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)
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
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),
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
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
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);
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
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
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
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
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)
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。