本發(fā)明涉及基于協(xié)作頻譜感知的認(rèn)知無線電技術(shù)，尤其是涉及一種基于多用戶歷史感知數(shù)據(jù)挖掘的協(xié)作頻譜感知方法。

背景技術(shù)：

在當(dāng)今的無線通信中，頻譜資源不足以及利用不充分的問題大量存在。為解決這些問題，josephmitola博士提出了認(rèn)知無線電技術(shù)(cr)。認(rèn)知無線電被定義為一種建立在軟件無線電(sdr)基礎(chǔ)上的智能無線通信技術(shù)。它能夠連續(xù)不斷地感知周圍的無線電環(huán)境，并進(jìn)行分析，做出決策，動(dòng)態(tài)地選擇空閑的頻率進(jìn)行通信，然后運(yùn)用無線電知識(shí)表示語言(rkrl)自適應(yīng)地修改設(shè)備內(nèi)部的通信參數(shù)。

認(rèn)知無線電網(wǎng)絡(luò)由兩類用戶組成，分別是主要用戶(pu)以及具備認(rèn)知功能，機(jī)會(huì)式地使用授權(quán)頻段的次要用戶(su)。次要用戶需要通過對(duì)授權(quán)頻段進(jìn)行檢測，并根據(jù)獲取的感知數(shù)據(jù)，對(duì)無線場景進(jìn)行分析，最終獲得目標(biāo)頻譜可用性的判決。這一過程即為頻譜感知，顯然，頻譜感知過程是認(rèn)知無線電的第一步，也是最重要的步驟之一。頻譜感知可分為單點(diǎn)頻譜感知和多點(diǎn)協(xié)作頻譜感知，分別由一個(gè)次要用戶和多個(gè)次要用戶來完成。多點(diǎn)協(xié)作頻譜感知相比于單點(diǎn)頻譜感知有一定優(yōu)勢(shì)，主要包括：解決隱藏節(jié)點(diǎn)問題；增強(qiáng)了認(rèn)知無線電系統(tǒng)在低接收信號(hào)信噪比環(huán)境下的頻譜判決性能；降低了對(duì)su節(jié)點(diǎn)頻譜檢測器的敏感度要求。盡管其依然有系統(tǒng)復(fù)雜度、節(jié)點(diǎn)間信息交換、多節(jié)點(diǎn)同步、能量及信令開銷控制等問題，多點(diǎn)協(xié)作頻譜感知依然是認(rèn)知無線電感知方式的首選。

目前，頻譜感知所面臨的挑戰(zhàn)和問題主要是由無線通信過程中的各類不確定性引起的，包括信道、噪聲的隨機(jī)性，設(shè)備級(jí)和網(wǎng)絡(luò)級(jí)的不確定性等，現(xiàn)有技術(shù)并無法有效消除這些不確定性，尤其對(duì)于歷史頻譜占用狀態(tài)轉(zhuǎn)移特性的利用并不充分，因此導(dǎo)致頻譜狀態(tài)判決結(jié)果的不精確。在多點(diǎn)協(xié)作頻譜感知中，由于頻譜狀態(tài)之間的轉(zhuǎn)移概率及節(jié)點(diǎn)的頻譜感知過程是相對(duì)穩(wěn)定的，因而可以利用基于歷史感知數(shù)據(jù)的統(tǒng)計(jì)分析來改進(jìn)頻譜判決性能。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種判斷準(zhǔn)確快速的基于多用戶歷史感知數(shù)據(jù)挖掘的協(xié)作頻譜感知方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于多用戶歷史感知數(shù)據(jù)挖掘的協(xié)作頻譜感知方法，用以判定目標(biāo)信道是否被占用，包括以下步驟：

1)對(duì)各su節(jié)點(diǎn)中的歷史感知數(shù)據(jù)通過拒識(shí)過程進(jìn)行篩選，獲得有效的歷史感知數(shù)據(jù)；

