用户观测的授权频段内，从而提升在低信噪比环境下的频谱感知精度，进而提升频谱感知的整体性能。
17.进一步地，步骤s1所述的协作频谱感知模型满足二元假设检验表达式，二元假设检验表达式为：
[0018][0019]
其中，h1表示授权频段存在主用户，h0表示授权频段不存在主用户，n表示观测信号的采样点数，n＝1,2,
…
s，i表示协作次用户的数量,i＝1,2,
…
,m，wi(n)表示加性高斯白噪声且满足hi(n)表示瑞利衰落信道的增益系数，x(n)表示主用户信号，yi(n)表示第i个协作次用户在授权频段上观测到的信号。
[0020]
根据上述技术方案，通过假设h1和h0来表示主用户在信号观测目标频段内是否存在，进一步简化了协作频谱感知模型的复杂性，提高了协作频谱感知模型的实用性。
[0021]
进一步地，步骤s2所述的利用协作次用户进行信号观测，对观测的信号进行信号重构的过程为：
[0022]
利用vmd对第i个协作次用户观测到的信号yi进行重构处理，获取重构信号表达式，表达式为：
[0023][0024]
其中，vmd表示变分模态分解。
[0025]
根据上述技术方案，利用所述变分模态分解模型对协作次用户观测到的信号yi进行预处理，进而获取对应的重构信号表达式重构信号表达式能更好的将信号信息进行
有效地表达，且信号重构能更好的将信号输出和显示，增强信号质量。
[0026]
进一步地，步骤s3所述的利用融合中心将重构后的信号组合为信号矩阵的过程为：
[0027]
s31：融合中心将m个协作次用户收集到的重构信号融合为一个信号矩阵y，过程满足：
[0028][0029]
s32：通过信号矩阵y计算其对应的协方差矩阵,表达式为：
[0030][0031]
其中，r表示m
×
m矩阵，表示矩阵转置，e[y]表示m
×
s矩阵，e[y]中第(i,j)个元素表示信号矩阵y中第i行的平均值，i＝1,...,m，j＝1,...,s。
[0032]
根据上述技术方案，通过融合中心将m个协作次用户收集到的重构信号融合为一个信号矩阵y，可起到增强所述协作频谱感知模型稳定性的作用，进一步计算信号矩阵y对应的协方差矩阵，通过协方差矩阵能有效地处理二维问题，进一步处理二元假设检验的问题。
[0033]
进一步地，步骤s4所述的将所述协方差矩阵分为训练集和测试集的过程为：
[0034]
s41：利用信息几何将概率分布函数族映射为一个统计流形，过程满足：
[0035][0036]
其中，s表示概率分布函数族，p(x|θ)表示概率分布，ω表示随机变量，cn表示n维样本空间，θ表示m维的特征向量组成的参数集，θ表示参数集中的一个参数，cm表示m维的特征向量空间，θ表示参数集中的一个参数；
[0037]
s42：利用信息几何将概率分布p(x|θ)中的参数θ用协方差矩阵参数化表示，并将所有的协方差矩阵的张成空间定义为矩阵流形，将协方差矩阵映射为矩阵流形上的点信号，其中，所述矩阵流形包括信号协方差矩阵rs和噪声协方差矩阵rw；
[0038]
s43：设定一个频谱感知周期，在所述频谱感知周期内收集n个所述点信号，并将所述点信号组成数据集d，过程满足：
[0039]
d＝{r1,r2,
…rn
}；
[0040]
其中，ri∈{rs,rw},i＝1
…
n；
[0041]
将所述数据集d分为训练集d1和测试集d2，并将训练集d1中的10％至15％标记为h0状态的样本集，记作φ1；剩余85％至90％的无标签样本集，记作φ2，过程满足：
[0042][0043]
其中，φ1+φ2＝d1，表示在主用户为h0状态下收集到的噪声协方差矩阵rw；表
示主用户为h0状态的样本标签，i＝1,2,...k，表示主用户状态未知的协方差矩阵，n＝1
…
u。
[0044]
根据技术方案，通过信息几何将概率分布函数族映射为一个统计流形，并将所有的协方差矩阵的张成空间定义为矩阵流形，进而将协方差矩阵映射为矩阵流形上的点信号，在一个频谱感知周期内，收集n个所述点信号，用点信号作为矩阵流形空间上的点数据，进一步表达出点信号的概率分布情况，方便对数据进行理论分析，且使用矩阵流形更加简洁有效；将点信号作为数据集，并将数据集划分为训练集和测试集，能更精确的得到频谱感知的实验数据。
[0045]
进一步地，步骤s5中，采用igssc算法对训练集进行聚类训练，并基于聚类训练结果得到频谱感知分类器，具体过程为：
[0046]
s51：令样本集φ1中的任意一个点信号为主用户状态为h 0
的初始聚类中心γ1，计算所有点信号到所述初始聚类中心γ1的log-euclidean距离；并令与初始聚类中心γ1的log-euclidean距离最大的点信号为主用户状态为h1的初始聚类中心γ2；
[0047]
