一种基于信号特征的频谱传感方法和认知无线多媒体传感器网络中的聚类算法

抽象的

摘要为了解决基于随机矩阵理论的频谱感知技术中阈值确定困难的问题，提出了一种基于聚类算法和信号特征的认知无线多媒体传感器网络频谱感知方法。首先，根据采样信号协方差矩阵得到无线通信信号特征;然后利用聚类算法对信号特征进行分类和测试。本文比较了不同的信号特征和聚类算法。实验结果表明，该方法具有较好的传感性能。

1.介绍

认知无线多媒体传感器网络（CWMSN）具有的实时监控功能，收集多媒体信息，并具有广泛的应用背景。相比传统的无线传感网络中，CWMSN需要更大的带宽。因此CWMSN必须具有一定的频率范围内，其被称为频谱感测能力范围内感知周围的无线电环境的能力。频谱感测可以确定哪些可用的频谱部分并且当用户在许可频带中操作检测授权用户的存在。随着无线通信设备的广泛应用，有限的可用频谱资源越来越缺乏。认知无线电（CR）可以用来解决稀缺频谱和频谱利用不足之间的矛盾。它可以通过允许次要用户从主用户借用未使用的无线电频谱或与其共享主用户频谱提高频谱利用率。频谱感知技术是认知无线电的关键技术。的主要目的是检测光谱腔和提高频谱效率[1- - - - - -4］.常规光谱感测方法包括能量检测，匹配的滤波器检测和卷曲特征检测。由于能量检测算法具有低计算复杂度并且不需要关于主要用户的先验信息，因此它是频谱感测最常见的检测方法。但是，实际环境中的无线通信信号将包括噪声;这将严重影响频谱的认知无线电网络的感知性能，并降低频谱检测的概率。近年来，随机矩阵理论的方法已应用于频谱感测[5，6]，它使用信号协方差矩阵的特征值作为统计，然后导出相应的阈值来判断。例如，可以使用最大或平均特征值与最小特征值的比率来检测信号的存在[2］.然而，基于随机矩阵理论的频谱感测具有不准确的估计问题，其直接影响光谱的检测性能。光谱感测也可以被认为是两类的问题（PU存在和PU缺席）。因此，基于机器学习的频谱传感方法逐渐成为人们研究的热点。一种基于MATLOM的频谱传感方法- 在[7］.该方法以信号的能量为特征，将特征分为信道可用类和信道不可用类——聚类算法。将支持向量机最大最小特征值与信号协方差矩阵相结合的频谱感知方法引入[8，9］.为了克服基于随机矩阵的频谱传感方法的缺点，本文提出了一种基于信号特征和聚类算法的频谱传感方法。聚类算法使用无线通信信号的特征来确定PU状态。在实验部分中，我们使用接收信号的协方差矩阵的三种不同特征值，即MME（最大特征值与最小特征值之间的差异），MSE（最大特征值与平均特征值之间的差异）和Romet（最大特征值与矩阵迹线的比率）。不同聚类算法下的频谱传感性能（- 梅斯和-medoids)也进行了分析。仿真结果表明，该方法具有良好的传感性能。

2.系统模型

2．1.系统结构

在CWMSN中，实际存在的多径衰落、遮蔽、接收机不确定性等因素会极大地影响频谱感知的检测性能。在图1，我们可以看到，由于PU信号的多次衰减拷贝和house的阻塞，SU4经历了多径和阴影衰落，导致PU信号可能无法正确检测。然而，SU用户可以与其他用户合作并共享传感结果;基于空间观测数据的联合合作决策可以克服每个CR用户单独观测数据的不足。因此，协同频谱感知是一种有吸引力的、有效的对抗多径衰落和阴影、缓解接收机不确定性问题的方法[10］.

2.2。特征提取

假设有SU在认知无线电网络中和每个SU的采样点数 ．我们假设表示主要用户信号不存在主用户信号存在。因此，两种假设下的感知信号模型可以用下式表示: 在哪里表示主用户(PU)信号和n 为高斯白噪声信号，其中均值为0，方差为 ．让 和分别表示PU的状态。渠道可用性可以被定义为 在哪里= 0表示不能使用频道和= 1表示可以使用通道。

假如说 代表采样载体对于SU用户，感知矩阵在一段时间内可以表示为

信号的协方差矩阵可以表示为 ．在基于随机矩阵理论的传统频谱传感技术中，我们通常选择MME，MSE和Romet作为信号特征。在选择特征后，判断衍生的相应阈值。这些方法具有阈值精度的问题。为了解决这个问题，我们在机器学习中介绍了聚类算法，我们将特征的尺寸从一个维度转换为两个维度。

