本發(fā)明屬于信號(hào)處理，具體涉及一種基于混合圖變換的認(rèn)知無(wú)線電頻譜感知方法、介質(zhì)及設(shè)備。

背景技術(shù)：

1、當(dāng)今時(shí)代，伴隨著通信技術(shù)的革新和無(wú)線設(shè)備數(shù)量的激增，頻譜資源的稀缺性問(wèn)題日益凸顯。傳統(tǒng)的靜態(tài)頻譜分配方法未能充分利用有限的頻譜資源，且會(huì)產(chǎn)塵頻譜空穴。動(dòng)態(tài)頻譜接入(dynamic?spectrumaccess，dsa)作為提升頻譜資源利用效率和減少頻譜資源浪費(fèi)的新方式應(yīng)運(yùn)而生。在dsa框架下，認(rèn)知無(wú)線電(cognitive?radio，cr)技術(shù)允許從用戶(secondary?user,su)在不干擾主用戶(primary?user,pu)通信的前提下使用空閑的已授權(quán)頻段，以此充分利用現(xiàn)有的頻譜資源。

2、頻譜感知技術(shù)是認(rèn)知無(wú)線電系統(tǒng)實(shí)現(xiàn)有效工作的前提和基礎(chǔ)，其核心任務(wù)在于檢測(cè)pu信道是否被占用，即檢測(cè)頻譜空穴，以便su使用?，F(xiàn)有的頻譜感知算法主要分為兩類：一類為基于模型驅(qū)動(dòng)的頻譜感知算法，其主要包括基于能量檢測(cè)、協(xié)方差陣檢測(cè)、循環(huán)平穩(wěn)特征檢測(cè)和匹配濾波器檢測(cè)等方法；另一類為基于數(shù)據(jù)驅(qū)動(dòng)的頻譜感知算法，主要利用機(jī)器學(xué)習(xí)技術(shù)來(lái)完成信號(hào)檢測(cè)和頻譜感知。這些算法通常從信號(hào)的時(shí)域波形、頻域頻譜、變換域函數(shù)等不同角度提取特征。為了顯著提高算法的性能，特征的區(qū)分性是不可或缺的。然而，這一要求往往意味著必須擴(kuò)大觀測(cè)樣本的規(guī)模，相應(yīng)地，這也導(dǎo)致了算法復(fù)雜度的增加。因此，在頻譜感知算法的設(shè)計(jì)中，算法復(fù)雜度與特征區(qū)分性之間存在一種權(quán)衡。

3、為應(yīng)對(duì)這一挑戰(zhàn)，近年來(lái)新興的圖域頻譜感知算法提供了解決方案。該算法通過(guò)將信號(hào)樣本映射為特定的圖拓?fù)浣Y(jié)構(gòu)，并進(jìn)一步對(duì)其進(jìn)行處理，將時(shí)域或頻譜數(shù)據(jù)轉(zhuǎn)換為相應(yīng)的圖結(jié)構(gòu)，進(jìn)而利用圖的固有屬性和相關(guān)算法進(jìn)行頻譜感知。這種方法通過(guò)深入挖掘信號(hào)的內(nèi)在結(jié)構(gòu)特征，有助于解決算法復(fù)雜度與特征區(qū)分性之間的矛盾。通過(guò)對(duì)圖信號(hào)進(jìn)行分析和處理，圖域頻譜感知算法能夠獲取更精確和可靠的頻譜感知結(jié)果，進(jìn)一步提升認(rèn)知無(wú)線電系統(tǒng)的性能。然而，現(xiàn)有的方法要么通過(guò)功率譜，要么通過(guò)自相關(guān)函數(shù)，兩者之間沒(méi)有形成特征的融合，在低信噪比時(shí)其檢測(cè)性能還有待提高。此外，研究高斯白噪聲背景下常用通信信號(hào)頻譜感知問(wèn)題，由于在低信噪比下，通過(guò)傳統(tǒng)的時(shí)域和頻域進(jìn)行頻譜感知變得困難，

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)現(xiàn)有技術(shù)中的不足，提供一種基于混合圖變換的認(rèn)知無(wú)線電頻譜感知方法、介質(zhì)及設(shè)備。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、基于混合圖變換的認(rèn)知無(wú)線電頻譜感知方法，其特征在于，包括如下步驟：

