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

背景技術(shù)：

1、當(dāng)今時代，伴隨著通信技術(shù)的革新和無線設(shè)備數(shù)量的激增，頻譜資源的稀缺性問題日益凸顯。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，且會產(chǎn)塵頻譜空穴。動態(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的新方式應(yīng)運而生。在dsa框架下，認(rèn)知無線電(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)知無線電系統(tǒng)實現(xiàn)有效工作的前提和基礎(chǔ)，其核心任務(wù)在于檢測pu信道是否被占用，即檢測頻譜空穴，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)動的頻譜感知算法，其主要包括基于能量檢測、協(xié)方差陣檢測、循環(huán)平穩(wěn)特征檢測和匹配濾波器檢測等方法；另一類為基于數(shù)據(jù)驅(qū)動的頻譜感知算法，主要利用機器學(xué)習(xí)技術(shù)來完成信號檢測和頻譜感知。這些算法通常從信號的時域波形、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大觀測樣本的規(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)對這一挑戰(zhàn)，近年來新興的圖域頻譜感知算法提供了解決方案。該算法通過將信號樣本映射為特定的圖拓?fù)浣Y(jié)構(gòu)，并進(jìn)一步對其進(jìn)行處理，將時域或頻譜數(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。這種方法通過深入挖掘信號的內(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。通過對圖信號進(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)知無線電系統(tǒng)的性能。然而，現(xiàn)有的方法要么通過功率譜，要么通過自相關(guān)函數(shù)，兩者之間沒有形成特征的融合，在低信噪比時其檢測性能還有待提高。此外，研究高斯白噪聲背景下常用通信信號頻譜感知問題，由于在低信噪比下，通過傳統(tǒng)的時域和頻域進(jìn)行頻譜感知變得困難，

技術(shù)實現(xiàn)思路

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

2、為實現(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)知無線電頻譜感知方法，其特征在于，包括如下步驟：

4、獲取觀測信號，計算觀測信號的功率譜，對功率譜進(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，對圖ga的aa譜進(jìn)行特征分解得到所有特征值，對特征值進(jìn)行排序得到特征值向量a；

5、計算觀測信號的自相關(guān)函數(shù)，對自相關(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，對圖gb的aα譜進(jìn)行特征分解得到所有特征值，對特征值進(jìn)行排序得到特征值向量b；

6、對特征值向量a和特征值向量b做內(nèi)積聚合運算，得到檢測統(tǒng)計量f；

7、將檢測統(tǒng)計量f與設(shè)定門限進(jìn)行比較，判斷觀測信號中是否存在主用戶信號。

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，所述計算觀測信號的功率譜是對觀測信號x(n)做n點傅立葉變換并取模，得到功率譜r(k)為：

10、

11、式中，n是信號樣本個數(shù)，k為功率譜的序號。

12、進(jìn)一步地，所述對功率譜進(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表示量化級數(shù)，n0表示最大量化級數(shù)；

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

18、

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

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

21、計算圖ga的鄰接矩陣a(ga)：

22、

23、計算圖ga的度矩陣d(ga)：

24、

25、式中，頂點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，所述計算觀測信號的自相關(guān)函數(shù)是先對觀測信號x(n)作去均值處理，獲取零均值的觀測信號r(n)，再計算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表示量化級數(shù)，n0表示最大量化級數(shù)；

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

39、

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

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

42、計算圖gb的鄰接矩陣a(gb)：

43、

44、計算圖gb的度矩陣d(gb)：

45、

46、式中，頂點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)定門限通過roc曲線來獲得，設(shè)定虛警率為0.001時，對應(yīng)的門限值為設(shè)定門限η；若f≥η，則觀測信號中存在主用戶信號；否則，觀測信號中不存在主用戶信號。

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

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：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行計算機程序時，實現(xiàn)如上所述的基于混合圖變換的認(rèn)知無線電頻譜感知方法。

54、本發(fā)明的有益效果是：本發(fā)明通過融合不同圖結(jié)構(gòu)的特征值向量做內(nèi)積聚合運算獲取檢測統(tǒng)計量，并將其與判決門限進(jìn)行比較，以實現(xiàn)對常用通信信號的頻譜感知。從圖特征的角度看，本發(fā)明將觀測信號的自相關(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β首V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)明通過定義圖aα譜，將內(nèi)積聚合運算結(jié)果作為檢測統(tǒng)計量。圖aα譜在頂點數(shù)10為左右時，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的檢測性能。