[发明专利]非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质

说明书

非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质，方法包括：构建基于分数阶随机共振的非线性模型，对多天线接收端的有用微弱信号增强，选取分数低阶协方差矩阵作为对预处理信号的智能表征；构建基于联邦学习的分布式协作频谱感知系统，并利用基于视觉的自注意力机制网络模型，完成子感知节点的本地训练，利用动态加权联邦平均方法对传输到融合中心处的网络参数进行加权聚合，得到全局最优网络参数，用于感知的全局网络模型，利用网络输出的二维特征向量的比值构建频谱感知的检测统计量和检测阈值，比较获取的检测统计量和检测阈值大小，实现非高斯噪声下分布式协同的多天线协作频谱智能感知，且在低零功率条件下具有良好的感知性能。

技术领域

本发明属于认知无线电系统中频谱感知技术领域，尤其涉及一种非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质。

背景技术

近年来，随着移动通信技术的飞速发展，人们对无线频谱资源的巨大需求和频谱资源极度稀缺之间的供需矛盾日益显现，认知无线电技术是解决这一矛盾的关键所在，可以有效的提高频谱资源的利用率。其中，频谱感知技术作为认知无线电中的重要组成部分，其通过动态频谱接入的方式，可以完成对频谱资源的高效利用。感知结果的准确性将极大影响次级用户随机接入的效率和授权用户在通信过程中的稳定性。因此，设计高效、智能和安全的频谱感知方法显得极其重要。

目前，已经有很多研究频谱感知的方法。能量检测方法(W.Wu et al.,IRS-Enhanced Energy Detection for Spectrum Sensing in Cognitive Radio Networks,in IEEE Wireless Communications Letters,vol.10,no.10,pp.2254-2258,Oct.2021,doi:10.1109/LWC.2021.3099121.)、匹配滤波器检测方法(A.Brito,P.andF.J.Velez,Hybrid Matched Filter Detection Spectrum Sensing,in IEEE Access,vol.9,pp.165504-165516,2021,doi:10.1109/ACCESS.2021.3134796.)、基于循环平稳特性的方法(M.Nouri,H.Behroozi,N.K.Mallat and S.A.Aghdam,A Wideband 5GCyclostationary Spectrum Sensing Method by Kernel Least Mean Square Algorithmfor Cognitive Radio Networks,in IEEE Transactions on Circuits and SystemsII:Express Briefs,vol.68,no.7,pp.2700-2704,July 2021,doi:10.1109/TCSII.2021.3051087.)、基于最大最小特征值的方法(R.B.Chaurasiya and R.Shrestha,Hardware-Efficient and Fast Sensing-Time Maximum-Minimum-Eigenvalue-BasedSpectrum Sensor for Cognitive Radio Network,in IEEE Transactions on Circuitsand Systems I:Regular Papers,vol.66,no.11,pp.4448-4461,Nov.2019,doi:10.1109/TCSI.2019.2921831.)。利用深度学习的强大的数据驱动能力，在处理拥有大量数据的样本分类问题上有着独特的优势。基于深度学习的频谱感知方法有：基于深度强化学习的协作频谱感知方法(R.Sarikhani and F.Keynia,Cooperative Spectrum Sensing MeetsMachine Learning:Deep Reinforcement Learning Approach,in IEEE CommunicationsLetters,vol.24,no.7,pp.1459-1462,July 2020,doi:10.1109/LCOMM.2020.2984430.)、基于卷积神经网络和长短期记忆神经网络的频谱感知方法(J.Xie,J.Fang,C.Liu andX.Li,Deep Learning-Based Spectrum Sensing in Cognitive Radio:A CNN-LSTMApproach,in IEEE Communications Letters,vol.24,no.10,pp.2196-2200,Oct.2020,doi:10.1109/LCOMM.2020.3002073.)、基于短时傅里叶变换和卷积神经网络结合的频谱感知方法(Z.Chen,Y.-Q.Xu,H.Wang and D.Guo,Deep STFT-CNN for Spectrum Sensing inCognitive Radio,in IEEE Communications Letters,vol.25,no.3,pp.864-868,March2021,doi:10.1109/LCOMM.2020.3037273.)、基于变分自编码器的无监督学习频谱感知方法(J.Xie,J.Fang,C.Liu and L.Yang,Unsupervised Deep Spectrum Sensing:AVariational Auto-Encoder Based Approach,in IEEE Transactions on VehicularTechnology,vol.69,no.5,pp.5307-5319,May 2020,doi:10.1109/TVT.2020.2982203.)。上面所提到的频谱感知方法大多在高斯噪声下有着极好的感知性能，但是在真实的无线环境场景下，接收端的接收信号会受到非高斯噪声的干扰，如果仍然使用高斯噪声模型，频谱感知性能将大大降低。