一种基于FCM聚类算法的合作频谱感知方法专利检索-认知无线电电信专利检索查询-专利查询网

一种基于FCM聚类 算法的合作频谱 感知方法

阅读：193发布：2020-05-12

专利汇可以提供一种基于FCM聚类算法的合作频谱感知方法专利检索，专利查询，专利分析的服务。并且本发明属于认知无线电频谱感知技术领域，具体地涉及一种基于FCM聚类算法的合作频谱感知方法，包括以下步骤：采集信号 xi(n)，形成采样信号矩阵X；对于采集到的采样信号矩阵X，采用零空间追踪算法NSP将采样信号xi(n)分解成两个精细分量：剩余分量U(n)和被提取分量V(n),得到第i个次用户SU的采样信号为对采样信号进行信号拆分重组DAR，根据协方差矩阵分别计算相关的特征值，并计算最大特征值与平均特征值之差MSE；使用FCM 聚类算法判断主用户是否存在。本发明主要是解决在低信噪比时，提高感知性能和门限估计的精确度的问题，从而提供了一种基于FCM聚类算法的合作频谱感知方法。，下面是一种基于FCM聚类算法的合作频谱感知方法专利的具体信息内容。

权利要求

1.一种基于FCM聚类算法的合作频谱感知方法，其特征在于，所述方法包括以下步骤：
S1：采集信号xi(n)，形成采样信号矩阵X；
S2：对于采集到的采样信号矩阵X，采用零空间追踪算法NSP将采样信号xi(n)分解成两个精细分量：剩余分量U(n)和被提取分量V(n),得到第i个次用户SU的采样信号为S3：对采样信号进行信号拆分重组DAR，根据协方差矩阵分别计算相关的特征值，并计算最大特征值与平均特征值之差MSE；
S4：使用FCM聚类算法判断主用户是否存在。
2.根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，所述步骤S1的采样信号矩阵X，假设一个认知无线电系统，一个主用户PU和M个次用户SU，每个SU的采样点数为N，H0表示主用户不存在，H1表示主用户信号存在，采样信号xi(n)的模型可表示为：其中，wi(n)表示均值为0，方差为δ2的高斯
白噪声，si(n)表示PU的信号；
假设第i个SU的采样信号向量表示为xi(n)＝[xi(1)，xi(2)，…，xi(N)]；所有SU的采样信号组成一个M×N维的矩阵X，表示为
3.根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，所述零空间追踪算法NSP算法步骤包括以下：
S2.1：输入信号xi(n)，拉格朗日系数λ2，停止门限值ε，和初始的拉格朗日系数初始泄露参数γ0；
S2.2：令
S2.3：根据令
计算出
S2.4：更新的值；
S2.5:根据
令计算出
S2.6：更新γj的值；
S2.7：当则令j＝j+1，继续返回S2.3循环；
S2.8：输出最优的残余信号参数泄露系数
其中，Dα是一个以α为对角元素的对角矩阵，λ1、λ2表示拉格朗日系数，γ为泄露系数。
4.根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，DAR技术，对信号进行顺序拆分重组和间隔拆分重组，根据协方差矩阵计算相关的特征值λu＝1，2，...，2Mq，计算最大特征值与平均特征值之差得到特征向量T1和T2，构成特征向量T＝[T1，T2]T代表特征。
5.根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，所述FCM算法包括以下步骤：
S4.1：构造特征矩阵给定类别数目C、FCM算法平滑指数m以及容许误
差ε，初始化隶属度ujc；
S4.2：利用计算出类中心Ψc；
S4.3：计算误差若v＜ε,结束算法，否则继续S4.4；
S4.4：利用公式迭代，计算新的隶属度ujc；
S4.5：返回S4.1继续循环，直到达到设定的迭代次数；
S4.6：输出隶属度ujc和类中心Ψc；
S4.7：输入测试样本集
S4.8：当时，输出H1，否则输出H0；
其中，H1表示主用户信号不存在，H0表示主用户信号存在。

