[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

说明书

本发明提出了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。该方法的步骤为：基于动态贝叶斯感知度量的能量检测；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；确定使用模型对生成的时间序列进行信道状态的预测的模型参数和模型参数β下观测输出概率P(Y|β)；采用Viterbi算法选择概率最高的路径计算隐藏状态的最可能序列，寻找状态序列的最大概率；采用Baum‑Welch算法估计模型参数，获取新模型的局部最优解β'＝(A',C',π')，预测当前检测信道状态前一步主用户信道状态；每一次变分贝叶斯迭代后对系统状态的对数似然进行证据下界，实现模型的验证和优化。本发明可以使次用户在主用户空闲时访问空闲频带，提高了信道分配效率和频谱利用率。

技术领域

本发明涉及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，涉及认知无线电技术领域。

背景技术

随着无线通信技术的飞速发展，有限的频谱和低效固定的频谱分配使用政策导致频谱资源的匮乏。因为大多数频谱已专门分配给许可的无线系统，没有足够的频谱资源用于新兴的无线服务。另一方面，大量研究结果表明：频谱资源并非缺乏，而是由于大部分频谱资源有效利用率低，大多数授权频谱未得到充分利用。美国联邦通信委员会(FCC)研究表明，授权频谱的平均利用率为 15％-85％，已经分配的3GHz以下的频谱资源中多达70％未被充分利用。一项中国移动的研究数据表明，大多数频段的利用率不到5％。为解决频谱资源的有效利用问题，认知无线电技术得到了广泛的研究。

认知无线电技术被视为解决当前频谱资源利用率低的有效方案。频谱感知是认知无线电的核心概念。频谱感知最重要的挑战是找到一种在不干扰授权用户传输的情况下共享授权频谱的方法。利用先前检测到的信道状态信息预测主用户的近期信道状态，可以确保有效地利用频谱的空闲频带，并防止授权频谱用户“主用户”受到认知设备“次用户”试图访问正在使用主用户传输或占用的频谱。

近年来，许多研究都集中在隐马尔可夫模型的主用户信道状态预测方法上。例如，Chenzhe等人提出了一种基于改进的隐马尔可夫模型和软组合决策规则的主用户信道状态预测方法。然而，以往的工作大多集中在利用快速傅立叶变换将接收到的数字信号变换成频域，然后将感兴趣的量化频率段输入隐马尔可夫模型算法，从而预测主用户的信道状态。虽然这种方法在预测主用户信道状态方面有很好的效果，但是由于FFT计算过程的原因，也增加了系统的复杂度。本发明将一种基于能量检测的简单预测算法以识别当前主用户信道状态，并将时间序列输入到隐马尔可夫模型中，以便在当前检测信道状态前一步预测主用户信道状态。

发明内容

为了解决现有技术存在的问题，本发明提供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，可以利用先前检测信道状态信息预测主用户的近期信道状态。解决了次用户在主用户空闲时有效利用频谱空闲频带，降低了主用户与次用户共同访问的冲突概率，提高了信道分配效率和频谱利用率。

实现本发明目的的技术解决方案为：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，该方法由以下步骤实现：

步骤一、采用动态贝叶斯感知度量的能量检测预测当前主用户信道状态；

步骤二、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；

步骤四、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；

步骤五、采用Baum-Welch算法重新估计模型参数β'＝(A',C',π')，获得预测当前检测信道状态前一步主用户信道状态；

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)，实现模型的优化验证。