CN107395301A - 一种基于k均值算法的频谱感知方法 - Google Patents

Abstract

本发明公开了一种基于K均值算法的频谱感知方法，获取训练信号，计算得到所述训练信号的MME特征；利用K均值聚类算法与所述MME特征得到分类器；获取测试信号，计算得到所述测试信号的测试MME特征；利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率。可见，本发明实施例提供的一种基于K均值算法的频谱感知方法，计算训练信号的MME特征，然后利用K均值算法得到分类器，训练好分类器后再将测试信号的测试MME特征导入分类器进行分类得到分类结果。利用MME特征与K均值算法结合，提高了频谱感知的检测性能。本发明还公开了一种基于K均值算法的频谱感知装置，同样可以实现上述技术效果。

Description

一种基于K均值算法的频谱感知方法

技术领域

本发明涉及无线电技术领域，更具体地说，涉及一种基于K均值算法的频谱感知方法。

背景技术

随着无线电技术的进步和发展，各行各业对无线电频率的需求越来越多，频谱资源匮乏的问题日益严重。目前，频谱资源采用国家统一分配授权的管理模式，将频谱分为两种类型：授权频段和非授权频段。其中，授权频段占据着大部分频谱资源，如电视广播频段，但不少授权频段处于空闲状态；开放使用的非授权频段占整个频谱资源的很少一部分，如无线局域网、无线城域网等无线网络大多使用非授权频段在工作，该频段上的用户很多，业务量也很大，无线电频段已基本趋于饱和。所以说，频谱资源的匮乏并不是真正意义上的频谱资源不足，更多是由频谱利用率过低造成的。

想要提高频谱的利用率，首先要找到准确的频谱检测的方法。目前比较经典的频谱检测方法有能量检测算法，但是，在能量检测算法中由于判决门限比较难确定，在低信噪比环境下容易受到噪声不确定性影响产生误判从而导致检测性能急剧下降，即使是能够自适应的门限值，检测器也不能做出正确的判断，因此频谱的检测结果不够准确。

因此，如何得到准确的频谱检测结果，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于K均值算法的频谱感知方法，以得到准确的频谱检测结果。

为实现上述目的，本发明实施例提供了如下技术方案：

一种基于K均值算法的频谱感知方法，包括：

获取训练信号，计算得到所述训练信号的MME特征；

利用K均值聚类算法与所述MME特征得到分类器；

获取测试信号，计算得到所述测试信号的测试MME特征；

利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率。

其中，所述获取训练信号，计算得到所述训练信号的MME特征，包括：

采集第一信号特征与第二信号特征，所述第一信号特征与所述第二信号特征构成训练信号；其中所述第一信号特征为主用户存在时，次用户采集到的信号特征，所述第二信号特征为所述主用户不存在时，次用户采集到的信号特征；

利用所述训练信号计算得到一个感知时间段内多个次用户的第一感知矩阵；

将所述第一感知矩阵分为第一预设个数的第二感知矩阵；

计算得到每个第二感知矩阵的MME特征。

其中，利用K均值聚类算法与所述MME特征得到分类器，包括：

S301，在由所述MME特征构成的数据对象集中，随机确定第二预设个数的MME特征对象作为第二预设个数的类中心点，形成第二预设个数的初始类；其中，每个类中包括类中心点与非类中心点；

S302，计算每个初始类中的非类中心点到每个类中心点的距离，将每个非类中心点分配到距离每个非类中心点最近的类中心点所在的类，形成目标类；

S303，计算目标类中所有MME特征对象的平均值，判断所述平均值是否与所述目标类的类中心点相同，若是，则停止，确定分类器；若否，则将所述目标类的类中心点还原为所述目标类的非类中心点，将所述平均值作为所述目标类的类中心点，将所述目标类作为初始类，返回S302。