说明书全文

一种基于FCM聚类算法的合作频谱 感知方法

技术领域

[0001] 本发明涉及一种认知无线电频谱感知技术，更具体地设计一种基于FCM聚类算法的合作频谱感知方法。

背景技术

[0002] 随着各种无线业务的不断增长以及无线传输内容的不断丰富，越来越多的无线通信有着大数据量的需求。但是现有的静态频谱分配策略难以在不增加频谱资源的前提下提高数据传输速率，并且越来越多的实验数据说明现有无线电频谱资源分配并不合理，即在某些地区某些时候，一些频段的频谱资源使用非常紧张而另一些频段则非常空闲。这些频谱资源使用不均衡的情况导致了认知无线电技术 (Cognitive Radios,CR)的出现。认知无线电基本出发点是在不影响授权频段的正常通信的基础上，具有认知功能的无线设备可以按照某种“机会方式”接入授权的频段内，并动态的利用频谱。CR具有两个主要特点：认知能力和重配置能力，认知的核心是频谱感知。随着CR技术的逐步完善，频谱感知技术也得到了不断的发展。频谱感知的目的是检测频谱空穴，提升频谱的有效利用率。传统的频谱感知方法主要包括能量检测，匹配滤波器检测，循环平稳特征检测和基于随机矩阵的频谱感知法。能量检测法是一种经典的频谱感知算法。利用信号加噪声的能量大于噪声能量这一特点来判断主用户是否存在。现有技术的计算复杂度低，不需要信号的先验信息，得到广泛应用。
但在低信噪比时，能量检测算法的检测性能不高。经典能量检测(Energy Detection,ED)判决门限比较难确定，在低信噪比环境下容易受到噪声不确定性影响产生误判从而导致检测性能急剧下降，即使是能够自适应的门限值，检测器也不能做出正确的判断。

发明内容

[0003] 本发明克服了在低信噪比环境下，能量检测法频谱感知技术的感知性能不高和门限估计精确度不高的问题，提供了一种基于FCM聚类算法的合作频谱感知方法。

[0004] 为解决上述技术问题，本发明的技术方案如下：

[0005] 一种基于FCM聚类算法的合作频谱感知方法，实施步骤如下：

[0006] S1：采集信号xi(n)，形成采样信号矩阵X；

[0007] S2：对于采集到的采样信号矩阵X，采用零空间追踪算法NSP将采样信号 xi(n)分解成两个精细分量：剩余分量U(n)和被提取分量V(n),得到第i个次用户 SU的采样信号为[0008] S3：对采样信号进行信号拆分重组DAR，根据协方差矩阵分别计算相关的特征值，并计算最大特征值与平均特征值之差MSE；

[0009] S4：使用FCM聚类算法判断主用户是否存在。

[0010] 步骤S1的采样信号矩阵X，假设一个认知无线电系统，有一个主用户PU 和M个次用户SU，每个SU的采样点数为N，H0表示主用户不存在，H1表示主用户信号存在，采样信号xi(n)的模型可表示为：

[0011] 其中，wi(n)表示均值为0，方差为δ2的高斯白噪声，si(n)表示PU的信号；

[0012] 假设第i个SU的采样信号向量表示为xi(n)＝[xi(1)，xi(2)，…，xi(N)]；所有SU 采样信号组成M×N维的矩阵X，表示为

[0013] 零空间追踪算法NSP算法步骤包括以下：

[0014] S2.1：输入信号xi(n)，拉格朗日系数λ2，停止门限值ε，和初始的拉格朗日系数初始泄露参数γ0；

[0015] S2.2：令j＝0, γj＝γ0

[0016] S2.3：根据令计算出

[0017] S2.4：更新的值；

[0018] S2.5:根据

[0019]令计算出

[0020] S2.6:更新γj的值；

[0021] S2.7：当则令j＝j+1，继续返回S2.3循环；

[0022] S2.8：输出最优的残余信号参数泄露系数

[0023] 其中，Dα是一个以α为对角元素的对角矩阵，λ1、λ2表示拉格朗日系数，γ为泄露系数。

[0024] DAR技术，对信号进行顺序拆分重组和间隔拆分重组，根据协方差矩阵计算相关的特征值λu＝1，2，...，2Mq，计算最大特征值与平均特征值之差得到特征向量T1和T2，构成特征向量T＝[T1，T2]T代表特征。

[0025] 根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，所述FCM算法包括以下步骤：

[0026] S4.1:构造特征矩阵给定类别数目C、FCM算法平滑指数m 以及容许误差ε，初始化隶属度ujc；

[0027] S4.2:利用计算出类中心Ψc；

[0028] S4.3:计算误差若v＜ε,结束算法，否则继续S4.4；

[0029] S4.4:利用公式迭代，计算新的隶属度ujc；

[0030] S4.5:返回S4.1继续循环，直到达到设定的迭代次数；

[0031] S4.6:输出隶属度ujc和类中心Ψc；

[0032] S4.7:输入测试样本集

[0033] S4.8:当时，输出H1，否则输出H0；

[0034] 其中，H1表示主用户信号不存在，H0表示主用户信号存在。

[0035] 基于NSP的FCM聚类算法的合作频谱感知方法，使用最大特征值与平均能量之差算法得到特征，在信噪比比较低的情况下能更好的提高频谱的检测性能，对接收到的信号进行拆分重组DAR处理，在逻辑上增加了认知用户数量，进一步的提高了系统的检测性能。

[0036] 与现有技术相比，本发明的有益效果是：

[0037] 本发明克服了能量检测法在低信噪比下检测性能不高的问题，提供了一种基于FCM聚类算法的合作频谱感知方法。附图说明

[0038] 图1为本发明的方法流程图；

[0039] 图2为本发明与传统的MSE算法比较图。

具体实施方式

[0040] 附图仅用于示例性说明，不能理解为对本专利的限制；

[0041] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

[0042] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

[0043] 下面结合附图和实施例对本发明的技术方案做进一步的说明。

[0044] 实施例1：

[0045] 一种基于FCM聚类算法的合作频谱感知方法，实施步骤如下：

[0046] S1：采集信号xi(n)，形成采样信号矩阵X；

[0047] S2：对于采集到的采样信号矩阵X，采用零空间追踪算法NSP将采样信号 xi(n)分解成两个精细分量：剩余分量U(n)和被提取分量V(n),得到第i个次用户 SU的采样信号为[0048] S3：对采样信号进行信号拆分重组DAR，根据协方差矩阵分别计算相关的特征值，并计算最大特征值与平均特征值之差MSE；

