1.一种基于GMM和粒子群算法的NOMA信号频谱感知方法,其特征在于包括以下步骤:步骤1:在认知无线电系统中,设定只存在一个次级用户,且利用NOMA技术共享同一个信道的最大主用户数为K,这些主用户从1开始编写序号;在任一个感知时隙内次级用户接收到一个连续信号作为NOMA信号,然后对在任一个感知时隙内次级用户接收到的NOMA信号进行N次采样,得到N个离散信号;其中,K≥2,N表示采样次数,N≥500;
步骤2:针对次级用户的N个离散信号,按采样的先后顺序依次遍历每个离散信号,将当前遍历的离散信号定义为当前离散信号;
步骤3:设定当前离散信号为第n个离散信号,并记为r(n),将r(n)描述为:确定H0下的 确定Hc下的
其中,n=1,2,…,N,H0表示假设信道中无主用户存在,H1
表示假设信道中存在1个主用户,Hc表示假设信道中存在c个主用户,HK表示假设信道中存在K个主用户,1≤c≤K,w(n)表示r(n)中的噪声,其为独立同分布的复加性高斯白噪声,w(n)的均值为0且方差为 i表示第i个主用户的序号,其为区间[1,K]内的正整数, 表示信道中存在1个主用户时这个主用户的序号构成的集合, 表示信道中存在c个主用户时这些主用户的序号构成的集合, 表示信道中存在K个主用户时这些主用户的序号构成的集合,Ωi表示第i个主用户的发射信号的功率系数,其满足 且Ωi∈[0,1], 表示主用户的发射信号的总功率,信噪比为 hi表示第i个主用户到次级用户的块瑞利衰落信道系数,hi的相位均匀分布在[‑π,π),hi的幅值服从Nakagami‑m分布,si(n)表示第i个主用户的发射信号, 表示均值为a且方差为b的复高斯分布,pji(n)表示在对次级用户接收到的连续信号进行第n次采样时第i个主用户传输的第ji个符号,1≤ji≤J,J表示第i个主用户的发射信号在发射后经数字调制获得多个符号的过程中数字调制的阶数;
步骤4:令 表示第i个主用户的空假设,令 表示第i个主用户的备择假设,令ηi表示第i个主用户存在或不存在的情况,ηi=0对应 ηi=1对应 然后将转化为
进而得到 其中,
步骤5:根据 获取r(n)的概率密度函数,记为f(r(n)),
其中,exp()表示以自然基数e为底的指数函数;
步骤6:按采样的先后顺序依次遍历下一个离散信号,将下一个遍历的离散信号作为当前离散信号,然后返回步骤3继续执行,直至次级用户的N个离散信号均处理完毕,得到次级用户的每个离散信号的概率密度函数;
步骤7:计算次级用户的N个离散信号的联合概率密度函数,记为f(r),;
然后根据f(r)建立次级用户的N个离散信号的高斯混合模型,记为fGMM(r),再设
得到 其中,r表示次级用户的N个离散
信号构成的向量,r=[r(1),r(2),…,r(N)],r(1)表示第1个离散信号,r(2)表示第2个离散信号,r(N)表示第N个离散信号,fGMM(r(n))表示r(n)的高斯混合模型,表示混合系数,
步骤8:根据 构建一个估计优化问
题,描述为: 然后利用粒子群算法求解 得到gi,i=1,
2,…,K的估计值;其中, 表示求fGMM(r)取最大值时gi的值;
步骤9:对在任一个感知时隙内次级用户接收到的NOMA信号进行频谱感知,若|gi|,i=
1,2,…,K大于或等于决策阈值λ,则判定 成立;若|gi|,i=1,2,…,K小于决策阈值λ,则判定 成立;同时统计大于或等于决策阈值λ的个数,将该个数作为工作的主用户数量;其中,λ的值根据虚警概率确定。
2.根据权利要求1所述的基于GMM和粒子群算法的NOMA信号频谱感知方法,其特征在于所述的步骤8中,利用粒子群算法求解 的过程为:步骤8_1:设定粒子群中有L个粒子,且每个粒子的维度为K;设定粒子群中的所有粒子的位置边界值和速度边界值,其中,位置边界值根据粒子群所需搜索范围来确定,速度边界值为位置边界值的10%~20%;然后在位置边界值确定的范围内随机初始化粒子群中的L个粒子各自的位置值,并在速度边界值确定的范围内随机初始化粒子群中的L个粒子各自的速度值,将粒子群中的第α个粒子的位置值的初始值记为 将粒子群中的第α个粒子的速度值的初始值记为 其中,L∈[50,100],1≤α≤L;
步骤8_2:令q表示迭代次数,令Q表示预设的最大迭代次数;令gbest表示粒子群中的所有粒子的全局最优粒子位置值,令pbest,α表示粒子群中的第α个粒子的个体最优粒子位置值;
其中,q的初始值为1,1≤q≤Q,Q≥50;
步骤8_3:针对第q次迭代,当q=1时将粒子群中的每个粒子的位置值的初始值代入视为适应度函数的 中作为g1,g2,…,gi,…,gK的值,计算得到粒子群中的每个粒子对应的一个适应度值,记录第q次迭代时的L个适应度值中的最大值,并将记录的第q次迭代时的最大值对应的那个粒子的位置值的初始值赋值给gbest;当q=1时将 赋值给pbest,α;
当q≠1时将粒子群中的每个粒子第q‑1次迭代的位置值代入视为适应度函数的中作为g1,g2,…,gi,…,gK的值,计算得到粒子群中的每个粒子对应的一个适应度值,记录第q次迭代时的L个适应度值中的最大值,比较记录的第q次迭代时的最大值与将gbest代入适应度函数得到的适应度值的大小,若前者大于或等于后者则将第q次迭代时的最大值对应的那个粒子的位置值赋值给gbest,若前者小于后者则gbest保持不变;当q≠1时将粒子群中的每个粒子第q‑1次迭代的位置值代入视为适应度函数的 中作为g1,g2,…,gi,…,gK的值,计算得到粒子群中的每个粒子对应的一个适应度值,比较粒子群中的每个粒子对应的适应度值与个体最优粒子位置值的大小,若前者大于或等于后者则将前者赋值给后者,即对于粒子群中的第α个粒子,该粒子对应的适应度值赋值给pbest,α,若前者小于后者则后者保持不变,即对于粒子群中的第α个粒子,保持pbest,α不变;
步骤8_4:计算粒子群中的每个粒子第q次迭代的位置值,将粒子群中的第α个粒子第q次迭代的位置值记为 其中,当q=1时 即为 即为当q≠1时 表示粒子群中的第α个粒子第q‑1次迭代的位置值, 表示粒子群中的第α个粒子第q‑1次迭代的速度值, 表示 的第1维, 表示的第2维, 表示 的第K维;
步骤8_5:计算粒子群中的每个粒子第q次迭代的速度值,将粒子群中的第α个粒子第q次迭代的速度值记为 其中,ω表示惯性权重,ω=0.729,C1和C2表示学习因子,C1=C2=1.494,R1和R2为随机值,R1和R2服从[0,
1]上的均匀分布;
步骤8_6:判断q是否大于或等于Q或者gbest是否收敛,如果q大于或等于Q或者gbest收敛,则结束迭代过程,然后执行步骤8_7;如果q小于Q且gbest未收敛,则令q=q+1,然后返回步骤
8_3继续迭代;其中,q=q+1中的“=”为赋值符号;
步骤8_7:将收敛的gbest的每个维度对应作为g1,g2,…,gi,…,gK的估计值。