2)采用粘性分層狄利克雷過程—隱馬爾科夫模型通過迭代求解獲取感知數(shù)據(jù)的隱含頻譜狀態(tài)以及對(duì)應(yīng)的高斯分布參數(shù)。

3)對(duì)感知數(shù)據(jù)頻譜狀態(tài)進(jìn)行判決。

所述的步驟1)具體包括以下步驟：

11)對(duì)于各su節(jié)點(diǎn)中的歷史感知數(shù)據(jù)，建立每一時(shí)刻的感知信號(hào)數(shù)據(jù)集；

12)設(shè)定拒識(shí)門限并定義拒絕域；

13)將每個(gè)感知信號(hào)的似然概率與拒識(shí)門限比較，若似然概率小于拒識(shí)門限，則判定其屬于拒絕域，舍棄，若不屬于拒絕域，則保留，并對(duì)保留下來的信號(hào)建立新的感知信號(hào)數(shù)據(jù)集。

所述的步驟2)具體包括以下步驟：

21)根據(jù)感知信號(hào)數(shù)據(jù)集{yt},t＝1,...,t的能量進(jìn)行頻譜判決，獲取初始隱藏頻譜狀態(tài)總數(shù)k、每類狀態(tài)對(duì)應(yīng)的高斯分布參數(shù)以及初始中間過渡分布，并將感知信號(hào)數(shù)據(jù)集{yt},t＝1,...,t的頻譜判決結(jié)果作為初始的隱含頻譜狀態(tài)集；

22)根據(jù)當(dāng)前步驟n的中間過渡分布βⁿ計(jì)算隱含頻譜狀態(tài)集屬于狀態(tài)k∈k和新狀態(tài)k+1對(duì)應(yīng)的概率值，并對(duì)其進(jìn)行抽樣獲取當(dāng)前步驟n對(duì)應(yīng)的隱含頻譜狀態(tài)集并將當(dāng)前步驟n對(duì)應(yīng)的隱含頻譜狀態(tài)集賦值給下一步驟n+1的隱含頻譜狀態(tài)集將當(dāng)前步驟n對(duì)應(yīng)的中間過渡分布βⁿ賦值給下一步的中間過渡分布βⁿ⁺¹；

23)重復(fù)步驟22)進(jìn)行迭代更新，當(dāng)抽樣出現(xiàn)新的隱藏頻譜狀態(tài)k+1時(shí)，則對(duì)中間過渡分布βⁿ進(jìn)行更新。

所述的步驟22)中，隱含頻譜狀態(tài)集屬于第k種狀態(tài)和新狀態(tài)k+1的概率值的計(jì)算式為：

其中，α0為標(biāo)準(zhǔn)hdp分層結(jié)構(gòu)中第一層dp的集中參數(shù)，κ為自轉(zhuǎn)移常數(shù)，為上一步迭代后頻譜狀態(tài)為k而當(dāng)次迭代后頻譜狀態(tài)為zt+1的數(shù)據(jù)的個(gè)數(shù)；numk.為上一步迭代后頻譜狀態(tài)為k的數(shù)據(jù)的個(gè)數(shù)，δ(zt-1,k)與δ(k,zt+1)為沖激函數(shù)，當(dāng)k＝zt+1時(shí)，則δ(k,zt+1)＝1，為感知數(shù)據(jù)yt屬于第k種狀態(tài)的似然函數(shù)。

所述的步驟21)中，初始中間過渡分布根據(jù)狄利克雷分布抽樣獲得。

所述的步驟23)中，中間過渡分布進(jìn)行更新具體步驟包括：

231)使頻譜隱含狀態(tài)總數(shù)k＝k+1，并對(duì)分布beta(1,γ)進(jìn)行抽樣，將結(jié)果賦值給狀態(tài)轉(zhuǎn)移概率b；