其中，将所述第一感知矩阵分为预设个数的第二感知矩阵之后，还包括：

将所述第二感知矩阵的信号向量分解为I、Q两部分，得到第三感知矩阵；

则所述计算得到每个第二感知矩阵的MME特征，包括：

计算得到每个第三感知矩阵的MME特征。

其中，所述计算检测概率之后，还包括：

计算虚警概率。

一种基于K均值算法的频谱感知装置，包括：

MME特征计算模块，用于获取训练信号，计算得到所述训练信号的MME特征；

分类器计算模块，用于利用K均值聚类算法与所述MME特征得到分类器；

测试MME特征计算模块，用于获取测试信号，计算得到所述测试信号的测试MME特征；

分类模块，用于利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率。

其中，所述MME特征计算模块，包括：

训练信号采集单元，用于采集第一信号特征与第二信号特征，所述第一信号特征与所述第二信号特征构成训练信号；其中所述第一信号特征为主用户存在时，次用户采集到的信号特征，所述第二信号特征为所述主用户不存在时，次用户采集到的信号特征；

第一感知矩阵计算单元，用于利用所述训练信号计算得到一个感知时间段内多个次用户的第一感知矩阵；

分组单元，用于将所述第一感知矩阵分为第一预设个数的第二感知矩阵；

MME特征计算单元，用于计算得到每个第二感知矩阵的MME特征。

其中，所述分类器计算模块，包括：

类中心确定单元，用于在由所述MME特征构成的数据对象集中，随机确定第二预设个数的MME特征对象作为第二预设个数的类中心点，形成第二预设个数的初始类；其中，每个类中包括类中心点与非类中心点；

目标类形成单元，用于计算每个初始类中的非类中心点到每个类中心点的距离，将每个非类中心点分配到距离每个非类中心点最近的类中心点所在的类，形成目标类；

判断单元，计算目标类中所有MME特征对象的平均值，判断所述平均值是否与所述目标类的类中心点相同，若是，则停止，确定分类器；若否，则将所述目标类的类中心点还原为所述目标类的非类中心点，将所述平均值作为所述目标类的类中心点，将所述目标类作为初始类，继续调用所述目标类形成单元。

其中，还包括：

分解模块，用于将所述第一感知矩阵分为预设个数的第二感知矩阵之后，将所述第二感知矩阵的信号向量分解为I、Q两部分，得到第三感知矩阵；

则所述MME特征计算单元，具体用于：

计算得到每个第三感知矩阵的MME特征。

其中，还包括：

虚警概率计算模块，用于计算检测概率之后，计算虚警概率。

通过以上方案可知，本发明提供一种基于K均值算法的频谱感知方法，获取训练信号，计算得到所述训练信号的MME特征；利用K均值聚类算法与所述MME特征得到分类器；获取测试信号，计算得到所述测试信号的测试MME特征；利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率。

可见，本发明实施例提供的一种基于K均值算法的频谱感知方法，计算训练信号的MME特征，然后利用K均值算法得到分类器，训练好分类器后再将测试信号的测试MME特征导入分类器进行分类得到分类结果。利用MME特征与K均值算法结合，提高了频谱感知的检测性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种基于K均值算法的频谱感知方法流程图；

图2为本发明实施例公开的一种计算训练信号MME特征的流程图；

图3为本发明实施例公开的一种计算分类器的流程图；

图4为本发明实施例公开的一种具体的基于K均值算法的频谱感知方法实验效果图；

图5为本发明实施例公开的一种基于K均值算法的频谱感知装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于K均值算法的频谱感知方法，以得到准确的频谱检测结果。

