基于概率向量和机器学习的协作频谱感知

针对在认知无线电网络(Cognitive Radio Network, CRN)中进行协作频谱感知(Cooperative Spectrum Sensing, CSS)时，随着次级用户(Secondary User, SU)数量N增加导致能量向量维度随之提高造成的数据处理时间增加,设计开发了使用恒定二维向量的机器学习算法.首先在由 N个SU组成的CRN中进行频谱感知,获取每个SU感知得到的能量数值并组成N维能量向量,然后对N维能量向量进行数据处理,将其变换为恒定的二维特征向量———概率向量,并利用 K Mediods和模糊支持向量机(Fuzzy Support Vector Machine, FSVM)算法对此向量进行训练和分类,针对2个SU 和16个SU建立仿真场景,分别基于N维能量向量与概率向量进行研究,仿真结果表明,在SU数量增加的场景下,使用概率向量的训练时间降低了至少31%,分类延迟略有减少。