232)令βk+1＝(1-b)βk，βk＝bβk，將更新后的βk替代原βk，并將βk+1加入中間過渡分布β。

當(dāng)步驟23)進(jìn)行迭代時(shí)，若存在狀態(tài)k使得所有感知時(shí)間段中屬于第k類的數(shù)據(jù)的個(gè)數(shù)為0，則移除此狀態(tài)k，并更新中間過渡分布β，即βk＝βk+βk，k＝k-1，由于狀態(tài)數(shù)量由k變?yōu)閗+1，中間過渡分布β中的參數(shù)個(gè)數(shù)也需由k變?yōu)閗+1，而βk即原β中第k個(gè)也即最后一個(gè)參數(shù)值，βk+1為新加入的第k+1個(gè)參數(shù)；

所述的步驟22)中，隱含頻譜狀態(tài)集屬于狀態(tài)k的高斯分布參數(shù)通過超參數(shù)的更新獲得。

所述的步驟3)具體包括以下步驟：

31)根據(jù)感知數(shù)據(jù)yt所屬的隱含頻譜狀態(tài)類別以及該隱含頻譜狀態(tài)下的高斯分布參數(shù)；

32)將該高斯分布的期望與預(yù)設(shè)的門限作比較，若期望小于門限值，則目標(biāo)信道空閑，若期望大于門限值，目標(biāo)信道暫被占用。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

本發(fā)明將通過利用分層狄利克雷過程—隱馬爾科夫模型及其粘性擴(kuò)展模型(stickyhdp-hmm)，基于貝葉斯理論對(duì)歷史感知數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，通過引入自轉(zhuǎn)移常數(shù)解決了在標(biāo)準(zhǔn)hdp-hmm中時(shí)間狀態(tài)保持特性不足的弊端，在充分利用感知數(shù)據(jù)間時(shí)間相關(guān)性的基礎(chǔ)上得到的pu開關(guān)狀態(tài)轉(zhuǎn)移矩陣作為算法的先驗(yàn)知識(shí)，最終達(dá)到大幅改進(jìn)系統(tǒng)的頻譜判決性能的目的。在此之前，本發(fā)明通過拒識(shí)過程(rejectionprocess)篩選出各su節(jié)點(diǎn)中可靠性較高的歷史感知數(shù)據(jù)，確保了貝葉斯學(xué)習(xí)過程的有效性。

附圖說明

圖1協(xié)作頻譜感知過程圖。

圖2粘性分層狄利克雷過程—隱馬爾科夫模型的概率圖模型。

圖3本專利算法的概率圖模型。

圖4基于粘性分層狄利克雷過程—隱馬爾科夫模型的感知數(shù)據(jù)分類及挖掘。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。

實(shí)施例

本發(fā)明為一種基于多用戶歷史感知數(shù)據(jù)挖掘的協(xié)作頻譜感知方法，如圖1所示，具體步驟如下：

步驟1.拒識(shí)過程

步驟(11)，建立每一時(shí)刻的接收信號(hào)數(shù)據(jù)集yt′＝{y1t,y2t,...,ypt}，其中ypt為用戶p于時(shí)刻t的感知信號(hào)數(shù)據(jù)，yt′為所有用戶于時(shí)刻t的感知數(shù)據(jù)集，p為用戶接收機(jī)個(gè)數(shù)

步驟(12)，設(shè)定拒識(shí)門限θ(θ∈[0,1])，對(duì)于某接收信號(hào)ypt，若其對(duì)于各個(gè)狀態(tài)的似然概率p(ypt|hk)都小于θ，則該信號(hào)將被置入拒識(shí)域中。拒識(shí)門限θ的設(shè)定可根據(jù)不同系統(tǒng)的具體需要來進(jìn)行。

步驟(13)，將每個(gè)感知信號(hào)與拒絕域比較，若屬于拒絕域則舍棄，否則保留此感知數(shù)據(jù)，最后對(duì)保留下來的信號(hào)建立新的每一時(shí)刻接收信號(hào)數(shù)據(jù)集yt′＝{y1t,y2t,...,yqt}，其中yqt為時(shí)刻t的第q個(gè)有效感知信號(hào)數(shù)據(jù)，rt為時(shí)刻t所有有效感知數(shù)據(jù)的集合，q為其有效感知信號(hào)個(gè)數(shù)。