参见图1，本发明实施例提供的一种基于K均值算法的频谱感知方法，具体包括：

S101，获取训练信号，计算得到所述训练信号的MME特征；

具体的，在训练时，首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。

假设在认知无线电网络中有K个SU而且每个SU的采样点数为N。我们假设H₀表示为信号不存在，H₁表示为信号存在。因此在两种假设下训练信号可由下式表示：

其中s_i(n)表示主用户(PU)信号，w_i(n)表示均值为0，方差为σ²高斯白噪声信号。

利用训练信号，得到一个感知时间内的感知矩阵，从而计算出协方差矩阵，利用协方差矩阵的最大特征值与最小特征值之比得到MME特征。

S102，利用K均值聚类算法与所述MME特征得到分类器；

具体地，将感知矩阵分为多组，从而得到多个MME特征，利用MME特征确定一个数据对象集，利用数据对象集和K均值算法得到最终的分类器。

S103，获取测试信号，计算得到所述测试信号的测试MME特征；

具体地，获取到测试信号后，确定测试信号的MME特征，并构造特征矩阵。

S104，利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率。

具体地，将特征矩阵导入分类器，得到分类结果，并利用分类结果计算检测概率，也就是计算检测性能指标。

同时，还可以进一步对分类结果计算，计算其虚警概率，以便知道主用户不存在时，系统错误的以为主用户存在的概率。

通过以上方案可知，本发明实施例提供的一种基于K均值算法的频谱感知方法，计算训练信号的MME特征，然后利用K均值算法得到分类器，训练好分类器后再将测试信号的测试MME特征导入分类器进行分类得到分类结果。利用MME特征与K均值算法结合，提高了频谱感知的检测性能。

本发明实施例提供一种具体的基于K均值算法的频谱感知方法，区别于上述实施例，本发明实施例对上述实施例中S101作了具体的限定与说明，其他步骤内容与上述实施例大致相同，具体内容可以参考上述实施例，此处不再赘述。具体地，参见图2，S101具体包括：

S201，采集第一信号特征与第二信号特征，所述第一信号特征与所述第二信号特征构成训练信号；其中所述第一信号特征为主用户存在时，次用户采集到的信号特征，所述第二信号特征为所述主用户不存在时，次用户采集到的信号特征；

具体地，在训练时，首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。训练信号可以表示为其中s_i(n)表示主用户(PU)信号，w_i(n)表示均值为0，方差为σ²高斯白噪声信号。H₀表示为信号不存在，H₁表示为信号存在；M为次用户的个数，每个次用户的采样点数为N。

S202，利用所述训练信号计算得到一个感知时间段内多个次用户的第一感知矩阵；

具体地，X_i＝[x_i(1)x_i(2)....x_i(N)]表示第i个SU的采样矩阵，则在一个感知时间段内M个次用户的感知矩阵可以表示为：

S203，将所述第一感知矩阵分为第一预设个数的第二感知矩阵；

具体地，将用户分组，得到分组后的感知矩阵。分组个数根据实际情况设定。假设有9个次用户协作感知，采样点为1000，预设分成3组；那么这9个次用户采集的数据就是一个9行1000列的矩阵X，分成三组：

组一：

组二：

组三：

S204，计算得到每个第二感知矩阵的MME特征。

具体地，利用每个第二感知矩阵得到每个第二感知矩阵的协方差矩阵，从而得到每组用户的MME特征其中为λ_max协方差矩阵的最大特征值，λ_min为最小特征值。

本发明实施例提供一种具体的基于K均值算法的频谱感知方法，区别于上述实施例，本发明实施例对上述实施例中S102作了具体的限定与说明，其他步骤内容与上述实施例大致相同，具体内容可以参考上述实施例，此处不再赘述。具体地，参见图3，S102具体包括：

S301，在由所述MME特征构成的数据对象集中，随机确定第二预设个数的MME特征对象作为第二预设个数的类中心点，形成第二预设个数的初始类；其中，每个类中包括类中心点与非类中心点；

具体地，MME特征构成了一个数据对象集，随机在数据对象集中选择K个对象作为类中心点，从而得到K个类，类中有一个中心点，而其余点为非中心点。

S302，计算每个初始类中的非类中心点到每个类中心点的距离，将每个非类中心点分配到距离每个非类中心点最近的类中心点所在的类，形成目标类；

具体地，在K均值聚类算法中，需要将所有类中的非类中心点分别分配到距离它最近的类中心点所在的类中，分配完成后形成目标类。

S303，计算目标类中所有MME特征对象的平均值，判断所述平均值是否与所述目标类的类中心点相同，若是，则停止，确定分类器；若否，则将所述目标类的类中心点还原为所述目标类的非类中心点，将所述平均值作为所述目标类的类中心点，将所述目标类作为初始类，返回S302。