4、獲取觀測(cè)信號(hào)，計(jì)算觀測(cè)信號(hào)的功率譜，對(duì)功率譜進(jìn)行非線性歸一化處理和均勻量化處理后，圖映射得到圖ga，對(duì)圖ga的aa譜進(jìn)行特征分解得到所有特征值，對(duì)特征值進(jìn)行排序得到特征值向量a；

5、計(jì)算觀測(cè)信號(hào)的自相關(guān)函數(shù)，對(duì)自相關(guān)函數(shù)進(jìn)行線性歸一化處理和均勻量化處理后，圖映射得到圖gb，對(duì)圖gb的aα譜進(jìn)行特征分解得到所有特征值，對(duì)特征值進(jìn)行排序得到特征值向量b；

6、對(duì)特征值向量a和特征值向量b做內(nèi)積聚合運(yùn)算，得到檢測(cè)統(tǒng)計(jì)量f；

7、將檢測(cè)統(tǒng)計(jì)量f與設(shè)定門(mén)限進(jìn)行比較，判斷觀測(cè)信號(hào)中是否存在主用戶信號(hào)。

8、為優(yōu)化上述技術(shù)方案，采取的具體措施還包括：

9、進(jìn)一步地，所述計(jì)算觀測(cè)信號(hào)的功率譜是對(duì)觀測(cè)信號(hào)x(n)做n點(diǎn)傅立葉變換并取模，得到功率譜r(k)為：

10、

11、式中，n是信號(hào)樣本個(gè)數(shù)，k為功率譜的序號(hào)。

12、進(jìn)一步地，所述對(duì)功率譜進(jìn)行非線性歸一化處理和均勻量化處理后，圖映射得到圖ga，具體為：

13、1)將功率譜r(k)經(jīng)過(guò)sigmoid函數(shù)以后逐一映射到[0，1]區(qū)間內(nèi)，得到序列y(k)：

14、2)對(duì)序列y(k)進(jìn)行均勻量化得到序列q(k)：

15、

16、式中，μ表示量化級(jí)數(shù)，n0表示最大量化級(jí)數(shù)；

17、3)將q(k)映射為無(wú)向無(wú)權(quán)圖結(jié)構(gòu)ga＝{ea，va}，ea和va分別表示圖的邊集和頂點(diǎn)集；其中圖的頂點(diǎn)vμ與量化區(qū)間[0，1]內(nèi)量化級(jí)的映射規(guī)則為：

18、

19、根據(jù)映射規(guī)則建立圖的頂點(diǎn)集根據(jù)頂點(diǎn)之間的關(guān)系建立邊集ea＝{eα，β|vα∈v，vβ∈v}，其中q(k)對(duì)應(yīng)的頂點(diǎn)為vα，q(k+h)對(duì)應(yīng)的頂點(diǎn)vβ，h為步長(zhǎng)，且1≤h≤n0-1，當(dāng)vα≠vβ時(shí)，表示這兩個(gè)頂點(diǎn)之間存在邊eα，β，記作1；否則，記作0。

20、進(jìn)一步地，所述對(duì)圖ga的aα譜進(jìn)行特征分解得到所有特征值，對(duì)特征值進(jìn)行排序得到特征值向量a，具體為：

21、計(jì)算圖ga的鄰接矩陣a(ga)：

22、

23、計(jì)算圖ga的度矩陣d(ga)：

24、

25、式中，頂點(diǎn)vδ的度定義為

26、根據(jù)aα(ga)＝αa(ga)+(1-α)d(ga)求得圖ga的aα譜為：

27、

28、式中，α為(0，1)之間的系數(shù)；

29、對(duì)aα(ga)矩陣進(jìn)行特征分解得到所有特征值，按照由小到大的順序排列，得到特征值向量特征值

30、進(jìn)一步地，所述計(jì)算觀測(cè)信號(hào)的自相關(guān)函數(shù)是先對(duì)觀測(cè)信號(hào)x(n)作去均值處理，獲取零均值的觀測(cè)信號(hào)r(n)，再計(jì)算r(n)的自相關(guān)函數(shù)x(m)：