s52：初始化空集合c1和c2，将样本集φ1中所有标签样本存入空集合c1，并计算φ2中所有无标签样本到初始聚类中心γ1和γ2的log-euclidean距离，根据log-euclidean距离值，获取与样本最近的聚类中心，并将无标签的样本存入集合c1或c2中；
[0048]
s53：分别计算集合c1与c2中所有样本的log-euclidean均值并判断log-euclidean均值与初始聚类中心γ1和γ2的关系，若且则输出聚类中心否则令返回步骤s52；
[0049]
s54：基于聚类中心，获取频谱感知分类器，频谱感知分类器的表达式为：
[0050][0051]
其中，igssc表示基于信息几何的半监督聚类算法，表示训练集中协方差矩阵r与主用户状态为h0的聚类中心点之间的log-euclidean距离，表示协方差矩阵r与主用户状态为h1的聚类中心点之间的log-euclidean距离。
[0052]
进一步地，步骤s51所述的计算所有点信号到所述初始聚类中心γ1的log-euclidean距离的过程满足：
[0053]dl
(a1,γ1)＝||log(a1)-log(γ1)||f；
[0054]
其中，||
·
||f表示矩阵的frobenius范数，log(
·
)表示对数运算，a1表示所有点信号中的任意一个；log-euclidean表示对数欧氏。
[0055]
进一步地，步骤s53所述的分别计算集合c1与c2中所有样本的log-euclidean均值表达式满足：
[0056][0057]
其中，表示两个点信号之间的log-euclidean均值，m≥2，exp表示指数运算，ai表示所有点信号中的任意一个。
[0058]
根据上述技术方案，采用igssc算法对训练集进行聚类训练的过程中，通过计算点信号与初始聚类中心之间的log-euclidean距离，并依据log-euclidean距离值获取与样本最近的聚类中心，并将无标签的样本存入集合c1或c2中，进而通过集合c1和c2获取聚类中心，并基于聚类中心获取频谱感知分类器，通过频谱感知分类器能够对训练集中的点信号进行有效地利用，提高协作频谱感知的精度。
[0059]
进一步地，步骤s6所述的利用所述频谱感知分类器对测试集进行分类，根据分类结果，判断主用户是否存在的过程为：
[0060]
s61：利用所述频谱感知分类器对测试集进行分类,并设置参数λ来控制虚警概率，从而得到roc曲线；
[0061]
s62：通过roc曲线判断主用户的状态，表达式满足：
[0062][0063]
其中，roc表示接受者操作特征，r
*
表示测试集中的协方差矩阵；
[0064]
若f(r
*
)≥1，则表示预测主用户的状态为h1，此时测试集中协方差矩阵r
*
更靠近主用户状态为h1的聚类中心点若f(r
*
)《1，则表示预测主用户的状态为h0，此时测试集中协方差矩阵r
*
更靠近主用户状态为h0的聚类中心点
[0065]
根据上述技术方案，利用所述频谱感知分类器对测试集进行分类,并依据分类结果画出roc曲线，并通过roc曲线判断主用户的状态，根据判断结果验证协作频谱感知模型的实用性和可靠性。
[0066]
一种协作频谱感知系统，实现上述协作频谱感知方法，包括：
[0067]
构建模块：用于构建协作频谱感知模型，所述协作频谱感知模型至少包括：一个主用户、一个融合中心和m个协作次用户；
[0068]
感知处理模块，用于进行信号观测，对观测的信号进行重构；
[0069]
融合模块，用于将重构后的信号组合为信号矩阵，并计算其对应的协方差矩阵；
[0070]
划分模块，用于将协方差矩阵划分为训练集和测试集；
[0071]
训练模块，用于对训练集进行聚类训练，基于聚类训练结果，得到频谱感知分类器；
[0072]
分类模块，用于根据频谱感知分类器对测试集进行分类，基于分类结果，判断主用户是否存在。
[0073]
根据上述技术方案，通过协作频谱感知系统中的感知模块、处理模块、融合模块、划分模块以及分类器模块之间的相互配合，实现上述的协作频谱感知方法，体现了协作频谱感知方法的可靠性和实用性。
[0074]
相比现有技术，本发明的有益效果在于：
[0075]
本发明提出一种协作频谱感知方法，通过构建协作频谱感知模型，并由协作频谱感知模型中的协作次用户对信号进行观测和重构，进而由融合中心将重构的信号组合为信号矩阵，并计算其对应的协方差矩阵，进一步将协方差矩阵划分为训练集和测试集，其中，训练集中带有少量标签的样本，然后对训练集进行聚类训练，进而获取大量的样本标签，并基于聚类训练结果获取对应的频谱感知分类器，最后根据频谱感知分类器对测试集中的样