具体地，计算目标类中所有MME特征对象的平均值，判断当前目标类中的平均值是否就是当前的类中心，如果不是，则需要将类中心点还原为非类中心点，而将平均值作为新的类中心点，然后返回S302继续计算距离并分配形成新的目标类，直到目标类中的平均值就是其中心点时，停止循环确定出分类器。

为了提高分类效果，从而进一步提高频谱感知的准确性，本发明实施例提供一种具体的基于K均值算法的频谱感知方法，基于上述实施例，本发明实施例在S203后还包括：

将所述第二感知矩阵的信号向量分解为I、Q两部分，得到第三感知矩阵；

则所述计算得到每个第二感知矩阵的MME特征，包括：

计算得到每个第三感知矩阵的MME特征。

具体地，假设第i个SU用户的采样的信号向量为X_i＝[x_i(1)x_i(2)...x_i(N)]。将X_i分解成I和Q两部分，表达式如下：

其中f_c是携带频率，f_s是采样频率。所以上述实施例中分解后的组一的感知矩阵可以表示为：

组二、组三也进行同样分解，利用分解后的感知矩阵得到新的协方差矩阵，从而得到MME特征。新的协方差矩阵中确保了接收信号存在的时间、空间或相位相关(I和Q分量)之间的信号相关性的最大利用，因此分解后得到的MME特征值更能反映当前信号的具体信息，提高了分类效果，从而提高了检测的性能。

参考图4，为本实施例的实验效果图，其中P_d为检测概率，P_f为虚警概率。可以看出，在SNR＝-12条件下，用RMET作为特征的检测效果比用能量作为特征的检测效果好。而且加上信号分解后，其检测性能有了进一步的提升。

下面对本发明实施提供的一种具体的基于K均值算法的频谱感知方法，具体包括：

第1步，获取训练信号；

在训练时，首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。

具体地，假设在认知无线电网络中有K个SU而且每个SU的采样点数为N。H₀表示为信号不存在，H₁表示为信号存在。因此接收的训练信号可由表示。

其中s_i(n)表示主用户(PU)信号，w_i(n)表示均值为0，方差为σ²高斯白噪声信号。

第2步，确定第一感知矩阵；

具体地，假设X_i＝[x_i(1)x_i(2)....x_i(N)]表示第i个SU用户的采样矩阵，则在一个感知时间段内的感知矩阵可以表示为

第3步，将次用户分组，从而得到每组次用户的MME特征。

需要说明的是，可以根据感知矩阵得到协方差矩阵，从而得到MME特征。

上述感知矩阵的协方差矩阵可以表示为选取作为信号的MME特征。其中λ_max为协方差矩阵的最大特征值，λ_min为最小特征值。

将次用户分组后，利用上述方法得到每组的MME特征T，具体用户组与T的对应关系如表1所示。

表1

需要说明的是，可以将上述的采样向量X_i＝[x_i(1)x_i(2)....x_i(N)]进行IQ分解，扩充维数，从而矩阵的维数得到扩充。具体地，对X_i＝[x_i(1)x_i(2)....x_i(N)]向量进行的IQ分解的表达式为

其中f_c是携带频率，f_s是采样频率。所以分解后的感知矩阵可以表示为：

与经典样本协方差矩阵R(N)相比，新的样本协方差矩阵R_Y(N)确保了接收信号中存在的时间，空间或相位相关(I和Q分量)之间的信号相关性的最大利用。

通过上述IQ分解的方法，将用户分组，得到多个感知矩阵后，可以将每个矩阵中的向量均进行IQ分解，从而利用IQ分解后感知矩阵得到新的协方差矩阵和新的MME特征，具体用户组与T和新的T之间的对应关系如表2所示，其中GMME表示进行IQ分解后得到的特征值。

表2

第4步，利用K均值算法确定分类器；

计算方法具体可以参考上述实施例中的S301至S303，此处不再赘述。

最终得到式如果满足该式则判定A^*＝1，如果不满足则判定A^*＝0。

需要说明的是，让S＝1和S＝0分别表示PU的状态。频道的可用性A可以被定义为：当A＝0表示频道不能使用，A＝1表示频道可以使用。

第5步，确定测试矩阵的特征值；

具体地，在未知网络中采集测试信号，确定测试信号的测试矩阵和特征值，从而得到特征向量，其中计算测试信号的特征值与计算训练信号的特征值的步骤大体相同，具体可以参考第1步至第3步，此处不再赘述。根据特征值，可以定义测试矩阵为其中，L表示训练特征的个数。