本發(fā)明通過拒識(shí)過程(rejectionprocess)篩選出各su節(jié)點(diǎn)中可靠性較高的歷史感知數(shù)據(jù)，確保了貝葉斯學(xué)習(xí)過程的有效性。stickyhdp-hmm的概率圖模型如圖2所示，本算法的概率圖模型如圖3所示。

步驟2.歷史感知數(shù)據(jù)挖掘：分層狄利克雷過程—隱馬爾科夫模型的粘性擴(kuò)展模型，如圖4所示：

步驟(21)，將前一次(第n-1次)迭代后的隱含頻譜狀態(tài)集賦值給過渡狀態(tài)集{zt},t＝1,...,t；若當(dāng)前為第1次迭代，則對(duì)接收信號(hào)數(shù)據(jù)集{yt},t＝1,...,t基于能量進(jìn)行頻譜判決，根據(jù)判決結(jié)果得到隱藏頻譜狀態(tài)數(shù)k以及根據(jù)歷史數(shù)據(jù)的能量分布得到各頻譜狀態(tài)的分布參數(shù)將前一次(第n-1次)迭代后的全局中間分布β^n-1賦值給中間過渡分布β；若當(dāng)前為第一次，則將β抽樣于狄利克雷分布，即

步驟(22)，對(duì)接收信號(hào)數(shù)據(jù)集{yt},t＝1,...,t中所有數(shù)據(jù)，依次進(jìn)行頻譜隱含狀態(tài)的更新，得到新的隱含頻譜狀態(tài)集{zt},t＝1,...,t。

步驟(221)，對(duì)現(xiàn)有的k種隱含狀態(tài)，可根據(jù)分層狄利克雷過程分別計(jì)算時(shí)刻t的接收數(shù)據(jù)yt屬于第k種狀態(tài)的概率值fk(yt)，以及yt屬于新狀態(tài)k+1的概率值fk+1(yt)。具體的概率分布公式如下。

其中，α0為標(biāo)準(zhǔn)hdp分層結(jié)構(gòu)中第一層dp的集中參數(shù)；κ為自轉(zhuǎn)移常數(shù)；為前一次迭代后頻譜狀態(tài)為k而當(dāng)次迭代后頻譜狀態(tài)為zt+1的數(shù)據(jù)的個(gè)數(shù)；nk.為前一次迭代后頻譜狀態(tài)為k的數(shù)據(jù)的個(gè)數(shù)；δ(k,zt+1)性質(zhì)類似沖激函數(shù)，當(dāng)k＝zt+1時(shí)，δ(k,zt+1)＝1；δ(zt-1,k)與δ(k,zt+1)相同；為感知數(shù)據(jù)yt屬于第k種狀態(tài)的似然函數(shù)，即:

且(λ′,ν′,α′,ω′)為更新后的逆伽馬分布的超參數(shù)，其計(jì)算過程詳見步驟(3)；

步驟(222)，對(duì)步驟(221)所確定的概率分布進(jìn)行抽樣，即有

得到的z1即接收數(shù)據(jù)yt的隱含頻譜狀態(tài)。

步驟(23)，對(duì)于步驟(22)中的頻譜隱含狀態(tài)更新過程，若有頻譜隱含狀態(tài)zt＝k+1，則要立刻對(duì)算法的中間過渡分布β進(jìn)行更新。具體更新過程如下。

步驟(231)，頻譜隱含狀態(tài)總數(shù)k＝k+1；對(duì)分布beta(1,γ)進(jìn)行抽樣，將結(jié)果賦值給狀態(tài)轉(zhuǎn)移概率b。

