[發明專利]一種基于Cholesky分解采樣協方差矩陣的SVM高效頻譜感知方法

有效

• 申請號: 201811486127.3
• 申請日: 2018-12-06
• 公開（公告）號: CN109547133B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 包建榮;聶建園;王天樞;劉超;姜斌
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: H04B17/382
• 分類號: H04B17/382
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良;李欣瑋

本發明公開了一種基于Cholesky分解采樣協方差矩陣的SVM高效頻譜感知方法，采用以下步驟完成：S1，采用Cholesky分解感知信號的協方差矩陣，構造統計量；S2，對所述統計量進行標記標簽；S3，將所述統計量和對應的標簽作為訓練樣本集，采用SVM算法訓練所述樣本，得到凸二次規劃問題；S4，采用序列最優化算法求解所述凸二次規劃問題，得到SVM分類器；S5，采用SVM分類器對主用戶狀態進行分類。本發明所述方法通過Cholesky分解感知信號采樣協方差矩陣的預處理，可降低PU信號和噪聲的相關性，減少樣本集的數量，使PU信號與噪聲間的距離增加，提高了檢測概率，且降低了頻譜感知復雜度。

技術領域

本發明屬于數字通信領域，具體涉及一種基于喬姆斯基分解采樣協方差矩陣的支持向量機高效頻譜感知方法，實現認知無線電的頻譜感知。

背景技術

傳統無線頻譜資源是按授權方式靜態分配的，會限制無線通信的靈活性。而認知無線電(CR)是動態分配頻譜資源，提高了頻譜利用率。其中，頻譜感知作為CR的前提，其主要目標是認知設備迅速和智能地識別頻段中未被占用的可用頻譜，使更多的用戶機會性地使用該資源。實際的無線環境相當復雜，單純的傳統認知無線電頻譜感知技術不能應對未來的更高要求：支持大量用戶，準確認知，多節點認知，前瞻性感知，識別速度快。而機器學習的方法可以使CR的頻譜感知系統更為“認知化”，對網絡域、用戶域和無線域的各種周邊無線變化和用戶設備狀態進行采樣和建立模型，然后再使用特定的算法進行數據分類，得到更為準確的認知信息，并且能對本身的系統進行自我完善與優化，認知系統得到性能的提升，更加適應無線環境的多變情況。

傳統能量檢測算法以接收信號能量作為判斷依據。對輸入信號采樣量化，經過理想帶通濾波器與模數轉換器后，去除掉附帶噪聲與鄰近無關信號，再對信號幅值平方得到能量，隨后對能量求積分再求平均得到統計值，最后統計值與預設好的閾值對比，若統計值小于閾值，則判斷為頻譜空閑，否則判斷為主用戶占用頻譜。該方法不需先驗信息，算法相對簡單。但是會受到噪聲的峰值影響，不適合低信噪比的環境。

發明內容

為解決上述技術問題，本發明提出一種基于Cholesky分解采樣協方差矩陣的SVM高效頻譜感知方法，改善低信噪比下頻譜檢測概率低的問題，即提高頻譜的利用率。

首先，對Cholesky分解法和SVM進行如下解釋：

喬姆斯基(Cholesky)分解法

Cholesky分解法又叫平方根法，是求解對稱正定線性方程組最常用的方法之一。對于一般矩陣，為了消除三角(LU)分解的局限性和誤差的過分積累，采用了選主元的方法，但對于對稱正定矩陣而言，選主元是不必要的。實對稱矩陣必有三角分解A＝LU，且存在唯一的對角元素均為正的下三角矩陣G，使得A＝GG^T(此稱為Cholesky分解)。矩陣G為Cholesky三角。

支持向量機(SVM)

SVM是基于最小風險結構原理模式分類器建立起來的，比一般基于別的指標的分類器有更好的泛化能力，適用于解決離散、高維度與非線性識別問題，可利用在低信噪比下的無線電環境去解決頻譜感知問題。SVM算法是基于歷史數據建立一個分類模型，把收到的新數據經該分類模型，快速做出分類。其原理是將低維無法用線性模型分類的空間，通過非線性轉換，得到一個高維線性特征空間，在高維線性特征空間中構造一個線性間隔超平面，使樣本點在空間內被劃分區別開。最大間隔超平面，使不同標記樣本以最大可能正確分開，并使各被區別的樣本與間隔超平面的空間距離達到最大。

本發明采用以下技術方案：