第6步计算检测结果；

将测试矩阵导入分类器中，从而得到分类结果，利用公式确定检测概率P_d和虚警概率P_fa。

下面对本发明实施例提供的一种基于K均值算法的频谱感知装置进行介绍，参考图5，本发明实施例具体包括：

MME特征计算模块401，用于获取训练信号，计算得到所述训练信号的MME特征；

具体的，在训练时，首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。

假设在认知无线电网络中有K个SU而且每个SU的采样点数为N。我们假设H₀表示为信号不存在，H₁表示为信号存在。因此在两种假设下训练信号可由下式表示：

其中s_i(n)表示主用户(PU)信号，w_i(n)表示均值为0，方差为σ²高斯白噪声信号。

MME特征计算模块401利用训练信号，得到一个感知时间内的感知矩阵，从而计算出协方差矩阵，利用协方差矩阵的最大特征值与最小特征值之比得到MME特征。

分类器计算模块402，用于利用K均值聚类算法与所述MME特征得到分类器；

具体地，分类器计算模块402将感知矩阵分为多组，从而得到多个MME特征，利用MME特征确定一个数据对象集，利用数据对象集和K均值算法得到最终的分类器。

测试MME特征计算模块403，用于获取测试信号，计算得到所述测试信号的测试MME特征；

具体地，获取到测试信号后，测试MME特征计算模块403确定测试信号的MME特征，并构造特征矩阵。

分类模块404，用于利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率。

具体地，分类模块404将特征矩阵导入分类器，得到分类结果，并利用分类结果计算检测概率，也就是计算检测性能指标。

同时，还可以进一步对分类结果计算，计算其虚警概率，以便知道主用户不存在时，系统错误的以为主用户存在的概率。

通过以上方案可知，本发明实施例提供的一种基于K均值算法的频谱感知装置，MME特征计算模块401计算训练信号的MME特征，然后分类器计算模块402利用K均值算法得到分类器，训练好分类器后分类模块404再将测试信号的测试MME特征导入分类器进行分类得到分类结果。利用MME特征与K均值算法结合，提高了频谱感知的检测性能。

本发明实施例提供一种具体的基于K均值算法的频谱感知装置，区别于上述实施例，本发明实施例对上述实施例中MME特征计算模块401作了具体的限定与说明，其他模块内容与上述实施例大致相同，具体内容可以参考上述实施例，此处不再赘述。MME特征计算模块401具体包括：

训练信号采集单元，用于采集第一信号特征与第二信号特征，所述第一信号特征与所述第二信号特征构成训练信号；其中所述第一信号特征为主用户存在时，次用户采集到的信号特征，所述第二信号特征为所述主用户不存在时，次用户采集到的信号特征；

具体地，在训练时，训练信号采集单元首先在主用户(PU)存在时，利用次用户(SU)采集信号数据，然后在主用户不存在时，利用次用户采集信号数据，这两种信号数据构成了训练信号。训练信号可以表示为其中s_i(n)表示主用户(PU)信号，w_i(n)表示均值为0，方差为σ²高斯白噪声信号。H₀表示为信号不存在，H₁表示为信号存在；M为次用户的个数，每个次用户的采样点数为N。

第一感知矩阵计算单元，用于利用所述训练信号计算得到一个感知时间段内多个次用户的第一感知矩阵；

具体地，X_i＝[x_i(1)x_i(2)....x_i(N)]表示第i个SU的采样矩阵，则在一个感知时间段内M个次用户的感知矩阵可以表示为：

分组单元，用于将所述第一感知矩阵分为第一预设个数的第二感知矩阵；

具体地，分组单元将用户分组，得到分组后的感知矩阵。分组个数根据实际情况设定。假设有9个次用户协作感知，采样点为1000，预设分成3组；那么这9个次用户采集的数据就是一个9行1000列的矩阵X，分成三组：

