[发明专利]一种北极海上无线通信频谱感知方法及系统

说明书

本发明公开了一种北极海上无线通信频谱感知方法及系统，该方法获取待感知的北极海上通信信号；根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；根据所述频谱分类器进行频谱判断并输出分类结果。本发明提出的方案中，通过循环谱构建与噪声、衰减相关的特征向量表示信号，完成数据的提取、降维和模型训练过程，进而判断频谱的占用情况，在低信噪比的环境中依然保持较好的频谱识别效果。

技术领域

本发明涉及无线通信技术领域，特别涉及一种北极海上无线通信频谱感知方法系统。

背景技术

近年来，由于全球变暖导致北极水域海冰面积大幅度减小，为船舶在北极海上运输创造有利条件。为了保障极地水域船舶的安全运营，研究极地航道通信技术已经成为必然发展趋势。频谱是无线通信网络中最宝贵的资源，通过调查研究发现，任意时间、任意地点的频谱平均利用率低于5％。

通常情况下，在主用户(Primary Users，PU)使用某一段频谱时，次用户(Secondary User，SU)不具备接入该频段的能力，这一固定的频谱分配方式已经无法满足目前及将来的无线业务需求。频谱感知技术可以解决这一问题，通过检测主用户未占用的空闲频段，次用户就可利用该频段。因此，研究可靠的频谱感知技术能够提高频谱资源利用率，对于保障北极海上稳定、可靠的通信至关重要。

现有技术中，北极航线无线电通信环境较差，信噪比较低，信道环境具有不确定性，基于传统频谱感知技术的固定阈值判别方法会使得检测结果不够准确，从而影响整个系统的频谱利用率。

深度学习方法是一种基于大量数据的表征学习算法，其深层结构具有较强的特征提取能力，可以从大量有标注信息的样本中自动提取有用信息。随着深度学习技术的发展，将其与频谱感知技术相结合可以识别空闲频谱。对于还未进行较多通信测试的北极环境而言，没有大量的样本数据作为支撑。用于训练的样本不足，会直接导致模型泛化能力差，从而影响频谱感知结果。

在机器学习领域，针对认知网络中各低信噪比环境下主用户信号检测率偏低的问题，提出一种基于主成分分析和主动学习AdaBoost的主用户信号频谱感知算法。该算法首先采用主成分分析算法对信号特征参数进行提取，获得信号的主成分，之后利用主动学习算法通过多次迭代抽样，获取有利于提高分类性能的样本，并对AdaBoost分类器进行训练，最后利用训练完成的AdaBoost分类器对待测信号进行分类检测。仿真实验表明，所提算法具有较高的分类感知性能，有效地实现了对主用户信号的频谱感知。基于集成模型的AdaBoost算法容易对异常样本敏感，异常样本在迭代中可能会获得较高的权重，造成过拟合，从而影响最终模型效果。

发明内容

本发明提供一种北极海上无线通信频谱感知方法及系统，能够提高频谱检测性能，有效提升极地海上通信频谱利用率，保障极地海上通信的可靠性和稳定性。

根据本发明的一个方面，提供了一种北极海上无线通信频谱感知方法，包括以下步骤：

获取待感知的北极海上通信信号；

根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集；

将所述极地海上通信频谱感知数据集输入非线性支持向量机SVM，训练适用于北极海上通信频谱感知的频谱分类器；

根据所述频谱分类器进行频谱判断并输出分类结果。

所述根据线性判断分析LDA对所述待感知的北极海上通信信号构建北极海上通信频谱感知数据集，包括：

使用循环谱提取所述待感知的北极海上通信信号的谱线数量、衰减系数和谱相关系数最大值三个特征。

所述循环谱根据如下方式获取：