31、

32、式中，m是自相關(guān)函數(shù)的自變量。

33、進(jìn)一步地，所述對(duì)自相關(guān)函數(shù)進(jìn)行線性歸一化處理和均勻量化處理后，圖映射得到圖gb，具體為：

34、1)對(duì)自相關(guān)函數(shù)x(m)作最大最小線性歸一化，得到歸一化序列u(m)；

35、2)對(duì)序列u(m)進(jìn)行均勻量化得到序列ζ(m)：

36、

37、式中，μ表示量化級(jí)數(shù)，n0表示最大量化級(jí)數(shù)；

38、3)將ζ(m)映射為無(wú)向無(wú)權(quán)圖結(jié)構(gòu)gb＝{eb，vb}，eb和vb分別表示圖的邊集和頂點(diǎn)集；其中圖的頂點(diǎn)vμ與量化區(qū)間[0，1]內(nèi)量化級(jí)的映射規(guī)則為：

39、

40、根據(jù)映射規(guī)則建立圖的頂點(diǎn)集根據(jù)頂點(diǎn)之間的關(guān)系建立邊集eb＝{eα，β|vα∈v，vβ∈v}，其中ζ(m)對(duì)應(yīng)的頂點(diǎn)為va，ζ(m+h)對(duì)應(yīng)的頂點(diǎn)vβ，h為步長(zhǎng)，且1≤h≤n0-1，當(dāng)vα≠vβ時(shí)，表示這兩個(gè)頂點(diǎn)之間存在邊eα，β，記作1；否則，記作0。

41、進(jìn)一步地，所述對(duì)圖gb的aα譜進(jìn)行特征分解得到所有特征值，對(duì)特征值進(jìn)行排序得到特征值向量b，具體為：

42、計(jì)算圖gb的鄰接矩陣a(gb)：

43、

44、計(jì)算圖gb的度矩陣d(gb)：

45、

46、式中，頂點(diǎn)vδ的度定義為

47、根據(jù)aα(gb)＝αa(gb)+(1-α)d(gb)求得圖gb的aα譜為：

48、

49、式中，α為(0，1)之間的系數(shù)；

50、對(duì)aα(gb)矩陣進(jìn)行特征分解得到所有特征值，按照由小到大的順序排列，得到特征值向量特征值

51、進(jìn)一步地，所述設(shè)定門(mén)限通過(guò)roc曲線來(lái)獲得，設(shè)定虛警率為0.001時(shí)，對(duì)應(yīng)的門(mén)限值為設(shè)定門(mén)限η；若f≥η，則觀測(cè)信號(hào)中存在主用戶信號(hào)；否則，觀測(cè)信號(hào)中不存在主用戶信號(hào)。

52、相應(yīng)地，本發(fā)明提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序使計(jì)算機(jī)執(zhí)行如上所述的基于混合圖變換的認(rèn)知無(wú)線電頻譜感知方法。

53、相應(yīng)地，本發(fā)明提出了一種電子設(shè)備，其特征在于，包括：存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)如上所述的基于混合圖變換的認(rèn)知無(wú)線電頻譜感知方法。

54、本發(fā)明的有益效果是：本發(fā)明通過(guò)融合不同圖結(jié)構(gòu)的特征值向量做內(nèi)積聚合運(yùn)算獲取檢測(cè)統(tǒng)計(jì)量，并將其與判決門(mén)限進(jìn)行比較，以實(shí)現(xiàn)對(duì)常用通信信號(hào)的頻譜感知。從圖特征的角度看，本發(fā)明將觀測(cè)信號(hào)的自相關(guān)函數(shù)、功率譜分別進(jìn)行不同方式的圖變換，可進(jìn)一步挖掘圖的拓?fù)涮卣鳎粚?duì)功率譜進(jìn)行非線性變換后進(jìn)行圖轉(zhuǎn)換，在兩種假設(shè)下得到的圖均為非連通圖，對(duì)自相關(guān)函數(shù)進(jìn)行最大最小歸一化后進(jìn)行圖變換，在兩種假設(shè)下得到的圖分別為非連通圖和近似完全圖，對(duì)這兩種處理方式得到的圖進(jìn)行融合，可以進(jìn)一步增加兩種假設(shè)下圖的差異。本發(fā)明通過(guò)定義圖aα譜，將內(nèi)積聚合運(yùn)算結(jié)果作為檢測(cè)統(tǒng)計(jì)量。圖aα譜在頂點(diǎn)數(shù)10為左右時(shí)，相較于已有的拉普拉斯矩陣等，具有更好的圖拓?fù)浞直婺芰?，從增加了兩種假設(shè)下圖特征的可分離性，有利于提高算法在低信噪比時(shí)的檢測(cè)性能。