组一：

组二：

组三：

MME特征计算单元，用于计算得到每个第二感知矩阵的MME特征。

具体地，MME特征计算单元利用每个第二感知矩阵得到每个第二感知矩阵的协方差矩阵，从而得到每组用户的MME特征其中为λ_max协方差矩阵的最大特征值，λ_min为最小特征值。

本发明实施例提供一种具体的基于K均值算法的频谱感知装置，区别于上述实施例，本发明实施例对上述实施例中分类器计算模块402作了具体的限定与说明，其他模块内容与上述实施例大致相同，具体内容可以参考上述实施例，此处不再赘述。分类器计算模块402具体包括：

类中心确定单元，用于在由所述MME特征构成的数据对象集中，随机确定第二预设个数的MME特征对象作为第二预设个数的类中心点，形成第二预设个数的初始类；其中，每个类中包括类中心点与非类中心点；

具体地，MME特征构成了一个数据对象集，类中心确定单元随机在数据对象集中选择K个对象作为类中心点，从而得到K个类，类中有一个中心点，而其余点为非中心点。

目标类形成单元，用于计算每个初始类中的非类中心点到每个类中心点的距离，将每个非类中心点分配到距离每个非类中心点最近的类中心点所在的类，形成目标类；

具体地，在K均值聚类算法中，目标类形成单元需要将所有类中的非类中心点分别分配到距离它最近的类中心点所在的类中，分配完成后形成目标类。

判断单元，计算目标类中所有MME特征对象的平均值，判断所述平均值是否与所述目标类的类中心点相同，若是，则停止，确定分类器；若否，则将所述目标类的类中心点还原为所述目标类的非类中心点，将所述平均值作为所述目标类的类中心点，将所述目标类作为初始类，继续调用所述目标类形成单元。

具体地，计算目标类中所有MME特征对象的平均值，判断单元判断当前目标类中的平均值是否就是当前的类中心，如果不是，则需要将类中心点还原为非类中心点，而将平均值作为新的类中心点，然后返回S302继续计算距离并分配形成新的目标类，直到目标类中的平均值就是其中心点时，停止循环确定出分类器。

为了提高分类效果，从而进一步提高频谱感知的准确性，本发明实施例提供一种具体的基于K均值算法的频谱感知装置，基于上述实施例，本发明实施例还包括：

分解模块，用于将所述第一感知矩阵分为预设个数的第二感知矩阵之后，将所述第二感知矩阵的信号向量分解为I、Q两部分，得到第三感知矩阵；

则所述MME特征计算单元，具体用于：

计算得到每个第三感知矩阵的MME特征。

具体地，假设第i个SU用户的采样的信号向量为X_i＝[x_i(1)x_i(2)...x_i(N)]。分解模块将X_i分解成I和Q两部分，表达式如下：

其中f_c是携带频率，f_s是采样频率。所以上述实施例中分解后的组一的感知矩阵可以表示为：

组二、组三也进行同样分解，利用分解后的感知矩阵得到新的协方差矩阵，从而得到MME特征。新的协方差矩阵中确保了接收信号存在的时间、空间或相位相关(I和Q分量)之间的信号相关性的最大利用，因此分解后得到的MME特征值更能反映当前信号的具体信息，提高了分类效果，从而提高了检测的性能。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于K均值算法的频谱感知方法，其特征在于，包括：

获取训练信号，计算得到所述训练信号的MME特征；

利用K均值聚类算法与所述MME特征得到分类器；

获取测试信号，计算得到所述测试信号的测试MME特征；

利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率。

2.根据权利要求1所述的频谱感知方法，其特征在于，所述获取训练信号，计算得到所述训练信号的MME特征，包括：

采集第一信号特征与第二信号特征，所述第一信号特征与所述第二信号特征构成训练信号；其中所述第一信号特征为主用户存在时，次用户采集到的信号特征，所述第二信号特征为所述主用户不存在时，次用户采集到的信号特征；