本标签进行分类，依据分类结果判断主用户是否存在于协作次用户观测的授权频段内，从而提升在低信噪比环境下的频谱感知精度，进而提升频谱感知的整体性能；并利用变分模态分解的方法对观测的信号进行重构，更好的将信号输出和显示，增强信号质量；同时利用信息几何与矩阵流形的方法对协方差矩阵进行处理，将协方差矩阵映射为矩阵流形上的点数据，根据点数据划分为训练集和测试集，进而根据训练集和测试集对主用户的状态进行判断，提升协作频谱感知方法的可靠性和实用性。
附图说明
[0076]
图1为本技术实施例提供的一种协作频谱感知方法的流程图；
[0077]
图2为本技术实施例提供的协作频谱感知模型的组成图；
[0078]
图3为本技术实施例提供的协作频谱感知方法的具体工作示意图；
[0079]
图4为本技术实施例提供的在相同信噪比环境下不同频谱感知方法的roc曲线图；
[0080]
图5为本技术实施例提供的在不同信噪比环境下不同频谱感知方法的roc曲线图；
[0081]
图6表示本技术实施例提供的一种协作频谱感知系统的示意图；
[0082]
图中，pu表示主用户，su表示协作次用户。
具体实施方式
[0083]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是，本发明可以用许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
[0084]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0085]
实施例一：
[0086]
一种协作频谱感知方法，参见图1，包括以下步骤：
[0087]
s1：构建协作频谱感知模型，所述协作频谱感知模型至少包括：一个主用户、一个融合中心和m个协作次用户；
[0088]
s2：利用协作次用户进行信号观测，对观测的信号进行重构；
[0089]
s3：利用融合中心将重构后的信号组合为信号矩阵，并计算其对应的协方差矩阵；
[0090]
s4：将所述协方差矩阵划分为训练集和测试集；
[0091]
s5：对训练集进行聚类训练，基于聚类训练结果，得到频谱感知分类器；
[0092]
s6：利用所述频谱感知分类器对测试集进行分类，根据分类结果，判断主用户是否存在。
[0093]
可以理解的，通过构建协作频谱感知模型，并由协作频谱感知模型中的协作次用户对授权频段内的信号进行观测和重构，进而由融合中心将重构的信号组合为信号矩阵，并计算其对应的协方差矩阵，进一步将协方差矩阵划分为训练集和测试集，其中，训练集中带有少量标签的样本，然后对训练集进行聚类训练，进而获取大量的样本标签，并基于聚类
训练结果获取对应的频谱感知分类器，最后根据频谱感知分类器对测试集中的样本标签进行分类，依据分类结果判断主用户是否存在于协作次用户观测的授权频段内，从而提升在低信噪比环境下的频谱感知精度，进而提升频谱感知的整体性能。
[0094]
参见图2，步骤s1所述的协作频谱感知模型满足二元假设检验表达式，二元假设检验表达式为：
[0095][0096]
其中，h1表示授权频段存在主用户，h0表示授权频段不存在主用户，n表示观测信号的采样点数，n＝1,2,
…
s，i表示协作次用户的数量,i＝1,2,
…
,m，wi(n)表示加性高斯白噪声且满足hi(n)表示瑞利衰落信道的增益系数，x(n)表示主用户信号，yi(n)表示第i个协作次用户在授权频段上观测到的信号。
[0097]
可以理解的，通过假设h1和h0来表示主用户在信号观测目标频段内是否存在，进一步简化了协作频谱感知模型的复杂性，提高了协作频谱感知模型的实用性。
[0098]
参见图3，步骤s2所述的利用协作次用户进行信号观测，对观测的信号进行信号重构的过程为：
[0099]
利用vmd对第i个协作次用户观测到的信号yi进行重构处理，获取重构信号表达式，表达式为：
[0100][0101]
其中，vmd表示变分模态分解。
[0102]
示例性的，变分模态分解依据本征模态函数构建约束优化问题，形成带约束的变分模态分解模型，变分模态分解模型表达式为：
[0103][0104]
其中，uk表示本征模态函数，δ(t)表示单位脉冲函数，j表示虚数单位，*表示卷积运算，表示对函数求偏导，{uk}＝{u1,u2,
…
,uk}、{ωk}＝{ω1,ω2,
…
,ωk}，uk(t)表示由变分模态分解得到的第k个本征模态函数，ωk表示第k个分量的中心频率，表示l2范数的平方，f表示原始观测信号；
[0105]
上述模型为带约束的变分模态分解模型，故使用拉格朗日乘子λ和二次惩罚项α，将其转换成非约束变分问题，引入如下式的增广拉格朗日方程：
[0106][0107]
因此，原始最小化问题的解被转换成求解上式的鞍点；