[0049] S4：使用FCM聚类算法判断主用户是否存在。

[0050] 步骤S1的采样信号矩阵X，假设一个认知无线电系统，主用户PU和次用户SU，每个SU的采样点数为N，H0表示主用户不存在，H1表示主用户信号存在，采样信号xi(n)的模型可表示为：

[0051] 假设第i个SU的采样信号向量表示为xi(n)＝[xi(1)，xi(2)，…，xi(N)]；采样信号xi(n)矩阵X表示为

[0052] 其中，wi(n)表示均值为0，方差为δ2的高斯白噪声，si(n)表示PU的信号。

[0053] 零空间追踪算法NSP算法步骤包括以下：

[0054] S2.1：输入信号xi(n)，拉格朗日系数λ2，停止门限值ε，和初始的拉格朗日系数初始泄露参数γ0；

[0055] S2.2：令j＝0, γj＝γ0

[0056] S2.3：根据令计算出

[0057] S2.4：更新的值；

[0058] S2.5:根据

[0059]令计算出

[0060] S2.6:更新γj的值；

[0061] S2.7：当则令j＝j+1，继续返回S2.3循环；

[0062] S2.8：输出最优的残余信号参数泄露系数

[0063] 其中，Dα是一个以α为对角元素的对角矩阵，λ1、λ2表示拉格朗日系数，γ为泄露系数。

[0064] DAR技术，对信号进行顺序拆分重组和间隔拆分重组，得到两个2Mq×k维的信号矩阵，分别求其协方差矩阵，根据协方差矩阵计算相关的特征值λu＝1，2，...，2Mq，计算最大特征值与平均特征值之差得到特征向量T1和T2，构成特征向量T＝[T1，T2]T代表特征。

[0065] 根据权利要求1所述的基于FCM聚类算法的合作频谱感知方法，其特征在于，所述FCM算法包括以下步骤：

[0066] S4.1:构造特征矩阵给定类别数目C、FCM算法平滑指数m 以及容许误差ε，初始化隶属度ujc；

[0067] S4.2:利用计算出类中心Ψc；

[0068] S4.3:计算误差若v＜ε,结束算法，否则继续S4.4；

[0069] S4.4:利用公式迭代，计算新的隶属度ujc；

[0070] S4.5:返回S4.1继续循环，直到达到设定的迭代次数；

[0071] S4.6:输出隶属度ujc和类中心Ψc；

[0072] S4.7:输入测试样本集

[0073] S4.8:当时，输出H1，否则输出H0；

[0074] 其中，H1表示主用户信号不存在，H0表示主用户信号存在。

[0075] 基于NSP的FCM聚类算法的合作频谱感知方法，使用最大特征值与平均能量之差算法得到特征，在信噪比比较低的情况下能更好的提高频谱的检测性能，对接收到的信号进行拆分重组DAR处理，在逻辑上增加了认知用户数量，进一步的提高了系统的检测性能。

[0076] 与现有技术相比，本发明的有益效果是：

[0077] 本发明克服了能量检测法在低信噪比下检测性能不高的问题，提供了一种基于FCM聚类算法的合作频谱感知方法。

[0078] 如图2所示，实验仿真图是在SNR＝-16dB时，比较了NSP+DAR+MSE的频谱感知算法与传统的MSE算法的检测概率Pd和虚警概率Pf。从图2中可以看出，在信噪比较低的环境时，NSP+DAR+MSE算法的检测概率高于MSE算法，即本发明方案比传统的频谱感知方法更优。

[0079] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

标题	发布/更新时间	阅读量
一种基于TextCNN网络的信道编码识别方法	2020-05-08	119
基于能量协作的双向认知中继网络资源分配方法	2020-05-08	349
一种基于可用信道集的认知无线电盲会合方法	2020-05-08	795
一种基于多天线的空域频谱感知方法	2020-05-11	187
一种基于FCM聚类算法的合作频谱感知方法	2020-05-12	193
一种基于卷积神经网络STBC信号识别方法	2020-05-12	536
基于加权一致优化的宽带分布式协作压缩频谱感知方法	2020-05-08	160
基于感知质量的可缩放视频编码速率适配	2020-05-11	598
一种基于软融合策略的盲协作频谱感知方法	2020-05-12	223
一种认知无线电中的统计频谱检测方法	2020-05-11	522

一种基于FCM聚类算法的合作频谱感知方法

一种基于FCM聚类算法的合作频谱感知方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：