1.一种协作频谱感知方法，其特征在于，包括以下步骤：

S1.建立用于协作频谱感知的认知无线网络，所述认知无线网络包括主用户、融合中心和多个次用户；

S2.在融合中心将多个次用户接收主用户发射的信号进行融合，组成信号矩阵；

S3.对信号矩阵进行预处理，得到信号矩阵对应的协方差矩阵，基于协方差矩阵，计算对应的SKL散度均值矩阵；

S4.收集所述SKL散度均值矩阵，并对所述SKL散度均值矩阵进行预处理，得到包含标签样本和无标签样本的第一样本数据集；

S5.将第一样本数据集输入预设的半监督支持向量机模型，输出无标签样本对应的标签，得到第一样本数据集的全部带标签样本并对其进行处理，得到第二样本数据集；

S6.将第二样本数据集划分为训练集、验证集以及测试集；

S7.利用训练集训练预设的协作频谱感知神经网络，并利用验证集评估所训练出来的协作频谱感知神经网络的性能，得到离线训练好的频谱感知神经网络，将其记为频谱感知分类器；

S8.利用所述频谱感知分类器对测试集进行分类，验证频谱感知分类器的频谱感知性能；

S9.在线采集每一个次用户感知到主用户发射的待处理信号，对所述待处理信号进行在线预处理，将在线预处理后的信号输入验证好的频谱感知分类器，输出主用户状态的预测结果。

2.根据权利要求1所述的协作频谱感知方法，其特征在于，在所述认知无线网络中，每一个次用户独立地对主用户授权频段进行频谱感知，并将所述认知无线网络建模为二元假设检验问题，其表达式如下：其中，H0表示主用户授权频段忙碌状态，即主用户存在；H1表示主用户授权频段空闲状态，即主用户不存在；k表示信号采样点数，k＝1,2,…S，S表示信号采样点数的变量；m表示次用户的数量，m＝1,2,…M，M表示次用户数的变量；n表示每一个次用户配备的天线数，n＝

1,2,…N，N表示每一个次用户配备天线数的变量； 表示第m个次用户配备的第n根天线接受到的加性高斯白噪声且满足 表示第m个次用户配备的第n根天线的瑞利衰落信道增益； 表示第m个次用户配备的第n根天线接收到主用户发射的信号，表示第m个次用户配备的第n根天线接收到的信号向量， 表达式为：其中， 表示 中的第S个元素。

3.根据权利要求2所述的协作频谱感知方法，其特征在于，在融合中心将M个次用户配备的第n根天线接收到的信号向量进行融合，组成一个M×S信号矩阵Y，Y表达式如下：其中， 表示信号矩阵Y的第M行第S列的元素。

4.根据权利要求3所述的协作频谱感知方法，其特征在于，所述对信号矩阵进行预处理，具体为：基于信号矩阵Y，计算得到信号矩阵Y对应的N个协方差矩阵R，具体计算表达式如下：其中，R表示M×M矩阵； 表示矩阵转置；E[Y]表示M×S矩阵，E[Y]中的第(i,j)个元素表示信号矩阵Y中第i行第j列的平均值，i＝1,...,M，j＝1,...,S；当观测信号是在H0状态下收集时，此时协方差矩阵记作Rw，当观测信号是在H1状态下收集时，此时协方差矩阵记作Rs；

对于N个协方差矩阵R，根据矩阵流形理论，计算对应的SKL散度均值矩阵 具体计算表达式为：其中，Ri表示协方差矩阵R的第i个元素，Rj表示协方差矩阵R的第j个元素；所述SKL散度均值矩阵 满足以下条件：其中， 表示H0状态下时对应的SKL散度均值矩阵， 表示H1状态下时对应的SKL散度均值矩阵。

5.根据权利要求4所述的协作频谱感知方法，其特征在于，在预设感知周期内收集若干个SKL散度均值矩阵 并对若干个SKL散度均值矩阵 进行预处理，具体包括：将若干个SKL散度均值矩阵 展开为一维向量，组成第一样本数据集。

6.根据权利要求5所述的协作频谱感知方法，其特征在于，所述将第一样本数据集输入预设的半监督支持向量机模型，半监督支持向量机模型对第一样本数据集的处理过程具体包括：S51.利用生成的候选低密度划分对第一样本数据集中的标签样本和无标签样本进行划分标记；