[0108]
利用交替方向乘子算法解得一系列迭代优化的{uk}和{ωk}，接着对{uk}进行重构，以实现对原始信号f的降噪处理；
[0109]
将第i个su检测到的信号yi经过vmd重构处理，得到下式所示的重构信号
[0110][0111]
其中，原始信号f是vmd中的符号之一，相当于信号yi。
[0112]
可以理解的，通过构建变分模态分解模型，并对所述变分模态分解模型利用交替方向乘子算法进行求解，从而得到一系列优化后的本征模态函数并对其重构，以实现对变分模态分解模型中原始信号f的降噪处理，随后利用所述变分模态分解模型对协作次用户观测到的信号yi进行预处理，进而获取对应的重构信号表达式重构信号表达式能更好的将信号信息进行有效地表达，且信号重构能更好的将信号输出和显示，增强信号质量。
[0113]
进一步地，步骤s3所述的利用融合中心将重构后的信号组合为信号矩阵的过程为：
[0114]
s31：融合中心将m个协作次用户收集到的重构信号融合为一个信号矩阵y，过程满足：
[0115][0116]
s32：通过信号矩阵y计算其对应的协方差矩阵,表达式为：
[0117][0118]
其中，r表示m
×
m矩阵，表示矩阵转置，e[y]表示m
×
s矩阵，e[y]中第(i,j)个元素表示信号矩阵y中第i行的平均值，i＝1,...,m，j＝1,...,s。
[0119]
示例性的，融合中心将m个协作次用户收集到的重构信号融合为一个信号矩阵y，信号矩阵y为一个m
×
s矩阵，通过y可得到对应的协方差矩阵r；
[0120]
当观测数据是在信号h0状态下收集时，此时表示噪声协方差矩阵，记作rw；另外，rs表示信号为h1状态下时对应的信号协方差矩阵。
[0121]
可以理解的，通过融合中心将m个协作次用户收集到的重构信号融合为一个信号矩阵y，可起到增强所述协作频谱感知模型稳定性的作用，进一步计算信号矩阵y对应的协方差矩阵，通过协方差矩阵能有效地处理二维问题，进一步处理二元假设检验的问题。
[0122]
进一步地，步骤s4所述的将所述协方差矩阵分为训练集和测试集的过程为：
[0123]
s41：利用信息几何将概率分布函数族映射为一个统计流形，过程满足：
[0124][0125]
其中，s表示概率分布函数族，p(x|θ)表示概率分布，ω表示随机变量，cn表示n维样本空间，θ表示m维的特征向量组成的参数集，θ表示参数集中的一个参数，cm表示m维的特征向量空间，θ表示参数集中的一个参数；
[0126]
s42：利用信息几何将概率分布p(x|θ)中的参数θ用协方差矩阵参数化表示，并将所有的协方差矩阵的张成空间定义为矩阵流形，将协方差矩阵映射为矩阵流形上的点信号，其中，所述矩阵流形包括信号协方差矩阵rs和噪声协方差矩阵rw；
[0127]
s43：设定一个频谱感知周期，在所述频谱感知周期内收集n个所述点信号，并将所述点信号组成数据集d，过程满足：
[0128]
d＝{r1,r2,
…rn
}；
[0129]
其中，ri∈{rs,rw},i＝1
…
n；
[0130]
将所述数据集d分为训练集d1和测试集d2，并将训练集d1中的10％至15％标记为h0状态的样本集，记作φ1；剩余85％至90％的无标签样本集，记作φ2，过程满足：
[0131][0132]
其中，φ1+φ2＝d1，表示在主用户为h0状态下收集到的噪声协方差矩阵rw；表示主用户为h0状态的样本标签，i＝1,2,...k，表示主用户状态未知的协方差矩阵，n＝1
…
u。
[0133]
示例性的，将协方差矩阵、信息几何以及矩阵流形建立联系，具体过程为：
[0134]
信息几何将参数化的概率分布函数族映射为一个统计流形，在该统计流形上每个点信号都代表一个概率分布函数；
[0135]
将概率分布函数族s定义为下式所示：
[0136][0137]
利用信息几何理论将概率分布p(x|θ)中的参数θ用协方差矩阵参数化表示，则协方差矩阵所张成的空间可定义为矩阵流形；
[0138]
在矩阵流形上，每个协方差矩阵都可当作流形空间上的一个点信号，根据不同的距离度量来定义两个点信号之间的距离，不同的距离度量方式对应着不同的均值；
[0139]
对于两个不同的n阶协方差矩阵a1和a2，若以对数欧氏度量来定义矩阵流形上两个点信号之间的距离，则称这个距离为log-euclidean距离，其计算公式由下式：
[0140]dl
(a1,a2)＝||log(a1)-log(a2)||f；
[0141]
其中，||
·
||f表示矩阵的frobenius范数，log(
·
)表示对数运算。
[0142]
矩阵流形包括信号协方差矩阵rs和噪声协方差矩阵rw这两个元素，这些元素通过信息几何理论可以映射为矩阵流形上的一个点信号；
