[发明专利]一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法

说明书

本发明公开了一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法，包括以下步骤：采集主用户信号并进行IQ分解得到信号的I分量和Q分量；分别构建I分量矩阵Y^I和Q分量矩阵Y^Q并计算其协方差矩阵R^I和R^Q；分别对协方差矩阵分解得到上三角矩阵L^I和L^Q；计算上三角矩阵元素和记为T^I和T^Q，构建特征二维向量；将若干次用户感知到的信号特征组成训练特征集，训练粒子群优化聚类算法得到分类器，将待感知信号的特征二维向量输入所述分类器完成频谱感知。本发明通过将主用户信号进行分解后计算协方差矩阵，利用Cholesky分解获取上三角矩阵保持了信号特征的完整性，降低了计算的复杂度，同时利用粒子群聚类算法对待感知信号特征进行分类，提高了频谱感知的精度。

技术领域

本发明涉及频谱感知领域，更具体地，涉及一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法。

背景技术

近年来，各种无线设备和智能移动终端的数量快速增加，人们对无线频谱的需求日益增加，无线通信网络规模不断扩大，这无疑让频谱资源变得愈加紧张。认知无线电技术旨在缓解目前频谱紧缺的问题。认知无线电技术的主要的思想是让无线电通信设备能够发现自由频谱，并合理地利用频谱资源。频谱感知技术不但是认知无线电的重要技术之一，而且也是频谱共享和频谱管理等其他应用的基础。但是在实际的无线电环境中，频谱感知技术会受到阴影和衰减等影响，使得感知到的信号的信噪比很小，进而导致频谱感知的性能降低。

传统的频谱感知技术有能量检测、匹配滤波器检测、循环特征检测频谱感知方法。近年来，随机矩阵理论被提出并渐渐地被运用到频谱感知的方法中。有文献提出一种基于矩阵分解的频谱感知算法，该算法通过信号的协方差矩阵进行分解和处理，再通过门限的推导进行判决。有文献提出一种基于随机矩阵理论的频谱感知，该算法仍然采用门限判决的判定方法，固然会存在门限推导不准确，计算复杂的问题。频谱感知技术是用于检测主用户是否存在，于是可以把频谱感知看成一种二分类的问题，机器学习则能很好地处理二分类的问题，所以基于机器学习的频谱感知方法逐渐成为人们研究的热点。有文献提出一种基于K均值聚类的频谱感知算法，该算法把信号的能量作为信号特征，然后通过K均值聚类算法对这些信号进行分类和测试。有文献提出一种基于信号特征和K均值聚类算法的频谱感知，该方法利用随机矩阵原理，把信号矩阵的特征值作为信号特征，再通过K均值聚类算法对这些信号进行分类和测试。当前基于门限推导的传统频谱感知方法复杂、精确度不够，亟需一种复杂度低、精确度高的频谱感知方法。

发明内容

本发明为克服上述现有技术中基于门限推导的传统频谱感知方法复杂、信号特征信息丢失、精度不高的缺陷，提供一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法，提高了频谱感知的精度。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法，所述方法基于协作频谱感知模型完成，所述协作频谱感知模型包括：主用户、若干次用户、中心节点，所述主用户用于向次用户发送主用户信号，所述次用户用于接收主用户信号，并将感知到的主用户信号发送至中心节点，所述中心节点用于判断主用户是否存在；所述方法包括以下步骤：

S1：采集主用户信号，将主用户信号进行IQ分解分别得到信号的I分量和Q分量；

S2:利用I分量和Q分量分别构建I分量矩阵Y^I和Q分量矩阵Y^Q并分别计算其协方差矩阵R^I和R^Q；

S3：分别对协方差矩阵R^I和R^Q进行Cholesky分解得到上三角矩阵L^I和L^Q；