S52.构建一个标记赋值模型对无标签样本进行标记赋值，得到一组新的标签样本；

S53.计算新的标签样本与原有的标签样本之间的加权误差，基于加权误差的大小进行噪声惩罚和剔除，得到可靠的标签样本；

S54.利用可靠的标签样本，训练半监督支持向量机模型，利用训练好的半监督支持向量机模型输出最终无标签样本的预测值。

7.根据权利要求6所述的协作频谱感知方法，其特征在于，对全部带标签样本进行处理，具体为：将全部带标签样本的第一样本数据集中的一维向量转为对应的 并记作第二样本数据集，将第二样本数据集按一定比例划分为训练集、验证集以及测试集；所述协作频谱感知神经网络包括输入层、包含卷积核过滤器的卷积层、池化层、第一全连接层、第二全连接层和输出层；所述利用训练集训练预设的协作频谱感知神经网络，具体包括：S71.将第二样本数据集中的训练集及其对应的样本标签作为输入层的输入数据；

S72.卷积层的卷积核过滤器对输入层的输入数据进行卷积运算，输出第一特征映射矩阵；

S73.所述第一特征映射矩阵经过ReLu激活函数处理后输入池化层，经过ReLu激活函数处理后的第一特征映射矩阵在池化层中进行平均池化运算，输出第二特征映射矩阵；

S74.将所述第二特征映射矩阵展开为输入向量a输入第一全连接层；

S75.在第一全连接层中，利用第一权重向量W1与输入向量a相乘，输出第一相乘结果，第一相乘结果经过ReLu激活函数处理后输入第二全连接层；

S76.在第二全连接层中，利用第二权重向量W2与经过ReLu激活函数处理后的第一全连接层的输出结果相乘，输出第二相乘结果，第二相乘结果经过Softmax函数处理后输入输出层；

S77.在输出层中，利用归一化操作将经过Softmax函数处理后的第二相乘结果分别转化为H0和H1的概率；

S78.利用优化算法对卷积核的数值、第一权重向量W1和第二权重向量W2进行不断调整，直至卷积核的数值、第一权重向量W1和第二权重向量W2为协作频谱感知神经网络的最优网络参数，协作频谱感知神经网络训练结束。

8.根据权利要求7所述的协作频谱感知方法，其特征在于，将训练结束的协作频谱感知神经网络作为频谱感知分类器C(x)，C(x)的具体表达式如下：其中， 表示样本数据x的预测概率向量， 表示预测主用户状态是H0的概率，表示预测主用户状态是H1的概率，且 利用所述频谱感知分类器对测试集进行分类，并画出测试集的ROC曲线，利用ROC曲线，验证频谱感知分类器的频谱感知性能。

9.根据权利要求8所述的协作频谱感知方法，其特征在于，将待处理信号记为xtest；然后将预处理后的信号xtest输入至验证好的频谱感知分类器C(x)中，得到xtest的预测概率向量其表达式如下：当 时，则表示主用户状态的预测结果为H0；当 时，则表示主

用户状态的预测结果为H1。

10.一种协作频谱感知系统，其特征在于，所述系统包括：

网络建立模块，用于建立协作频谱感知的认知无线网络，所述认知无线网络包括主用户、融合中心和多个次用户；

数据融合模块，用于在融合中心将多个次用户接收主用户发射的信号进行融合，组成信号矩阵；

预处理模块，用于对信号矩阵进行预处理，得到信号矩阵对应的协方差矩阵，基于协方差矩阵，计算对应的SKL散度均值矩阵；

第一数据获取模块，用于收集所述SKL散度均值矩阵，并对所述SKL散度均值矩阵进行预处理，得到包含标签样本和无标签样本的第一样本数据集；

第二数据获取模块，用于将第一样本数据集输入预设的半监督支持向量机模型，输出无标签样本对应的标签，得到第一样本数据集的全部带标签样本并对其进行处理，得到第二样本数据集；

划分模块，用于将第二样本数据集划分为训练集、验证集以及测试集；

训练模块，用于利用训练集训练预设的协作频谱感知神经网络，并利用验证集评估所训练出来的协作频谱感知神经网络的性能，得到离线训练好的频谱感知神经网络，将其记为频谱感知分类器；

验证模块，用于利用所述频谱感知分类器对测试集进行分类，验证频谱感知分类器的频谱感知性能；

预测模块，用于在线采集每一个次用户感知到主用户发射的待处理信号，对所述待处理信号进行在线预处理，将在线预处理后的信号输入验证好的频谱感知分类器，输出主用户状态的预测结果。