[0143]
在一定感知周期内收集n个这些点信号组成一个数据集d，其如下式：
[0144]
d＝{r1,r2,
…rn
}
[0145]
其中ri∈{rs,rw},i＝1
…
n；
[0146]
将数据集d中的样本按8：2比例分为训练集d1和测试集d2，并且训练集d1中有10％标记为h0状态的样本集，记作φ1，剩下无标签的样本集记作φ2，具体表达式如下：
[0147][0148]
可以理解的，通过信息几何将概率分布函数族映射为一个统计流形，并将所有的协方差矩阵的张成空间定义为矩阵流形，进而将协方差矩阵映射为矩阵流形上的点信号，
在一个频谱感知周期内，收集n个所述点信号，用点信号作为矩阵流形空间上的点数据，进一步表达出点信号的概率分布情况，方便对数据进行理论分析，且使用矩阵流形更加简洁有效；将点信号作为数据集，并将数据集划分为训练集和测试集，能更精确的得到频谱感知的实验数据。
[0149]
进一步地，步骤s5中，采用igssc算法对训练集进行聚类训练，并基于聚类训练结果得到频谱感知分类器，具体过程为：
[0150]
s51：令样本集φ1中的任意一个点信号为主用户状态为h 0
的初始聚类中心γ1，计算所有点信号到所述初始聚类中心γ1的log-euclidean距离；并令与初始聚类中心γ1的log-euclidean距离最大的点信号为主用户状态为h1的初始聚类中心γ2；
[0151]
s52：初始化空集合c1和c2，将样本集φ1中所有标签样本存入空集合c1，并计算φ2中所有无标签样本到初始聚类中心γ1和γ2的log-euclidean距离，根据log-euclidean距离值，获取与样本最近的聚类中心，并将无标签的样本存入集合c1或c2中；
[0152]
s53：分别计算集合c1与c2中所有样本的log-euclidean均值并判断log-euclidean均值与初始聚类中心γ1和γ2的关系，若且则输出聚类中心否则令返回步骤s52；
[0153]
s54：基于聚类中心，获取频谱感知分类器，频谱感知分类器的表达式为：
[0154][0155]
其中，igssc表示基于信息几何的半监督聚类算法，表示训练集中协方差矩阵r与主用户状态为h0的聚类中心点之间的log-euclidean距离，表示协方差矩阵r与主用户状态为h1的聚类中心点之间的log-euclidean距离。
[0156]
进一步地，步骤s51所述的计算所有点信号到所述初始聚类中心γ1的log-euclidean距离的过程满足：
[0157]dl
(a1,γ1)＝||log(a1)-log(γ1)||f；
[0158]
其中，||
·
||f表示矩阵的frobenius范数，log(
·
)表示对数运算，a1表示所有点信号中的任意一个；log-euclidean表示对数欧氏。
[0159]
进一步地，步骤s53所述的分别计算集合c1与c2中所有样本的log-euclidean均值表达式满足：
[0160][0161]
其中，表示两个点信号之间的log-euclidean均值，m≥2，exp表示指数运算，ai表示所有点信号中的任意一个。
[0162]
示例性的，有少量标记为h0状态的训练集状态的训练集表示噪声协方差矩阵，其中i＝1,2,
…
k；无标签训练集k；无标签训练集表示主用户状态未知的协方差矩阵，n＝1*u，其中类别数2；
[0163]
从训练集φ1中随机选一个协方差矩阵作为主用户状态为h 0
的初始聚类中心γ1，计算所有协方差矩阵到初始聚类中心γ1log-euclidean距离，并取与初始聚类中心γ1的log-euclidean距离最大的那个点信号作为主用户状态为h1的初始聚类中心γ2；
[0164]
初始化两个空集合c1和c2；
[0165]
把φ1中所有样本划入集合c1，计算φ2中所有无标签样本到聚类中心γ1和γ2的log-euclidean距离，根据log-euclidean距离值大小，找出与样本最近的聚类中心，并将无标签的样本划入相应的簇，构造出两个新的集合c1、c2；
[0166]
分别计算c1、c2集合中所有样本的log-euclidean均值
[0167]
若满足和这两个条件，则输出聚类中心否则将当前的两个log-euclidean均值分别作为新的两个聚类中心γ1和γ2，再返回初始化两个空集合c1和c2的步骤；
[0168]
输出聚类中心
[0169]
在igssc算法离线训练结束后，可得到一个频谱感知分类器f(r)的表达式如下：
[0170][0171]
其中,表示协方差矩阵r与主用户状态为h0的聚类中心之间的log-euclidean距离，表示协方差矩阵r与主用户状态为h1的聚类中心之间的log-euclidean距离。
