[0103] 其中,θi为信号x和ψi的内积结果,即θi=<x,ψi>=x1ψi1+x2ψi2+…+xNψiN,θ为时域信号x在正交基变换矩阵ψ下的投影。若经过变换后的θ中的元素θi(i=1,2,…N)仅有K(K<
[0104] 若信号x通过变换后满足K稀疏特性,则称信号x在正交基变换矩阵ψ下是可压缩的。在实际的信号处理中我们要将信号压缩,即可在满足稀疏特征的条件下,通过M×N维观测矩阵Φ对信号x线性测量,观测矩阵Φ与正交基变换矩阵ψ满足不相干特性,线性测量过程如下:
[0105] Y=Φx (22)
[0106] 具体测量过程可写为:
[0107] Y=Φψx (23)
[0108] 其中,测量矩阵Y为M×1维信号,且M<<N,测量矩阵Y中具有能够表征信号x中的全部信息量,故可以用上述压缩观测来实现由N维数据到到M维数据的压缩采样,且不丢失信号x的信息。
[0109] 另外,使得测量矩阵Y能够重构出信号x的充要条件为感知矩阵A=Φψ满足有限等距条件(RIP)。研究表明,观测矩阵Φ和正交基变换矩阵Ψ满足不相干性质,则感知矩阵A=Φψ大概率满足背景技术所述的RIP性质,故都可作为观测矩阵的衡量标准。不相干性质可表示为:
[0110]
[0111] 其中,μ(Φ,ψ)为矩阵Φ和Ψ的相关度,且 Φi(1≤i≤M)为观测矩阵的第i行,ψj(1≤j≤N)为变换基矩阵的第j列。
[0112] 实际上,很多随机矩阵都可与变换矩阵较好的满足RIP性质,如高斯矩阵、伯努利矩阵、傅里叶变换矩阵等。而在认知无线电场景下,频谱上存在频谱空洞,需要次用户准确的判断频谱空洞并智能接入,此场景满足稀疏条件,故可将接收到信号上述压缩观测,得到测量矩阵Y。
[0113] 测量矩阵Y的采样协方差矩阵对角线元素判决并取均值得到特征统计量为通过对采样协方差矩阵对角线元素进行去优化判决去噪处理并对其取均值;
[0114] 其中,采样协方差矩阵R表示为:
[0115]
[0116] 其中,R为N×N维矩阵,Y的维度为1×N,为经过压缩测量得到的测量矩阵,YT为Y的转置矩阵,N为测量矩阵的长度。
[0117] 假设存在K个次用户(SU)协作频谱感知,故在此得到K个采样协方差矩阵。
[0118] H0和H1分别表示主用户PU是否存在的假设条件,表示为:
[0119]
[0120] 其中,s(k)和n(k)(k=1,2,...N)分别表示第k个接收的主用户PU信号序列和均值为零方差为 的加性高斯白噪声;N表示接收信号总样本数;h(k)表示第k个主用户PU信号序列的信道增益;x(k)表示认知用户SU的接收信号。
[0121] 对压缩观测信号的采样协方差矩阵而言,对角线元素为各个变量的方差,如果频谱检测过程中噪声过大,会对对角线元素方差值产生较大影响,从而对判决结果产生很大影响,因此在本步骤中首先对采样协方差矩阵对角线元素判决优化。
[0122] 取采样协方差矩阵对角线元素rii,与其对应的噪声水平σi比较,去噪处理,如果rii≥σi,表示当前位置信号为正常信号,反之,rii<σi,判定此处为噪声信号,将其对角线元素置为零。其过程可表示为:
[0123]
[0124] 去噪后的采样协方差矩阵对角线元素均值作为特征统计量,具体表示为:
[0125]
[0126] 其中,Tk表示第k个感知用户的到的特征统计量,riik为第k个感知用户压缩检测采样协方差矩阵的对角线元素,且k=1,2,…=N,N为感知用户的数量。
[0127] 步骤S3中得到特征统计量与门限对比获取待感知接收信号的标签的流程图如图4所示,具体为:
[0128] 判决统计量Tk与门限 比较。其中,M为采样数‑1
量, 为噪声方差。Q (·)为Q函数的互逆函数并且有 Pf
为虚警概率。若Tk>γk,则将标签f置为+1;若否,则将标签f置为‑1。比较所有Tk与门限的大小,并计算+1和‑1的数量,如果+1的数量大于‑1的数量,则将特征统计量Tk的标签f置为+1;
否则,将特征统计量Tk的标签置f为‑1。将特征统计量Tk和特征统计量Tk对应的标签组成样本训练集G={Tk,f}。
[0129] 骤S4中,将样本训练集输入到支持向量机SVM分类器中训练得到频谱分类器的流N程图如图5所示。设(T1,f1),(T2,f2)...,(TN,fN),Ti∈R为训练样本数据,fi∈{+1,‑1}为Ti对应的标签;其中,(Ti,fi)为关联数据的组合,表示接收数据和其对应的标签;N表示样本维度,则最大间隔超平面表示为:
