[发明专利]一种在CR网络中基于RLNC的退避频谱预测方法

摘要

本发明公开了一种在CR网络中基于RLNC的退避频谱预测方法。本发明利用在认知无线电的主用户信道中引入随机线性网络编码带来的频谱预测性和隐马尔可夫模型对频谱的预测作用，引入退避预测方法，进行下一时隙的频谱状态预测。本发明可以克服传统认知无线电(CR)网络中频谱状态转换频繁、频谱空洞不易于感知以及现有频谱预测算法可靠性较低的特点，结合在认知无线电网络中引入随机线性网络编码(RLNC)带来的频谱预测性和隐马尔可夫模型对频谱的预测作用，并引入退避预测方法，进行下一时隙的频谱状态预测，从而提高频谱预测的可靠性。

主权项

1.一种在CR网络中基于RLNC的退避频谱预测方法，其特征在于，利用在认知无线电的主用户信道中引入随机线性网络编码带来的频谱预测性和隐马尔可夫模型对频谱的预测作用，引入退避预测方法，进行下一时隙的频谱状态预测；具体包括以下步骤：步骤一、初始化HMM参数模型λ＝{Π,A,B}：通过在认知无线电的主用户信道中引入随机线性网络编码得到的主用户信道频谱状态进行隐马尔可夫模型建模得到HMM参数模型λ＝{Π,A,B}；步骤二、运行累积和能量检测算法进行频谱感知，得到T时隙的观测值序列O＝{ot∈V|t＝1,2,…,T}，观测值序列的状态空间V＝{0,1}，0表示次用户判决该时隙为空闲，1则判决为忙；将所述观测值序列O＝{ot∈V|t＝1,2,…,T}作为训练序列；步骤三、运行Baum‑Welch算法进行HMM参数Π和A的训练，得到估计的HMM参数步骤四、运行Viterbi算法得到隐藏状态序列Q＝{q1,q2,…,qt,…,qT}；步骤五、利用隐藏状态序列Q＝{q1,q2,…,qt,…,qT}替代观测值序列O，然后运行步骤三进行二次HMM参数估计，得到HMM参数λQ；步骤六、利用HMM参数λ_Q和更新的观测值序列计算下一时隙各个频谱状态的预测概率，比较各频谱状态预测概率，概率高的频谱状态为下一时隙的频谱状态预测结果步骤七、根据频谱状态预测结果进行退避预测或频谱检测确认，进而更新观测值序列，进行下一时隙的频谱状态预测；步骤八、存储频谱状态预测结果其中，所述Π为初始状态概率分布，表示为Π＝{π0,π1}，π0和π1分别表示主用户信道初始状态为闲或者忙状态的概率，A为状态转移概率矩阵，表示为A＝{aij}(k+1)×(k+1)，aij＝P{qt+1＝Sj|qt＝Si}表示当前时刻t时频谱状态为Si，下一时刻t+1时转移到Sj的转移概率，其中k为编码块大小；所述步骤一的HMM参数模型λ＝{Π,A,B}的隐藏状态空间为S＝{0,1,…,k}，其中0表示主用户信道处于闲状态，1～k均为忙状态；得到HMM的状态转移概率矩阵A和观测值概率矩阵B分别如下：其中α为状态0转换为状态1的概率，β为状态k转换为状态0的概率，k为正整数，虚警概率pf和漏检概率pm的计算如下：其中为伽马函数，和分别为下不完全伽马函数和上不完全伽马函数。