[0172]
可以理解的，采用igssc算法对训练集进行聚类训练的过程中，通过计算点信号与初始聚类中心之间的log-euclidean距离，并依据log-euclidean距离值获取与样本最近的聚类中心，并将无标签的样本存入集合c1或c2中，进而通过集合c1和c2获取聚类中心，并基于聚类中心获取频谱感知分类器，通过频谱感知分类器能够对训练集中的点信号进行有效地利用，提高协作频谱感知的精度。
[0173]
进一步地，步骤s6所述的利用所述频谱感知分类器对测试集进行分类，根据分类结果，判断主用户是否存在的过程为：
[0174]
s61：利用所述频谱感知分类器对测试集进行分类,并设置参数λ来控制虚警概率，从而得到roc曲线；
[0175]
s62：通过roc曲线判断主用户的状态，表达式满足：
[0176][0177]
其中，roc表示接受者操作特征，r
*
表示测试集中的协方差矩阵；
[0178]
若f(r
*
)≥1，则表示预测主用户的状态为h1，此时测试集中协方差矩阵r
*
更靠近主用户状态为h1的聚类中心点若f(r
*
)《1，则表示预测主用户的状态为h0，此时测试集中协方差矩阵r
*
更靠近主用户状态为h0的聚类中心点
[0179]
示例性的，在频谱感知阶段，首先，将各个协作次用户接收到的观测信号进行数据
预处理，得到协方差矩阵r
*
；然后，将r
*
输入到分类器f(r)中，若f(r
*
)≥1，则代表预测主用户的状态为h1，这是因为此时协方差矩阵r
*
更靠近主用户状态为h1的聚类中心点故将其归属到主用户状态为h1的种类；反之，若f(r
*
)《1，则代表预测主用户的状态为h0。
[0180]
利用训练好的分类器，对测试集进行分类并画出roc曲线，并与其他已有频谱感知方法比较，在虚警概率pf为0.1情况下，比较不同算法的检测概率pd，检测概率pd高的频谱感知方法代表其频谱感知性能好。
[0181]
可以理解的，利用所述频谱感知分类器对测试集进行分类,并依据分类结果画出roc曲线，并通过roc曲线判断主用户的状态，根据判断结果验证协作频谱感知模型的实用性和可靠性。
[0182]
本实施例通过构建协作频谱感知模型，并由协作频谱感知模型中的协作次用户对授权频段内的信号进行观测和重构，进而由融合中心将重构的信号组合为信号矩阵，并计算其对应的协方差矩阵，进一步将协方差矩阵划分为训练集和测试集，其中，训练集中带有少量的标签样本，然后对训练集进行聚类训练，进而获取大量的样本标签，并基于聚类训练结果获取对应的频谱感知分类器，最后根据频谱感知分类器对测试集中的样本标签进行分类，依据分类结果判断主用户是否存在于协作次用户观测的授权频段内，从而提升在低信噪比环境下的频谱感知精度，进而提升频谱感知的整体性能；并利用变分模态分解的方法对观测的信号进行重构，更好的将信号输出和显示，增强信号质量；同时利用信息几何与矩阵流形的方法对协方差矩阵进行处理，将协方差矩阵映射为矩阵流形上的点数据，根据点数据划分为训练集和测试集，进而根据训练集和测试集对主用户的状态进行判断，提升协作频谱感知方法的可靠性和实用性。
[0183]
实施例二：
[0184]
本实施例对本发明提出的协作频谱感知方法进行有效性试验验证，具体为：
[0185]
参见图4和图5，假设仿真主用户信号为多分量信号，噪声是满足均值为0、方差为1的加性高斯白噪声。分别收集500个包含h0和h1两种状态的协方差矩阵作为数据集d。另外，将80％的数据集d作为训练集d1，剩下的为测试集d2，其中训练集d1中带标签的样本比例为10％。本发明方法(vmdigssc)采用的对比频谱感知方法分别是基于二次协方差矩阵和信息几何的遗传模拟退火算法的协作频谱感知方法(qcigsa)、基于信息几何和深度学习的协作频谱感知方法(igdnn)、基于信息几何的k均值聚类的协作频谱感知方法(igkcss)以及基于信息几何和模糊c均值聚类算法的协作频谱感知方法(igfcm)。
[0186]
当所有协作次用户都分布在相同信噪比环境时，在信噪比-19db，采样点数1500，协作次用户数5条件下，图4展示了vmdigssc和其他频谱感知方法的roc曲线。当pf等于0.1时，本发明所提vmdigssc方法的pd为0.991，与qcigsa、igdnn、igkcss和igfcm方法相比，在检测精度性能上分别提升了8.54％、46.60％、40.17％、31.26％。
[0187]
