[0058] 以下通过具体实施例对本发明的技术方案作进一步解释说明。
[0059] 本发明提出了一种基于接收信号协方差矩阵的LSTM协作频谱感知方法。信号和噪声的统计协方差矩阵或自相关通常是不同的。因此，在所提出的方法中，这种差异被用来区分信号分量和信道噪声。实际上，因为只有有限的样本信号。所以检测的方法基于样本协方差矩阵。
[0060] 如图2所示，本发明实施例的基于协方差矩阵的长短期记忆(LSTM)协作频谱感知方法，通过以下方法或步骤完成：
[0061] 步骤1.1、如图1所示，典型认知无线系统包含1个主用户，L个次用户，且L为自然数；当主用户PU通信未被干扰时，第i个次用户SUi(i＝1,2,…，L)对PU信号检测，得到的连续时间序列。之后，对该序列执行次用户感知信号检测方法，得到N×N维的主信号协方差矩阵，且N为自然数，表示采样点数；
[0062] 步骤1.2、将步骤1.1所得的主信号样本协方差矩阵，作为输入参数，执行信号样本标注方法，得到L个次用户的样本标签集，即把每个样本协方差矩阵中的N个序列，标记为0或1的标签集，分别代表PU存在或不存在频谱空穴；
[0063] 步骤1.3、将步骤1.2所得的第i个SUi的样本标签集，作为输入参数，执背景技术所述的LSTM网络训练方法，输出样本的特征序列；
[0064] 步骤1.4、将步骤1.3所得样本特征序列，作为输入参数，执行全连接层与Softmax层联合处理方法，分别输出每个次用户0到1间的数值PiH0，表示PU存在频谱空穴的概率，即为本发明方法的最终计算结果。
[0065] 其中，次用户感知信号检测方法，采用以下步骤实现：
[0066] 步骤2.1、当主用户(PU)通信未被干扰时，次用户SUi(i＝1,2,…，L)对PU信号检测：第i个次用户的接收信号SUi可采用二元假设模型表示为：
[0067]
[0068] 其中，ri(k)为复数，表示第i个次用户，在时刻k，所接收的连续时间序列，且i为自然数，取值为1到L，k为整数，hi(k)为实数，表示在时刻k第i个传输信道损耗系数，取值在02
到1之间；ni(k)为复数，表示第i个次用户所接收的均值为0、方差为σ的加性高斯白噪声；s(k)表示主用户PU的信号，H0表示无PU信号，H1表示有PU信号；
[0069] 步骤2.2、对次用户SUi(i＝1,2,…，L)接收到的PU信号，执行背景技术所述的协方差矩阵方法，即把所得该PU信号采样为L×N维矩阵Rk，且k为时刻；然后，通过公式计算，得到N×N维样本协方差矩阵SN，N为采样点数。
[0070] 其中，如图3所示，信号样本标注方法，采用以下步骤实现：
[0071] 步骤3.1、次用户在k时刻接收的L个连续时间序列，经N次采样后，得到L×N维矩阵Rk，表示为：
[0072]
[0073] 步骤3.2、通过 公式，可计算得到维度为N×N的协方差实矩阵SN。然后，将其依次分为N个序列，并表示为：S＝[s1 s2 s3 ... sN]。其中，si为1×N维实向量，标记为0或1，分别代表PU存在或不存在频谱空穴，即标记为0时，无主用户信号存在，出现频谱空穴；否则无频谱空穴。
[0074] 步骤3.3、将标注的相应标签集设为：X＝{x1 x2 x3 ... xN}，则xi(i＝1，2，…，L)可取值为0或1，分别表示PU不存在或PU存在。
[0075] 其中，全连接层与Softmax层联合处理方法，通过以下步骤实现：
[0076] 步骤4.1、将SU1(即i＝1)得到的样本序列，按a:b(如8:2等)比例训练数据集X1和验证数据集X2，将其余次用户SUi(i＝2,3,…,L)中得到的样本序列作为测试集X3；再将该训练数据集X1输入LSTM网络，以执行背景技术所述的LSTM网络训练方法，来完成模型训练，得到特征序列TN，N为输出的维度。
[0077] 步骤4.2、从LSTM输出的特征序列TN，输入到设计好的全连接层，即通过每个层的卷积运算，完成标签的分类，再经Softmax层归一化处理，即通过Softmax函数把0和1分类，输出最终的频谱感知结果P1H0。其特征在于，采用以下子步骤完成：
[0078] 步骤4.2.1、将之前LSTM输出的特征序列TN作为输入，全连接层通过每个层的卷积运算，将特征序列TN维度由N降到1，然后将其输出到样本标记空间，即输出0或1两个实数。之后，将全连接层的输出输入softmax层，该层主要将全连接层的输出结果0和1分类，并输出0和1的概率。其中，softmax层将0和1输出为2个[0,1]区间实数，即PiH0，表示为PU存在频谱空穴的概率。
[0079] 步骤4.2.2、softmax在执行分类过程时，采用了以下公式：
[0080]
[0081] yt＝softmax(wht+b) (4)
[0082] 其中，xi为全输入层的输出，i为自然数，表示第i次输入，exp(xi)表示输入xi的指数函数，w为权重矩阵，b为向量偏差，ht为隐藏层的输出，yt的最终输出的就是0和1的分类概率，t为时刻；
[0083] 步骤4.3、待训练数据集X1训练结束后，将SU1中得到的验证数据集X2，输入到已训练好的模型Y，当模型发散或出现不寻常结果时，终止训练，对LSTM中内部参数，如隐藏层层数、权重矩阵w、向量偏差b等参数，进行人工调参，然后再继续训练，以得到最优模型。
[0084] 步骤4.4、最后整个系统的映射关系可表示为：
[0085] PiH0＝fw,b(xi) (5)
[0086] 其中，PiH0为信号通过LSTM网络，在全连接层与Softmax层处理后所得的分类概率。最后，将其余次用户SUi(i＝2,3,…,L)中得到的协方差样本序列，作为测试集，在该LSTM网络及全连接层与Softmax层测试，得到最终测试值PiH0，即为频谱感知结果。
[0087] 如图4所示，本发明的模型算法流程图，整体的流程为：次用户接收信号后将数据处理，采样后算出其协方差矩阵，然后分成N个序列后对每个样本序列标记，输入到LSTM网络中，经过隐藏层提取其主要特性，最后经过全输入层与Softmax层最终输出频谱感知的结果PiH0。
[0088] 以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
