[發明專利]認知網絡中基于無監督學習的協作頻譜感知方法、裝置

在審

• 申請號: 202010582060.4
• 申請日: 2020-06-23
• 公開（公告）號: CN111756460A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 崔翠梅;楊德智;楊倪子;殷昌永
• 申請（專利權）人: 常州工學院
• 主分類號: H04B17/382
• 分類號: H04B17/382;H04B17/391;G06K9/62
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 姜曉鈺

本發明提供一種認知網絡中基于無監督學習的協作頻譜感知方法、裝置，認知網絡包括：一個授權用戶和至少一個認知用戶，所述方法包括以下步驟：認知用戶檢測頻譜的能量并組成能量向量，并根據能量向量獲取多維特征矩陣，利用主成分分析算法將多維特征矩陣轉換為低維特征矩陣，采用低維特征矩陣和高斯混合模型算法訓練聚類器，以對頻譜進行感知。該方法采用將主成分分析算法與高斯混合模型算法相融合，不僅可提高頻譜感知的準確性和可靠性，還可減少感知時延，對動態頻譜態勢演變趨勢進行預測，使之能夠處理海量的頻譜感知數據，且采用低維特征矩陣訓練聚類器，可以大大節省訓練時間，降低計算復雜度。

技術領域

本發明涉及通信技術領域，具體涉及一種認知網絡中基于無監督學習的協作頻譜感知方法、一種認知網絡中基于無監督學習的協作頻譜感知裝置、一種非臨時性計算機可讀存儲介質和一種計算機設備。

背景技術

隨著移動互聯網、物聯網、云計算等各類通信及處理技術的迅猛發展，海量智能化終端的不斷涌現與接入，隨之產生的數據流量呈現爆炸式增長，導致了對電磁頻譜與帶寬需求與日俱增。

5G和超5G網絡呈現的超密集、大連接、高異構、低時延、智能化的新特征，可供分配的頻譜資源少之又少海量頻譜信息快速準確獲取難度大，感知成本巨大。

相關技術中，一般采用單純提高頻譜復用率的頻譜感知算法，包括硬融合算法和軟融合算法。然而該方法不能很好適應未來高動態復雜無線電磁場景，無法處理海量的頻譜感知數據和提供相匹配的算力，且不能自適應地學習周圍的網絡拓撲環境，每次感知時需要周圍環境的先驗知識，而且不能對下一次的感知結果做出預測，感知準確度和感知器的訓練時間有進一步提升的空間。

發明內容

為解決上述技術問題，本發明提供了一種認知網絡中基于無監督學習的協作頻譜感知方法該方法采用將主成分分析算法與高斯混合模型算法相融合，不僅可提高頻譜感知的準確性和可靠性，還可減少感知時延，對動態頻譜態勢演變趨勢進行預測，使之能夠處理海量的頻譜感知數據，且采用低維特征矩陣訓練聚類器，可以大大節省訓練時間，降低計算復雜度。

本發明還提供了一種認知網絡中基于無監督學習的協作頻譜感知裝置。

本發明還提供了一種非臨時性計算機可讀存儲介質。

本發明還提供了一種計算機設備。

本發明采用的技術方案如下：

本發明的第一方面實施例提供了一種認知網絡中基于無監督學習的協作頻譜感知方法，所述認知網絡包括：一個授權用戶和至少一個認知用戶，所述方法包括以下步驟：步驟S1，所述認知用戶檢測頻譜的能量并組成能量向量，并根據所述能量向量獲取多維特征矩陣；步驟S2，采用所述低維特征矩陣和高斯混合模型算法訓練聚類器，以對所述頻譜進行感知利用PCA(Principal Components Analysis，主成分分析)算法將所述多維特征矩陣轉換為低維特征矩陣；步驟S3，采用所述低維特征矩陣和高斯混合模型算法訓練聚類器，以對所述頻譜進行感知。

根據本發明的一個實施例，認知用戶檢測頻譜的能量并組成能量向量，包括：步驟S101，所述認知用戶感知選定信道的信號Y_j(n)；步驟S102，獲取通過噪聲功率譜密度歸一化的能級Y_j；步驟S103，每個所述認知用戶將所述能級Y_j傳輸給融合中心，所述融合中心將所述能級Y_j組成所述能量向量。

根據本發明的一個實施例，利用PCA算法將所述多維特征矩陣轉換為低維特征矩陣，包括：步驟S201，將所述多維特征矩陣零均值化，以獲取零均值化矩陣；步驟S202，根據所述零均值化矩陣獲取所述多維特征矩陣的協方差矩陣；步驟S203，計算所述協方差矩陣的特征值和對應的特征向量；步驟S204，將所述特征向量按對應的特征值大小從上到下按行排成矩陣，取前預設行組成能量矩陣；步驟S205，將所述多維特征矩陣投影到所述能量矩陣中，以獲取所述低維特征矩陣。