当所有协作次用户都分布在不同信噪比环境时，在采样点数1500，协作次用户数5，每个协作次用户分别处于-17db、-18db、-19db、-20db、-21db信噪比环境下。图5展示了当每个协作次用户处于不同信噪比环境下，vmdigssc方法与其他频谱感知方法的roc曲线。当pf等于0.1时，本发明所提vmdigssc方法的pd为0.987，与qcigsa、igdnn、igkcss和igfcm方法相比，在检测精度性能上分别提升了7.52％、16.80％、27.35％、15.17％。
[0188]
由此可知，在低信噪比环境下，不管每个协作次用户是否分布在相同信噪比环境
下，在所有对比方法中，本发明所提的协作频谱感知方法具备更高的检测精度。同时证明了相较监督学习方法与无监督学习方法，本发明所使用变分模态分解进行降噪预处理以及使用信息几何的半监督聚类而训练出来的频谱感知分类器更具实用性。
[0189]
实施例三：
[0190]
一种协作频谱感知系统，参见图6，包括：
[0191]
构建模块：用于构建协作频谱感知模型，所述协作频谱感知模型至少包括：一个主用户、一个融合中心和m个协作次用户；
[0192]
感知处理模块，用于进行信号观测，对观测的信号进行重构；
[0193]
融合模块，用于将重构后的信号组合为信号矩阵，并计算其对应的协方差矩阵；
[0194]
划分模块，用于将协方差矩阵划分为训练集和测试集；
[0195]
训练模块，用于对训练集进行聚类训练，基于聚类训练结果，得到频谱感知分类器；
[0196]
分类模块，用于根据频谱感知分类器对测试集进行分类，基于分类结果，判断主用户是否存在。
[0197]
可以理解的，通过协作频谱感知系统中的感知模块、处理模块、融合模块、划分模块以及分类器模块之间的相互配合，实现上述的协作频谱感知方法，体现了协作频谱感知方法的可靠性和实用性。
[0198]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种协作频谱感知方法，其特征在于，包括以下步骤：s1：构建协作频谱感知模型，所述协作频谱感知模型至少包括：一个主用户、一个融合中心和m个协作次用户；s2：利用协作次用户进行信号观测，对观测的信号进行重构；s3：利用融合中心将重构后的信号组合为信号矩阵，并计算其对应的协方差矩阵；s4：将所述协方差矩阵划分为训练集和测试集；s5：对训练集进行聚类训练，基于聚类训练结果，得到频谱感知分类器；s6：利用所述频谱感知分类器对测试集进行分类，根据分类结果，判断主用户是否存在。2.根据权利要求1所述的协作频谱感知方法，其特征在于，步骤s1所述的协作频谱感知模型满足二元假设检验表达式，二元假设检验表达式为：其中，h1表示授权频段存在主用户，h0表示授权频段不存在主用户，n表示观测信号的采样点数，n＝1,2,
…
s，i表示协作次用户的数量,i＝1,2,
…
,m，w
i
(n)表示加性高斯白噪声且满足h
i
(n)表示瑞利衰落信道的增益系数，x(n)表示主用户信号，y
i
(n)表示第i个协作次用户在授权频段上观测到的信号。3.根据权利要求2所述的协作频谱感知方法，其特征在于，步骤s2所述的利用协作次用户进行信号观测，对观测的信号进行信号重构的过程为：利用vmd对第i个协作次用户观测到的信号y
i
进行重构处理，获取重构信号表达式，表达式为：其中，vmd表示变分模态分解。4.根据权利要求3所述的协作频谱感知方法，其特征在于，步骤s3所述的利用融合中心将重构后的信号组合为信号矩阵的过程为：s31：融合中心将m个协作次用户收集到的重构信号融合为一个信号矩阵y，过程满足：s32：通过信号矩阵y计算其对应的协方差矩阵,表达式为：其中，r表示m
×
m矩阵，表示矩阵转置，e[y]表示m
×
s矩阵，e[y]中第(i,j)个元素表示信号矩阵y中第i行的平均值，i＝1,...,m，j＝1,...,s。
5.根据权利要求4所述的协作频谱感知方法，其特征在于，步骤s4所述的将所述协方差矩阵分为训练集和测试集的过程为：s41：利用信息几何将概率分布函数族映射为一个统计流形，过程满足：其中，s表示概率分布函数族，p(x|θ)表示概率分布，ω表示随机变量，c
n
表示n维样本空间，θ表示m维的特征向量组成的参数集，θ表示参数集中的一个参数，c
m
表示m维的特征向量空间，θ表示参数集中的一个参数；s42：利用信息几何将概率分布p(x|θ)中的参数θ用协方差矩阵参数化表示，并将所有的协方差矩阵的张成空间定义为矩阵流形，将协方差矩阵映射为矩阵流形上的点信号，其中，所述矩阵流形包括信号协方差矩阵r
s
和噪声协方差矩阵r
w
；s43：设定一个频谱感知周期，在所述频谱感知周期内收集n个所述点信号，并将所述点信号组成数据集d，过程满足：d＝{r1,r2,
…
r
n
}；其中，r
i
∈{r
s
,r
w
},i＝1
…
