[发明专利]一种基于动态贝叶斯隐马尔可夫模型的信道状态预测方法

权利要求书

1.一种基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于，包括以下步骤：

步骤一、采用动态贝叶斯感知度量的能量检测计算次用户接收信号的检测概率P_D和虚警概率P_f，获得当前主用户的信道状态；

步骤二、将检测到的能量表示为一个动态模型，生成时间序列X，利用状态空间模型对生成的时间序列建立隐马尔可夫模型；

步骤三、确定使用隐马尔可夫模型对生成的时间序列进行信道占用状态的预测的模型参数β＝(A,C,π)和模型参数β下观测输出概率P(Y|β)；

步骤四、给定观测集合O(t)＝{o₁,o₂,…,o_t,…,o_T}和模型参数β＝(A,C,π)，采用Viterbi算法，选择概率最高的路径来计算隐藏状态的最可能序列，寻找状态序列的最大概率；

步骤五、采用Baum-Welch算法不断迭代重新估计模型参数β＝(A,C,π)，得到隐马尔可夫模型的局部最优解β'＝(A',C',π')，从而预测当前检测信道状态前一步主用户的信道状态；

步骤六、每一次变分贝叶斯(VB)迭代后对系统状态的对数似然进行证据下界(ELB)，实现模型的验证和优化。

2.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤一中，次用户接收信号的检测概率P_D和虚警概率P_f为：

式中，N为样本数，γ为检测阈值，为噪声方差，D(y)为检验统计量，P为平均信号功率，H₁和H₀分别代表许可用户是否存在，Q(·)为互补累积分布函数。

3.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤二中，生成时间序列X＝{X₁,X₂,X_t,...X_T}定义为一阶Markov过程，状态空间模型用公式表示为：

式中，X_t为隐藏状态，Y_t为观测状态，P(X_t|X_t-1)为状态转移概率，P(Y_t|X_t)为观测概率。

4.根据权利要求1所述的基于动态贝叶斯隐马尔可夫模型的主用户信道状态预测方法，其特征在于：步骤三中，给定观测集合O(t)＝{o₁,o₂,…,o_t,…,o_T}，隐马尔可夫模型参数为β＝(A,C,π)，其中π为主用户的初始状态分布，A_ij为从状态i到状态j的转换数，C_jm为从状态j的m发射数。