[0130] w·T+d=0 (29)
[0131] 其中,w为与超平面垂直的向量,即法向量,即;d表示相对于原点的偏移量;T为特征统计量。
[0132] 超平面两侧的样本满足以下约束条件:
[0133] w·Ti+d≥0(fi=+1) (30)
[0134] w·Ti+d≤0(fi=‑1) (31)
[0135] 在超平面中增加映射函数φ(T),将T映射到高维空间,得到样本点的决策函数,表示为:
[0136] f(T)=sign(w·φ(T)+b) (32)
[0137] 由超平面决定的分类间隔为2/||w||2;||·||2表示L2范数,优化目标为分类间隔;
[0138] 当||w||2最小时,分类间隔为最大,则优化目标函数为:
[0139]
[0140] 分类间隔上的点称为支持向量,为缓解在高维空间的过度拟合,实际中通常增加一个松弛变量ξ调整间隔,则优化的超平面间隔表示为:
[0141]
[0142] 其中,ξi为实数,表示第i个松弛变量;C表示惩罚参数,用于限制ξi;
[0143] 对优化的超平面间隔方程采用拉格朗日优化处理,表示为:
[0144]
[0145] 其中,拉格朗日因子取αi≥0,βi≥0,i=1,2,...,L;
[0146] 对La(w,b,α,β)中w和d两个变量求偏导数,并令偏导数为零,表示为:
[0147]
[0148] 超平面优化方程表示为:
[0149]
[0150] 其中,K(Ti,Tj)为核函数,是φ(x)在特征空间的内积,表示为K(Ti,Tj)=<φ(Ti),φ(Tj)>;
[0151] 采用背景技术所述的序列最小最优化方法解决支持向量机SVM分类器中核心优化问题得到拉格朗日因子α和偏移量b,则分类函数即频谱分类器表示为:
[0152]
[0153] 其中,sign(﹒)为符号函数。
[0154] 步骤S5中,得到的分类结果为次用户SU信号感知到的频谱占用情况流程如图6所示。将认知用户收集到的数据先压缩观测处理,数据压缩降低数据维度后对压缩感测数据采样协方差矩阵对角线元素优化判决得到特征统计量T,将统计量输入到SVM分类器中,得到频谱分类器,将测试数据输入到训练好的频谱分类器中,得到PU信号的频谱占用情况。若频谱分类器输出为+1,则频谱被占用;若输出为‑1,则表示频谱未被占用。
[0155] 如图7所示为SVM线性最大间隔超平面示意图。SVM的关键是通过最大化分类器间隔余量,使误差之和最小化,从而使泛化能力最大化。但在低信噪比环境,其无法通过线性超平面去实现频谱感知。通常使用核函数(即 表示的非线性映射函数)将输入低维空间映射到特征空间的高维点积空间,则可改善低维空间线性不可分离性。
[0156] 综上所述,本实施例提出一种低信噪比下基于压缩感知和支持向量机高(SVM)的高效频谱感知,其包括了压缩观测、采样协方差矩阵对角线元素平均值优化统计量和SVM训练和测试过程。针对传统压缩频谱感知需要重构原始信号从而计算量大的问题,本方法无需重构原始信号,对压缩观后的信号直接SVM分类处理。在低信噪比的情况下,实现高效快速的感知频谱,提高频谱利用率,具有较高应用价值。本实施例利用压感知对输入信号压缩观测处理,有效的降低了信号维度,减小后续训练测试复杂度,且利用采样协方差矩阵对角线元素来构造特征统计量,减提高检测效率,最后通过SVM算法将噪声和PU信号分离,有效提高频谱检测概率,具有较高的应用价值。
[0157] 尽管已清晰描述了本发明的实施例,但对本领域的技术人员而言,可在不脱离本发明方法原理和思想的情况下,对这些实施例开展多种变化、修改、替换和变型,则本发明的范围由所附权利要求及其等同限定。即可根据实际情况改变本发明方法所述方法中认知无线电的主信号PU带宽、次用户PU数量、采样频率、采样时间等模型参数,观测矩阵的选取、训练信号和测试信号的产生方式,测试样本的维数,采样协方差矩阵的构造方式,核函数的参数以及SVM中的惩罚因子等参数。仍属于本发明所述方法的范畴,仍受本发明保护。
[0158] 注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。