信号协方差矩阵表示为 ．为了获得信号的二维特征，我们引入了信号分解的方法和得到抽样矩阵前的分解[11]，表达式如下： 后和分解，我们可以获得两个采样矩阵：

所以我们可以获得协方差矩阵 和 ．然后计算相应的特征值和对于每个协方差矩阵，最后令 代表每个组的信号功能。系统的误报概率和检测概率可以定义为

2.3。基于特征与聚类算法的频谱感应方法

2.3.1。基于聚类算法的频谱传感方案

本文提出了一种基于分类算法的CSS算法。根据所采用的学习方法的类型，分类算法可以分为无监督学习和监督学习。我们选择了两种聚类算法对特征进行分类，分别是- eans聚类算法和-meptoids聚类算法。这两种算法是相似的，并且差异位于质心的选择中。的-means算法使用当前聚类中所有数据点的均值作为质心;然而,-medoids算法选择从1到所有点的距离最小的点作为质心。其他步骤与则算法。

无监督的- 梅斯和-Medoids聚类算法分区一组训练特征向量（即， )集群。考虑到频谱感测的实际情况，训练矩阵分为两类。一个类代表噪声，另一类表示信号和噪声。完成培训过程后，将测试数据放入分类器中，可以通过以下公式判断：

如果测试矩阵的数据满足公式(7），判断这一点= 0;如果不满意，那么= 1。

整个培训和测试流程如图所示2．

3.实验

为了展示所提出的频谱感知算法的效果，在仿真实验中选取MME、MSE和RMET作为特征向量。实验结果如下:

3.1。聚类算法的分类效果

在这个实验中，我们使用AM信号。载波频率为702 KHz，采样率为4 MHz。为了模拟真实环境，我们在瑞利通道下进行了模拟实验。为了保证实验的准确性，我们提取了1000个信号特征;其中500个是训练集，另外500个是测试集。

（)我们尝试了MME +- 分别在SNR = -10和SNR = -15的环境中进行聚类算法。数字3.和4显示训练数据被分为两个聚类。一个集群表示通道可用类，另一个集群表示通道不可用类。可以看出，在高信噪比环境下，分类结果更好。

（)我们尝试了MME +-medoids聚类算法分别在信噪比为−10和−15的环境下进行。从数据5和6，我们还可以发现聚类效果在高SNR条件下更好。

3.2。恒定误报下的ROC曲线

为了反映系统模型的检测性能，我们在不同聚类算法下分析了不同特征和相同特征的相同聚类算法的性能。

3.2.1。不同聚类算法下不同特征的检测性能

(1) K-Means聚类算法下不同特征的检测性能。数字7和8显示四种不同信号特征的ROC曲线- 分别在SNR = -10和SNR = -12条件下进行聚类算法。桌子1和2给出了不同信噪比条件下虚警概率不变时各特征的检测概率。从表1，我们可以发现，在SNR = -10和SNR = -10和SNR = -10下方具有rome，MSE和MME的检测性能分别提高2％，5％和9％= 0.1。同时可以发现，在使用的前提下，MME作为特征的检测性能要优于其他特征——聚类算法。与使用信号能量作为特征相比，随机矩阵的特征可以更好地区分可以改善聚类算法的分类结果的信号和噪声，并提高频谱感测的性能。

(2) K-Medoids聚类算法下不同特征的检测性能。数字9和10显示四种不同特征的ROC曲线-medoids聚类算法，信噪比分别为−10和−12。桌子3.和4当在不同的SNR条件下误报概率恒定时，显示每个功能的检测概率。从表3.，我们可以计算出在SNR = -10的情况下，随着能量特征比具有RMET，MSE和MME的检测性能，分别提高了8％，4％和10％，并且= 0.1。使用MME，MSE和RMET作为特征的检测概率高于能量特征。同时，可以发现，MSE作为特征的检测性能优于使用的前提下的其他特征——聚类算法。

3.2.2。不同聚类算法下同一特征的检测性能比较

(1) MME特性在两种聚类算法下的性能比较．从图中可以看出11在信噪比=−10的条件下-表示聚类算法优于-meptoids聚类算法。

(2)两种聚类算法下的MSE特征性能比较。从图中可以看出12在信噪比=−10的条件下-表示聚类算法优于-meptoids聚类算法。

（3）两种聚类算法下RMET功能的性能比较．从图中可以看出13在信噪比=−10的条件下-medoids聚类算法优于——聚类算法。

从数据11- - - - - -13，我们可以发现，当使用MSE和MME功能时，-表示聚类算法将有更好的检测性能，当使用RMET特征时-MEDOIDS聚类算法将具有更好的性能。

