[发明专利]基于模糊支持向量机的合作频谱感知方法

说明书

本发明涉及一种基于模糊支持向量机的合作频谱感知方法，包括下列步骤：各个认知用户同时对感知信道进行感知，所有的SU传输自己感知到的能量值到融合中心FU，FU将各个能量值组合为能量向量，建立能量向量集；使用K‑means聚类算法计算训练能量向量集的两个数据类别中心点和，分别代表信道内有主用户和信道内没有主用户两种情况，通过计算训练数据点与对应类别数据中心点的欧氏距离大小，得到该数据点的隶属度参数；将训练能量向量集和与对应隶属度参数使用支持向量机训练，得到最优的频谱感知分类器。

技术领域

本发明属于合作频谱感知领域，采用感知用户分布二维空间的通信模型来训练分类器，得到最优的频谱感知分类器。

背景技术

近年来，认知无线电技术由于可以提高频谱利用率而得到了越来越多的重视。通信设备使用认知无线电技术可以实时感知当前通信环境，智能快速的调整通信参数，并允许次用户(SecondUser,SU)在主用户(PrimaryUser，PU)没有占用该频段时接入该频段通信，最大化频谱资源利用率。频谱感知准确度对认知无线电系统性能至关重要。

传统的频谱感知算法分为独立式频谱感知算法和合作式频谱感知算法。独立式频谱感知算法主要有三种：能量法、循环平稳检测法和匹配滤波器检测法；合作式频谱感知算法是在独立式频谱感知算法的基础上，各个SU将感知结果提交到融合中心(FusionCenter,FC)，并由FU通过某种规则计算得到频谱感知结果。判断规则主要分为两类：硬判决和软判决，硬判决：各个SU设备将感知结果(0或者1)传输给FU，由FU做出判断。也存在一种软化的硬融合算法，通过向FU传输两位数据(00,01,10,11)，而不是(0,1)来提高频谱感知准确度。软判决：各个SU将感知数据传送到FU，由FU得出频谱感知结果。当SU和PU存在相对位置关系时，各个SU接受到的信号强度由于位置关系存在较大差异。相对于传统的合作频谱感知算法，基于学习的合作频谱感知算法由于学习特性可以有效的克服上述影响。将支持向量机(SupportVectorMachine，SVM)应用于频谱感知的主要原因：

[1]SVM和频谱感知都是将数据分为两类：SVM是根据数据点与分类面的相对位置将数据分为两类，合作频谱感知是将通信频段分为未被PU占用和已被PU占用两种情况。

[2]用于SVM训练和分类的数据向量是合作频谱感知中各个SU在单位时间内感知到的信号强度组成的能量向量。

[3]在复杂多变的通信环境下，SVM由于良好的学习特性，可以有效提升感知准确度。

发明内容

本发明提供一种基于模糊支持向量机的合作频谱感知方法，可以有效提升感知准确度。技术方案如下：

一种基于模糊支持向量机的合作频谱感知方法，包括下列步骤：

(1)各个认知用户同时对感知信道进行感知，认知无线电网络中的主用户PU共享同一频段通信，有N个次用户SU，SU均匀分布在二维空间中，M个PU也分布在二维空间中，并按一定概率占用频段通信，Y_n为第n个SU的信号采样值，由PU信号采样和高斯噪声组成，所有的SU传输自己感知到的能量值到融合中心FU，FU将各个能量值组合为能量向量，建立能量向量集：Y＝(Y₁,...,Y_N)^T；

(2)使用K-means聚类算法计算训练能量向量集的两个数据类别中心点和分别代表信道内有主用户和信道内没有主用户两种情况，通过计算训练数据点与对应类别数据中心点的欧氏距离大小，得到该数据点的隶属度参数s_l；

(3)将训练能量向量集和与对应隶属度参数使用支持向量机训练，得到最优的频谱感知分类器f(x)＝ω^Tx+b，x为待判断类别的能量向量，ω为分类面法向量，b为分类面与远点距离，ω和b代表分类面的位置，f(x)＞0，频段可用，反之，频段不可用；