步驟(232)，令βk+1＝(1-b)βk，βk＝bβk，將更新后的βk替代原βk，并將βk+1加入中間過渡分布β。

步驟(24)，對(duì)執(zhí)行過步驟(23)頻譜隱含狀態(tài)更新后的數(shù)據(jù)執(zhí)行賦值即將過渡狀態(tài)集的數(shù)據(jù)賦給隱含頻譜狀態(tài)集。檢查是否存在狀態(tài)k使得n.k＝0(k＝1,...,k)，其中n.k為所有感知時(shí)間段中屬于第k類的數(shù)據(jù)的個(gè)數(shù)，若存在，移除此狀態(tài)k，再更新中間過渡分布β，即執(zhí)行βk＝βk+βk，k＝k-1。

步驟3.數(shù)據(jù)分布超參數(shù)更新

本發(fā)明認(rèn)為pu對(duì)目標(biāo)信道的占用狀態(tài)轉(zhuǎn)移矩陣在一段時(shí)間內(nèi)是相對(duì)穩(wěn)定的。另外，屬于同一隱含狀態(tài)的感知數(shù)據(jù)可以分享同一分布參數(shù)，yt被認(rèn)為服從高斯分布，從而yt頻譜隱含狀態(tài)確定后即可確定該高斯分布均值和方差。而均值與方差均不固定的高斯分布的共軛先驗(yàn)分布為正態(tài)逆伽馬分布(normal-inverse-gammadistribution)，即從而高斯分布均值和方差可通過超參數(shù)(λ,ν,α,ω)的更新獲得，該過程基于貝葉斯公式完成。

步驟(31)，根據(jù)第n-1次迭代后的隱含頻譜狀態(tài)對(duì)超參數(shù)(λ,ν,α,ω)進(jìn)行更新，具體步驟為：

νk′＝νk+n

步驟(32)，根據(jù)迭代后的正態(tài)逆伽馬分布得到新的高斯分布參數(shù)分布參數(shù)可根據(jù)感知數(shù)據(jù)的似然函數(shù)以及貝葉斯公式得到：

步驟(33)，對(duì)算法的中間過渡分布β更新。

步驟(331)，將集合{mjk},(j,k)∈{1,...,k}²初始化為全零集合，將n初始化為0，其中mjk是j時(shí)刻感知的數(shù)據(jù)中隱含頻譜狀態(tài)為k的數(shù)據(jù)個(gè)數(shù)。按照j＝1,...,k的順序，對(duì)隨機(jī)變量x分別在n＝1,2,...,njk的條件下執(zhí)行njk次抽樣：

若x＝1，則mjk加1。

步驟(332)，抽樣以得到覆蓋變量ωj,j＝1,...,k：

ωj～binomial(mjj,ρ(ρ+βj(1-ρ))^-1),j＝1,...,k

其中ρ表示自轉(zhuǎn)移概率，即ρ＝κ/α0+κ。

步驟(333)，根據(jù)集合{mjk},(j,k)∈{1,...,k}²和覆蓋變量ωj,j＝1,...,k的抽樣結(jié)果，計(jì)算得到過渡集合中各元素的值：

步驟(334)，對(duì)全局中間過渡分布β進(jìn)行抽樣：

步驟4.頻譜狀態(tài)判決

對(duì)步驟2、3進(jìn)行n次迭代，得到最終的各類頻譜隱含狀態(tài)的分布參數(shù)并依此做出頻譜占用判決。

步驟(41)，對(duì)于感知數(shù)據(jù)yt，步驟2的迭代過程中已得到其所屬的隱含頻譜狀態(tài)類別k，并在步驟3中得到了該隱含頻譜狀態(tài)下的高斯分布參數(shù)

步驟(42)，將該高斯分布的期望μk與預(yù)設(shè)的門限作比較：若μk小于門限值，則目標(biāo)信道空閑；若μk大于門限值，目標(biāo)信道暫被占用。預(yù)設(shè)的門限值可根據(jù)實(shí)際情況自行定義。

以上所述，僅是本發(fā)明的較佳實(shí)例，本發(fā)明所主張的權(quán)利范圍并不局限于此。本發(fā)明還有其他多種實(shí)施例，在不背離本發(fā)明精神及其實(shí)質(zhì)的情況下，本領(lǐng)域技術(shù)人員可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，但這些改變和變形都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護(hù)范圍。