n；将所述数据集d分为训练集d1和测试集d2，并将训练集d1中的10％至15％标记为h0状态的样本集，记作φ1；剩余85％至90％的无标签样本集，记作φ2，过程满足：其中，φ1+φ2＝d1，表示在主用户为h0状态下收集到的噪声协方差矩阵r
w
；表示主用户为h0状态的样本标签，i＝1,2,...k，表示主用户状态未知的协方差矩阵，n＝1
…
u。6.根据权利要求5所述的协作频谱感知方法，其特征在于，步骤s5中，采用igssc算法对训练集进行聚类训练，并基于聚类训练结果得到频谱感知分类器，具体过程为：s51：令样本集φ1中的任意一个点信号为主用户状态为h0的初始聚类中心γ1，计算所有点信号到所述初始聚类中心γ1的log-euclidean距离；并令与初始聚类中心γ1的log-euclidean距离最大的点信号为主用户状态为h1的初始聚类中心γ2；s52：初始化空集合c1和c2，将样本集φ1中所有标签样本存入空集合c1，并计算φ2中所有无标签样本到初始聚类中心γ1和γ2的log-euclidean距离，根据log-euclidean距离值，获取与样本最近的聚类中心，并将无标签的样本存入集合c1或c2中；s53：分别计算集合c1与c2中所有样本的log-euclidean均值并判断log-euclidean均值与初始聚类中心γ1和γ2的关系，若且则输出聚类中心否则令返回步骤s52；s54：基于聚类中心，获取频谱感知分类器，频谱感知分类器的表达式为：其中,igssc表示基于信息几何的半监督聚类算法，表示训练集中协方差矩阵r与主用户状态为h0的聚类中心点之间的log-euclidean距离，表示协方差矩阵r与
主用户状态为h1的聚类中心点之间的log-euclidean距离。7.根据权利要求6所述的协作频谱感知方法，其特征在于，步骤s51所述的计算所有点信号到所述初始聚类中心γ1的log-euclidean距离的过程满足：d
l
(a1,γ1)＝||log(a1)-log(γ1)||
f
；其中，||
·
||
f
表示矩阵的frobenius范数，log(
·
)表示对数运算，a1表示所有点信号中的任意一个；log-euclidean表示对数欧氏。8.根据权利要求6所述的协作频谱感知方法，其特征在于，步骤s53所述的分别计算集合c1与c2中所有样本的log-euclidean均值表达式满足：其中，表示两个点信号之间的log-euclidean均值，m≥2，exp表示指数运算，a
i
表示所有点信号中的任意一个。9.根据权利要求7或8所述的协作频谱感知方法，其特征在于，步骤s6所述的利用所述频谱感知分类器对测试集进行分类，根据分类结果，判断主用户是否存在的过程为：s61：利用所述频谱感知分类器对测试集进行分类,并设置参数λ来控制虚警概率，从而得到roc曲线；s62：通过roc曲线判断主用户的状态，表达式满足：其中，roc表示接受者操作特征，r
*
表示测试集中的协方差矩阵；若f(r
*
)≥1，则表示预测主用户的状态为h1，此时测试集中协方差矩阵r
*
更靠近主用户状态为h1的聚类中心点若f(r
*
)<1，则表示预测主用户的状态为h0，此时测试集中协方差矩阵r
*
更靠近主用户状态为h0的聚类中心点10.一种协作频谱感知系统，其特征在于，所述协作频谱感知系统用于实现权利要求1～9任意一项所述的协作频谱感知方法，包括：构建模块：用于构建协作频谱感知模型，所述协作频谱感知模型至少包括：一个主用户、一个融合中心和m个协作次用户；感知处理模块，用于进行信号观测，对观测的信号进行重构；融合模块，用于将重构后的信号组合为信号矩阵，并计算其对应的协方差矩阵；划分模块，用于将协方差矩阵划分为训练集和测试集；训练模块，用于对训练集进行聚类训练，基于聚类训练结果，得到频谱感知分类器；分类模块，用于根据频谱感知分类器对测试集进行分类，基于分类结果，判断主用户是否存在。

技术总结
本发明公开了一种协作频谱感知方法及系统，涉及频谱感知的技术领域，构建协作频谱感知模型，并由协作频谱感知模型中的协作次用户对授权频段内的信号进行观测和重构，进而由融合中心将重构的信号组合为信号矩阵，并计算其对应的协方差矩阵，进一步将协方差矩阵划分为训练集和测试集，其中，训练集中带有少量标签的样本然后对训练集进行聚类训练，进而获取大量的样本标签，并基于聚类训练结果获取对应的频谱感知分类器，最后根据频谱感知分类器对测试集进行分类，依据分类结果判断主用户是否存在于协作次用户观测的授权频段内，验证协作频谱感知方法的可靠性和实用性，提升在低信噪比环境下的频谱感知精度，进而提升频谱感知的整体性能。体性能。体性能。


技术研发人员：王永华 韦祖回 袁豪 黄文平
受保护的技术使用者：广东工业大学
技术研发日：2023.06.19
技术公布日：2023/8/14