3.2.3。总结

根据部分分析3.2，对于如何选择特征值和聚类算法可以得出以下结论。

无论聚类算法，ROMET，MME或MSE是否优于使用信号能量作为特征。

使用时-means算法，选择MSE特征，将得到最佳的传感结果。

如果是-MEDITES算法用作聚类算法，选择RMET，因为该功能可以获得最佳的感测结果。

3.3。不同协作用户下的ROC曲线

数字14和15在不同数量的协作用户下显示系统的检测性能。我们可以找到，无论使用该功能还是聚类算法，随着协作用户数量的增加，系统的感测性能会更好。

4.结论

本文提出了一种基于信号特征的机器学习频谱感知方法(算法)1）．主要内容是利用聚类算法对信号特征进行分类，然后在实验部分分析了三种不同特征在同一聚类算法下的感知性能。实验结果表明，这三种信号特征比用信号能量作为特征具有更好的效果。分析了不同聚类算法对同一特征的检测性能。实验表明，每种特征在不同的条件下具有不同的性能。在实践中，我们应该根据当前的条件选择合适的信号特征和聚类算法。

的利益冲突

作者声明他们没有利益冲突。

致谢

广东省学位与研究生教育改革项目(批准号:)资助。机器智能与先进计算教育部重点实验室基金资助项目(批准号:2016JGXM_MS_26);广东省科技计划项目(批准号:MSC-201706A);2016B090918031)中央地方高校发展专项资金、广东省高等教育质量工程资助项目。

参考文献

1. “认知无线电网络频谱感知的最佳线性合作”，IEEE信号处理选题期刊，卷。2，不。1，pp。28-40,2008。查看在：出版商的网站|谷歌学术
2. Y. Zeng和Y.-c。梁，“基于特征值的认知无线电频谱传感算法”IEEE通信交易，卷。57，没有。6，pp。1784-1793，2009。查看在：出版商的网站|谷歌学术
3. L. S. Cardoso，M. Debbah，P. Bianchi和J. Najim，“使用随机矩阵理论的合作频谱感应”第三届无线普适计算国际研讨会论文集(ISWPC’08)，pp。334-338，2008年5月。查看在：出版商的网站|谷歌学术
4. A. Taherpour，M. Nasiri-Kenari和S. Gazor，“认知收音机的多个天线频谱感应”IEEE无线通信汇刊，第9卷，第5期。2，页814-823,2010。查看在：出版商的网站|谷歌学术
5. L. S. Cardoso，M. Debbah，P. Bianchi和J. Najim，“使用随机矩阵理论的合作频谱感应”第三届无线普适计算国际研讨会论文集，iswpc2008，pp。334-338，2008年5月。查看在：出版商的网站|谷歌学术
6. 《随机矩阵集的特征值分布》，《中国科学:数学科学》Ussr-sbornik的数学， vol. 1, no. 14，页457,1967。查看在：谷歌学术
7. V. Kumar, D. C. Kandpal, M. Jain, R. Gangopadhyay和S. Debnath， "K基于-均值聚类的协同频谱感知k- 频道，“第22届全国沟通会议的诉讼程序（NCC'16），2016年3月。查看在：出版商的网站|谷歌学术
8. O. N.Feldheim和S. Sodin，“一种普遍性地导致某些示例协方差矩阵的最小特征值”，几何和功能分析，卷。20，没有。1，pp。88-123，2010。查看在：出版商的网站|谷歌学术|Mathscinet.
9. H. Xue和F. Gao，“基于机器学习的频谱传感算法，使用示例协方差矩阵”第十届中国通信与网络国际会议论文集，2015年，第476-480，2015年8月。查看在：出版商的网站|谷歌学术
10. I. F. Akyildiz，B.F.Lo和R. Balakrishnan，“认知无线电网络中的合作频谱感应：调查”物理交流，卷。4，不。1，pp。40-62,2011。查看在：出版商的网站|谷歌学术
11. Y.歌曲和Y. Zhou，“基于随机矩阵理论的改进频谱传感算法”2017年第19届高级通信技术国际会议（ACACT）的诉讼程序，pp.715-720，FebMbarary 2017。查看在：出版商的网站|谷歌学术

版权

版权所有©2017张永伟等。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。