利用所述训练信号计算得到一个感知时间段内多个次用户的第一感知矩阵；

将所述第一感知矩阵分为第一预设个数的第二感知矩阵；

计算得到每个第二感知矩阵的MME特征。

3.根据权利要求2所述的频谱感知方法，其特征在于，利用K均值聚类算法与所述MME特征得到分类器，包括：

S301，在由所述MME特征构成的数据对象集中，随机确定第二预设个数的MME特征对象作为第二预设个数的类中心点，形成第二预设个数的初始类；其中，每个类中包括类中心点与非类中心点；

S302，计算每个初始类中的非类中心点到每个类中心点的距离，将每个非类中心点分配到距离每个非类中心点最近的类中心点所在的类，形成目标类；

S303，计算目标类中所有MME特征对象的平均值，判断所述平均值是否与所述目标类的类中心点相同，若是，则停止，确定分类器；若否，则将所述目标类的类中心点还原为所述目标类的非类中心点，将所述平均值作为所述目标类的类中心点，将所述目标类作为初始类，返回S302。

4.根据权利要求2所述的频谱感知方法，其特征在于，将所述第一感知矩阵分为预设个数的第二感知矩阵之后，还包括：

将所述第二感知矩阵的信号向量分解为I、Q两部分，得到第三感知矩阵；

则所述计算得到每个第二感知矩阵的MME特征，包括：

计算得到每个第三感知矩阵的MME特征。

5.根据权利要求1至4中任意一项所述的频谱感知方法，其特征在于，所述计算检测概率之后，还包括：

计算虚警概率。

6.一种基于K均值算法的频谱感知装置，其特征在于，包括：

MME特征计算模块，用于获取训练信号，计算得到所述训练信号的MME特征；

分类器计算模块，用于利用K均值聚类算法与所述MME特征得到分类器；

测试MME特征计算模块，用于获取测试信号，计算得到所述测试信号的测试MME特征；

分类模块，用于利用所述分类器对所述测试MME特征分类得到分类结果，利用所述分类结果计算检测概率。

7.根据权利要求6所述的频谱感知装置，其特征在于，所述MME特征计算模块，包括：

训练信号采集单元，用于采集第一信号特征与第二信号特征，所述第一信号特征与所述第二信号特征构成训练信号；其中所述第一信号特征为主用户存在时，次用户采集到的信号特征，所述第二信号特征为所述主用户不存在时，次用户采集到的信号特征；

第一感知矩阵计算单元，用于利用所述训练信号计算得到一个感知时间段内多个次用户的第一感知矩阵；

分组单元，用于将所述第一感知矩阵分为第一预设个数的第二感知矩阵；

MME特征计算单元，用于计算得到每个第二感知矩阵的MME特征。

8.根据权利要求7所述的频谱感知装置，其特征在于，所述分类器计算模块，包括：

类中心确定单元，用于在由所述MME特征构成的数据对象集中，随机确定第二预设个数的MME特征对象作为第二预设个数的类中心点，形成第二预设个数的初始类；其中，每个类中包括类中心点与非类中心点；

目标类形成单元，用于计算每个初始类中的非类中心点到每个类中心点的距离，将每个非类中心点分配到距离每个非类中心点最近的类中心点所在的类，形成目标类；

判断单元，计算目标类中所有MME特征对象的平均值，判断所述平均值是否与所述目标类的类中心点相同，若是，则停止，确定分类器；若否，则将所述目标类的类中心点还原为所述目标类的非类中心点，将所述平均值作为所述目标类的类中心点，将所述目标类作为初始类，继续调用所述目标类形成单元。

9.根据权利要求7所述的频谱感知装置，其特征在于，还包括：

分解模块，用于将所述第一感知矩阵分为预设个数的第二感知矩阵之后，将所述第二感知矩阵的信号向量分解为I、Q两部分，得到第三感知矩阵；

则所述MME特征计算单元，具体用于：

计算得到每个第三感知矩阵的MME特征。

10.根据权利要求6至9中任意一项所述的频谱感知装置，其特征在于，还包括：

虚警概率计算模块，用于计算检测概率之后，计算虚警概率。