(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111624495.1 (22)申请日 2021.12.28 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市杭州经济技 术 开发区白杨街道 2号大街1 158号 (72)发明人 包建荣　师浩东　刘超　曾嵘　 翁格奇　姜斌　邱雨　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 代理人 冷红梅 (51)Int.Cl. H04B 17/382(2015.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 协方差矩阵Cholesky分解的CNN协作频谱感 知方法及系统 (57)摘要 本发明涉及一种协方差矩阵Cholesky分解 的CNN协作频谱感知方法及系统， 方法通过以下 步骤： 步骤S1， 原始信号预处理， 得到协方差矩 阵； 步骤S2， 将步骤S1所得协方差矩阵作为输入 参数， 按协方差矩阵分解方法执行计算， 每个次 用户得到其下三角矩阵X； 步骤S3， 将步骤S2所得 下三角矩阵X作为输入参数， 按统计量构造方法 执行计算， 得到不同信噪比下的统计矩阵， 作为 CNN的训练与测试数据； 步骤S4， 将步骤S3 所得统 计矩阵标记后作为输入参数， 按CNN频谱感知方 法执行计算， 将测试集输入到训练好的模型中， 得到不同信噪比下的检测概率。 本发 明充分提取 了原始信号的特征， 极大提高了检测性能， 使其 在认知无线电系统中有较好应用前 景。 权利要求书3页 说明书9页 附图4页 CN 114337883 A 2022.04.12 CN 114337883 A 1.协方差矩阵C holesky分解的CN N协作频谱感知方法， 其特 征在于按以下步骤： 步骤S1， 原 始信号预处 理， 得到协方差矩阵； 步骤S2， 将步骤S1所得协方差矩阵作为输入参数， 按协方差矩阵分解方法执行计算， 每 个次用户得到其下三角矩阵X； 步骤S3， 将步骤S2所得下三角矩阵X作为输入参数， 按统计量构造方法执行计算， 得到 不同信噪比下的统计矩阵， 作为CN N的训练与测试 数据； 步骤S4， 将步骤S3所得统计矩阵标记后作为输入参数， 按CNN频谱感知方法执行计算， 将测试集输入到训练好的模型中， 得到不同信噪比下的检测概 率。 2.如权利要求1所述协方差矩阵Cholesky分解的CNN协作频谱感知方法， 其特征在于， 步骤S1具体如下： 步骤S1.1， 典型认知无线系统包含1个主用户PU， M个次用户SU， 其中， M为自然数， 表示 用户个数； 当PU通信未被干扰时， 第i个次用户SUi对PU信号检测， 得到连续时间序列； 其中， i为自然数， 取值 为i＝1,2,···,M， 表示第i个用户； 步骤S1.2， 将步骤S1.1中所得连续时间序列作为输入参数， 按原始信号采样矩阵处理 方法执行计算， 得到 M×N维的主信号协方差矩阵； 其中， N 为自然数， 表示采样点数。 3.如权利要求2所述协方差矩阵Cholesky分解的CNN协作频谱感知方法， 其特征在于， 步骤S1中原 始信号预处 理采用以下步骤完成： 步骤S1.1， 当主用户PU通信未被干扰 时， 第i个 次用户SUi对PU信号检测， 接收信 号采用 二元假设模型表示 为： 其中， ri(k)表示第i个次用户在时刻k所接收的连续时间序列； k为整数， hi(k)为表示在 时刻k第i个传输信道损耗系 数， 取值在0到1之间的实数； s(k)表示主用户PU的信号； ni(k) 表示第i个次用户在时刻k所接收的均值为0、 方差为σ2的加性高斯白噪声； H0表示存在频谱 空洞， H1表示不存在频谱空洞； 步骤S1.2， 设SU 有L根感知天线， 次用户在k时刻接收到L个连续时间序列， 表示 为： Rk,H1＝[rk,rk‑1,…,rk‑L+1]        (2) Rk,H0＝[rk,rk‑1,…,rk‑L+1]         (3) 其中， k表示 时刻； Rk,H1表示在H1条件下SU接受到的PU信号； Rk,H0表示在H0条件下SU接收 到的PU信号； 上述连续时间序列经N次采样后， 得到L ×N维矩阵Rk， 表示为： 4.如权利要求3所述协方差矩阵Cholesky分解的CNN协作频谱感知方法， 其特征在于， 步骤S2中， 协方差矩阵分解方法采用以下步骤完成： 步骤S2.1， 将Rk作为输入， 执行协方差矩阵计算， 得到N ×N维的矩阵SN， 然后将Cholesky权　利　要　求　书 1/3 页 2 CN 114337883 A 2分解方法， 得SN＝XXT； 其中， X为下三角矩阵， XT为转置矩阵， 其表达式为： 其中， N为自然数， 表示采样点数， Xij≥0， i， j都为整数； 步骤S2.2， 下三角矩阵中各 元素的计算表达式为： 其中， Si,j代表矩阵SN的第i行第j列元 素。 5.如权利要求1所述权利要求4所述协方差矩阵Cholesky分解的CNN协作频谱感知方 法， 其特征在于， 步骤S3中， 统计量构造方法采用以下步骤完成： 步骤S3.1， 在H0和H1不同条件下， 各自分解协 方差矩阵得出来的下三角矩阵X是不同； 在 H0条件下， 矩阵X对角元素基本相同， 其它元素都是趋近于0的； 但在H1条件下， 矩阵X对角线 的元素不同， 其它元素的值相对较大； 将矩阵X的全部元素之和与斜对角线元素之和的比值 作为统计量， 其表达式为： 其中， Tk表示每个次用户产生的第k个统计量； 步骤S3.2， 每 个次用户经 过步骤4.1得到一维统计量， 表示 为： Tk＝[T1 T2  …  Tk]T         (9) 步骤S3.3， 然后 M个次用户产生的统计向量融合成一个统计矩阵作为单个训练数据， 表 示为： 其中， TMk表示第M个次用户产生的第k个统计量； 将TMk归一化后的矩阵， 作为CNN频谱感 知模型的单个数据集。 6.如权利要求5所述权利要求2所述协方差矩阵Cholesky分解的CNN协作频谱感知方 法， 其特征在于， 步骤S4中， CN N频谱感知采用以下步骤完成： 步骤S4.1， 将不同信噪比下产生的样本分为80％的训练数据集与20％的测试数据集， 其中训练数据集表示为： {(D(1) Train,L(1) Train),(D(2) Train,L(2) Train),…,(D(P) Train,L(P) Train)}； 其中， D(P) Train表示数据预处理后的单个样本， L(P) Train表示相应的标签， 上标P表示一共产生权　利　要　求　书 2/3 页 3 CN 114337883 A 3